Dataparadoks: Dataforståelsen er druknet i en kamp for at indsamle data

Vi investerer ikke i menneskers evne til at forstå, analysere og formidle data - men det er her, værdien af data virkelig skal realiseres, skriver Søren Christian Søndergaard Poulsen.
Brødtekst

Jeg har desværre haft permanent hovedpine de seneste fire uger, hvorfor der har været lidt stille fra min side.

Hvorfor jeg har fået hovedpine, skal jeg ikke kunne sige. Det kan være ikke at sove igennem hver nat (vågne regelmæssigt til et eller flere børn, der græder), spise chokopops regelmæssigt til aftensmad (fordi det var det, der lige var), aldrig holde fri/pause pga. de tre små, eller om det skyldes mit evindelige hovedbrud: Hvorfor er der så stor fokus på at indsamle og udstille data kontra det at gøre organisationen kompetent til rent faktisk at bruge disse data? 

Begge forklaringer kunne være interessante at skrive om, men jeg vælger nok en gang Business Intelligence-vinklen. Det tænker jeg, at I synes er mest interessant.

Det er mig en gåde at forstå, hvorfor de mange dataglade organisationer søsætter det ene tekniske data-projekt efter det andet, men at meget, meget få fokuserer på, om den endelige slutbruger overhovedet har kompetencerne til at forstå/bruge de mange data, de fremover forventes at tage stilling til.

Når jeg snakker med data-, forretningsanalytikere og BI-brugere omkring, hvordan de bliver trænet og ledet til at bruge de mange data, er svaret entydigt : Det gør vi ikke. Her tænker jeg ikke på den træning, der gør, at du kan navigere rundt i en i øvrigt alt for kompleks data cube. Jeg tænker ikke på træningen i at bruge de forskellige filtre og drill-through- og drill-down-muligheder. Jeg tænker på den træning, der rent faktisk gør brugerne i stand til at forstå de data, de kigger på, og evner at videreformidle disse data. Data er ikke bedre end dem, der analyserer dem!

Fokus på sidstnævnte er druknet i en kamp for at indsamle de mange data i projekter af teknisk karakter. Vi kan slet ikke få nok af data. Altså at indsamle og udstille disse data. Det kan godt være, at der går canadisk græderock i den nu, men det er sgu bims. Det er det største data-drevet paradoks, jeg kan komme på. Jeg gentager: Vi investerer ikke i menneskers evne til at forstå, analysere og formidle data – og det paradoksale ligger i, at det er her, værdien af data virkelig skal realiseres, medmindre I selvfølgelig har automatiseret alle jeres beslutninger, hvilket de færreste af jer har.

Det er som at se en italiensk bilist, der bare gerne vil have parkeret sin Fiat 500 i en susende fart (læs: uden omtanke). Jeg begriber det ikke.

Vi skal væk fra denne 'data content dump'-tilgang, hvor vi blot smider en rapport efter brugerne, og så kan de i øvrigt selv finde ud af resten.

Vanviddets hersker – en data-drevet selvforståelse er fuldstændig fraværende

En af udfordringerne, der kan forklare dette fravær af fokus på BI-brugernes evner, kan være, at BI er placeret under finans, da de jo er så satans gode til at arbejde med tal, hvorfor de ikke prioriterer, at deres andre BI-brugere rundt omkring i organisationen også skal kunne forstå og arbejde med tal på samme niveau som dem selv. Men hele ligningen af inkompetence skal hæves.

Forretningslederne er heller ikke klædt på til denne øvelse i at hæve kompetencerne. De ved knap nok, hvad de skal søge efter, når de skal ansætte kvalificerede data folk. Hvor skulle de have fået disse lederkompetencer fra?

Det er ALTID mennesket, der er begrænsningen. Ikke teknologien. Hvorfor fokuserer vi så så lidt på førstnævnte? Det er her, mulighederne ligger.

