Data Prototyping – Ett bra sätt att börja skapa värde av din data!

Under en längre tid har det pratats om att data är den nya oljan, men vad innebär det egentligen?

Vi träffar på många klienter och bolag som känner att de inte riktigt vet hur de ska jobba med data för att skapa affärsvärde samt vad detta innebär för deras organisation och arbetssätt.

Som svar på detta har vi utvecklat ett arbetssätt som vi kallar Data Prototyping där vi hjälper företag att snabbt och effektivt skapa värde av sin data.

 

Tycker du att ni inte får ut värdet av er data? Låt oss presentera Data Prototyping!

I en digital organisation kan man skapa enorma mängder data. För många är detta positivt då det öppnar upp möjligheter att förstå och analysera sin verksamhet på sätt man inte tidigare kunnat. För andra kan det bli tidsförödande och förvirrande då man inte vet i vilken ände man ska börja eller hur man ska ta sig an problem.

Att kunna utgöra vad som skiljer de två scenariona åt och vad man bör göra för att hamna i det första läget är inte självklart, men att kunna säkerställa det är något man behöver för att vara konkurrenskraftig.

Att ta välinformerade och faktabaserade beslut är den uppenbara fördelen med att arbeta datadrivet.

Det finns såklart många fler fördelar som exempelvis

  • kostnadsbesparingar
  • ny produkt- och tjänstinnovation
  • snabbare, mer enhetliga beslut

 

Vad innebär det att vara datadriven och varför är det viktigt?

”As business leaders we need to understand that lack of data is not the issue. Most businesses have more than enough data to use constructively; we just don’t know how to use it. The reality is that most businesses are already data rich, but insight poor.“

 – Bernard Marr. Författare av bla. ”Big Data in practice” samt KPI & Big Data guru

Att vara datadriven är för oss att man använder data för att förstå sådant som vi som människor inte klarar på egen hand – en datamodell kan betydligt snabbare och mer precist processa stora mängder information.

För oss handlar dock det datadrivna inte enbart att hantera stora mängder information utan även att se till att man jobbar med “liten” data där den skapar värde.  Att arbeta på ett datadrivet sätt ser vi som ett måste för alla moderna företag och som kan vara helt avgörande på en snabbföränderlig marknad.

Det finns ingen formulering eller aktivitet som definierar ett företag som datadrivet eller inte datadrivet och i mångt och mycket är det värdet som skapas som är målet. En datadriven process utgörs av (åtminstone) fem beståndsdelar:

  1. Vilken värdeökning vill man ha
  2. Samla relevant data
  3. Modellera (vad, hur mycket och var)
  4. Analys (får fram insikter kring varför man ser det man ser)
  5. Konkreta handlingar och prioritering

Data prototyping loop

En välutformad loop inleds med att definiera vilken typ av fråga man vill ha svar på och utifrån detta samla relevant data. Detta leder till att modelleringen (där man besvarar frågor som vad, hur mycket och var) och analysen (där man drar insikter kring varför man ser det man ser) får ett tydligare syfte. Detta kan sedermera leda till mer konkreta handlingar och prioriteringar av dessa som genererar en värdeökning för företaget.

Baserat på denna kan man sedan gå tillbaka och omformulera frågan man vill besvara och vilken data som behövs för detta. En datadriven organisation innebär inte att det är ett fåtal personer som gör superavancerad analys utan en organisation där alla förstår värdet av data och kontinuerligt vill skapa förbättring med hjälp av den. I en sådan organisation används de fem stegen av samtliga i organisationen och i allt från små individuella frågeställningar till organisationsvida beslutstaganden. Ett kriterium för att bli datadriven är att inbygga tillit och acceptans kring värdet av att arbeta på ett datadrivet sätt.

 

Detta är så stort och komplext, hur blir vi datadrivna?

Detta är oftare lättare sagt än gjort och många organisationer som vi pratar med vet inte hur de ska börja och har svårigheter att skapa värde ur den data man har.

  • Ska man göra ett big-bang projekt där man implementerar nya arbetsprocesser, organisationsdelar och system?
  • Eller ska man börja i ett hörn och successivt arbeta sig utåt?
  • Ska man ta fram en strategi, ska man börja implementera analysverktyg, ska man fokusera på datainsamling och datalagring osv?

Självklart måste man förstå att bli datadriven inte är något enkelt eller något som sker över natten. I slutändan är det hur väl data används och skapar värde som definierar ett datadrivet företag.

Vi tror stenhårt på att för att bli framgångsrik i sin data-användning så måste man jobba iterativt och testa sig fram. Vi är också övertygade om att en bra väg för att börja resan med att bli mer datadriven är genom Data Prototyping.

 

Vad är en Data Prototype?

För oss är Data Prototyping ett snabbt sätt att påvisa värdet av data genom att man bygger en avgränsad prototyp som använder data och analyslösningar för att lösa ett specifikt affärsproblem.

Tanken är inte att det ska vara den perfekta lösningen direkt utan ett redskap för att få en djupare förståelse för vad man kan och behöver göra inom området.

Med en Data Prototype kan man testa om det är möjligt att genomföra en föreslagen lösning, vilket antingen skulle kunna leda till storskalig implementation, en småskalig ”beta”-tjänst eller som input i en strategi kring hur man ska jobba med data. 

