Big data medfører nye muligheder for at styrke konkurrenceevnen

En ofte brugt definition af BD er, at en person eller organisation arbejder med: ” Datasæt, som er så store og komplekse i omfang, at traditionelle databasesystemer ikke slår til, og at der i stedet for kræves særlig stor lagerkapacitet, specielle rapporteringsværktøjer samt særlige kompetencer for analyse og behandling af datasættene”. (Merriam-Webster, 2014). BD begrebet er opstået i forlængelse af, at forskeres, myndigheders, organisationers og virksomheders indsamling af information er eksploderet i mængde over de sidste årtier. Hilbert and Lopez (2011) fremhæver, hvordan verdens teknologiske kapacitet til at lagre information er fordoblet hver 40. måned siden 1980’erne, og at der hver dag skabes adskillige exabytes (2.5×1018) af data i verden. Væksten i datamængderne drives af, at der kommer flere informationskilder til, det være sig sensorteknologier, software og data logs, RFID, IT-systemregistreringer, mobile apparater, kameraer, videoer, mikrofoner, GPS-systemer, trådløse netværk, satellitter, internetsøgninger etc. Ifølge Gartner Group kan væksten i datamængderne karakteriseres ved 4 forskellige aspekter (betegnet som de 4 V’er): Den øgede datamængde (Volume), datahastighed eller frekvens (Velocity), variation i datakilder og datatyper (Variation) samt validitet og kvalitet (Veracity) for de (potentielt) indsamlede data. De 4 V’er tvinger virksomhederne til at overveje nye metoder, når de arbejder med data og beslutningsstøtte (Langley, 2001; Langley, 2012). Virksomhederne bør udvide deres brug af datakilder, og deres anvendelse af traditionelle databasesystemer, databehandlingsteknikker, rapporterings- og præsentationsværktøjer bør suppleres med nye og mere avancerede analyseteknikker og statistiske metoder for at hive mening ud af de store datasæt. Man kan således hurtigere (og forhåbentligt mere solidt) identificere årsager til problemer, eller man kan anvende operationsanalytiske metoder til at udvikle løsninger og simulere og optimere deres effekt på produkter, markeder, kunder, produktion og logistisk. En BD-tilgang skal således give virksomhederne yderligere tilgang til data, men også fungere som et redskab til at styre dataeksplosionen og nyttiggøre den i et forretningsmæssigt perspektiv (Mayer-Schönberger and Cukier, 2013). BD passer ind i ledelsesforskeren Thomas Davenport’s pointe om, at virksomheder via ”Analytics”, herunder proaktiv – frem for reaktiv – brug af data, kan udnytte deres ressourcer bedre og levere produkter med mere værdi for kunderne, og således forbedre deres konkurrenceevne markant i forhold til konkurrenterne. Både kommercielle, operationelle og finansielle beslutninger kan forbedres markant ved anvendelse af relevante og valide data, samt metoder for analyse, simulering, forudsigelse og optimering (Davenport and Harris, 2007).
BD og Analytics har uden tvivl fremtiden for sig, men det er også relevant at forholde sig kritisk til de muligheder, som den teknologiske udvikling bringer med sig. Hvor befinder virksomhederne og beslutningstagerne sig i forhold til de teknologiske muligheder, der opstår, og er de i alle situationer i stand til at udnytte dem forsvarligt? Hvordan kan BD reelt få dem til at træffe bedre individuelle og organisatoriske beslutninger?