Glemte BI-teamet i deres travle hverdag rent faktisk, hvad deres oprindelige opgave egentlig var?

Lad os indgå et dataforlig. For hver time I investerer i ETL, data platforme og datavisualisering, så investér yderligere 50 pct. i, at jeres brugere kan få noget ud af disse data.

Det data-drevede hamsterhjul kører i pendul fart

En anden forklaring kan være, at BI-teamet ikke har haft overskud til rent faktisk at påtage sig rollen i at klæde slutbrugerne bedre på til at bruge data. Og hvorfor skulle de? BI-teamets rolle er jo bare at indsamle, konsolidere og udstille data. Eller er det? Glemte BI-teamet rent faktisk i deres travle hverdag, hvad deres oprindelige opgave egentlig var? Altså at få data til at leve i organisationen? Suppleret med spørgsmålene: 'Har vores brugere haft en god dag med brugen af BI?' og: 'Hvordan har vores BI-portal skabt værdi i dag?', eller på godt jysk: 'Hvad dælen er det, I har gang i?'.

Det skal siges, at jeg har enorm respekt for BI-teamets hverdag, men det til trods så kan jeg ikke ignorere det faktum, at brugerne føler sig fanget i det store data-cirkus med lav pålidelighed, langsomme leverancer og i yderste konsekvens tåbelige løsninger. Kombinér så dette med den manglende opkvalificering af brugerne til at blive endnu dygtigere til at arbejde med data. En dødsensfarlig cocktail for en datadrevet agenda.

BI-teamet har leveret det ene projekt efter det andet for sent i lige så udbredt grad som svanernes annektering af søerne i det indre København, hvor præcisionen i estimater heller ikke er noget, der lige vipper Robin Hood af pinden.

Nogle steder er man sågar gået væk fra at fortælle, hvornår projekterne kan leveres. Det gør livet for de mange projektledere så uendeligt meget nemmere. I flere tilfælde fik BI-teamet ikke engang muligheden for at overskride afleveringsfristen, da projektet blev aflyst undervejs. Men dette data-cirkus gøres kun endnu sjovere, når man inddrager forretningens behov for data.

Jeres brugere ændrer krav til projekterne og løsningerne i samme hast, som Rasmus Seebach spytter dårlige singler ud i æteren (læs: ofte), hvilket selvfølgelig har voldt BI-teamet utallige problemer. For mens I har kaldt jer agile, har intet været agilt overhovedet. Som i slet, slet ikke. Og hele DataOps-bølgen red let og elegant hen over jer. I har leveret tusindvis af rapporter, der aldrig blev taget i brug, ikke nødvendigvis fordi rapporten var ringe, men fordi data enten ikke gjorde en mærkbar forskel i forretningen eller – endnu værre – fordi jeres forventede brugere rent faktisk ikke havde evnerne til at bruge den. Vi skal væk fra denne 'data content dump'-tilgang, hvor vi blot smider en rapport efter brugerne, og så kan de i øvrigt selv finde ud af resten. Stil jer selv det simple spørgsmål: 'Hvad er det i grunden, at I/brugeren prøver at opnå med disse data/disse rapporter?', og: 'Hvordan kan vi hjælpe jer til at få størst muligt gavn af dette?'.

Benny Hill har ringet; han vil have sine cirkus-sko igen. Så send dem endelig hans vej.

Hvis ikke BI-teamet transformerer sig, ender I med at blive de rene statister, hvor det er de færreste, der vil møde op til jeres månedlige taffel fremover.

Den gode nyhed er, at lige nu har de færreste data-brugere ikke nogen alternativer til at bruge jer, medmindre den specifikke afdeling er stor nok til at hyre sine egne data engineers og data scientists. Men udnyt da dette gap, som I stadig har. Udnyt det til at gøre jeres brugere endnu bedre, endnu mere data-villige, endnu bedre til at kommunikere og præsentere data og endnu bedre til at høste frugterne af data.

