March 31, 2020No Comments

The value of fact-based decisions in times of crisis

"I've been in this business for 20 years and I've never seen anything like this before. Our revenue has decreased with over 90% and it's uncertain when and if it will go back to normal again. What should we do?"

 

We received a call last week from one of our clients, in which they expressed their concerns about the current market situation. As we are all being affected by the spread of covid-19 in many ways, it is easy to relate to the unfortunate and distressing situation that many businesses are facing today.

Six months ago, climate change and extreme poverty were two of the major global threats on the world agenda, however the world is currently facing another enemy, which is the global pandemic caused by the fast spreading coronavirus called Covid-19. Not only does this pandemic pose a threat to many people’s health and lives – it has also turned out to have big ramifications on the global economy, on politics, societal functions and the livelihood of countless people, resulting in mass unemployment.

Companies and business leaders are currently faced with a great level of uncertainty and are forced into quick decision making in order to survive, why access to relevant and accurate information is necessary. The stakes are high, and decisions made today may impact many employees, customers, owners, suppliers and business partners for months or even years to come. How we deal with information is therefore crucial for making well guided decisions.

 

How can we ensure that information is being processed correctly in order to maintain a balanced perspective, when we are overwhelmed with information from different sources, often influenced by a high level of fear and urgency?  

 

When analysing information it's important to be aware of potential biases and data gaps. The book Factfulness: Ten Reasons We're Wrong About the World - and Why Things Are Better Than You Think, written by Hans Rosling together with Ola Rosling and Anna Rosling Rönnlund in 2018, describes the pitfalls of interpreting information and the principles presented in the book are relevant for supporting fact-based decision-making.

For instance, there are three key things that are emphasized in the book to help us maintain an accurate view of the world:

  1. Realize that we don’t see the world as it is.
  2. Recognise what types of stories trigger our dramatic instincts.
  3. Use simple rules of thumb to resist over-dramatic stories.

One of the core messages in Factfulness is that it's easy to misinterpret information about the world, leading to an overdramatic worldview. The reason for this is not necessarily because the information we receive is wrong, but rather because it's taken out of context or only one side of the story is being presented. It is true that the situation we are currently facing is serious, but it is in uncertain and frightening times that it is even easier to make hasty and drastic decisions based on misinterpreted information.

Given our experiences from working with data-driven organisations and decision-making, it's very clear that our instinctive behaviours as humans and the way our minds function sometimes get in the way of drawing accurate conclusions based on data. Even organisations that have processes and tools in place for utilizing data effectively, experience challenges in interpreting data and turning it into fruitful actions.

If we revisit our client, who experienced a dramatical stagnation of revenue due to the current Covid-19 crisis: how could they implement a fact-based approach when deciding what actions to take? Here are some thoughts and suggestions:

1. Look at your options

No matter how grim the situation, there are always options. What are your options, and what are the implications? Developing and analysing different scenarios, not forgetting to take several perspectives and consequences into account is a good starting point. It is easy to make the mistake of only considering a problematic situation from a certain perspective and therefore disregarding potential consequences in other areas.

2. Check your information

What information do you have right now and what information do you need in order to make an informed decision? How can you bridge the gap? How reliable is the data you have and where does it come from? Does your organisation have access to data and analytics tools that can provide a new perspective? If you do not have it in-house, can you get the support or analysis externally?

3. Insights

Are you generating valuable insights to lay the foundation for better decisions? How do you connect the dots? What context are you putting the information in? It's important to keep in mind that the situations we're facing today are extreme and not necessarily the new normal. That doesn’t mean inaction is the way to go, but it is also crucial to maintain the long-term perspective of what to do when the circumstances stabilize again. Advanced analytics can support in providing actionable insights.

4. Action

Information should lead to action, otherwise you’re doing something wrong. If your insights are not actionable, the analysis may not be right. Sometimes more information can leave you feeling confused, but that is when data analytics and methods to interpret and present information can be useful.

5. Rear-view mirror

What do you see when looking in the rear-view mirror? Was the decision you took right? Have your received new information which should lead you to change the decision you made? If so, do that. When working in a data-driven way, the key is to continue to evaluate and measure success. What effects did the actions you took have on your business and performance? Feeding these insights into the loop are crucial for future decision-making and to improve the process.

At Cartina we help clients improve their decision-making processes. We do this by means of advanced analytics and digital transformation (e.g. with BI, AI, agile ways of working), information management, as well as understanding changes in customer drivers and behaviours to plan for future scenarios.

Do you want to discuss your plan to counter this crisis?

We’re here for you!

__________________________________________________________________________________________________

You can find more information about Factfulness and the 10 Rules of Thumb to keep your dramatic instincts in check here: Gapminder.org

June 5, 2019Comments are off for this post.

