3,5 ud af 5

Når vi spørger, hvor stor en rolle data spiller i organisationernes kommercielle beslutninger, lander scoren på 3,5. Lederne mener alle som én, at den score burde være højere. Men datakvalitet eller dataaktivering står i vejen for en højere score.

Vi har spurgt i vores interviews, hvad der er den største forhindring for at realisere AI's potentiale. Og det svar, vi fik oftest, var: data. Det kan virke som et uoverstigeligt projekt at kaste sig ud i. For hvordan arbejder du med data use case for use case uden at sætte resten af forretningen på pause i et årelangt dataprojekt?

Trin 1: Find ud af, hvad bygger du hen imod

Først skal du vide, hvad du bygger. Dataarbejdet rummer 2 forskellige opgaver, og mange organisationer har kun løst den ene. Datakvalitet handler om, hvorvidt dine data er strukturerede, korrekte og til at stole på. Dataaktivering handler om, hvorvidt dine kolleger og systemer kan bruge dem uden friktion.

Et data warehouse og en BI-platform løser den første opgave. De samler, strukturerer og analyserer, og de gør det godt. Men data, der ligger korrekt i et warehouse, hjælper ikke sælgeren, der mangler dem i sit CRM. Der for skal dit datafundament også have en dataaktiveringsplatform: et knudepunkt for jeres data, så systemerne kan tilgå dem på tværs, når de har brug for dem.

Marketing, salg og kundeservice bliver i deres egne værktøjer, fordi arbejdet går hurtigst, nemmest og bedst der. Din aktiveringsplatform får til opgave at sende data den rigtige vej: En sælger registrerer en ny aftale i CRM, og de relevante data er med det samme tilgængelige i fakturering, projektplanlægning og ledelsesrapportering. Og kan bruges i dine AI-løsninger.

Trin 2: Lyt efter de ord, der går igen

Spørgsmålet er, hvilke data flest afdelinger får brug for, og svaret ligger i sproget omkring dig. Når en organisation taler om sine data, kredser samtalen om en håndfuld ord: kunder, sager, leads, ordrer m.v. De ord er din datamodel – og det er dem, du hænger dine use cases op på. Falder det samme ord mange gange, når forretningen beskriver sine behov, er det sandsynligvis der, du skal starte.

Regn på, hvor mange use cases hvert ord åbner. Hvis du vælger lead-data som din første use case, vil det højest sandsynligt kun være dine marketing- og salgskolleger, der får gevinst. Kobler du til gengæld kundedata på, baner du vejen for use cases for et meget større udsnit af din organisation.

Trin 3: Find balancen mellem hurtigt og holdbart

Når du bygger use case for use case, kan arbejdet skride i 2 retninger.

Går du for pragmatisk til værks, jagter du små sejre, og efter 2 år står du med et kludetæppe af punkt-til-punkt-integrationer, ingen tør røre. Går du for grundigt til værks, skal alt tænkes igennem på forhånd, og så bliver hver leverance så tung, at forretningen holder op med at involvere dig.

Du rammer den gyldne middelvej ved at holde fast i, at der findes et fundament under de enkelte leverancer. En målarkitektur og en fælles tilgang til integration, også når du bygger et lag ad gangen. Det kræver mennesker med en fod i hver lejr: arkitekter, der forstår både forretning og IT.

Til gengæld holder fundamentet, når du bygger det sådan. Hver leverance lander hur tigt nok til at blive brugt, og de passer ind i det, der allerede står.

Sådan ser det ud i praksis: Dansk El-Forbund

Dansk El-Forbund byggede deres fundament op ét lag ad gangen.

Første use case var almindelig selvbetjening på stamdata. Så kom overenskomstdata, så medlemmernes egne sager, så kursustilmeldinger. Datamodellen voksede med hvert lag, og i dag ligger der et samlet billede af hver t af de 27.000 medlemmer.

Det billede kan DEF trække på i alle kanaler. Nyuddannede får ikke invitationer til seniorklubbens arrangementer, medlemmerne hører om deres egen overenskomst, og kampagner rammer dem, der har vist interesse for emnet. Kollegerne i DEF opretter selv nye modtagergrupper uden at vente på en udvikler, så hvert nyt træk på data koster mindre end det forrige.

Ingen af skridtene var i sig selv store dataprojekter. Men tilsammen kom de til at udgøre et solidt datafundament.

Udforsk casen herUdforsk casen her

Det bliver lettere for hvert lag

Nye værktøjer kommer ind i organisationen hele tiden, nye behov opstår, og målet flytter sig, mens du bygger. Det er den virkelighed, dit datafundament skal kunne holde til.

Til gengæld arbejder tiden for dig, og dine indsatser lønner sig. Hvert datasæt, du kobler på, gør nemlig den næste use case hurtigere og billigere, og på et tidspunkt begynder forretningen selv at foreslå, hvad I skal bygge, fordi de kan se, hvad der allerede ligger klar.

Den udvikling accelererer, i takt med at AI gør det let for alle at bygge og integrere selv. Så begynd med det ord – altså de data, flest afdelinger får brug for. Og byg videre der fra.