Individers og organisationers beslutningsprocesser er komplekse og irrationelle

Det giver ofte mening at anskue en virksomhed ud fra et procesperspektiv, hvor virksomheden antages at bestå af en række forskellige typer af processer. Der er de fysiske processer, som transformerer eller bearbejder materielle ressourcer til produkter, der skaber værdi for kunder og interessenter, administrative processer eller rutiner, som behandler information på standardiseret vis og endelig beslutningsprocesserne, som vi skal fokusere på her. Hvor BD begrebet er ca. et årti gammelt, har økonomer, organisationsforskere og psykologer gennem mindst et halvt århundrede studerets mennesker og organisationers økonomiske adfærd. Uanset fremkomsten af moderne teknologi er der ikke meget evidens for, at menneskers og organisationers beslutningstagen og handlinger har ændret sig over de sidste årtier eller århundreder (Enderud, 1976; March, 1999). Der eksisterer i dag forskellige teoretiske modeller, som kan beskrive og analysere beslutningsprocesser. Modeller på individniveau kan ikke stå alene, da mennesker fungerer i en social eller organisatorisk kontekst med betydning for deres tænkning og handlinger. De første beslutningsmodeller beskrev beslutningsprocesser efter lineære og rationelle modeller, hvor en beslutningstager definerer et problem, formulerer sine vurderingskriterier, identificerer eller udvikler mulige løsninger på problemet, og sammenligner – samt vurderer – løsningerne i forhold til sine beslutningskriterier, før den valgte løsning endeligt eksekveres (Enderud, 1976; March, 1994). Den rationelle model blev hurtigt afløst af modeller med begrænset rationalitet, som pointerede, at mennesker og grupper ikke har ubegrænset information eller kognitiv kapacitet og tid til at identificere og undersøge alle handlemuligheder, hvorfor de reelt forsøger at udvikle tilfredsstillende, frem for perfekte, løsninger på problemer (Enderud, 1976; March, 1994). Disse modeller er siden blevet udfordret af alternativer. Især modeller, som forklarer individer eller organisationers beslutninger og handlen med perceptions- eller kognitionspsykologiske, kulturelle og politiske aspekter. Modellerne forklarer, hvordan mennesker sorterer i tilgængelig information og udvælger løsninger ud fra den viden, de allerede har om de problemer, som skal analyseres og løses. Modellerne pointerer også, at menneskers identitet, værdier og holdninger har afgørende indflydelse på de valg, som endeligt foretages. Beslutningsprocesser er således langt fra objektive og rationelle, men nærmere subjektive, kulturelle og især politiske, da beslutninger i organisationer, oftest træffes i en proces, hvor flere aktører med forskellige magtbaser og magtstrategier skal forhandle udfaldet. Endelig findes der den mere end 40 år gamle berømte skraldespandsmodel, der udfordrer den oprindelige, lineære og velordnede beslutningsmodel, ved at beskrive organisatoriske beslutninger som begivenheder, der bringer orden i kaos, når uafhængige strømme af problemer, løsninger, deltagere og handlemuligheder krydser hinanden (Enderud, 1976; March, 1994). Sammenfattende kan det siges, at skal en virksomhed sætte ind for at forbedre sine beslutningsprocesser, og gøre dem mere intelligente (March, 1999), må man arbejde med flere komplementære perspektiver. En vej frem er at tilføje flere datakilder og mere information, samt anvende teknisk-rationelle metoder for databehandling og dataanalyse således, som det også er visionen med BD. Men det er tilsvarende vigtigt at arbejde med at udfordre og udvikle individers mentale skemaer, kompetencer, værdier og holdninger, og det er samtidig lige så vigtigt at skubbe virksomhedskulturen og den politiske adfærd samt beslutningsrutinerne i organisationen i nye retninger.

Der er fokus på udvikling af beslutningsintelligens i transport- og serviceindustrien

At der er brug for at arbejde med en mere helhedsorienteret og nuanceret tilgang til BD, vil vi i det følgende illustrere med eksempler fra transport- & serviceindustrien, hvor mange virksomheder, dvs. flyselskaber (passagerer eller luftfragt), færger og hoteller, gennem årtier har arbejdet med at udvikle en mere intelligent adfærd for beslutninger omhandlede prisfastsættelse og disponering af kapacitet. Flere virksomheder i disse industrier har over årene implementeret Revenue Management (RM) strategier og systemer med henblik på at opnå en mere proaktiv styring af lønsomhed (se tidligere artikel i effektivitet nr. 4, december 2013). RM er en integreret ledelsesdisciplin, som egner sig til brancher med særlige forretningsbetingelser og høje faste omkostninger, og har til formål, at forbedre omsætning og dækningsbidrag, og dermed også lønsomhed, pr. kapacitetsenhed, gennem at sælge de rigtige produkter og ydelser til de rigtige kunder, den rigtige pris, den rigtige tid og via relevante salgskanaler. Større fly-, færgeselskaber eller hoteller er gået målrettet til værks med formulering af RM-strategier, etablering af RM organisationer. De har udviklet integrerede RM processer (på strategisk, taktisk og operationelt niveau) samt investeret i etablering af RM teknologi og systemer, og de har investeret massivt i træning og uddannelse af ledere og medarbejdere inden for området. RM implementeringerne har medført betydelige ændringer i organisationerne over tid, og de har måttet gennemgå en transformationsproces, hvor den traditionelle måde at udføre arbejdet på er blevet udfordret. Man har over årene etableret ”Revenue Manager” stillinger i organisationen, placeret mellem salgs- og kundeservice funktionen på den ene side, og produktionsenhederne med ansvar for den løbende disponering af kapacitet og prisfastsættelse af produkter og services på den anden side. I den forbindelse har man måttet udfordre den autonomi og de privilegier, der tidligere har været givet til afdelinger og personer med stort lokalt ansvar for prisfastsættelse og disponering af kapacitet (landekontorer, enkelte hoteller etc.). Forandringsprocesserne har ofte inkluderet et nødvendigt opgør med eksisterende KPI’er og belønningssystemer, som der har været i organisationen, for at sikre en beslutningsadfærd og kultur samt magtstruktur, der tilgodeser forretningen som helhed og ikke kun enkelte områder, hvad enten der er tale om flyruter, hoteller eller kundegrupper.