Den digitala tillväxtmodellen – Cartina online growth model

 

I detta blogginlägg går vi igenom denna nya modell/ramverk för digitalt driven tillväxt som jag nu hoppas kunna förfina ytterligare med hjälp av dig och andra experter!

 

Att det står just DIGITAL tillväxt är för att metoderna främst fokuserar på vad man kan göra digitalt för att möjliggöra tillväxt. Många idéer kommer från hur man optimalt kan jobba med detta för SaaS bolag och mycket inspiration kommer från startups. Mycket går att applicera för många andra branscher och affärsmodeller men den kommer inte passa för precis alla bolag. T.ex. för bolag som säljer stora komplexa affärer så kommer säljare ha en större andel av det som för andra bolag går att automatisera/digitalisera.

 

Låt oss gå igenom de olika delarna i modellen och vad som menas med respektive:

 

ANALYSERA:

  • För att kunna arbeta effektivt med sin tillväxt så behöver man först få bra koll på sina viktigaste målgrupper genom att skapa empathy maps, personas och göra kundresekartläggning (customer journey maps).
  • Ytterligare jobb i detta steg är att göra sökordsanalys samt konkurrensanalys för att veta vilket innehåll som organisationen har störst chans att nå ut till målgrupperna med.
  • Syftet är inte endast för att stötta innehåll och kommunikation utan även för att veta vad som ska förädlas i produkten/tjänsten
  • Observera att detta inte endast är ett initialt jobb, alla insatser som görs ska mätas, analyseras och sen agera på det. Använd helst en process för "rapid experimentation"
  • För mer storskalig tillväxt blir det alltmer viktigt att följa upp på mätetalen i de olika stegen för att se vart man behöver lägga nästkommande growth experiment på.

 

ATTRAHERA:

  • För att växa behöver man först få nya potentiella kunder att uppmärksamma din organisation och komma till din hemsida eller någon annan stans där du har en möjlighet att börja bearbeta dem så de går framåt i sin köpresa.
  • Detta steg handlar om att skapa innehåll som passar för att fånga intresse i ett första läge
  • Det handlar även om att hitta sätt att nå ut med innehållet till sina målgrupper utanför sin egen hemsida, ed. och få dem till att vilja veta mer.
  • Det kan också innebära att "hacka" andras befintliga nätverk (som t.ex. AirBnB med Craigslist)

 

BEARBETA:

  • Starten på denna fas är att försöka få tillräcklig information om din potentiella kund så att du kan fortsätta bearbeta den personen.
  • Anpassa det innehåll eller den landningssida personen först besöker för att få personen att fortsätta läsa eller lämna ifrån sig information så att vi kan fortsätta bearbeta även efter att personen lämnat sidan.
  • Målet med denna fas är att med anpassat innehåll göra personen mottaglig för den slutliga bearbetningen som leder till ett köpbeslut.

 

KONVERTERA:

  • Konvertering kan ske i alla möjliga steg i en kundresa (s.k. mikrokonvertering), men här menas att konvertera till en betalande kund.
  • I den digitala tillväxtmodellen går detta steg att automatisera utan faktisk inblandning av säljare genom t.ex. begränsade erbjudanden, visa på produktens/tjänstens fördelar,  erbjuda olika betalningsalternativ, instegserbjudande, mm
  • Men för vissa produkter och tjänster så kan det här krävas stöttning av en säljare för att få kunden att fatta det där sista beslutet.

 

GLÄDJA:

  • När kunden väl gjort sitt första köp är fokus på att göra kunden nöjd med sitt köp.
  • Här innefattas onboarding för att se till att kunden faktiskt börjar använda det hen köpt genom att så snabbt som möjligt få personen till det magiska Aha moment.
  • Se till att kundens upplevelse blir så pass bra att hen vill bli återkommande kund samt förhoppningsvis även villig att tipsa sitt nätverk om att också bli kunder

 

FÖRÄDLA:

  • Oavsett vilka marknadsföringsaktiviteter man gör så hjälper inte det om organisationen inte har produkter/tjänster som resonerar med målgruppen.
  • Detta steg handlar om att utveckla/ändra sina produkter/tjänster på ett agilt sätt baserat på lärdomar från kundens hela resa. I många fall kan en produkt/tjänst anpassas för att stötta tillväxten. Det kan även leda till framtagande av helt nya produkter/tjänster.
  • I vissa fall kan även affärsmodellen behöva ändras för att optimera tillväxten

Digital tillväxtmodell - Cartina online growth model

 

 

Nyckelfrågor som driver tillväxt

Denna modell hjälper oss att hitta de nyckelfrågor som driver tillväxt:

