Vi læser om det overalt. Alene udtrykket “big data” er blevet noget af et buzzword i den seneste tid – og med god grund.
Gennem at udnytte det væld af digitale indsigter, der er tilgængelige lige ved hånden, og ved at omfavne kraften i business intelligence er det muligt at træffe mere informerede beslutninger, der vil føre til kommerciel vækst, udvikling og en øget bundlinje.
Gennem at implementere de rigtige rapporteringsværktøjer og forstå, hvordan du analyserer såvel som måler dine data præcist, vil du være i stand til at træffe den slags datadrevne beslutninger, der vil drive din virksomhed fremad. Selvfølgelig lyder dette utroligt i teorien.
Men i praksis er det muligt, selv om du har adgang til verdens bedste data, at træffe beslutninger, der ser bort fra håndgribelig indsigt og i stedet går efter din mavefornemmelse. I de fleste tilfælde kan dette vise sig at være skadeligt for virksomheden.
Selv om det nogle gange er okay at følge dine instinkter, bør langt de fleste af dine forretningsbaserede beslutninger bakkes op af målinger, fakta eller tal relateret til dine mål, målsætninger eller initiativer, der kan sikre en stabil rygrad i dine ledelsesrapporter og forretningsaktiviteter.
For at hjælpe dig på din søgen efter analytisk oplysning vil vi udforske datadrevet beslutningstagning, undersøge betydningen af datadrevet beslutningstagning og gennemgå nogle eksempler fra den virkelige verden på at omdanne indsigt til forretningsfremmende handling.
Hvad er datadrevet beslutningstagning?
Datadrevet beslutningstagning (DDDM) er en proces, der involverer indsamling af data baseret på målbare mål eller KPI’er, analyse af mønstre og fakta fra disse indsigter og udnyttelse af dem til at udvikle strategier og aktiviteter, der gavner virksomheden på en række områder.
Fundamentalt set betyder datadrevet beslutningstagning, at man arbejder hen imod centrale forretningsmål ved at udnytte verificerede, analyserede data i stedet for blot at skyde i mørket.
For at få ægte værdi ud af dine data skal de imidlertid være nøjagtige samt relevante for dine mål. Indsamling, udtrækning, formatering og analyse af indsigter til forbedret datadrevet beslutningstagning i erhvervslivet var engang en altomfattende opgave, hvilket naturligvis forsinkede hele data beslutningsprocessen.
Men i dag giver udviklingen og demokratiseringen af business intelligence-software brugere uden dybt forankret teknisk ekspertise mulighed for at analysere samt udtrække indsigter fra deres data. Som et direkte resultat heraf kræves der mindre it-understøttelse til at producere rapporter, tendenser, visualiseringer og indsigter, der letter beslutningsprocessen på dataområdet.
Fra denne udvikling blev datavidenskab født (eller i hvert fald udviklet sig i stor stil) – en disciplin, hvor hackerfærdigheder og statistik møder nicheekspertise. Dette forholdsvis nye erhverv indebærer at gennemgå store mængder rå data for at træffe intelligente datadrevne forretningsbeslutninger.
Det “guld”, som dataloger “udvinder”, findes i to forskellige typer: kvalitative og kvantitative, og begge er afgørende for at træffe en datadrevet beslutning.
Kvalitativ analyse fokuserer på data, der ikke er defineret af tal eller metrikker, såsom interviews, videoer og anekdoter. Kvalitativ dataanalyse er baseret på observation snarere end på måling. Her er det afgørende at kode dataene for at sikre, at elementer grupperes sammen metodisk såvel som intelligent.
Kvantitativ dataanalyse fokuserer på tal og statistik. Medianen, standardafvigelsen og andre beskrivende statistikker spiller en central rolle her. Denne type analyse er målt snarere end observeret. Både kvalitative og kvantitative data bør analyseres for at træffe smartere datadrevne forretningsbeslutninger.
Nu, hvor vi har udforsket betydningen af beslutningstagning i erhvervslivet, er det tid til at overveje grunden til, hvorfor datadrevet beslutningstagning (DDDM) er vigtig.
“Information er det 21. århundredes olie, og analytics er forbrændingsmotoren.” – Peter Søndergaard
Hvorfor datadrevet beslutningstagning er vigtig?