Her går det godt

Jeg besøgte for nylig en af mine data-læremestre, Jonas, DFDS. Jeg besøger altid Jonas, hvis jeg skal have nogle inspirerende inputs. I den organisation, som Jonas arbejder i, har de stillet sig selv spørgsmålet: 'Hvad er det egentlig, vi er hyret ind til? Er det at levere rapporter og cuber? Eller er det – meget management konsulentagtigt – at få data til at leve i organisationen?'.

Og han nævnte, at de i hans organisation blandt andet arbejder med disse to 'hovedspor':

  1. data availability

  2. data ability

Begge spor meget centrale for at kunne skabe en data-drevet kultur.

Data availability

Hvor første spor – data availability – er det, som vi data-professionelle efterhånden er ret så gode til, dog med betragtelige forbedringspotentialer, når snakken falder på automatisering og nedbringelse af lead-time. Men 'data availability' handler, som ordet også hentyder, om at gøre data tilgængelige. Det vil sige hele processen omkring afdækning af, hvor vi finder data, hvordan dataintegrationer kan skabes, hvordan data kan kopieres let og elegant til dataplatformen for dernæst at blive konsolideret, transformeret og i sidste ende udstillet til brugerne. Her er målet selvfølgelig kontinuerligt at forbedre sig og gøre tingene endnu smartere, hvor inspirationen særligt hentes i tankerne bag DataOps.

Data ability

Men det var specielt deres fokus på 'data ability'-delen, som fangede min interesse. Ikke mindst organisationens investeringslyst i at forbedre dette. Det er helt åbenlyst, at for at ændre/forbedre en specifik adfærd, så skal du også have evnerne til at gøre det.

'Data ability' oversat til dansk handler grundlæggende om:

  • at forbedre data-brugernes evner til at forstå mulighederne med data i kontekst af brugernes hverdagssituationer og ikke mindst de tools, der findes på markedet (fra datadrevne alarmer til automatisering af beslutningsprocesser)

  • at forstå de organisatoriske beslutningsprocesser, og hvad de forskellige organisatoriske hierarkier har af påvirkning på brugen af data

  • at blive bedre til at stille spørgsmål og ikke mindst dem, der gør en forskel. Er I nogensinde blevet trænet i at stille gode spørgsmål? (Måske da I skulle formulere problemformuleringer i skolen, men hvad med sidenhen?) Det at skabe en kultur fuld af spørgelyst er altafgørende for at få succes med data. Hvordan man skaber en spørgelysten kultur, vil jeg hellere end gerne komme ind på i et andet blogindlæg, hvis det har interesse. Som den gode gamle Peter Drucker udtalte: »Asking rather than telling, questions rather than answers.« Eller Michael Dell som udtalte: »Asking lots of questions opens new doors to new ideas, which ultimately contributes to your competitive edge.« Vi skal blive bedre til at stille kvalitetsspørgsmål.

  • at blive bedre til at analysere og forstå data (dataanalyse-principper (induktiv/deduktiv) samt analytisk, system- og kritisk tænkning) – alt dette for at klæde brugerne på til at gå på yderligere opdagelse i data på effektiv vis.

  • at blive bedre til at visualisere – det skal være nemt og effektivt for alle at vælge den graf, der præsenterer data bedst muligt.

  • at blive bedre til at kommunikere, læse, præsentere og tale data samlet under data storytelling-paraplyen. Hvordan sikrer vi, at historiefortællingen får de rette budskaber og argumenter frem, og at disse ikke ændrer sig, når historien bliver viderefortalt i organisationen? Kan video og infographics gøre en forskel?

  • at forstå de etiske overvejelser i anvendelse af data herunder også sikkerhedsperspektivet.

  • hvordan jeg overhovedet vælger de rigtige data, og hvad datakvalitet er for en størrelse.

  • at forstå og lære, hvordan man kan italesætte og bekæmpe biases, herunder også cherry-picking af KPI'er, der får den enkelte til at fremstå bedre, end personen reelt er.