  1. Hur kan vi lära oss mer om våra framtida kunder? (ANALYSERA)
  2. Hur kan vi attrahera flera av dem? (ATTRAHERA)
  3. Hur kan vi få fler att bli mer intresserade? (BEARBETA)
  4. Hur kan vi få fler att köpa? (KONVERTERA)
  5. Hur kan vi få fler att bli återkommande kunder? (GLÄDJA)
  6. Hur kan vi få fler att köpa mer? (GLÄDJA)
  7. Hur kan vi få fler att rekommendera vidare? (GLÄDJA)
  8. Hur kan vi förbättra våra produkter/tjänster efter vad som faktiskt leder till mer tillväxt? (FÖRÄDLA)

Bakgrund och resonemang kring varför inte befintliga modeller/trattar funkade:

Det började med att jag skulle försöka skapa mig en bild av hur allt inom digital marknadsföring hänger ihop och försöka väva in growth hacking i detta. Ganska snart stod det klart att jag behöver en grundläggande modell som jag kan knyta an alla begrepp och taktiker till.

 

En första tanke var att använda en klassisk tratt ungefär som AIDA fast med den modifieringen som Kntnt också använder (AIDCAS). Dock upplevde jag att det blev lite ojämnt med vad man kan göra på respektive steg, speciellt Interest, Desire och Confidence upplevde jag kunde sammanfattas i nån bearbetningsfas för att få den potentiella kunden redo för köpsteget.

 

En annan idé som jag började använda var den som är mest använd inom Growth hacking och för startups; Product Marketing for Pirates: AARRR (Aquisition, Activation, Retention, Referral, Revenue).

AARRR

Även om den inte ursprungligen ritades upp som en tratt så finns det nu massor av bilder där begreppen har lagts in i en tratt. Den kändes bra för att det var olika saker man behöver göra för respektive steg och det var hyfsat jämnt fördelat. Dock så upplever jag att den inte riktigt hänger ihop i ett tydligt flöde annat än för klassiska startups som har en SaaS (Software as a Service) modell.

 

Många lyfter gärna upp kundens köpresa som en cirkulär process, t.ex. McKinsey Consumer decision journey, eller Altimeter's Dynamic Customer Journey

Altimeter's dynamic customer journey

Men vad jag tycker alla missar är det förberedande jobb som behöver göras i att förstå ens målgrupper genom att göra Personas och därefter göra så kallade Customer journey maps. Sökordsanalys (keyword research) och konkurrentanalys är andra förberedande steg som behöver tas innan man aktivt kan börja jobba med att få in en kund i kundresan.

 

Den modell som tilltalat mig mest är den Inbound methodology som Hubspot använder. Den kan även illustreras som en sales funnel.

HubSpot - Inbound Methodology

I den modell jag tagit fram har jag i stort sett tagit vad som ingår i Hubspots modell men justerat vad som ingår i deras CONVERT steg till att inkludera mer än att bara fånga kontaktuppgifter. Jag har alltså tagit med delar av det som Hubspot har i sitt CLOSE steg som handlar om Lead nurturing och lagt det i steget i BEARBETA. I det steg som jag kallar KONVERTERA så har jag lagt fokus på det som behöver göras för att ta ett qualified lead till att bli betalande kund.

 

Egentligen är jag inte helt nöjd med att kalla steget KONVERTERA eftersom en konvertering kan ju ske i alla möjliga sammanhang (s.k. mikrokonvertering) och Conversionista som är experter på området beskriver det så här:

Konvertering handlar om att få dina besökare att göra det du vill att de ska göra på din sajt, landningssida eller app.

Jag tycker begreppet kan användas något bredare och även inkludera den konvertering som sker utanför din sida, t.ex. att få en okänd person att klicka på en extern länk som leder till din sida. Här är några andra exempel:

  • att få besökaren att ta valfri action efter att ha besökt din sida (kan vara att dela på sociala nätverk, skriva upp sin email, klicka vidare till nästa sida, mm)
  • att få besökaren att signa upp för en "trial"
  • att få kunden att tipsa om din produkt/tjänst

Nåväl, har ni något lämpligt svenskt ord som beskriver vad man gör för att få en person att bli betalande kund så säg till!

 

Men även om jag har med hela tratten som Hubspot beskrivit och lägger till de förberedande stegen som att ta fram personas, göra Customer journey mapping, sökordsanalys och konkurrentanalys, så var det fortfarande något som saknades för att få en mer heltäckande modell som företag kan använda för att växa kundbasen. Det spelar ju egentligen ingen roll hur väl du gör förberedelser och optimerar alla steg i tratten om du inte har produkter/tjänster som resonerar med dina målgrupper.