Datas betydning for beslutninger ligger i konsistens og kontinuerlig vækst. Det gør det muligt for virksomheder at skabe nye forretningsmuligheder, generere flere indtægter, forudsige fremtidige tendenser, optimere den nuværende operationelle indsats og producere brugbare indsigter. På den måde står du til at vokse og udvikle dit imperium over tid, hvilket gør din organisation mere tilpasningsdygtig som følge heraf. Den digitale verden er i konstant forandring, og for at bevæge sig i takt med det stadigt skiftende landskab omkring dig, skal du udnytte data til at træffe mere informerede og kraftfulde datadrevne forretningsbeslutninger.
Datadrevne forretningsbeslutninger gør eller ødelægger virksomheder. Dette er et bevis på vigtigheden af online datavisualisering i beslutningstagningen.
MIT Sloan School of Management-professorerne Andrew McAfee og Erik Brynjolfsson forklarede engang i en artikel i Wall Street Journal, at de udførte en undersøgelse i samarbejde med MIT Center for Digital Business. I denne undersøgelse opdagede de, at blandt de undersøgte virksomheder havde de virksomheder, der primært var datadrevne, gavn af 4 % højere produktivitet samt 6 % højere overskud.
Firksomheder, der griber beslutningstagning an i samarbejde, har en tendens til at behandle information som et reelt aktiv i højere grad end virksomheder med andre, mere tvetydige tilgange.
10 tips og takeaways til en forbedret datadrevet beslutningsstrategi
Sidst men ikke mindst er her 10 praktiske tips og takeaways til bedre datadrevet beslutningstagning i erhvervslivet. Til sidst vil du være 110% solgt på vigtigheden af at træffe denne slags beslutninger.
1) Værn mod dine fordomme
Meget af det mentale arbejde, vi udfører, er ubevidst, hvilket gør det svært at verificere den logik, vi bruger, når vi træffer en beslutning. Vi kan endda være skyldige i at se de data, vi ønsker, der var der, i stedet for det, der virkelig er foran os. Dette er en af de måder, hvorpå et godt team kan hjælpe. At lade dine beslutninger gennemgå af en kompetent part, der ikke deler (eller endda kender) dine fordomme, er et uvurderligt skridt.
Arbejdet med et team, der kender de data, du arbejder med, åbner døren for nyttig og indsigtsfuld feedback. Demokratisering af data gør det muligt for alle mennesker, uanset deres tekniske færdigheder, at få adgang til dem og hjælpe med at træffe informerede beslutninger. Ofte sker dette gennem innovativ dashboard-software, der visualiserer engang komplicerede tabeller og grafer på en sådan måde, at flere mennesker kan tage initiativ til gode datadrevne forretningsbeslutninger.
Med flere mennesker, der forstår de data, der er i spil, har du mulighed for at modtage mere troværdig feedback. Beviset ligger i tallene. En McKinsey-undersøgelse fra 2010 (som det er nyttigt at læse selv i dag) af mere end 1.000 større forretningsinvesteringer viste, at når organisationer arbejdede på at reducere effekten af bias i deres beslutningsprocesser, opnåede de et op til 7 % højere afkast. Når det drejer sig om datadrevet beslutningstagning (DDDM), gør det hele forskellen at reducere bias og lade tallene tale for sig selv.
Tips til at overvinde en forudindtaget adfærd
- Simpel bevidsthed – Alle er forudindtaget, men at være bevidst om, at der findes bias, kan påvirke din beslutningstagning kan hjælpe med at begrænse deres indvirkning.
- Samarbejde – Dine kolleger kan hjælpe med at holde dig i skak, da det er lettere at se bias i andre end i dig selv. Send beslutninger videre til andre mennesker, og vær opmærksom på forudindtaget adfærd i bestyrelseslokalet.
- Søgning af modstridende oplysninger – Stil de rigtige spørgsmål til dig selv og andre for at erkende dine fordomme og fjerne dem fra din beslutningsproces.
Gennem at eliminere fordomme åbner du op for at opdage flere muligheder. Ved at slippe af med forudindtagede forestillinger og virkelig studere dataene kan du blive opmærksom på indsigter, der virkelig kan ændre din bundlinje. Husk, at business intelligence ikke kun bør handle om at undgå tab, men også om at vinde gevinster.
2) Definer mål
For at få mest muligt ud af dine datateams bør virksomheder definere deres mål, før de begynder deres analyser. Fastsæt en strategi for at undgå at følge hypen i stedet for virksomhedens behov, og definér klare Key Performance Indicators (KPI’er). Selv om der er forskellige KPI-eksempler, du kan vælge imellem, skal du ikke overdrive det og koncentrere dig om de vigtigste inden for din branche.