  • at data ikke anses for at være et produkt, men en del af samtalen og kulturen.

  • hvad der skal til for at ændre adfærd baseret på data.

  • at gøre det nemt for brugerne at forstå data-relaterede termer som f.eks. en data- eller forretningsordbog/catalog.

  • at gøre det klart for alle, hvordan vi anvender data i forskellige hverdagssituationer. Eksempelvis en fast skabelon for, hvordan et data-drevet møde ser ud, hvilke data kan understøtte emnerne i den agenda, vi skal diskutere på mødet, og hvilke må medbringes, hvordan forbereder vi os til et møde, så vi kan forklare data på mødet, hvilke data skal deles og læses inden mødet. Kører I med en helt fast skabelon og er fuldstændig aligned, eller ændrer setup'et sig fra gang til gang? Har alle mødedeltagerne en fælles forståelse for begreberne og KPI-definitionerne? Hvordan bliver data udgangspunktet for alt, hvad I snakker om – starter mødet med at gennemgå data, eller er data blot en fodnote?

  • at det er naturligt for alle at stille spørgsmålet: Hvilke data kan bakke det argument/den påstand op? Hvad siger data?

  • at fra et teknisk perspektiv give en ikke-tekniker en lille indflyvning i, hvordan man f.eks. kan opbevare data, hvad forskellen er på struktureret og ustruktureret data, hvad SQL er og kan osv.

  • at have evnen til at forstå sammenhæng mellem data-input og output. Hvis jeg som sælger indtaster data i et felt i CRM, så forstår jeg betydningen af dette, og hvilke rapporteringsmuligheder det giver, hvorfor jeg som sælger rent faktisk tager denne handling seriøst.

Onde tunger vil måske kalde det Data Literacy – det hotteste buzz-word, som de færreste gør noget ved. Men faktum er, at i Jonas' team tager de denne del ekstremt seriøst, hvorfor de for nylig rent faktisk har lanceret et Data Literacy-program med en udvalgt afdeling, som grundlæggende handler om at forbedre kompetencerne hos deres kollegaer indenfor områderne listet ovenfor. De har sågar udnævnt en af kollegerne i teamet til at være en 'data literacy executive' med det ansvar at sikre, at kompetencerne løftes.

Jeg bliver så glad, når jeg hører disse historier. Coloplast kører et lignende setup med fokus på data storytelling. Eller hos Novo Nordisk, hvor de arbejder med begrebet 'reverse mentoring', hvor det er de unge med høj teknologiforståelse, der træner de gråhårede i at forstå mulighederne med data. Helt konkret havde en 24-årig data scientist tilbragt en dag med en gråhåret VP, der i slutningen af dagen kunne skrive et stump Python. Der skal lyde den allerstørste applaus og respekt herfra, men historierne er simpelthen for få.

Jeg har snakket med rigtig mange organisationer henover årene, og meget få af disse har sat 'data ability' eller 'data literacy' højt på agendaen.

Hvornår har jeres analytikere sidst været på kursus i data-analyse? Adfærdsdesign? Præsentationsteknik?

Hvornår er jeres CFO sidst blevet coachet i at snakke i et sprog, som alle kan forstå?

Hvornår har jeres salgschef sidst fået træning i korrekt indtastning af data i CRM?

Stort set ingen af jer ville kunne svare 'for nylig', hvis da ikke 'aldrig', på nogle af disse spørgsmål.

Så er det ikke paradoksalt, at mens BI-team'et kæmper en sej kamp med at levere pålidelige data til tiden, så er der stort set INGEN, der tager deres brugeres data-kompetencer seriøst!

Det vil være min kraftigste anbefaling, at BI-teamet tager sig af denne opgave, hvis ingen anden forretningsenhed gør – så uddør I heller ikke foreløbig.

Denne blog er oprindeligt bragt på LinkedIn