 

Visst man kan uppnå bra resultat med bra marknadsföring, sälj och kundservice trots en halvbra produkt/tjänst. Men för att verkligen få fart på tillväxten måste man se till att förädla sina produkter/tjänster för att bättre kunna optimera respektive steg i tratten. I vissa fall kan det även vara motiverat att ändra på affärsmodellen om det skulle leda till bättre tillväxt. Eller bygga helt nya produkter/tjänster som har större potential.

 

De aspekter som ett agilt growth team är intresserade av på en daglig operationell basis täcks på ett mycket bra sätt av The Lean Growth Canvas. Så här beskriver Erik det:

It is meant to be used as you would use a scrum board or a Business Model Canvas: up on the wall where everyone in the team can see it and with post-it notes or whiteboard pens for making quick edits and changes.

Men modellen jag ville få fram behövde vara tydligare på en övergripande nivå och tillåta att man kan detaljera varje steg med en mängd best practise.

 

Disclaimers

  • Det ska nämnas att även om detta är en modell som kan tydas som att en person rör sig linjärt genom tratten, så är det inte menat så. En person kan gå in, ur och sen tillbaka i flera av stegen. Personen kan även göra detta i flera olika kanaler.
  • Man kan även gå igenom en miniversion av tratten, t.ex. i kundresan för att ladda ner en pdf så kan man ju anse att man bearbetar besökaren att vilja konvertera och lämna sin emailadress som pris för att få ladda ner en infospäckad pdf. Därefter vill man med innehållet i PDF'en glädja kunden så mycket att hen väljer att dela länken till flera. Ännu tydligare exempel är kanske om företaget erbjuder den potentiella kunden att prova tjänsten gratis i en period, då kommer ju hela tratten gå att applicera på det fallet även om en person som använder en gratis provversion borde räknas in i BEARBETA eller KONVERTERA-steget och inte i GLÄDJA.
  • Även om det finns ett steg som heter ANALYSERA och ett som heter FÖRÄDLA som ligger innan tratten så är tanken att man kontinuerligt och i alla steg av tratten ska ha ett agilt arbetssätt där man kontinuerligt brainstormar, prioriterar, testar, analyserar, implementerar.
  • Denna modell tar upp de flesta saker som kan påverkas för att öka ett företags tillväxt av kunder för befintliga produkter/tjänster. Modellen kan även användas för att utvärdera och testa om nya produkter/tjänster har tillväxtpotential.
  • Det finns några ytterligare saker ett företag kan göra för att förbättra sin tillväxt men som inte tas upp i denna modell. Detta är t.ex. uppköp och samarbeten eller att nå ut till helt nya kundgrupper genom att ta fram nya/anpassade produkter/tjänster.
  • Se även fler källor för tillväxt i kapitlet nedan som listar de 19 traction channels från boken Traction av Gabriel Weinberg och Justin Mares

Traction channels

  1. Genom bloggar/influencers
  2. Publicitet/PR
  3. Okonventionell PR (ingår ej)
  4. Sökmotormarknadsföring
  5. Onlineannonsering
  6. Offlineannonsering (ingår ej)
  7. Sökmotoroptimering
  8. Innehållsmarknadsföring (läs mer i denna guide kring content marketing)
  9. Emailmarknadsföring
  10. Viral marknadsföring
  11. Utveckla gratisverktyg
  12. Affärssamarbeten (ingår delvis)
  13. Sälj (ingår delvis)
  14. Affiliatemarknadsföring
  15. Existerande plattformar
  16. Mässor (ingår ej)
  17. Offline events (ingår ej)
  18. Talaruppdrag (ingår ej)
  19. Bygga communities

 

Detta är det första inlägget i en serie som kommer gå igenom alla olika aspekter av denna modell; termer och begrepp, digitala verktyg, KPI'er för respektive steg, hur modellen passar in på olika typer av företag, mer detaljerade inlägg för respektive steg i tratten. Det kommer separata blogginlägg med detaljerad genomgång av begrepp såsom SEO, Content marketing, Conversion Rate Optimization, Email marketing, Keyword research, Personas, Customer journey mapping, mm.

 

Är du intresserad av att veta mer om vad man kan göra i respektive del samt hur man gör det och hur man mäter och följer upp eller vilka smarta digitala verktyg som kan underlätta så hör av dig så berättar vi mer! Vi har tagit fram en Growth assessment som du kan få göra tillsammans med oss och som ger dig bra insikter i vad du gör rätt och var det finns brister samt ger dig en lista med konkreta rekommendationer. Intresserad?
Skicka epost

 

December 11, 2018No Comments

Getting started with advanced analytics by finding the right use case

Analytics is basically using data for different applications. Applications are often called use cases: the most difficult part with getting started with analytics, from a strategic perspective, is to identify relevant use cases that relate to a specific business need or to a future business opportunity.

