Fyr konsulenterne! Hvem har den længste? Og andre håb for Business Intelligence i 2019

Brødtekst

Det er så populært at runde året af ved at spå om det kommende år. Da jeg hverken er den store fremtidsforsker eller spåkone, og da jeg samtidig mener, at organisationerne stadig bøvler med årtiers data-gæld; her tænker jeg især på dårlig datakvalitet, nedbrydning af organisatoriske data-siloer, proprietære og personbundne kildesystemer og ikke mindst Shadow BI (Excel-hell), så vil jeg i stedet prøve at fokusere på nogle områder indenfor Business Intelligence, som jeg håber, at organisationerne vil arbejde mere med i 2019.

Master Data skal blive det nye sort for at lykkedes med Machine Learning

For er det ikke paradoksalt, at mens jeres CIO tager på konferencer og hører om Deep Learning, Smart dit og dat, digitale tvillinger, Multi-cloud, moral og etik indenfor kunstig intelligens, Quantum computing, Edge computing, Autonomous Things, Augmented reality, Augmented Analytics, Immersive Experiences, Connected clouds, Blockchain og andet lækkert tech - og nårh ja, hvor forsvandt snakken om Big Data hen - så sidder kollegaerne på Master Data kontoret stadig tilbage og mangler processer og værtkøjer til at håndtere Master Data og ikke mindst integrationer på kryds og tværs på en smart måde. Og der har de altså siddet i snart 20-30 år (gad vide om de stadig sidder der).

Og jeg skal ligeledes love jer for, at når CIO'en får besøg af deres trusted Key Account fra deres softwareleverandør, så er det heller ikke Master Data og andet legacy, de diskuterer. Key Account'ens bonusmål er bundet op på ny teknologi, så mon ikke snakken går på Deep Learning, Smart dit og dat, cloud - ja kopier bare fra ovenstående sektion.

For Master Data skal blive det nye sort, såfremt organisationerne skal lykkedes med Machine Learning, IoT og ikke mindst Business Intelligence. Dette kombineret med, at jeres Business Intelligence-slutbrugere stadigvæk ikke får nok ud af den Business Intelligence platform, som der er brugt flere års arbejde, årlige licenskroner og helt sikkert lidt dyrebare konsulenttimer på at implementere.

Fair nok - der skal være en balance, for selvom I stadig ikke har formået at nå den ønskede adoptionrate på jeres Business Intelligence platform, så kan man sagtens eksekvere et Machine Learning projekt sideløbende eller starte op på IoT, I må blot ikke glemme jeres gæld, når I bliver for optaget af ny teknologi eller skal måle penislængder i diverse netværksgrupper. Den der har styr på basis, er den der har den længste, blot som input. For basis er tilfredse brugere, en god brugeroplevelse og kvalitet i data. Og ny teknologi kan netop være en enabler for det, men husk balancen.

 Excel er nok alletiders største udfordrer til en pålidelig anvendelse af data

Nå, lad os kigge lidt på mine håb, selvom I nok allerede har regnet ud, hvor vi er på vej hen.

Fyr konsulenterne - data er kommet for at blive og en del af jeres kerneforretning

Det kan jo lyde tosset, og måske underminerer jeg min egen forretning, men jeg mener simpelthen, at man bruger de eksterne Business Intelligence-konsulenter forkert. Data er ikke en døgnflue, og det er ikke en "one-off" at skabe en dataplatform. I kan forvente, at ligeså snart at I har serveret den første data-aperitif, så vil der komme yderligere krav og ønsker til platformen fremadrettet. Derfor mener jeg, at man bør smide nogle konsulenter ud og erstatte dem med interne - det kan være en god business case, for lur mig, om der ikke ligger mange tusinde timers arbejde med data i jeres organisation fremover og ikke mindst potentiale.

Data er hjertet i digitalisering, så hvorfor ikke ansætte dem, der har forstand på data, i stedet for at "leje" dem til en alt for høj timepris

Ansæt nu de rigtige folk i stedet for, og brug konsulenthusene til rådgivning eller som accelerator på få udvalgte projekter. Ikke som i dag hvor konsulenterne i hobetal stiger ud af konsulentbussen hver morgen, iklædt deres fine, nystrøgne, hvide skjorter og sorte habitbukser i bedste konfirmationsstil og nogle tilmeld med blankpolerede, spidse laksko. Og så bliver de gudhjælpemig hængende i flere år, hvor de dagligt sidder og tilegner sig mere og mere forretningskritisk viden og typisk laver de fleste konsulenter implementeringsarbejde og har sjældent kundekontakt. Nogle steder har de endda deres egne lokaler - så de ikke behøver komme forretningen ved.

