Det råder ingen tvekan om att dataanalys kan vara av avgörande betydelse för ett företags konkurrenskraft genom att ge insikter som kan hjälpa det att öka försäljningen och öka dess marknadsandelar. Men hur mycket företaget får ut av det analysarbete det gör kan i hög grad vara beroende av hur mycket de kan dra fördelar av den senaste tekniken och hur väl förberedda de är för den framtida utvecklingen.
Här är några förslag på bra metoder för att få ut så mycket som möjligt av dataanalysarbetet.
Dra nytta av självbetjäningsanalys
Självbetjäningsanalys gör det möjligt för användarna på företaget att utföra sökningar och sammanställa rapporterpå egen hand, med minimal eller helt utan support från it och utan att behöva använda någon avancerad analyskompetens. De kan använda lättanvända business intelligence-verktygsom har grundläggande analysfunktioner.
Genom att använda sig av självbetjäningsanalys kan man överbrygga en del av de svårigheter som uppstått som en konsekvens av bristen på utbildade dataanalytiker, genom att få ut data direkt till de användare som behöver det mest för att kunna utföra sina arbetsuppgifter.
Företagets användarekan fatta beslut grundade på deras egen analys av data, utan att behöva vänta på att datavetare eller andra analysexperter ska sammanställa rapporter. Det här kan vara en stor fördel för företag som behöver agera snabbt för att anpassa sig till marknadsförändringar eller förändringar i efterfrågan.
Det första steget när det kommer till att utveckla en självbetjäningsanalys bör vara att förstå användarna fullt ut, vilka informationsbehov de har och vilka verktyg de behöver, enligt John Walton, senior lösningsarkitekt på it-konsultföretaget Computer Task Group.
– Informationskonsumenter och företagsledare behöver en helt annan analytisk verktygslåda än vad datavetare behöver, och det är viktigt att linjera verktygen i enlighet med de behov som företaget har, säger John Walton.
– Dessutom är självbetjäningsanalys i hög grad beroende av ren data. Om en företagsledare tappar förtroendet för det program han eller hon använder är det väldigt svårt att få tillbaka det förtroendet. De kommer bara att säga: Jag tror inte på det jag ser, och sen går det åt skogen därifrån.
Det är också en bra idé att skapa konsekventa data med hjälp av datastyrning, säger John Walton.
– När datastyrningen är på plats blir dataarkitekturen en sammanhållande ”fogmassa” för självbetjäningsanalys, säger han.
I en sådan arkitektur har de nyckeltal och prestationsmått som visas av programmet valts ut utifrån godkända affärsregler, och kopplats samman med de lämpligaste filtren eller analysdimensionerna, och lagrats i databasen. Användaren av analysverktyget behöver inte själv göra alla dessa energikrävande manövrar, säger John Walton.
Implementera maskininlärningsfunktioner
Maskininlärning kan spela en viktig roll för att förbättra dataanalysprocessen, särskilt för företag som hanterar stora mängder information.
Maskininlärning kräver en annan arkitektur än analys.
– Här vill man inte använda förvalda mätvärden eftersom det riskerar att förvanska data och sortera bort insikter som skulle kunnat visa sig värdefulla, säger John Walton.
– Maskininlärning vill man låta tugga sig igenom igenom en stor mängd mycket detaljerade data, troligen inom en relationsdatabas, för att bäst ta tillvara på dess möjligheter.
Ett företag som arbetar med sjukförsäkringar kan till exempel hantera enorma mängder data såsom journaldata, patientmötesdata och formuläranpassade såväl som icke formuläranpassade anteckningar.
Det bästa sättet att jobba med maskininlärning är att använda rätt datalager för rätt ändamål.
– Bottenlagret, eller intagslagret, är all den information som kommer in från alla dina olika källor, den råaste datan, och det är perfekt för maskininlärning, säger John Walton.
I mellanlagret, eller överensstämmelselagret, har data tagits från olika källor och sorterats i enlighet med de etablerade datastyrningsreglerna, säger Walton. Det översta lagret, som satts ihop utifrån ett antal fokuserade ”data marts” eller datatorg, är det som är perfekt för analys.
Hantera obruten data
Många företag kämpar med att hantera enorma och växande datamängder från olika källor, och det kan utgöra ett hinder för analysarbetet. Att implementera teknik för att kunna hantera data över hela företagsstrukturen kan vara en lösning på det.
Paul Hartmann AG, ett företag som tillverkar sjukvårdsprodukter, använder Data Hub, en managementplattform från SAP, för att enhetliggöra, tillgängliggöra och analysera data från flera interna och externa källor. Målet är att maximera datapotentialen och få tillgång till de insikter som behövs för att optimera tillverknings- och leveranskedjorna, säger Sinanudin Omerhodzic, som är företagets cio.
Med den information vi får från analysen kan vi se till att våra kunder har tillgång till de produkter de behöver vid varje given tidpunkt, vilket i slutändan räddar patienters liv.
Genom att utnyttja Data Hub kunde Hartman skapa enhetlighet för kund-, leverantörs- och driftsdata, vilket hjälpte dem att bättre förstå kundernas utmaningar.
Företaget har nu ett läge där de bättre kan utnyttja tekniker som artificiell intelligens, IoT, och prediktiv analys. Och det har möjligheten att använda nya datakällor om faktorer som väder och epidemier för att bättre kunna förutspå efterfrågeförändringar på sjukhus och apotek och säkerställa att de får de produkter de behöver vid rätt tillfälle och i rätt mängder.