In the analytical world, a use case is a demarcated area where data can be used to rebuild an analysis model, i.e. populated with new data as it is collected, for example, by sensors, from customer data, etc. As new data is collected, the model is continuously refined. If the refinement is done automatically, it is called machine learning.

Examples of use cases for different companies

Company A - Personalized online shopping

The company wants to create a personalized online shopping experience to increase conversion. A use case for analytics can then be:

How can we predict what every customer visiting the website is most likely to be interested in?

Company B - Optimize customer service staffing

The company wants to optimize customer service staffing to save costs and increase customer satisfaction. A use case for analytics can then be:

How can we predict how much calls come into the customer service due to different external factors?

Company C - Optimize inventory

The company wants to optimize its inventory to save costs and reduce the loss of sales opportunities. A use case for analytics can then be:

How can we predict how much demand there will be for our different products at a given time?

Company D - Reduce maintenance costs

The company wants to reduce its maintenance costs by getting early warnings of potential equipment failure. A use case for analytics can then be:

How can we predict which components are likely to develop a fault based on known behavior patterns shown before breaking apart?

 

Real-time data allows for real-time insights

Previously, historical data has been used to produce forecasts that form the basis for traditional planning. Now it is possible to work with real-time data that runs against different predictive models, which in turn can be linked to a dashboard or against different triggers.

This increases the accuracy of the models drastically. A trigger may be that if a signal exceeds a certain value, an alert should be sent to a technician who can act directly, instead of making maintenance rounds at fixed time intervals.

Another trigger may be to highlight a particular offer to a specific customer, based on his/her earlier searches on a website instead of giving all customers the same generic information.

A third trigger may be information sent to a staff manager about how many employee hours are needed for the next period of customer service, based on real-time demand instead of following regular forecasts based on historical data.

 

Normally, there are two distinct phases in analytics:

1) Prototype phase (or proof-of-concept)

The goal of this phase is to create predictive model(s) based on historical data to validate if it is possible to solve the identified problem(s)

There is almost no barrier to starting the prototype phase. However, there are some common obstacles that limit the ability of a company to go to a production phase, such as lack of sufficiently high-resolution data or lack of an easy way to retrieve and restore data between data warehouse and analytics tools.

 

2) Production phase

This phase is when the predictive model is put into a production environment, which usually involves activating triggers, but may also consist of continuously presenting insights into a dashboard.

But before taking the step towards production, one needs to have overcome the prototype phase and truly achieved a good “buy-in” from the rest of the organization.

In many companies we work with management teams who want to see a business case at this stage before they are willing to make a bigger investment.

The prototypes luckily provide a good indication of the business potential of a full-scale implementation and any system changes that will be required to reach it.

 

Do you want to get better and faster insights by finding the right use case for your business or need help to drive through the initial prototype phase? If so, please contact us by clicking the button

Send email to Johan Wrang

You probably know someone who also should read this? Don't forget to share!
[Sassy_Social_Share]

October 1, 2018No Comments

Data Prototyping – Ett bra sätt att börja skapa värde av din data!

Under en längre tid har det pratats om att data är den nya oljan, men vad innebär det egentligen?

Vi träffar på många klienter och bolag som känner att de inte riktigt vet hur de ska jobba med data för att skapa affärsvärde samt vad detta innebär för deras organisation och arbetssätt.

Som svar på detta har vi utvecklat ett arbetssätt som vi kallar Data Prototyping där vi hjälper företag att snabbt och effektivt skapa värde av sin data.

 

Tycker du att ni inte får ut värdet av er data? Låt oss presentera Data Prototyping!

I en digital organisation kan man skapa enorma mängder data. För många är detta positivt då det öppnar upp möjligheter att förstå och analysera sin verksamhet på sätt man inte tidigare kunnat. För andra kan det bli tidsförödande och förvirrande då man inte vet i vilken ände man ska börja eller hur man ska ta sig an problem.

Att kunna utgöra vad som skiljer de två scenariona åt och vad man bör göra för att hamna i det första läget är inte självklart, men att kunna säkerställa det är något man behöver för att vara konkurrenskraftig.

Att ta välinformerade och faktabaserade beslut är den uppenbara fördelen med att arbeta datadrivet.

Det finns såklart många fler fördelar som exempelvis

  • kostnadsbesparingar
  • ny produkt- och tjänstinnovation
  • snabbare, mer enhetliga beslut

 

Vad innebär det att vara datadriven och varför är det viktigt?

”As business leaders we need to understand that lack of data is not the issue. Most businesses have more than enough data to use constructively; we just don’t know how to use it. The reality is that most businesses are already data rich, but insight poor.“

 – Bernard Marr. Författare av bla. ”Big Data in practice” samt KPI & Big Data guru

Att vara datadriven är för oss att man använder data för att förstå sådant som vi som människor inte klarar på egen hand - en datamodell kan betydligt snabbare och mer precist processa stora mängder information.