3) Indsaml data nu
Det er lige så afgørende at indsamle de rigtige data som at stille de rigtige spørgsmål. For mindre virksomheder eller nystartede virksomheder bør dataindsamling begynde på dag et. Jack Dorsey, medskaberen og grundlæggeren af Twitter, delte denne læring med Stanford. “I de første to år af Twitters levetid fløj vi i blinde … vi baserede alt på intuition i stedet for at have en god balance mellem intuition og data … så det første, jeg skrev til Square, var et admin dashboard. Vi har en meget stærk disciplin til at logge alt og måle alt”. Når det er sagt og gjort, er implementeringen af en business dashboard-kultur i din virksomhed en vigtig komponent for at kunne håndtere de flodbølger af data, du vil indsamle, korrekt.
4) Find de uløste spørgsmål
Når din strategi og dine mål er fastlagt, skal du derefter finde de spørgsmål, der har brug for et svar, så du kan nå disse mål. Ved at stille de rigtige dataanalysespørgsmål hjælper teams med at fokusere på de rigtige data, hvilket sparer tid og penge. I eksemplerne tidligere i denne artikel havde både Walmart og Google meget specifikke spørgsmål, hvilket i høj grad forbedrede resultaterne. På den måde kan du fokusere på de data, du virkelig har brug for, og fra at indsamle alt “bare for en sikkerheds skyld” kan du gå over til at “indsamle dette for at besvare det”.
5) Find de data, der er nødvendige for at løse disse spørgsmål
I blandt de data, du har indsamlet, skal du forsøge at fokusere på dine ideelle data, som vil hjælpe dig med at besvare de uløste spørgsmål, der blev defineret i den foregående fase. Når det er identificeret, skal du kontrollere, om du allerede har disse data indsamlet internt, eller om du skal etablere en måde at indsamle dem på eller erhverve dem eksternt.
6) Analyser og forstå
Det kan virke indlysende, men vi er nødt til at nævne det: Efter at have sat rammerne for alle de spørgsmål, der skal besvares, og dataindsamlingen skal du derefter læse dem igennem for at uddrage meningsfulde indsigter og analytiske rapporter, der vil føre dig til at træffe datadrevne forretningsbeslutninger. Faktisk er brugerfeedback et nyttigt værktøj til at foretage mere dybdegående analyser af kundeoplevelsen og udtrække handlingsorienteret indsigt. For at gøre dette med succes er det vigtigt at have kontekst. Hvis du f.eks. ønsker at forbedre konverteringer i købstragten, vil det være en vigtig indsigt at forstå, hvorfor de besøgende falder fra, hvis du ønsker at forbedre konverteringer i købstragten. Ved at analysere svarene i de åbne kommentarer i din feedbackformular (inden for denne tragt) vil du kunne se, hvorfor de ikke lykkes i kassen og optimere dit websted i overensstemmelse hermed.
7) Vær ikke bange for at genoverveje og reevaluere
Vores hjerner drager forhastede konklusioner og er tilbageholdende med at overveje alternativer; vi er særligt dårlige til at genoverveje vores første vurderinger. En ven, der er grafisk designer, fortalte mig engang, at han ofte sad fast mod slutningen af et projekt. Han var fast besluttet på den retning, han havde valgt, og ville ikke skrotte den. Han var investeret, af de forkerte grunde. Når dette skete, måtte han uvægerligt starte forfra for at se det fejltrin, der fik ham til at sidde fast. Uvægerligt var slutproduktet lysår bedre omarbejdet, end hvis han havde sammensat en løsning ud fra det første udkast.
Virificering af data og sikring af, at du følger de rigtige målinger, kan hjælpe dig med at træde ud af dine beslutningsmønstre. At stole på, at teammedlemmer har et perspektiv og deler det, kan hjælpe dig med at se fordommene. Men du skal ikke være bange for at træde tilbage og genoverveje dine beslutninger. Det kan i et øjeblik føles som et nederlag, men for at få succes er det et nødvendigt skridt. At forstå, hvor vi måske er gået galt, og tage fat på det med det samme vil give mere positive resultater, end hvis vi venter og ser, hvad der sker. Omkostningerne ved at vente og se, hvad der sker, er veldokumenteret…
8) Præsenter dataene på en meningsfuld måde
Digging and gleaning insights is nice, but managing to tell your discoveries and convey your message is better. Du skal sørge for, at din skarpsindighed ikke forbliver uudnyttet og støvet, og at den vil blive brugt til fremtidig beslutningstagning. Ved hjælp af en god datavisualiseringssoftware behøver du ikke at være en IT-crack for at opbygge og tilpasse et kraftfuldt online dashboard, der vil fortælle din datahistorie og hjælpe dig, dit team og din ledelse med at træffe de rigtige datadrevne forretningsbeslutninger. For eksempel skal du for enhver pris have styr på din økonomi:
Åbn dashboardet med finansiel oversigt i fuld skærm
En oversigt præsenteret på et finansielt dashboard sikrer et overblik over en virksomheds økonomiske resultater. Med de bedste KPI’er såsom driftsomkostningsforhold, nettofortjenstmargen, resultatopgørelse og indtjening før renter og skat giver dette dashboard mulighed for en hurtig beslutningsproces, mens du koncentrerer dig om data i realtid.