Det er mennesker, som skal eksekvere beslutningsstøttesystemers anbefalinger

Når Revenue Managers i dag løbende monitorer indkommende reservationer og tager beslutninger om kapacitet og priser, modtager de opdateret, faktuel information om deres ansvarsområde (flyruter, færger, hoteller etc.). RMS systemerne præsenterer dem for et realtids-opdateret, grafisk og kvantitativt overblik over historiske data omkring opnåede priser, kapacitetsudnyttelse, adfærd og betalingsvillighed for alle kundesegmenter, produktgrupper etc. Systemerne er sat op, så Revenue Managers kan modtage ”signaler” eller ”alerts”, hvis afsætning eller priser udvikler sig helt anderledes end forventet, så de kan koncentrere deres indsats om de beslutninger, der er vigtige for forretningen. Derudover kan de også modtage yderligere statistiske analyser af data, når der er behov for det. Enten kan disse analyser være indarbejdet i RM systemerne eller de kan laves ved eksport af data, som så behandles i supplerende statiske analyseværktøjer, der kan danne grundlag for mellemlang- eller langsigtet beslutningstagen. Moderne RM systemer rummer desuden optimeringsmetoder, således at de på ethvert tidspunkt, ud fra en opdateret prognose for efterspørgsel og udvikling i markedspriser, sammenholdt med real-tids information om kapacitetsudnyttelse, kan beregne forslag til de tilbudte priser for forskellige transport eller hotel services, med henblik på at maksimere indtjeningen pr. kapacitetsenhed. Systemerne kan sættes op, så beregningerne danner grundlag for en auto-styring af priser og kapacitet budt ud til kunderne i markedet, men ofte vil Revenue Managers dog kun tillade denne styring i ”ufarlige” situationer. De foretrækker ofte at kunne ”gribe ind” og influere de prognoser og antagelser, som danner grundlag for systemets udregninger, fordi de har kendskab til forhold i markedet, som computeren ikke kan forudse (kampagner, konkurrentadfærd, operationelle begivenheder etc.). Ved at påvirke prognoserne kan de få RM systemerne til at producere resultater, som de i højere grad tror på er rigtige for forretningen. Ofte vælger Revenue Managers dog også helt at ignorere systemets beregningsresultater med basis i en grundlæggende modelskepsis.

Datakvalitet og modeller er sjældent perfekte og skal løbende udvikles i samspil med brugerne

Til trods for mange års justeringer og detaljering af optimeringsmodellerne, er de stadig en forenkling af operationelle og markedsmæssige mekanismer for de pågældende brancher. Modellerne vil ikke kunne rumme og kvantificere alle beslutningsvariable, som potentielt er relevante (eksempelvis kundeloyalitet og kundeværdi) og modellernes antagelser om for eksempel uafhængighed af efterspørgsel på de forskellige services, som udbydes, vil ofte kunne udfordres af virkeligheden og brugerne. Derudover vil validiteten af RM systemernes beregningsforslag altid afhænge af kvaliteten af de historiske data og en række stamdata, som er sat ind i modellerne. Disse forhold gør, at brugerne ikke bare fravælger auto-styring, men i visse situationer tilsidesætter systemers anbefalinger, og bruger deres egen erfaring og ”mavefornemmelse” som grundlag for deres valg. De anser det for at være mindre risikofyldt for forretningen at gøre det, frem for at stole ”blindt” på de beregnede forslag, som de i øvrigt har vanskeligt ved at gennemskue logikken bag. For de flyselskaber eller hoteller, som målrettet praktiserer RM, er det kritisk, at man udvikler den rette balance mellem at lade RM systemerne auto-styre forretningen eller at overlade det til brugerne at gribe ind, når de fornemmer et behov derfor. Systemernes modeller og funktionalitet skal være udviklet og gennemtestet i samspil med brugerne, og der skal være evidens for at RM system beregningerne producerer valide resultater i de fleste situationer, hvis man skal forhindre, at brugerne udvikler en generel modelskepsis. Det skal ideelt være således, at Revenue Managers kun influerer prognoser eller tilsidesætter RMS systemernes anbefalinger, når de har et klart evidens- eller faktabaseret grundlag derfor. Det ses ikke sjældent, at Revenue Managers overvurderer deres egen ekspertise og dermed også overser vigtig information i situationen. For at finde denne balance, har man i transport- og servicebranchen, udover at fokusere på at ansætte personer med den rette personprofil i RM stillinger, også måttet sætte massivt ind med uddannelse, træning og coaching for at sikre sig, at Revenue Managers har tilstrækkelig god indsigt i systemernes logik, så de kan gennemskue, hvilke effekter deres egne handlinger har for forretningen som helhed.