För oss handlar dock det datadrivna inte enbart att hantera stora mängder information utan även att se till att man jobbar med "liten" data där den skapar värde.  Att arbeta på ett datadrivet sätt ser vi som ett måste för alla moderna företag och som kan vara helt avgörande på en snabbföränderlig marknad.

Det finns ingen formulering eller aktivitet som definierar ett företag som datadrivet eller inte datadrivet och i mångt och mycket är det värdet som skapas som är målet. En datadriven process utgörs av (åtminstone) fem beståndsdelar:

  1. Vilken värdeökning vill man ha
  2. Samla relevant data
  3. Modellera (vad, hur mycket och var)
  4. Analys (får fram insikter kring varför man ser det man ser)
  5. Konkreta handlingar och prioritering

Data prototyping loop

En välutformad loop inleds med att definiera vilken typ av fråga man vill ha svar på och utifrån detta samla relevant data. Detta leder till att modelleringen (där man besvarar frågor som vad, hur mycket och var) och analysen (där man drar insikter kring varför man ser det man ser) får ett tydligare syfte. Detta kan sedermera leda till mer konkreta handlingar och prioriteringar av dessa som genererar en värdeökning för företaget.

Baserat på denna kan man sedan gå tillbaka och omformulera frågan man vill besvara och vilken data som behövs för detta. En datadriven organisation innebär inte att det är ett fåtal personer som gör superavancerad analys utan en organisation där alla förstår värdet av data och kontinuerligt vill skapa förbättring med hjälp av den. I en sådan organisation används de fem stegen av samtliga i organisationen och i allt från små individuella frågeställningar till organisationsvida beslutstaganden. Ett kriterium för att bli datadriven är att inbygga tillit och acceptans kring värdet av att arbeta på ett datadrivet sätt.

 

Detta är så stort och komplext, hur blir vi datadrivna?

Detta är oftare lättare sagt än gjort och många organisationer som vi pratar med vet inte hur de ska börja och har svårigheter att skapa värde ur den data man har.

  • Ska man göra ett big-bang projekt där man implementerar nya arbetsprocesser, organisationsdelar och system?
  • Eller ska man börja i ett hörn och successivt arbeta sig utåt?
  • Ska man ta fram en strategi, ska man börja implementera analysverktyg, ska man fokusera på datainsamling och datalagring osv?

Självklart måste man förstå att bli datadriven inte är något enkelt eller något som sker över natten. I slutändan är det hur väl data används och skapar värde som definierar ett datadrivet företag.

Vi tror stenhårt på att för att bli framgångsrik i sin data-användning så måste man jobba iterativt och testa sig fram. Vi är också övertygade om att en bra väg för att börja resan med att bli mer datadriven är genom Data Prototyping.

 

Vad är en Data Prototype?

För oss är Data Prototyping ett snabbt sätt att påvisa värdet av data genom att man bygger en avgränsad prototyp som använder data och analyslösningar för att lösa ett specifikt affärsproblem.

Tanken är inte att det ska vara den perfekta lösningen direkt utan ett redskap för att få en djupare förståelse för vad man kan och behöver göra inom området.

Med en Data Prototype kan man testa om det är möjligt att genomföra en föreslagen lösning, vilket antingen skulle kunna leda till storskalig implementation, en småskalig ”beta”-tjänst eller som input i en strategi kring hur man ska jobba med data. 

En Data Prototype bygger i grunden på intern och/eller extern data som på olika sätt samlas in, bearbetas och levereras så att det i slutändan kan leda till någon form av handling och värdeökning för företaget. Exempel på Data Prototype är churn prediction, dashboard eller insikter kring kundbeteenden.

Dessa kan anpassas och se ut på många sätt och kan ta användning av en rad olika mjukvaror, beroende på hur frågeställningen lyder och vilka övriga specifikationskrav som finns. Genomgående i arbetet med en prototype är affärsförståelsen grundläggande, varför det är ett hypotesdrivet arbetssätt.

 

Varför bör man bygga en Data Prototype?

Med en förståelse av vad en Data Prototype kan vara, är det viktigt att lyfta fram de fördelar och nyttor som processen för med sig:

  • Att ta fram prototyper är ett sätt att snabbt bli konkret om idéer och behov och utvärdera dess potentiella värde
  • Det är ett sätt att lära sig att arbeta med data och analys på ett mer smidigt sätt med en flexibel men konkret metodik
  • Det är ett pedagogiskt och överskådligt sätt att testa / bevisa en hypotes och visa potentiella effekter för hela organisationen
  • Man kan lätt ta det ut till organisationen för att förstå hur mottagliga dem är för denna typ av beslutsunderlag och analyser och om detta inte är fallet, kan man förbereda organisationen innan storskalig investering görs

Genom möjligheten att snabbt kunna testa och validera idéer och initiativ kan företag ha ett snabbare, precisare och mer iterativt arbetssätt. Om man kan kvantitativt testa sina hypoteser på en grundläggande nivå i ett tidigt stadie undviker man stora, tidskrävande och riskfyllda projekt och kan istället omvärdera sina initiativ.