Derudover har jeg desværre oplevet en distance mellem interne og eksterne Business Intelligence-konsulenter, som arbejder på hver deres område i forretningen i stedet for at inddrage og integrere hinanden i det daglige arbejde, så vidensoverdragelsen ikke går tabt, når nu konsulentbussen ikke længere ruller ind på parkeringspladsen om morgenen.

Data kan blive en altafgørende faktor for succes i jeres forretning, hvorfor det er et område, I fremover ligeså godt kan investere i ved at få de rigtige folk ombord - i stedet for at betale op mod 1.700 kr. i timen for en konsulent, som arbejder fuldtid i flere år - til den pris kunne man få en rigtig dygtig intern, skulle jeg hilse at sige.

Så glem CAPEX og OPEX, at I ikke kan finde de rigtige, eller hvad I ellers bruger som undskyldning for at have konsulenterne hængende i masse- og årevis. Jeg køber simpelthen ikke præmissen - mange af jeres interne kollegaer ville finde det ret attraktivt at arbejde for 1.200 kr. i timen over en længere årrække. Og hvis man ikke mener, at man får nok sparring ved at være ansat internt, så spar mig for den undskyldning. Der findes så mange gode netværksgrupper, eller lav aftaler med andre virksomheder, hvor I kan sidde sammen et par gange om måneden og arbejde og udveksle erfaringer - I kunne skiftes til at sidde hos hinanden - præcis som vi konsulenter gør.

For fanden - hvis I siger, I vil være data-drevet for at tage bedre beslutninger, så tag sgu den udfordring alvorligt!

Skal I i gang med Machine Learning er forretningskendskab eksempelvis altafgørende for at skabe den rigtige model. Her kan det igen være en fordel at hyre interne, så de virkelig kommer ind under huden på forretningen. Det er ikke nok at kunne kode lidt Python, R eller en andet sexet kodesprog; det kræver kendskab til forretningen, og hvilke faktorer der kan forklare, påvirke, forkaste, bevise eller understøtte en ML-algoritme. Hyr studerende ind og giv det et forsøg - de er ret så skarpe! Og når vi nu er ved de her brainy data-scientists - så ansæt dem i en tvær-organisatorisk stilling - disse ML-folk må ikke tænke i kasser, men skal forstå jeres forretning på kryds og tværs.

Brug konsulenthusene til at hjælpe jer med at bygge Business Intelligence teamet op, brug dem til inspiration og BI-kritisk rådgivning (formålsbestemt og tidsafgrænset), men ikke som rene fuldtidsimplementeringskonsulenter over en flerårig periode (så svært er det SQL og SSIS, som de fleste af konsulenterne bruger tid på, heller ikke). Jeg så gerne, at konsulenterne forblev konsulenter og ikke "taste-arbejdere".

Det er fandme en ringe business case

Jeg har selv siddet på projekter, hvor vi som konsulent-team mødte 10-15 konsulenter op hver morgen i en årrække, og jeg fattede ingenting af, hvorfor organisationerne brugte så mange penge på os. Ikke fordi vi ikke skabte værdi, men fordi man let kunne have konverteret 10 af konsulenterne til interne og dermed sparet organisationen for masser af penge. Jeg hører om styrelser, hvor halvdelen af personalet er eksterne konsulenter. Ministerier der har outsourcet hele IT-afdelingen, så der i stedet dukker 30-40 konsulenter op hver dag - det er fandme en ringe business case, når man tænker på, hvor vigtigt IT er for forretningen. En god tommelfingerregel - er der 10 mand på et projekt, vil 50% formentlig have 0-2 års erfaring - ergo - det er måske billigere at oplære dem selv eller få konsulenthuset til at hjælpe jer med det.

Og det er konsulenthusets ansvar, at kunderne kan køre videre med de løsninger, som konsulenterne hjælper med at implementere - det må være vores fornemmeste opgave. Brug derudover virksomhedsbesøg til inspiration og rådgivning - det er godt givet ud.

Master Data skal være hot

Overskriften siger vel alt, men de fleste organisationer har stadig ikke løst den gotiske knude omkring Master Data-styring, integrationer og ikke mindst kvalitetssikring, og jo mere snak der er om at blive data-drevet - jo større bliver behovet for at få styr på Master Data. Jo større fokus der eksempelvis kommer på DataOps og automated testing, jo mere fokus kommer der også på processerne for Master Data, men se opgaven som uundværlig i forhold til at få ekstra værdi ud af de mange datainitiativer. Og indarbejd data-kvalitetsprocedurer i jeres daglige ETL-flow - lav det selv, brug NBi eller lignende.

 

datastyring
Kortlægning af processer for styring af data
Illustration: Søren Christian Søndergaard Poulsen

Self-service Business Intelligence er ikke bare et værktøj - tag nu den organisatoriske kamp

Siden Excel kom på markedet, har organisationerne formået at tillære sig nogle helt vanvittige kompetencer, der gør, at De kan få alt til at ske i et Excel-ark. Nogle gange ser jeg ting, der slet ikke burde være muligt i Excel.