Konklusion – Der er brug for en helhedsorienteret og nuanceret Big Data tilgang

Vi fascineres alle af de muligheder, som BD kan bidrage med for offentlige organisationer og private virksomheder i de kommende år, og allerede for nuværende får mange organisationer slet ikke tilstrækkelig forretningsmæssig værdi og konkurrencemæssige fordele ud af de store mængder af data, som de har til rådighed. Årsagerne hertil kan være for lille brug af nye datakilder, ringe datakvalitet, forældet IT infrastruktur, mangel på databehandlingskraft, eller fravær af systemer og applikationer, der kan supportere de nye muligheder. Ud fra den betragtning giver det mening at investere yderligere i systemer og teknologi for at forbedre organisationens beslutningsadfærd. Men teknologi-investeringerne gør det ikke alene, og de er kun i nogle tilfælde den reelle begrænsning for at forbedre brug af information og udvikle organisationers intelligens eller beslutningsadfærd. Som vi har redegjort for, træffes langt de fleste beslutninger i virksomheder stadig af mennesker, og processerne er alt andet end lineære og rationelle, men nærmere intuitive, kulturelle, politiske og ustrukturerede. For at udvikle den organisatoriske intelligens, og for at sikre, at menneskelig og organisatorisk beslutningsadfærd i højere grad er faktadrevet og rationel, skal der arbejdes med en helhedsorienteret tilgang til BD, hvor man ikke blot ukritisk bruger de tal og konklusioner, som er produceret modeller ud fra tilgængelige kvantificerbare data, uden at forholde sig til, om det giver mening i situationen og den generelle data- og modelkvalitet (Hartford, 2014). Der er behov for at investere i uddannelse, træning og coaching af medarbejdere og ledere i et omfang, der ofte er tilsvarende, hvad der investeres i datakilder, systemer og teknologi ligesom, at brugerne bør inddrages i udvikling af beslutningsstøtteværktøjer, hvilket dog ofte negligeres i implementeringsprojekterne. Uden en helhedsorienteret og nuanceret tilgang, reduceres sandsynligheden markant for, at BD projekter og tiltag får afgørende effekt på virksomhedernes resultater i de kommende år.

Referencer

Davenport, T. H. and Harris, J.G. (2007), Competing on analytics: The new science of winning. Harvard Business Press, 2007.
Enderud, H. (1976), Beslutninger i organisationer-i adfærdsteoretisk perspektiv. Fremad, 1976.
Harford, T. (2014), ”Big Data: Are We Making a Big Mistake.” Financial Times Magazine, 2014.
Hilbert, M. and López, P. (2011). ”The World’s Technological Capacity to Store, Communicate, and Compute Information”. Science, 332, (6025), p. 60–65.
Laney, D. (2001),”3D Data Management: Controlling Data Volume, Velocity and Variety”. Gartner. Retrieved 6 February 2001.
Laney, Douglas (2012), ”The Importance of ’Big Data’: A Definition”. Gartner. Retrieved 21 June 2012.
March, J. G. (1994), Primer on decision making: How decisions happen. Simon and Schuster, 1994.
March, J. G. (1999), The pursuit of organizational intelligence: Decisions and learning in organizations. Blackwell Publishers, Inc., 1999.
Mayer-Schönberger, V. and Cukier,K. (2013), Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt, 2013.
http://www.merriam-webster.com/dictionary/big%20data

Niels Gorm Malý Rytter

Lektor, Ph.D, Operations & Service Management, Institut for Produktion & Mekanik, Aalborg Universitet, København. Arbejder med Lean Six Sigma og Revenue Management – med fokus på udfordringerne for den globale container shipping industri. Har tidligere arbejdet for en familieejet virksomhed i emballageindustrien og senest i containerrederiet Maersk Line.

Marc Cromme

Cand. Scient, Ph.D. indenfor Anvendt Matematik, DTU, Senior projektleder, Ange Optimization.

Nicolas Guilbert

Cand. Polyt i Computer Science fra DTU, Ph.D. studerende, Lunds Universitet. Grundlægger af og direktør for Ange Optimization. Ange Optimization er specialiseret i at skabe forretningsmæssig værdi via anvendelse af matematisk modellering og software hos kunder i den globale containershipping industri.