Övervinn utmaningar med datastrategi
Alla företag sitter idag på enorma mänger data, strukturerad eller ostrukturerad. Oavsett om du vill använda AI (eller mer bestämt generativ AI som de flesta idag menar när de säger AI) eller mer traditionell business intelligence eller maskinlärning så kokar utmaningen ner till att få ut värdet ur din data på ett strukturerat och genomtänkt sätt. All AI grundar sig i data och kvaliteten på svaren som generas är alltid helt beroende på vilken indata modellerna har.
Det finns många utmaningar som måste lösas för att få ut värdet av data, såväl tekniska som kulturella. Nya tekniska lösningar ska integreras med befintliga och kulturella gap och osäkerhet och tvivel inom organisationer måste överbyggas. Med andra ord ska både tekniska, organisatoriska och psykologiska utmaningar hanteras, allt från medarbetarnas outtalade oro över att ersättas av AI till hur säkerhet och regelefterlevnad ska följas. För att lyckas med samtliga utmaningar finns det bara en logisk startpunkt: en tydlig datastrategi.
Att ta fram en datastrategi
När man tar fram en datastrategi är det viktigt se till hela företaget och göra det på ett strukturerat sätt genom att identifiera vilka behov och use cases ni har, och därefter sätta en datavision och ta fram en strategi med målbild och roadmap. Se till att få med olika perspektiv: tekniska, organisatoriska, data governance samt det kulturella perspektivet.
Många lägger alltför stor vikt vid den tekniska plattformen, och fokuserar för lite på de andra delarna – inte minst den organisatoriska eller kulturella delen som ofta är det svåraste att lyckas med.
4 steg för att skapa en lyckad data strategi
Identifiera dina behov – var kan du utnyttja data och AI
Börja att identifiera vilka affärsbehov du har och vilka affärsproblem som är viktigast för dig – utan att fundera över AI. Att systematiskt identifiera alla use cases gör att du får en helhetsbild; många use cases kan göra stor nytta genom att effektivisera eller ge högre intäkter. En del löses troligen enklast med en traditionell if-sats eller en ML algoritm, medans andra är perfekta för AI.
Sätt en vision - var vill du vara?
Baserat på dina use case, sätt en tydlig vision för företagets data användande samt konkreta mål. Det här blir ett styrdokument ni kan luta er mot och stämma av mot under den kommande förrändringsresan.
Ta fram målbild
Ta sedan fram en målbild inom de fyra tidigare nämnda områdena: teknik, organisation, governance och datakultur:
- Teknik: Designa en teknisk plattform anpassad för din data, dina identifierade use cases och din vision för hur ni arbetar med och använder data. En modern molnbaserad dataplattform är i princip en förutsättning för att lyckas med AI, men utan att ha satt grunderna är det lätt att antingen investera i en för komplex och dyr plattform, eller tvärt om; i en plattform som inte är skalbar bortom ditt första use case.
- Organisation: Nyckeln för lyckad AI implementation (samt övrig data) är att ha rätt kompetens internt samt organisera den rätt. Beroende på visionen och use casen samt planerad dataplattform behövs oftast olika kombinationer av Data Engineers, Analytics Engineers, Data Scientists och Data Analysts. Hur dataexpertisen organiseras är nästa viktiga fråga. Ofta är en hybridorganisation, ofta kallad data mesh med centralt plattformsteam och övriga dataexperter nära businessen ett vinnande koncept.
- Governance: Data och analytics har redan ställt stora krav på governance för att säkerställa efterlevnad mot såväl interna som externa regelverk. AI gör att kraven ökar ytterligare då användningen ofta ökar drastiskt i organisationen och externa verktyg används allt mer. Tydligt ägande av data samt struktur och kvalitetskontroll är viktigt att få på plats tidigt om det inte snabbt ska bli omöjligt att jobba med snabbt växande datamängder. Som sagt, outputen från AI modeller blir inte bättre än datan de kan använda!
- Datakultur: Det viktigaste för att lyckas med AI eller andra datainitiativ är vare sig teknisk plattform eller governance ramverk, de är endast förutsättningar. Det viktigaste är att skapa en kultur där datan används aktivt i hela organisationen, en datadriven kultur! Data som inte används ger inget värde utan är enbart en kostnad. Här krävs först att ledningen är med på tåget och sedan systematiskt arbete med hela organisationen.
Förstå nuläget och gap
Samtidigt som du sätter målbild är det viktigt att göra en nulägesanlys för att förstå var dina gap är och vilka åtgärder som är mest prioriterade.
När du har satt din strategi och identifierat det mest prioriterade use caset kan du tryggt starta och jobba parallellt med att testa det första use caset, samtidigt som du bygger tekniska och organisatoriska förmågor samt jobbar med förändringsarbete och kultur.
Vi hjälper dig med alla delar
Jag och mina kollegor på Forefront har stor erfarenhet av att vara en stabil partner i företags digitala förändringsresor, från nulägesanalys, skapandet av konkret datastrategi till implementation av plattform och use cases som snabbt ger värde. Vi är nyfikna på din datastrategi – hör av dig och berätta mer!
*Google Cloud Customer Intelligence Trend Research Survey 2024
