/

/

Du har masse data. Hva så?

/

/

Du har masse data. Hva så?

/

/

Du har masse data. Hva så?

/

/

Du har masse data. Hva så?

Vårt delingshjørne

Du har masse data. Hva så?

Du har masse data. Hva så?

Du har masse data. Hva så?

24. september 2020

Data & Analyse

Vi har masse data.
Vi har et datavarehus.
Vi gjør self-service rapportering.
Vi gjør maskinlæring.
Vi streamer data.
Hva så?

Etter å ha kastet millioner av kroner, masse ny teknologi og haugevis av utviklingstimer på et problem føler du fortsatt at endringene i organisasjonen er store nok til å rettferdiggjøre ressursbruken? «Hva så», to små ord og kanskje ditt viktigste verktøy for å sikre gevinstrealisering når man starter et nytt initiativ! «Teknologi er enkelt». Å få maks verdi ut av teknologi er vanskelig om man glemmer hvem som skal bruke den, og hva som kreves av dem og organisasjonen rundt dem. Så hvordan kan to små ord gjøre oss bedre i stand til å faktisk få de gevinstene vi ønsker å få ut av et initiativ?

VERDIEN SKAPES IKKE AV Å HA EN TEKNISK LØSNING PÅ PLASS, DEN SKAPES AV HVORDAN DEN BLIR TATT I BRUK

Jeg mener at en av de største indikatorene på at man har lykkes med et prosjekt er hvor mange, og hvor gode, spørsmål man får når brukere begynner å ta den nye løsningen i bruk. Verdien skapes ikke av å ha en teknisk løsning på plass, den skapes av hvordan den blir tatt i bruk, hvordan den kan endre tankesett til brukerne og hvordan de kan drømme videre om nye muligheter med den nye løsningen som utgangspunkt.

Å vite hva et godt spørsmål er, og dermed ha det som et suksesskriterie er vanskelig (om ikke umulig) å konkretisere ved den første spesifikasjonen av prosjektløpet, men de spørsmålene som potensielt kommer er sentrale for om prosjektet skal lykkes. Disse må jobbes med kontinuerlig, og for hvert gode spørsmål som kommer er det bare å utvide backloggen eller den opprinnelige spesifikasjonen, og man ender opp med en sirkel som aldri burde avsluttes, og da føler jeg at prosjektet i sin helhet ofte ikke passer inn i en tradisjonell prosjektgjennomføringsmodell.



Figure 1: Superforenklet livssyklusrundt bruken av data


Men hva så?

At man sjelden treffer best og riktigst på første forsøk, betyr ikke at vi ikke kan jobbe for å komme nærmest mulig gode suksessfaktorer. Men suksessfaktorene kan ikke stoppe med å ha en teknisk løsning på plass, det er bare starten. Og derfor er det så viktig å spørre seg selv "Hva så?" eller "Og så da?" for hver eneste ide og initiativ i startfasen av et prosjekt.

DET ER DYRERE Å SKAFFE EN NY KUNDE ENN Å HOLDE PÅ DE MAN ALLEREDE HAR

Jeg lever i en verden sentrert rundt bruken av data og liker ofte å bruke churn prediksjon, det å kunne predikere hvilke kunder som holder på å si opp en kontrakt, som et eksempel på hvordan man kan bruke data, så hvordan kan to ord hjelpe oss å sikre de gevinstene vi vil ha?

Churn prediksjon er et initiativ som kanskje vil bli startet fra økonomi fordi det handler om å holde på kunder, holde inntektene oppe og å slippe å bruke mer penger enn nødvendig på å få inn nye kunder. Det er dyrere å skaffe en ny kunde enn å holde på de man allerede har så churn er interessant for veldig, veldig mange.

Å vite hvilke kunder som potensielt holder på å terminere kontrakten sin høres jo fantastisk ut! Vi vet hvem vi holder på å miste! HVA SÅ? Hva så… Det er jo her selve jobben begynner, og her de virkelig vanskelige spørsmålene kommer.

  • Hvordan klarer vi å snu de som holder på å terminere kontrakten sin?

  • Hva kan vi si for at de potensielt skal endre mening?

  • Hvem skal vi prioritere å kontakte?

  • Hvilke kunder er det verdt å bruke penger på for å bli?

  • Hvem skal kontakte de?

For selv om et slikt initiativ starter hos økonomi er det mest sannsynlig ikke økonomi som må gjøre den største jobben. Om en maskinlæringsmodell har sagt at jeg som kunde har stor sannsynlighet for å terminere min kontrakt, så er det ikke CFO som tar det videre med hver enkelt kunde. Det vil typisk være kundeservice, kanskje det må være marketing, og mest sannsynlig er det en god blanding av flere områder.


Figure 2: Eksempel på aksjoner som kan tas på kunder og hvem som utfører de.

