Viden med værdi - dit faglige forspring

Værdiskabende big data kræver meget mere end blot analytiske egenskaber
Foto: Colourbox
Ledelse & organisation Af
Big data anvendes ofte som et synonym for datadreven værdiskabelse og sættes typisk i sammenhæng med kunstig intelligens og lignende avancerede analytiske teknikker. Begrebet "big data" har således gjort sit indtog hos virksomhederne, i en erkendelse af at datadrevne beslutningsprocesser er fremtidens svar på øget produktivitet og styrket konkurrencekraft. Mange har dog en forsimplet opfattelse af big data og ser det som et teknisk fænomen, der handler om massive mængder af data, komplekse it-infrastrukturer og avancerede analytiske teknikker. Ny forskning viser, at værdiskabelsen gennem big data ikke alene kræver stærke it- og analytiske egenskaber; det kræver også en række organisatoriske succes faktorer, som er mindst lige så vigtige.

Denne artikel bygger på resultaterne af en ph.d.-afhandling inden for supply chain management, udarbejdet på Syddansk Universitet, som har haft til formål at forstå og identificere værdiskabelsen gennem big data*.

Forståelsen af værdi er tredimensionel
Betydningen af værdi er tvetydig, fordi den enkelte person har sin egen opfattelse af, hvad der er værdifuldt. Derfor er der mange opfattelser af, hvori værdien af big data ligger. Den gængse forståelse er, at værdi er forbundet med bedre resultater for virksomheden i form af øget omsætning, lavere omkostninger, bedre servicegrader mv. I magasiner og på sociale medier er der i de seneste år givet mange eksempler på, hvordan big data kan anvendes, f.eks. ved implementeringen af control towers til at live-monitorere sin supply chain eller ved forbedring af eksisterende forecasting-modeller. Mulighederne for at skabe værdi med big data er mange, og eksperter inden for supply chain management har identificeret en lang række forskellige supply chain-aktiviteter inden for planlægning, indkøb, produktion, service, logistik og retur processer, hvor især planlægnings-, service- og logistikrelaterede applikationer potentielt har de bedste anvendelsesmuligheder**.

Værdiskabende big data sker og bør ske gennem de etablerede forretningsprocesser. Det er i processerne, man definerer, hvilke data man skal generere og indsamle, hvor og i hvilket system dataene skal opbevares, samt hvilken form for information og analytics der kræves for at træffe gode beslutninger. Dermed defineres inputs og aktiviteter, hvor de påkrævede data og informationer integreres som en standard, med det formål at forbedre det samlede output for de forskellige processer.

For at kunne forstå big data skal man forstå "værdi" på et dybere niveau. Til dette formål findes der tre forskellige dimensioner, som hver især fremhæver de nødvendige egenskaber, før en reel værdiskabelse gennem big data kan finde sted (se figur 1):
  • Value discovery: Dette er evnen til at generere, lokalisere, indsamle, opbevare og håndtere værdiskabende data i et transparent og komplekst netværk af systemer, platforme og databaser bestående af mange forskellige datakilder, forskelligartede data og en række forskellige teknologier til at sikre styringen og analysen af data.
  • Value creation: Dette er evnen til at anvende big data i områdebestemte forretningsprocesser, samt evnen til at identificere og udnytte information fra netværket af systemer, platforme og databaser for både strategiske og operationelle beslutninger.
  • Value capture: Dette er evnen til at omsætte anvendelsen af big data til økonomiske forbedringer, øget konkurrencekraft, bedre performance eller lignende virksomhedsspecifikke motiver.

 

Figur 1: Big data-SCM framework***

Skaleringen af værdi har seks kritiske succes faktorer
Værdien af big data afhænger af øjnene, der ser, og det er op til den enkelte virksomhed at identificere, hvordan big data kan skabe værdi for den enkelte afdeling. Tendensen er dog, at virksomhederne implementerer stand-alone-løsninger, og at man ikke får realiseret potentialet af big data på tværs af organisationen. Dermed går man glip af det store potentiale. Dertil er der identificeret seks kritiske succes faktorer for at afhjælpe dette problem.

1. Informationsteknologi
Stærke it-egenskaber er en selvfølgelighed for at kunne håndtere kompleksiteten i big data. Dette kræver en konsolideret styring af it-arkitekturen, hvor nøgleordene er integration og transparens, således at systemer ikke overlapper hinanden, og data ikke dobbeltregistreres. Dertil skal der være en it-governance-struktur til at sikre data- og systemejerskab og -standarder samt sikre, at dataene er lettilgængelige på tværs af organisationen. Yderligere er analytiske egenskaber en selvfølgelighed for at kunne transformere rå data til værdifuld information, og dertil skal man mestre hele data-til-information-processen. Derudover er også it-automatisering identificeret som en forudsætning, da den først og fremmest sikrer, at en arbejdsproces udføres hurtigere, men også sikrer større mulighed for at indsamle data såvel som bedre datakvalitet. Endelig skal man kunne udvikle og anvende de rette applikationer i forhold til at visualisere information og til at indtaste operationelle data som en integreret del af arbejdsprocessen.