Denna mer iterativa och kortsiktiga strategi gör att man kan prioritera rätt initiativ, bygga mer relevant kompetens och hela tiden arbeta närmare sina kunder. Det gör också att en data prototype passar alla typer av bolag.

 

Hur bygger man en Data Prototype?

I arbetet att ta fram en Data Prototype tycker vi att man ska jobba efter tre huvudsakliga steg som byggts för att på bästa sätt möjliggöra för de fördelar nämnda ovan, att slå igenom.

  • Börja från slutet
    • Inled med att skapa en bild av vilket eller vilka affärsproblem du försöker lösa
    • Definiera vem som är målanvändaren och vem som kommer att få resultatet och anpassa arbetet framåt efter detta
    • Försök att visualisera och konkretisera vad slutprodukten är och hur ser det ut – något så enkelt som att rita upp på ett tomt papper är superbra!
  • Rita upp och bryt ner
    • Skapa en övergripande arkitektur för din Data Prototype – både hur du ska hantera information och teknik (nu låter det väldigt svårt och komplext, men håll det enkelt och rita upp de övergripande system och informationsmängderna du behöver)
    • Bryt ner det i dess beståndsdelar och förstå vad du behöver
    • Man kommer förmodligen behöva repetera vilka datapunkter man behöver, så bara börja! och försök inte göra det perfekt direkt
    • Gå ut i organisationen och försök få tag på data – det tar alltid lång tid
  • Bygg och visa, bygg och visa, bygg och visa
    • Gör första v0.1 så fort du får tag på vissa data, gör det ibland innan du får data!
    • Förstå data och datakvalitet och anpassa modellen utefter detta
    • Rengör data manuellt (men notera ner det). Om du försöker automatisera allt tar det väldigt lång tid att nå resultat
    • Visa ditt jobb snabbt för att få feedback från mottagaren eller någon annan tidigt

Detta är det övergripande arbetssättet vi tycker man ska ha när man bygger en Data Prototype, vi kommer i ett senare blogg-inlägg vara lite mer konkreta kring verktyg och teknik som man kan använda när man bygger en Data Protoype.

Vår uppmaning är dock att det viktiga är att man börjar skapa en förståelse för vad man vill åstadkomma så blir teknikvalen mycket lättare.  Tänk att det i detta skede inte behöver vara perfekt, så jobba i verktyg som är lättarbetade. 

 

Nästa steg med en Data Prototype

Genom möjligheten att snabbt kunna testa och validera idéer och initiativ kan företag ha ett snabbare, precisare och mer iterativt arbetssätt. Om man kvantitativt kan testa sina hypoteser på en grundläggande nivå i ett tidigt stadie undviker man stora, tidskrävande och riskfyllda projekt och kan istället omvärdera sina initiativ.

Denna mer iterativa och kortsiktiga strategi gör att man kan prioritera rätt initiativ, bygga mer relevant kompetens och hela tiden arbeta närmare sina kunder. Det gör också att en Data Prototype passar alla typer av bolag.

Hur en Data Prototype används eller tas vidare i organisationen är ett beslut som kan tas först när man har testat och varierar mellan alla tänkbara situationer. Det som står säkert är att man kommer kunna ta ett mer välgrundat beslut med en Data Prototype att luta sig mot.

Lycka till med era datasatsningar!

 

Vill du veta mer om Data Prototyping så tveka inte att höra av dig. Ta kontakt genom att klicka på knappen nedan så kan vi inleda en förutsättningslös diskussion.

Skicka epost

Visst borde fler läsa detta? Dela och få folkets kärlek!
[Sassy_Social_Share]

July 6, 2018No Comments

Takeaways från Almedalsveckan 2018 – framtidens digitaliserade vård, “nudging” och AI

 

Kantar Sifo höll i seminariet Framtidens digitaliserade vård där vikten av att landsting och kommuner måste våga släppa in nya aktörer diskuterades som en lösning på problematiken kring ”last mile delivery” för nära vård i hemmet. För att möjliggöra framtidens digitaliserade vård behövs ökad tillgång till och användning av data från privatpersoners hem. Kan vi med hjälp av data bygga upp nya smarta hem som löser både problemen med logistik och distribution av vård i hemmet?