Utbilda företagets användare i övergripande datastrategi
De användare som ska dra fördelar av datagenererade insikter behöver förstå företagets strategi för datavetenskap, AI, maskininlärning och övergripande dataanalys. Om de gör det är de bättre rustade för att förstå vad det det är de ser.
– Genomför förberedande upptäcktssittningar så att chefer och företagsledare förstår fördelarna med AI och maskininlärning, säger Venu Gooty.
Han är chef för datavetenskap och analys på HGS Digital, ett konsultföretag för digital transformation som hjälper företag att använda data för att stärka sin kundupplevelsenivå.
– Det är extra viktigt när det gäller företag som ger sig ut i datavetenskapen för första gången, säger Venu Gooty.
– Det största hindret HGS Digital stod inför vid implementeringen av AI och maskininlärning var att utbilda användarna om de resultat som levererades genom våra dataprojekt, och att förklara den strategi som ligger bakom de projekten, säger han.
Företagen måste ha en etablerad datastrategi som förklarar hur olika avdelningar arbetar tillsammans.
– Det behövs eftersom maskininlärningsprojekt kräver att flera olika avdelningar arbetar tillsammans, såsom marknad, it, ledning och andra avdelningar.
Maskininlärning innebär att man arbetar med stora datamängder. För att ett företag till exempel ska kunna förutspå hur stor andel av deras kunder som kommer att säga upp sina abonnemang behöver det många olika datamängder som till exempel kunddemografi, köphistorik, vilka produkter som köpts av vilka kunder och så vidare.
– Dessa data kommer vanligtvis från olika datakällor och det kanske inte finns en konsoliderad källa för att hämta in data, säger Venu Gooty.
– Så teamet måste arbeta med olika avdelningar för att styra in data till en konsoliderad plattform. I företag som har en tydligt definierad datastrategi och datastyrning blir det här en mycket enklare process än i företag utan någon tydlig datastrategi.
Utnyttja analyser i molnet
Som med nästan allt annat inom it erbjuder molnet billiga och effektiva möjligheter för dataanalys. De är särskilt fördelaktiga för företag som behöver analysera stora datamängder, men inte har den interna kapaciteten att hantera sådana mängder.
Varje företag som planerar att utföra analyser i molnet bör först definiera en tydlig migrationsstrategi.
– För de flesta företag kommer det här att vara första gången som data flyttas till molnet. Det är bäst att börja i det lilla, lära sig av erfarenheterna och sedan göra ändringar utefter behov, säger Venu Gooty.
Definiera också ett tydligt ramverk med säkerhetspolicys.
– Att flytta till molnet betyder att man flyttar interna och externa data och användare till molnet, säger Venu Gooty.
– Säkerhetspolicys och sekretesspolicys måste definieras tydligt och ägarna till varje sektion måste definieras tydligt. Rätt åtkomstnivå måste definieras för varje användare.
En annan bra praxis är att automatisera så mycket som möjligt.
– De stora fördelarna med molnet kraft är smidighet och automatisering. Det kommer att komma många förfrågningar om manuella inmatningar gång för gång, och det är bäst att hitta ett system när den typen av förfrågningar börjar komma tillbaka alltför ofta, säger han.
Inrätta ett specialiserat centrum för analys
Vissa företag bildar specialiserade centra för att kunna tillhandahålla styrning och riktlinjer, bedriva forskning och erbjuda utbildningar inom vissa fokusområden. Med tanke på den betydelsefulla strategiska roll som dataanalys spelar i dag finns det goda skäl att inrätta ett specialiserat centrum som är fokuserat på det.
Analysföretaget IDC genomförde 2019 en studie med flera ledande amerikanska it-chefer. Den visade att 93 procent av deras företag använder någon form av specialiserat centrum för att hantera AI och datavetenskapliga projekt.
– Vårt specialiserade analyscentrum är det huvudsakliga navet för allt som har med AI, BI och analys att göra, säger Serge Findling, som ansvarar vd för IDC:s it-chefsprogram.
– I ett företag som vårt, som har både både centrala och distribuerade funktioner, är den fokuserad på att koordinera hela företaget.
Det globala konsultföretaget Keyrus konstaterar att för att få den bästa avkastningen från sin investering och det största värdet av sin data bör en organisation inrätta ett specialiserat centrum för analys. Centrumet effektiviserar allt analysarbete inom organisationen.
– Tänk dig ett väldigt kompetent team av experter som kan din organisation inifrån och är väl insatt i dina datakällor. Det här teamet har kompetensen och förmågan att använda den data som står till ditt förfogande för att styra allt ditt arbete i rätt riktning, säger företaget.
Keyrus säger att ett specialiserat centrum för analys bör vara ansvarigt för att definiera organisationens vision för analys, inklusive att välja vilka verktyg som ska användas och vilka nyckeltal (KPI:er) som behövs, bygga en struktur, etablera standarder på områden som hur man ska dela datakällor, hantera program och kontrollera finansiering, utveckla användarkunskaper, och hantera metodiskt ledarskap.
Företaget konstaterar att inget specialiserat centrum för analys är något annat likt, och hur gruppen konstrueras beror på företagets storlek, bransch, mål och flera andra faktorer. Det specialiserade centrumet bör anpassas till ett företags specifika affärsmål och organisationsstruktur.