2. Business proces management
Som før nævnt, skabes værdien af big data gennem virksomhedens processer. Derfor er modenheden af disse processer afgørende for, i hvilken grad data og faktabaserede beslutninger anvendes. Dette indebærer, at man standardiserer processerne, således at klare arbejdsinstruktioner er etableret, hvilket også kan overføres til analytiske processer. Derudover bør processerne ikke være fastlagt i hierarkiske funktioner, men derimod være tværfunktionelle og kundeorienterede. Dette vil medføre, at hver funktion ikke skaber egne systemer og databaser, som er svært tilgængelige på tværs af andre funktioner, og derved vil man kunne indsamle og integrere data, der kan gavne andre processer og samtidig skabe mere informationsdeling.

3. Performance management
De performancerelaterede forudsætninger har til formål at forbedre performance og indeholder elementer af innovation, målinger og projektstyring. For det første kræver realiseringen af big data innovation. Dette gør sig gældende både it- og procesmæssigt, hvor man bør være i stand til at re-designe og tilpasse sig dette hurtigt voksende fænomen. For det andet skal realiseringen af big data monitoreres gennem målinger. Dog kan værdien af big data være svær at kvantificere, og business cases kan være svære at validere. Derfor bør man overveje at tilpasse og muligvis udvide den eksisterende KPI-struktur således, at man målrettet overvåger, hvordan anvendelsen af big data omsættes til bedre beslutninger. For det tredje stilles der større krav til tværorganisatorisk projektstyring, som kan føre til større og mere komplekse programmer.

4. Mennesker
Ligesom alle andre forandringer og strategiske initiativer kræver realiseringen af big data engagement fra både ledere og medarbejdere. Det handler om at ændre den eksisterende tankegang og kultur til at blive mere digital og datadreven – for dermed at sikre en effektiv udvikling og implementering. En succesfaktor er desuden, at medarbejderne reelt også benytter de standardiserede processer, de tilhørende it-applikationer og den tilgængelige information. Yderligere kræver det nye og forbedrede tværorganisatoriske kompetencer, hvor fx data scientists både skal besidde stærke analytiske egenskaber og en solid forståelse af forretningen og de processer, de skal supportere.

5. Strategi
Ønsket om big data bør forankres i konkrete formålsbeskrivelser og målsætninger. Det er ikke nok at definere strategien som "at man skal blive mere datadreven". I stedet bør ønsket blive konkretiseret og tilpasset den eksisterende strategi og de udfordringer, virksomheden står over for. Ønsket skal nemlig drives af et specifikt formål, hvad enten det er at reducere omkostninger, reducere lead times, øge kvaliteten eller noget fjerde. Dermed skal en given digitaliseringsstrategi understøtte både virksomhedens strategi og de funktionelle strategier og målsætninger. Yderligere bør strategien sikre alignment mellem især it, processer og performance, hvilket er helt centralt for at sikre en tværfunktionel værdiskabelse gennem big data.

6. Organisation
Endelig kræver skaleringen af big data organisatoriske forandringer. Reelt skal der gives mere troværdighed til data scientists, hvilket gøres ved at skabe og styrke analytiske kompetencecentre eller digitaliseringsprogrammer for således at ændre på den typiske rolle-/ansvarsfordeling og samtidig sikre en høj grad af samarbejde. Dertil bør kultur og forandringsledelse være i højsædet, hvor use cases, kommunikation og involvering kan være med til at skabe en datadreven og digitalt orienteret kultur til at forbedre virksomhedens processer. HR-funktionen skal ligeledes fokusere på at udvikle medarbejdernes digitale kompetencer og ansætte nye medarbejdere, der kan bidrage yderligere til målsætningen om at realisere big data.

Big data er således ikke blot en opgave for it-afdeling. I stedet bør store dele af organisationen blive inddraget for at skabe det nødvendige fundament før en reel værdiskabelse gennem big data kan finde sted.


* Brinch, M. (2019), "Conceptualization and value creation og big data in supply chain management: a business process perspective", Syddansk Universitet - ph.d.-skolen under Det Samfundsvidenskabelige Fakultet.

** Brinch, M., Stentoft, J., Jensen, J.K. and Rajkumar, C. (2018), "Practitioners understanding of big data and its applications in supply chain management", The International Journal of Logistics Management, Vol. 29 No. 2, pp. 555–574.

*** Brinch, M. (2018), "Understanding the value of big data in supply chain management and its business processes: towards a conceptual framework", International Journal of Operations & Production Management, Vol. 38 No. 7, pp. 1589–1614.

Deltag i debatten

Retningslinjer for debat

Mest læste nyheder