En Data Prototype bygger i grunden på intern och/eller extern data som på olika sätt samlas in, bearbetas och levereras så att det i slutändan kan leda till någon form av handling och värdeökning för företaget. Exempel på Data Prototype är churn prediction, dashboard eller insikter kring kundbeteenden.

Dessa kan anpassas och se ut på många sätt och kan ta användning av en rad olika mjukvaror, beroende på hur frågeställningen lyder och vilka övriga specifikationskrav som finns. Genomgående i arbetet med en prototype är affärsförståelsen grundläggande, varför det är ett hypotesdrivet arbetssätt.

 

Varför bör man bygga en Data Prototype?

Med en förståelse av vad en Data Prototype kan vara, är det viktigt att lyfta fram de fördelar och nyttor som processen för med sig:

  • Att ta fram prototyper är ett sätt att snabbt bli konkret om idéer och behov och utvärdera dess potentiella värde
  • Det är ett sätt att lära sig att arbeta med data och analys på ett mer smidigt sätt med en flexibel men konkret metodik
  • Det är ett pedagogiskt och överskådligt sätt att testa / bevisa en hypotes och visa potentiella effekter för hela organisationen
  • Man kan lätt ta det ut till organisationen för att förstå hur mottagliga dem är för denna typ av beslutsunderlag och analyser och om detta inte är fallet, kan man förbereda organisationen innan storskalig investering görs

Genom möjligheten att snabbt kunna testa och validera idéer och initiativ kan företag ha ett snabbare, precisare och mer iterativt arbetssätt. Om man kan kvantitativt testa sina hypoteser på en grundläggande nivå i ett tidigt stadie undviker man stora, tidskrävande och riskfyllda projekt och kan istället omvärdera sina initiativ.

Denna mer iterativa och kortsiktiga strategi gör att man kan prioritera rätt initiativ, bygga mer relevant kompetens och hela tiden arbeta närmare sina kunder. Det gör också att en data prototype passar alla typer av bolag.

 

Hur bygger man en Data Prototype?

I arbetet att ta fram en Data Prototype tycker vi att man ska jobba efter tre huvudsakliga steg som byggts för att på bästa sätt möjliggöra för de fördelar nämnda ovan, att slå igenom.

  • Börja från slutet
    • Inled med att skapa en bild av vilket eller vilka affärsproblem du försöker lösa
    • Definiera vem som är målanvändaren och vem som kommer att få resultatet och anpassa arbetet framåt efter detta
    • Försök att visualisera och konkretisera vad slutprodukten är och hur ser det ut – något så enkelt som att rita upp på ett tomt papper är superbra!
  • Rita upp och bryt ner
    • Skapa en övergripande arkitektur för din Data Prototype – både hur du ska hantera information och teknik (nu låter det väldigt svårt och komplext, men håll det enkelt och rita upp de övergripande system och informationsmängderna du behöver)
    • Bryt ner det i dess beståndsdelar och förstå vad du behöver
    • Man kommer förmodligen behöva repetera vilka datapunkter man behöver, så bara börja! och försök inte göra det perfekt direkt
    • Gå ut i organisationen och försök få tag på data – det tar alltid lång tid
  • Bygg och visa, bygg och visa, bygg och visa
    • Gör första v0.1 så fort du får tag på vissa data, gör det ibland innan du får data!
    • Förstå data och datakvalitet och anpassa modellen utefter detta
    • Rengör data manuellt (men notera ner det). Om du försöker automatisera allt tar det väldigt lång tid att nå resultat
    • Visa ditt jobb snabbt för att få feedback från mottagaren eller någon annan tidigt

Detta är det övergripande arbetssättet vi tycker man ska ha när man bygger en Data Prototype, vi kommer i ett senare blogg-inlägg vara lite mer konkreta kring verktyg och teknik som man kan använda när man bygger en Data Protoype.

Vår uppmaning är dock att det viktiga är att man börjar skapa en förståelse för vad man vill åstadkomma så blir teknikvalen mycket lättare.  Tänk att det i detta skede inte behöver vara perfekt, så jobba i verktyg som är lättarbetade. 

 

Nästa steg med en Data Prototype

Genom möjligheten att snabbt kunna testa och validera idéer och initiativ kan företag ha ett snabbare, precisare och mer iterativt arbetssätt. Om man kvantitativt kan testa sina hypoteser på en grundläggande nivå i ett tidigt stadie undviker man stora, tidskrävande och riskfyllda projekt och kan istället omvärdera sina initiativ.

Denna mer iterativa och kortsiktiga strategi gör att man kan prioritera rätt initiativ, bygga mer relevant kompetens och hela tiden arbeta närmare sina kunder. Det gör också att en Data Prototype passar alla typer av bolag.

Hur en Data Prototype används eller tas vidare i organisationen är ett beslut som kan tas först när man har testat och varierar mellan alla tänkbara situationer. Det som står säkert är att man kommer kunna ta ett mer välgrundat beslut med en Data Prototype att luta sig mot.

Lycka till med era datasatsningar!

Johan Bergman och Andreas Åström

 

Vill du veta mer om Data Prototyping så tveka inte att höra av dig. Ta kontakt genom att klicka på knappen nedan så kan vi inleda en förutsättningslös diskussion.

Skicka epost

Visst borde fler läsa detta? Dela och få folkets kärlek!

Leave a Reply

Your email address will not be published. Required fields are marked *