 

Prisbelönade A Win-Win World pratade om vikten av nudging under Hållbar Utveckling Sveriges seminarium om Agenda 2030. Nudging är ett begrepp med grund i beteendevetenskapen, politisk teori och ekonomi och som föreslår positiv förstärkning som indirekt påverkar människor i en riktning de annars inte skulle ha tagit för att ändra på beteenden och vanor. 95% av alla mänskliga beslut fattas utifrån intuition och instinkt samtidigt som större delen av samhället är designat utifrån tesen att människan är 100% rationell. Nudging genom digitala lösningar gör det möjligt att trigga beteendeförändringar mot mer hållbar konsumtion. På det sättet skulle vi kunna designa ett samhälle på ett sätt som gör det enkelt för den irrationella människan att fatta hållbara beslut – både omedvetet och medvetet.

 

”Skippa krypandet och börja gå direkt istället!”

Det var AI-rådgivaren Göran Lindsjös råd till svenska företag gällande tillämpning av artificiell intelligens under Vinnovas seminarium. Sverige behöver accelerera sitt AI-lärande och bli en ledande nation inom området för att attrahera den kompetens som idag saknas. Det finns stor potential för AI inom offentlig sektor där poliser- och vårdpersonalens arbete uppskattas bestå av hela 40% administrativt arbete. En outnyttjad potential enligt Sveriges CDO Åsa Zetterberg som även betonade vikten av ”de goda exemplens makt”. Vi som liten nation i norr har goda förutsättningar att faktiskt hålla i taktpinnen och visa på exempel kring tillämpning av AI och sikta mot ett, som Göran Lindsjö uttryckte det: Swedish Moonshot.

 

”Politics can certainly stop things, but tech beats politics right now.”

Det var vad Moderaternas partiledare Ulf Kristersson konstaterade under en av Googles sessioner – ”A Vision for our Digital Future”. Utöver Ulf Kristersson bestod panelen av Sverigechefen för Google Anna Wikland och Matt Brittin, Googles chef för Europa och Mellanöstern. Debatten kretsade kring hot och möjligheter med digitaliseringen och automatiseringen av arbetsmarknaden och ekonomin.

Med hjälp av ny teknik kommer vi kunna lösa många av de stora utmaningarna vi har i världen, men vi står inför ett vägval. Beroende på val av riktning och vidtagna åtgärder och aktiviteter – både som enskilda individer, företag och samhälle – kommer den tekniska utvecklingen ha olika stor påverkan på vår framtid. Den största utmaningen enligt Ulf Kristersson är nyfikenheten på framtiden och välkomnandet av ny teknik. Vi tror att vi är bättre än vad vi faktiskt är och i takt med att vi i väst nöjt lutar oss tillbaka blir vi omsprungna och snart varvade av länder i öst som vi aldrig trodde skulle bli våra utmanare.

 

Klarna och Norrskengrundaren Niklas Adelberth blev intervjuad av Breakit, där han pratade om vikten av purpose-drivet företagande. Han refererade till en Deloitte-rapport som påvisar att hela 84% av högpresterande nyexaminerade akademiker kan tänka sig att gå ner väsentligt i lön för att få arbeta med ett högre syfte. Niklas pratade även passionerat om effektiv altruism. Ett begrepp som syftar till att fokusera på de mest effektiva välgörande aktiviteterna för dig som privatperson eller för det företag du jobbar på.

 

Vår kära kollega och hållbarhetsexpert Helena Mueller deltog i en paneldebatt på temat digitalt och hållbart ledd av SPP och Storebrand.
Panelen bestod även av grundaren av FN Global Compact, George Kell och hållbarhetsanalytikern Philip Ripman. Frågeställningen handlade om hur AI och Big Data kan ersätta eller komplettera den traditionella hållbarhetsanalysen och var vi står idag. Man kunde fastslå att utvecklingen av dataanvändning går raskt framåt och ett ökat antal företag börjar inse vikten av att inkludera hållbarhetsparametrar för långsiktig avkastning. Trots det har vi en lång väg kvar och mer måste göras. Mer kunskap och starka värderingar krävs – både för ett etiskt användande av AI och ett kvalitetssäkrat data-set av hållbarhetsfaktorer.

 

 

Visst borde fler läsa detta? glöm inte att dela!
[Sassy_Social_Share]

CartinaLogo_small

Cartina has since 2013 helped both multinationals and startups translate digital opportunities into lasting and profitable business. We have since the start mainly worked with management services but are now expanding our offering with tech & design.

With a desire to develop oneself, clients and colleagues, our team of several senior digital experts take pride in delivering sustainable solutions that matters for our clients and society. 
Cartina is founded and owned by the investment firm Acacia Asset Management AB together with partners in the firm.


Contact

Cartina
Hamngatan 15, SE-111 47
Stockholm, Sweden
Tel: +46 (0)8 703 25 10
info@cartina.se