– og opnå større værdi af jeres forretningsdata
Hos danske virksomheder og myndigheder ligger der et stort forretningspotentiale i at aktivere sine data og have et klart forretningsmål at pejle efter. Men hvordan skal man som forretningsansvarlig navigere i projekter med avanceret dataanalyse og kunstig intelligens? Det giver Globeteams konsulent Per Andreasen sit bud på i denne artikel, hvor han især fremhæver fem ledelsesrettede temaer, som forretningen bør have for øje.
Der hersker stadig mange fordomme og en del frygt for kunstig intelligens og dataanalyseprojekter. På trods af det er kunstig intelligens ikke rigtigt kommet ned fra toppen af hype-kurven – og af god grund. I takt med at flere tager teknologien og anvendelsen af virksomhedsdata til sig, skruer forretningen (eller dem der rådgiver forretningen) samtidig forventningerne i vejret til, hvad man kan få ud af projekterne, og hvor hurtigt projekterne kan gennemføres.
Kunstig intelligens og dataanalyse er andet end selvkørende biler
Der er flere gode grunde til den vedvarende hype og de opskruede forventninger til dataprojekter. De projekter om kunstig intelligens og dataanalyse, som optræder i pressen, er oftest meget interessante, men på et plan hvor almindelige danske virksomheder ikke er. Men det behøver ikke at handle om selvkørende biler, social overvågning af kinesiske borgere eller “uhensigtsmæssig” anvendelse af Facebook-data i en valgkamp.
For danske virksomheder, uafhængigt af deres modenhedsniveau, kan avanceret dataanalyse give en hidtil ikke-tilgængelig indsigt i organisationens data og det skjulte forretningspotentiale, der ligger gemt i egne data. Dataindsigt kan øge forståelsen af egen forretning og kan medvirke til, at man træffer bedre beslutninger. Fx hvilke regnskaber der skal udtages til kontrol? Hvordan virksomhedens bygninger bliver brugt – både på lang sigt (er der bygninger, der skal afhændes?) og på kort sigt (er der lige nu for mange mennesker i den ene del af indkøbscenteret til, at corona-reglerne bliver overholdt?).
Den forretningsansvarliges rolle i projekter med dataanalyse og kunstig intelligens
Men hvordan skal man som forretningsansvarlig agere i projekter med avanceret dataanalyse? Man kigger ofte ind i projekter, der er teknisk både vanskelige og komplekse, og hvor det kræver særlig viden og indsigt at udnytte potentialet i teknologierne. Hvor den store mængde af komplekse data kan være svær at gennemskue, og hvor man skal vide, hvilke data man leder efter, og hvordan man finder dem – for at indfri forretningsmålet. Det kan af gode grunde derfor også på forhånd være vanskeligt at fastlægge en entydig business case ved dataanalyseprojekter.
Der er især fem ledelsesrettede emner:
1. Det kræver lidt mod og risikovillighed
Da projekter med avanceret dataanalyse ofte har karakter af at være “undersøgende”, kan det være svært at regne på business casen på forhånd. Så man skal som leder være parat til at gennemføre en række foranalyser og pilotprojekter, inden man finder de helt rigtige cases.
2. Man får sandsynligheder og ikke en facitliste
Med avanceret dataanalyse er resultatet ofte en sandsynlighed beregnet på baggrund af de store datamængder og ikke et hårdt facit med to streger under. Der ligger derfor ofte stadig et skøn hos den person, der skal bruge resultatet.
3. Lovgivnings- og etiske spørgsmål skal håndteres
Indsamler man data fra forskellige typer sensorer – fx kameraer og wifi-udstyr og bruger dem til at tælle personer, skal man sikre sig, at man overholder GDPR og anonymiserer data i nødvendigt omfang.
Anvender man dataanalysen til beslutningsstøtte – hvilket er oplagt – skal man sikre sig, at det virkelig kun bliver anvendt som støtte, da man jo får sandsynligheder og ikke facit! Mange brugere af beslutningsstøtteværktøjer vil have en tendens til at følge anbefalingen i beslutningsstøtten, hvilket i sig selv medvirker til, at fremtidige anbefalinger vil følge samme mønster.
4. Processer skal revurderes, og gevinster skal forfølges
Som med indførsel af andre nye teknologier skal man med dataanalyseprojekter sikre sig, at de berørte processer bliver revurderet. Fordi dataanalyseprojekter har karakter af at være undersøgende, hvor man ikke kender muligheder og resultat på forhånd, stiller projekterne særlige krav til forandringsledelse og mellemlederes forståelse for, at processer og arbejdsgange skal tilpasses de muligheder, der opstår.
5. Personer med dyb forretningsviden skal kobles tæt med dataanalytikere
Dataanalyseprojekter kan ikke alene overlades til dataanalysespecialister. De kan ikke gennemføre projekterne uden tæt samarbejde med medarbejdere med dyb forretningsviden. Dataanalysespecialisterne kan eventuelt være eksterne konsulenter, da det kræver stor specialviden om brug af analyseværktøjer og metoder. På sigt kan virksomheden selv etablere en dataanalyseenhed.
Læs vores spændende cases:
- Retail: Berigede lokationsdata skal optimere serviceniveauet og kundeoplevelsen i shoppingcentre
- Forskning & uddannelse: AI skal spotte relevant indhold blandt tusindvis af videnskabelige dokumenter
- Økonomi & regnskab: Fondsvirksomhed vil højne kvaliteten af deres regnskabsprocesser med AI
- Transport & infrastruktur: Prædiktive datamodeller skal understøtte service og vedligehold af nationalt trafikknudepunkt
- Bæredygtighed og property technology: Konsulentvirksomhed vil minimere madspild og optimere bygningsanvendelsen ved hjælp af data
Download e-bog