Organisationer, der anvendte Excel-ark til rapportering, hvor der blev identificeret snyd i Excel-arkene, simpelthen ved at fjerne data i Excel-arket

Excel har nok været alletiders største udfordrer til en pålidelig anvendelse af data og ikke mindst udfordrer til større adoptionrater på organisationens Business Intelligence-platform. Hvorfor lade BI-teamet lave arbejdet, når man selv kan lave det hurtigere i Excel? (her ligger der også en kommunikationsopgave og lurer). Nogle kalder det Excel-hell - andre Shadow BI. Excel er heldigvis begrænset til at kunne håndtere en hvis mængde data, så udnyt denne håndsrækning i BI-teamet og opfordr til dialog indtil Excel-udviklerne også kommer omkring dette.

Excel-hell
Illustration: Søren Christian Søndergaard Poulsen

Excel-hell er en slåskamp, man tidligere har undgået, eller en kamp man har taget halvhjertet, men med indtoget af eks. Power BI, så er det nu, der skal laves nogle organisatoriske retningslinjer, for hvordan self-service Business Intelligence skal håndteres. Ledelsen skal gøres opmærksom, og der skal sikres buy-in - for det kræver ekstra tid til uddannelse, co-creation workshops m.m - så er man som ansat allerede max'et ud på timerne, så kræver det ledelsesmæssig opbakning og skal ses som en strategisk satsning.

Og det er ikke kun en opgave for organisationens CIO eller CFO'en, De ved ikke nødvendigvis, hvordan man bekæmper Excel-hell. Det er en organisatorisk og forretningsmæssig opgave. Det handler også om at klassificere og certificere sine BI-Cowboydere - samt gøre det interessant at bygge på kompetencer, tage medejerskab og skabe transparens.

og når først sumtotalerne fra Excel-arkene flyttes over i en Power Point - så er galskaben da total.

Men gør noget ved det nu - for lige pludselig havner et "ikke-pålideligt" Excel-ark eller Power BI dashboard på mødet, hvor det skal diskuteres, hvem i organisationen der skal opsiges for at undgå en truende konkurs - og så er det sgu ikke godt, hvis dataene ikke stemmer. For fanden - hvis I siger, I vil være data-drevet for at tage bedre beslutninger, så tag sgu den udfordring alvorligt! Det er nu, slaget skal slås - ellers bliver der bare endnu mere oprydning fremover - det bliver kun værre nu på grund af Power BI.

Jeg har selv oplevet og hørt om organisationer, der anvendte Excel-ark til rapportering, hvor der blev identificeret snyd i Excel-arkene, simpelthen ved at fjerne data i Excel-arket, så dataene blev manipuleret til at passe på de bonusmål, som de bestemte ledere blev aflønnet efter. Og hvordan skulle nogen finde ud af, at der blev snydt? Det kræver jo en Ph.d. i logik at finde rundt i de mange Excel-ark og ikke mindst avancerede formler. Og når først sumtotalerne fra Excel-arkene flyttes over i en Power Point - så er galskaben da total. Tænk jer nu om!

Jeg besøgte på et tidspunkt en kunde, og jeg var rundt at snakke med de forskellige afdelinger omkring brugen af BI og ikke mindst self-service-BI. Tre af afdelingerne brugte 80 procent af de samme KPI og dermed også data. Det var der som sådan ikke noget galt med, udfordringen var, at de tre forskellige afdelinger havde brugt tre forskellige BI-værktøjer til at genere KPIer, etableret tre forskellige "data delivery platforms", og så havde de i øvrigt ikke lavet beregninger på helt samme vis. Resultat: en masse redundant arbejde kombineret med potentielle fejlkilder. Det kan være en konsekvens, såfremt man ikke snakker sammen på tværs og via self-service communities, monitorering og task management-systemer får koordineret arbejdet med self-service.

Se i nogle af mine andre artikler, hvad man kan gøre ved det. Men det handler om at gentænke den tekniske platform, så den imødekommer Business Intelligence-cowboyderne, det handler om adoption, ledelsesmæssig opbakning, og det handler i den grad om spilleregler, der skal skabes sammen (co-creation) og overholdes af alle - først dér får I succes med self-service Business Intelligence.

 

Data warehouse developer
Jo længere til venstre jeres self-service BI-brugere skal benytte dataplatformen - jo sværere er arbejdet med adoption og ikke mindst påvirkning af mindset, kompetencer og spilleregler. Jo længere man går mod venstre, jo større udbytte og hurtigere time-to-market er der også, så overvej grundigt, hvor I vil starte. Og har I tænkt på, at jo bedre jeres self-service BI-brugere er og overholder en best practice - jo mere forarbejde kan de gøre for BI-teamet, før det skal løftes ind i jeres corp. dataplatform.
Illustration: Søren Christian Søndergaard Poulsen

Og husk - det gamle Kimball 3-lags Data Warehouse er fuldstændigt dødt. Lad DOG være med slette det, hvis I allerede har ét og er glade for det, for det kan stadig bruges, såfremt I åbner lidt op og udvider - det kræver nok lidt overbevisning blandt de gamle DW-gutter og -gutinder, og hvis de ikke er klar, må I sende dem på en tidlig pension.

