ITU-forskere: Uvidenhed om business intelligence giver mange fejlinvesteringer

Kæmpesatsninger på business intelligence kan føre til et stort spild af penge af mange årsager: Umoden BI-håndtering, forsimplede data eller manglende eller forkert integration af output i organisationen.

Dagligevarebutikker kan forudsige hvilke og hvor mange varer kunderne køber - og dermed måske påvirke vores købeiver med gode tilbud på rette tid og sted. Eller containerrederier kan optimere på ruter eller graden af lastning ved at analysere på data.

Det er eksempeler på, at der kan være store forretningsmæssige gevinster gemt ved at knytte business intelligence på de store mængder data, som mange virksomheder gemmer på.

Problemet er, at dataanalyse er kompliceret, og der er store faldgruber forbundet med at gå fra data til beslutningsgrundlag, lyder det fra ITU.

»Den største fejl er, at man overvurderer, hvad teknologien kan og tror, at teknologien alene løser vidensspørgsmålet. Dermed undervurderer man analysearbejdet og betydningen af at forstå, hvilke data man arbejder med. Det handler derfor om at få toplederne til at forstå, hvordan man arbejder med data,« siger Rune Møller Jensen, som er lektor og forsker på IT-Universitetet i København ifølge en artikel på ITU.dk.

Overvurdering af teknologien kan føre til et stort spild i teknologiindkøb eller mandetimer.

»Jeg er stødt på ufokuserede investeringer så som uklarhed om business intelligence medarbejderes konkrete opgaver og langsom glidning over i andre opgaver, fordi organisationen ikke er moden til business intelligence. Pludselige kæmpesatsninger, som løber ud i sandet,« udtaler han til Version2.

Selv hvis man har valgt algoritmer og får data ud af processen, kan de medførte forkerte action points, enten pga. manglende nuancer - eller forkert implementering:

»F.eks. går det galt, hvis beregningerne ikke er transparente, men bare giver et forsimplet ”ja” eller ”nej”. Hvis man skal bruge resultaterne, er man også nødt til at forstå, hvad der ligger bag outputtet. Dernæst skal outputtet også integreres i arbejdsprocesserne, hvilket handler om forandringsledelse. Det kan være, at man går fra en type proces til en anden, når man integrerer en ny type data, hvilket betyder, at tingene skal gøres anderledes. Hvis du gør, som du hele tiden har gjort og ikke stiller nye spørgsmål, så får du heller ikke integreret ny viden,« forklarer Rune Møller Jensen.

Insourcing har gjort analyser mindre professionelle

Ofte skyldes problemerne med business intelligence ifølge ham, at mange virksomheder er gået fra at outsource dataanalyse til at hive dataanalyser hjem igen.

»De har fået øjnene op for, at data er blevet kernen i deres forretning, men har svært ved at gennemskue, hvilke data der er behov for, og hvilke kompetencer man skal bruge for at få de fornødne data omsat til beslutningsgrundlag, og derfor ender det ofte i ufokuserede investeringer,« fortæller Rune Møller Jensen.

Det er altså ikke nok bare at indsamle data og anvende avanceret teknologi. Data skal også behandles og analyseres korrekt for at skabe værdi, forklarer Philippe Bonnet, som forsker i Big Data på IT-Universitetet.

»For at få værdi ud af data, skal man jo gå fra rå ubehandlede kilder med fejl, anormaliteter og forskellige abstraktionsniveauer til data, der er klar til at blive analyseret. De færreste er klar over, hvor mange steder den proces kan gå galt. Særligt når data spredt udover forskellige dele af forretningen og forskellige personer, som tænker forskelligt. Dertil kommer, at databehandling er en kontinuerlig proces, som konstant er under udvikling. Man ved ikke på forhånd, hvilke spørgsmål man skal have svar på,« forklarer Philippe Bonnet ifølge artiklen på ITU.dk.

Hvis ledelsen eksempelvis liner udfordringer op og søger svar fra data, vil det ofte betyde etablering af customized løsnigner og det er for dyrt. Omvendt giver det ikke den rigtig indsigt, hvis man ser på ens mange data, uden rigtig at vide hvad man vil med dem.

Tre trin fra ITU til dataanalyse:

  1. Undersøgelse
    Som leder vil man gerne undersøge en organisatorisk udfordring, fx hvorfor man mister kunder. Det svar kan man ikke umiddelbart få ud af sine data. I stedet skal man lave et mindmap og en brainstorm, hvor formålet er at finde de indikatorer, der viser, at en kunde er ved at afvikle sit engagement.

  2. Afklaring
    Derefter spørger man sig selv, hvilke data man skal bruge for at få den viden. Man skal finde ud af, om man har den data og i hvilke databaser. Det er også her, man typisk opdager, at man ikke har en bestemt type data. F.eks. inddeler man ikke i varegrupper og har ikke data på det. Det kan også være data, som man slet ikke kan få adgang til.

  3. Behandling
    Når man har indsamlet data, skal det igennem en række processer, hvor data aggregeres og abstraheres. Det er her, man bliver teknisk og indsamler og renser data. Man undersøger, om man har data i den form, man ønsker f.eks. varegrupper. Der kan være flere fejlkilder forbundet med f.eks. kategorisering, som kan give fejl i de informationer, som senere skal udgøre beslutningsgrundlaget. Det kan også være, at data stammer fra én kontekst og skal bruges i en anden sammenhæng end den blevet lavet i, og derfor kan være mangelfuld.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere