Å forberede seg på kommende utfordringer er en avgjørende komponent i enhver digitaliseringsprosess. Digitalisering er tross alt mye mer enn bare et «hamskifte» som gjøres én gang for alle. Det er en vedvarende, individuell digital utvikling av virksomheten.
Hver dag og over hele verden oppdager vi nye bruksområder for datavitenskap. I Rwanda, for eksempel, snører regjeringen nettet sammen rundt skatteunndragere ved å utnytte datavitenskap i etterforskningen av uregelmessigheter i innrapporterte inntektsdata. Til tross for de enorme datamengdene som innhentes og evalueres i så godt som alle sektorer av økonomien. Fra finans- og helseforetak til konsulentfirmaer og offentlige virksomheter – er kompetansen innenfor datavitenskap fremdeles begrenset til noen få spesialiststillinger i mange organisasjoner.
Dette er et feilgrep, og situasjonen kommer til å bli uholdbar på lengre sikt. For data scientists er det frustrerende å legge fram resultater for kollegaer som mangler den grunnleggende innsikten de trenger for å forstå det de blir fortalt. Aksjonærer og andre interessenter er misfornøyde fordi forespørsler om informasjon tar for lang tid å behandle eller ikke besvarer det egentlige spørsmålet. I en del tilfeller er den bakenforliggende årsaken mangel på spesialistkompetanse hos den som spør. Det er vanskelig å forklare en data scientist nøyaktig hva man vil vite, hvis man mangler grunnleggende kunnskap om det man spør om.
I analysen «Traditional Approaches Dominate Data and Analytics Initiatives» fastslo Gartner at nesten én av to respondenter hadde problemer med å integrere dataprosjekter i de interne prosessene og anvendelsene. 31 prosent oppgav eksplisitt at de manglet nødvendige ferdigheter.
I vår moderne verden er selskapene som lykkes best, de som forstår dataene som legges fram raskest, og deretter justerer utviklingen ut fra disse funnene. Å sikre alle i bedriften grunnleggende innsikt i datavitenskap er et viktig tiltak for å skape den kulturen og tilnærmingen som er nødvendig for å forberede selskapet på fremtiden. Denne typen tiltak vil imidlertid ikke gjøre data scientists og ekspertisen deres overflødig. Snarere tvert imot. Når kunnskap om datavitenskap allmenngjøres i bedriften, kan medarbeiderne selv finjustere arbeidsprosessene sine på en rekke områder. Dermed frigjøres kapasitet, slik at data scientists kan konsentrere seg om hovedarbeidsoppgavene sine.
Når kunnskap om datavitenskap skal spres i bedriften, er det tre grunnleggende regler som bør følges: Dataverktøyene må gjøres tilgjengelig for alle, spesialistkompetansen må flyte fritt i organisasjonen, og dataansvaret må integreres i samtlige stillinger.
De fleste dataverktøy er data scientists domene. Dette virker i utgangspunktet logisk, men i realiteten skaper en «verktøysilo» der tilgangen er begrenset til en lite gruppe ansatte, betydelig ekstraarbeid. De fleste informasjonsforespørslene fra andre avdelinger, som teknologiavdelingen, økonomiavdelingen, produktutvikling eller markedsføring, er relativt enkle, og alle med grunnleggende dataopplæring kan besvare dem. Ved å i praksis bruke data scientists som «portvoktere» for denne informasjonen, legger bedriften beslag på viktig kapasitet. Kapasitet som ellers kunne vært brukt i store og viktige prosjekter der det er et reelt behov for ekspertisen deres.
F.eks. er vårt datterselskap i Tyskland veldig glad i å spre datakompetanse på tvers av selskaper. For å lære opp deres egne medarbeidere internt startet de et Academy. En virtuell plattform som viser medarbeiderne vei til videre kunnskap, og der det legges vekt på emner som generell forståelse og datahåndtering. Også dataselskaper har medarbeidere som har liten befatning med dataanalyse. Overnattingsformidleren AirBnB har gjort noe lignende med sitt Data University, som skal sikre at alle medarbeidere er i stand til å ta selvstendige datadrevne beslutninger.
En annen god måte å oppfordre til kunnskapsutveksling blant de ansatte på er å ta i bruk samarbeidsverktøy. Plattformer som Confluence gir de ansatte mulighet til å rapportere inn problemer de har løst, og hvem som har løst dem, slik at alle vet hvem de kan spørre når de lurer på noe. Slike artikler bidrar ikke bare til å gjøre bedriftene mer effektive, men også til å gi anerkjennelse til dem som løser problemer. Og dermed inspirere andre til å gjøre det samme.
Hvis dataverktøyene kan brukes av alle, er det viktig å sikre at samtlige ansatte har de kunnskapene som skal til for å bruke dem. Ikke alle selskaper har forutsetninger for å starte sitt eget datauniversitet. Avhengig av dataverktøyene selskapet bruker, finnes det en rekke kurs, på nett eller med klasseromsundervisning, som kan gi de ansatte de ferdighetene de trenger. I løpet av kursene vil det som regel vise seg at noen ansatte kan mer og er tryggere på data enn andre. En annen mulighet er å arrangere møter der de medarbeiderne som kan mest, kan lære opp kollegaene sine. Hos vårt datterselskap har de kalt disse møtene *Brainfoods, og de arrangerer dem jevnlig i alle avdelinger.
Når medarbeiderne har lært seg hvordan dataverktøyene brukes, blir det lettere å integrere data og dataevaluering i det daglige arbeidet og i beslutningsprosessene. Medarbeidere som forstår dataene, gjør informasjonsforespørsler av høyere kvalitet. Selv med bare grunnleggende kjennskap til dataverktøy og -ressurser kan samarbeidet avdelingene imellom forbedres betydelig. Når det tar mindre tid å få klarhet i den enkelte forespørselen, kan forespørselen behandles raskere og bedre. Felles ferdigheter gir også en bedre kultur på arbeidsplassen og bedre resultater takket være en styrket felles forståelse.
Når selskapene har gitt tilgang til de relevante verktøyene og lært opp de ansatte i hvordan de brukes, er det på tide å tilpasse rollene og ansvarsområdene. Kollegaer fra andre avdelinger bør som et minimum kunne få tilgang til og kunne sette seg inn i data som er relevante for dem. Når flere medarbeidere læres opp i grunnleggende programmering, kan selskapene også forvente at andre enn data scientists faktisk bruker denne typen kunnskap for å løse avdelingsspesifikke problemer. Dette vil igjen gi betydelige resultatforbedringer.
Datavitenskap er ikke lenger eksklusivt forbeholdt data scientists. Analyse av innhentede data er rett og slett for viktig til at det kan begrenses til én gruppe, og dataanalyse sprer seg til stadig nye områder. Smarte selskaper tar grep for å sikre at så mange ansatte som mulig lærer seg å forstå data og kan nyttiggjøre seg dem for å forbedre bedriftens resultater. Ved å gi de ansatte tilgang til disse verktøyene legger selskapene grunnlaget for sin egen digitaliseringsferd – slik at det virkelige arbeidet kan begynne.
Den enkelte virksomheten trenger spesialistkompetanse og veiledning når det gjelder data, algoritmer, databehandling og tenkemåte rundt digital bedriftsutvikling. Første skritt er å utnevne en datastyringsansvarlig. Strukturen i databasene og dataene de inneholder, endrer seg stadig. Disse endringene må dokumenteres, slik at dataene kan evalueres og analyseres på et senere tidspunkt. For å hjelpe virksomheten å forstå ferden de har foran seg, og vise vei gjennom en digitaliseringsprosess der ting blir litt enklere for hver etappe, har vi utviklet en dataledelsesprosessmodell kalt DLPM. Modellen er tenkt som et slags navigasjonsverktøy som skal hjelpe dere å digitalisere virksomheten og bli en digital leder.
© Copyright 2019 – Basefarm
Containere gjør det enklere å kjøre kode i mange forskjellige miljøer