Og når I nu går igang med jeres migrering til Azure, så genovervej lige, om en 1-1 af jeres nuværende Data Warehouse er en god idé.

Nedbryd data-siloerne - tænk horisontalt

Excel-hell og nu Power BI var/er i den grad med til at opbygge lokale desktop data-siloer, men sikkerhedsmodeller i diverse Cuber eller dårligt gennemtænkte BI-løsninger gør heller ikke arbejdet nemmere. Jeg fik på et tidspunkt et spørgsmål:

»Er der en god tommelfingerregel med hensyn til, hvor mange Cuber man må have?«, og det er et spørgsmål af meget teknisk karaktér. Jo flere Cuber man har, desto sværere har man ved at få et tværgående overblik over forretningen, men man kan måske processere og orkestrere Cuberne hurtigere. Så den optimale Cube er 1 Cube - her kan du følge din vare fra produktion, lager, salg, marketing i en Pivot tabel. Det grelleste tilfælde, jeg oplevede, var en ikke særlig stor BI-løsning, der indeholdt godt 300 Cuber - det var bare hurtigere at lave en ny end at integrere i en eksisterende.

Men brugerafgrænsning og sikkerhedsmodeller skaber også datasiloer. Hvorfor må sælgerne ikke se hinandens salgstal? Hvorfor skal det være noget nær umuligt at se antal varer på lager og se, hvad der er indkøbt, fordi I er afgrænset af en afdelingsbestemt brugerafgrænsning (Kimball ville vende sig i graven, såfremt han altså var død). Jeg kan forstå, at man ikke må se lønomkostninger, men den resterende del af data burde være frit tilgængelige. Det er først, når man kan kombinere data på tværs af sælgere, processer og lignende, at værdien skabes med data.

Kom i gang med at få fjernet alle de komplekse sikkerhedsmodeller, og overvåg i stedet for, hvilke data jeres BI-brugere benytter, såfremt I ikke stoler på dem. Det kræver dog lige lidt ekstra undervisning i den bagvedliggende datamodel, men det har I nok selv styr på.

Vi er tjenerne i restauranten - fokus på adoption og kundeservice

BI-teamet skal forstå, at deres fornemmeste opgaver er at servicere kunderne i biksen, det er derfor, de er ansat, så hvorfor ikke give BI-slutbrugerne (kunden) en fantastisk oplevelse. Eller dele teamet op i folk, der godt kan finde ud af at give en god service, og dem der bare synes, at det er fedt at skrive lidt lækkert SQL. Forretningen er ikke længere afhængig af BI-teamet - de finder bare et lækkert self-service Business Intelligence-værktøj, og så går de selv i gang, men ikke hvis de får god og hurtig service hos jer.

Tænk også her DataOps og automated deployment, service design thinking eller som nedenstående en samarbejdsplatform, som indrammer mange af de elementer, jeg mener, der bør sættes mere fokus på i 2019 i arbejdet med en forbedret adoptionrate.

  • En lethed ved at finde rundt i organisationens data og rapporter
  • En åbenhed, omkring hvad der foregår - øget informationsflow
  • Ansvar for at sikre kontinuerlig inspiration og træning
  • Community er alt afgørende for at skabe en stærk self-service kultur
  • Tværgående samarbejde i organisationen
  • Lethed i at finde svar og identificere superbrugere
  • BI-acceleratorprogrammer
  • Og ikke mindst inddragelse af den daglige bruger til at fortælle hans eller hendes historie
BI-samarbejdsportal
Et bud på en BI samarbejdsportal
Illustration: Søren Christian Søndergaard Poulsen

 

Jeg håber også på mere fokus på bedre behovsafdækning, data-story telling, embedded analytics, total implementering af DevOps, at nogen endelig får kortlagt en beslutningsproces i en organisation, oprydning og brugeroplevelse, fokus på data der kan gøre en forskel, real-tids data (jeres forretning er i real-tid, hvorfor skal data så ikke være det?) og agile leverancer, og så burde man også være godt kørende.

Og jeg håber på mange, mange færre Power Point-præsentationer - nej, hvor jeg ikke kan tage det. Hent inspiration hos Amazon, hvor det er bandlyst!

Tusinde tak, fordi at du ville læse med!

Hvad håber du på i 2019?

Indlægget er oprindeligt bragt på LinkedIn d. 19. december 2018.