Erfaring bliver ikke erstattet af data

Det er på mode at være ”datadrevet”, og det er ikke længere så fint at træffe beslutninger baseret på sin årelange erfaring.

Af Bjarke Due Jensen, Business Intelligence Team Lead, Abakion

Erfaringen er røget ud i kulden.
Men det er lidt uretfærdigt.

At være datadrevet handler om at tage udgangspunkt i både kvantitative og kvalitative data, som man analyserer med Business Intelligence og kommer frem til en indsigt, der kan danne grundlag for en forretningsmæssig beslutning.

… og modsætningen …

At være erfaringsdrevet er at basere sine beslutninger på ens erindring om historiske hændelser, som man intuitivt anvender til at vurdere en aktuel situation. Man tager den på rutinen.

At være datadrevet eller erfaringsdrevet

Blandt de erfaringsdrevne finder vi mange ledere, som gennem årene har været vant til støtte sig til sine erfaringer – især fordi der ikke har været andre muligheder.

Dataindsamling og dataanalyse har gennem mange år været utrolig omfattende, og erfaringsbaserede beslutninger har givet rigtig god mening.

Nu er der imidlertid kommet mange andre muligheder, der kan supplere erfaringen.

Der strømmer nyuddannede ind på arbejdsmarkedet, som har lært en masse om databehandling med business intelligence på deres uddannelse, og de udfordrer nu de erfarne ledere på deres beslutningsgrundlag.

Når data blander sig i dine beslutninger

Nu har jeg lagt op til en konflikt mellem data og erfaringer.

Men hvilken rolle bør data spille i din beslutningsproces?

  • Du kan lade data tage beslutningen. Hvis mulighed A har de bedste tal, så vælger du A.
  • Du kan også anvende data som støtte til beslutningen. Data peger på A, og erfaringen viser at både A og B virker godt, så du vælger A.
  • Eller du kan anvende data til at retfærdiggøre beslutninger, der allerede er truffet. Du har allerede valgt B, og det kan ikke ændres, og data viser, at B er blandt de 2 bedste muligheder.

Nogle gange er det ubevidst, hvilken rolle data spiller i beslutningsprocessen. Det bør det egentlig ikke være.

Du bør have en strategi for, hvordan du anvender data i beslutninger.

Hvis du ser 20 hvide svaner, er alle svaner så hvide?

Hvis Ferrari vil prioritere deres produktsortiment efter dækningsgraden, så er det pludselig vigtigere at producere merchandise end sportsvogne, og Formel-1-biler er virkelig dårlig forretning.

Man kan lynhurtigt blive ledt i en åbenlyst forkert retning, hvis man ikke er bevidst om validiteten af præmisserne for dataanalysen.

Dataanalyse kan ikke stå alene, for præmisserne for fortolkningen af data er baseret på erfaring.

Data og erfaring hånd i hånd

Det er derfor, at de rigtig dygtige data-folk også har forretningsmæssig forståelse – og kan sætte deres dataanalyser ind i den rette forretningsmæssige kontekst.

De datadrevne er ikke nødvendigvis Matrix-hacker-computer-nørder – men de er analytisk anlagt og kan godt lide at forholde sig til tal og statistik.

Det er personer, som både forstår sin virksomheds formål, de strategiske målsætninger, og formår at inkludere relevante data i beslutningsgrundlaget, og kan kommunikere beslutninger og årsagsforklare med data.

Hvis de altså er dygtige til deres arbejde.

Den erfaringsdrevne vil typisk opsøge de samme informationer som den datadrevne – bare på en anden måde, måske mindre struktureret og med et større tidsforbrug for at finde frem til de relevante informationer.

Den datadrevne har lettere adgang til informationer via sine værktøjer.

Data fylder mere og mere i vores verden, og det er utopi at tro, at vi kan have alle data i hovedet i dag. Der er meget mere, end vores hjerner kan kapere uden hjælp fra værktøjer.

Det er derfor, at den datadrevne og den erfaringsdrevne har brug for hinanden.

Hverken erfaring eller data kan stå alene

Vi må konkludere, at hverken data eller erfaring kan stå alene.

Kvaliteten af de svar, du kan få fra data, er ikke bedre end kvaliteten af de data, der bliver inputtet i analysen og de fortolkninger, der bliver anlagt på dataene.

Det er meget hyped at sige, at “vi skal være en datadrevet virksomhed”, men man skal ikke lade sig forblænde af det “datadrevne”.

Data dokumenterer en sammenhæng, men det er ikke sikkert, at data kan fortælle dig årsagen. Den er du måske nødt til at gætte og teste dig frem til.

Data er godt til optimering

Du prøver at finde mønstre i de historiske data, og så træffer du beslutninger om fremtiden på den baggrund.

Det betyder, at historiske data er godt til optimering – men ikke oplagt til innovation.

Hvordan du skal træffe beslutninger om innovation – det kan du ikke finde svar på i historiske data. For så er det jo ikke innovation – men blot gentagelser.

Du kan udføre datadrevne eksperimenter. Det er den måde, data kan bidrage til innovation.

Du kan også teste din innovative idé i forskellige varianter, og få data retur og sammenholde med en baseline, og så kan du konkludere, om din innovation går i den rigtige retning.

Det er en god idé at være datadrevet, når du skal teste din innovation, og det stiller store krav til, at du er struktureret i dataindsamlingen fra begyndelsen. Du skal have en klar holdning til, hvilke data, du vil teste din innovationsindsats på.

Meeen … de innovative ideer, som er grundlaget for det hele – dem skal du selv bidrage med – de opstår sjældent i dit datasæt.

Erfaringens rolle i fremtiden

Hvordan finder du den passende balance mellem data og erfaring?

Det handler primært om at have en god kritisk sans. En dataanalyse giver dig et billede af sammenhænge, og så må du vurdere, hvad årsagen kan være, og om der kan være nogen årsager til, at dataene er misvisende.

For eksempel viser alle dine data, at marketingafdelingens julekampagne i december har en stor indflydelse på omsætningen. Men måske er det julen, der har den største indflydelse på omsætningen i december, og marketingkampagnen er virkningsløs.

Det kan være svært at vurdere årsager og sammenhænge i data. Det er vigtigt at vide, hvad data ikke viser.

Hvordan træffer du en datadrevet beslutning om julekampagnen?

Du vil helst ikke gamble hele julesalget ved at springe julekampagnen over et år og se hvad der sker.
Men måske kan du udtage en kontrolgruppe på nogle procent, som ikke indgår i kampagnen, og se om data efterfølgende kan dokumentere en effekt af julekampagnen. Gruppen skal være stor nok til at have statistisk signifikans, men den skal heller ikke være så stor, at den lægger din forretning ned, hvis det koster juleomsætningen.

Men … at agere datadrevet handler om at turde eksperimentere på baggrund af datasammenhænge.

Det er vigtigt at forholde sig kritisk til de sammenhænge, dataene anviser, og teste dig frem til den rette beslutning.

Og i den forbindelse har du stadig behov for erfaring og intuition.

Du kan ikke erstatte erfaring helt med data. Du har brug for at have erfaring med ved bordet, når data fra business intelligence skal fortolkes.

Så de erfaringsdrevne medarbejdere behøver slet ikke være bange for data-revolutionen. De bør omfavne de nye analysemuligheder og kombinere dem med deres egne erfaringer, for på den måde opnår de en utrolig stærk kombination, som gør dem værdifulde for virksomheden.