Det sies at man skal spørre hvorfor fem ganger for å komme til rotårsaken til et problem. Jeg mener vi burde stille oss selv "hva så?" eller "og så da?" fem ganger når vi planlegger å gjøre en investering for å sørge for at vi er klare til å gjøre rett aksjoner når implementeringen er gjort.


Figure 3: Kanskje vi tør å spørre oss selv "hva så" og "og så da" mer

Hvis vi ikke gjør dette er det så lett å havne i "POC-fella". En POC (proof of concept) blir gjort, den ser lovende ut, men ingen er forberedt på å gjøre en endring på sine arbeidsoppgaver når POC'en blir utvidet og produksjonssatt. Og dermed mangler man plutselig den viktigste biten av et prosjekt, gevinstrealiseringen. Og om ingen gevinster blir tatt ut, kan man egentlig kalle prosjektet for en suksess?

Hvordan sikrer man gevinstrealisering når man skal starte et nytt initiativ? Jeg mener vi gjør det ved å stille mer spørsmål om hva som skjer etter faktisk implementering er utført før vi starter. “Teknologi er enkelt”. Å få maks verdi ut av teknologi er vanskelig om man glemmer hvem som skal bruke den, og hva som kreves av dem og organisasjonen rundt dem. Ved å stille seg selv spørsmålet “hva så?” er en enkel og god øvelse i å se om man har tenkt igjen hvordan man faktisk skal få ordentlig gevinster ut av en ny teknisk løsning.

Kanskje du liker:

Kanskje du liker:

Kanskje du liker:

Data & Analyse

30. mai 2023

I år reiste hele data og analyse-teamet sammen til konferansen Data Innovation Summit i Stockholm! Her er våre høydepunkt!

Data & Analyse

30. mai 2023

I år reiste hele data og analyse-teamet sammen til konferansen Data Innovation Summit i Stockholm! Her er våre høydepunkt!

Data & Analyse

24. januar 2023

Alv har bidratt til at Bane NOR har tatt i bruk maskinlæring og kunstig intelligens til å gå fra reaktivt til prediktivt vedlikehold av Norges jernbanelinjer.

Data & Analyse

24. januar 2023

Alv har bidratt til at Bane NOR har tatt i bruk maskinlæring og kunstig intelligens til å gå fra reaktivt til prediktivt vedlikehold av Norges jernbanelinjer.

Data & Analyse

6. oktober 2022

Bloggposter postet av selskaper handler ofte om å vise frem det selskapet er gode på eller hva de ansatte er flinke til og som differensierer selskapet fra andre lignende selskaper. Denne bloggposten, derimot, kommer til å være en ganske annerledes bloggpost, da den skal handle om noe jeg er dårligere på enn snittet, nemlig struktur.

Data & Analyse

6. oktober 2022

Bloggposter postet av selskaper handler ofte om å vise frem det selskapet er gode på eller hva de ansatte er flinke til og som differensierer selskapet fra andre lignende selskaper. Denne bloggposten, derimot, kommer til å være en ganske annerledes bloggpost, da den skal handle om noe jeg er dårligere på enn snittet, nemlig struktur.

Data & Analyse

30. mai 2023

I år reiste hele data og analyse-teamet sammen til konferansen Data Innovation Summit i Stockholm! Her er våre høydepunkt!

Data & Analyse

24. januar 2023

Alv har bidratt til at Bane NOR har tatt i bruk maskinlæring og kunstig intelligens til å gå fra reaktivt til prediktivt vedlikehold av Norges jernbanelinjer.

Data & Analyse

30. mai 2023

I år reiste hele data og analyse-teamet sammen til konferansen Data Innovation Summit i Stockholm! Her er våre høydepunkt!

Data & Analyse

24. januar 2023

Alv har bidratt til at Bane NOR har tatt i bruk maskinlæring og kunstig intelligens til å gå fra reaktivt til prediktivt vedlikehold av Norges jernbanelinjer.

Footer Logo

Når riktig partner utgjør all forskjell



822 704 042

Pløens gate 7

0181 Oslo

hei@alv.no

+47 91 92 92 18

Copyright ©2024. All rights reserved.

Footer Logo

Når riktig partner utgjør all forskjell



822 704 042

Pløens gate 7

0181 Oslo

hei@alv.no

+47 91 92 92 18

Copyright ©2024. All rights reserved.

Footer Logo

Når riktig partner utgjør all forskjell



822 704 042

Pløens gate 7

0181 Oslo

hei@alv.no

+47 91 92 92 18

Copyright ©2024. All rights reserved.

Footer Logo

Når riktig partner utgjør all forskjell



822 704 042

Pløens gate 7

0181 Oslo

hei@alv.no

+47 91 92 92 18

Copyright ©2024. All rights reserved.