For yderligere inspiration kan du se på disse utrolige eksempler på datavisualisering fra nogle af verdens mest fremsynede brands og virksomheder.
9) Sæt målbare mål for beslutningstagning
Når du har dit spørgsmål, dine data og din indsigt, kommer den svære del: beslutningstagning. Du skal anvende de resultater, du har fået, på forretningsbeslutninger, men du skal også sikre, at dine beslutninger er i overensstemmelse med virksomhedens mission og vision, selv hvis dataene er modstridende. Sæt målbare mål for at være sikker på, at du er på rette vej … og omsæt data til handling!
10) Fortsæt med at udvikle dine datadrevne forretningsbeslutninger
Dette overses ofte, men er ikke desto mindre utrolig vigtigt: Du bør aldrig stoppe med at undersøge, analysere og sætte spørgsmålstegn ved dine datadrevne beslutninger. I vores hyperforbundne digitale tidsalder har vi mere adgang til data end nogensinde før. For at få reel værdi ud af denne rigdom af indsigt er det afgørende, at du løbende opdaterer og udvikler dine forretningsmål på baggrund af det landskab, der bevæger sig omkring dig.
Datadrevne fejl i beslutningstagningen, som du for enhver pris bør undgå
Den betydning, som data har for beslutningstagningen, er på dette punkt klar. Men mens forståelsen af dynamikken i datadrevne forretningsbeslutninger og udforskningen af eksempler på datadrevet beslutningstagning i den virkelige verden vil styre dig i den rigtige retning, vil forståelsen af, hvad du skal undgå, hjælpe dig med at cementere din succes.
Hvor mange gange i dit liv har du forberedt dig til et møde, haft fakta og tal klar til at gå, og i sidste ende går beslutningen i den helt modsatte retning?
Det føltes sikkert som om, at beslutningen var truffet, før mødet overhovedet begyndte. Hvis dette lyder bekendt, er du ikke alene. Vi taler ikke bare om en nystartet virksomhed fuld af nybegyndere, der tror, at det er mere afgørende at følge deres mavefornemmelse end KPI’er; vi taler om store virksomheder. Rob Enderle, en tidligere IBM-medarbejder og Research Fellow for Forrester, har skrevet en fantastisk artikel, som dokumenterer manglerne hos ledere hos IBM og Microsoft.
Selv om artiklen er fyldt med eksempler, er det måske mest grusomme IBM’s delvise salg af sin ROLM-division til Siemens. Enderle og hans team udarbejdede en intern rapport, der beviste, at et salg til Siemens ville blive en katastrofal fiasko. Det viste sig, at beslutningen var blevet truffet, før undersøgelsen kom frem. Faktisk havde ledelsen glemt, at undersøgelsen overhovedet var blevet bestilt. Deres mavefornemmelse endte med at koste virksomheden over en milliard dollars.
En publikation fra BI-Survey viser os, at 58 % af de virksomheder, som de undersøgte, sagde, at de baserer mindst halvdelen af deres almindelige forretningsbeslutninger på mavefornemmelse eller erfaring i stedet for at være data- og informationsdrevne. I gennemsnit indså de, at virksomhederne kun ville bruge 50 % af de tilgængelige oplysninger, når de skulle træffe beslutninger.
Som leverandører af business intelligence forstår vi selv vigtigheden af datadrevet beslutningstagning. Derfor har vi skabt et online dataanalyseværktøj, der gør det muligt for kunderne at få mest muligt ud af deres data, visualisere dem på en meningsfuld måde og nemt dele disse genererede indsigter i fantastiske dashboards i realtid for at træffe bedre forretningsbeslutninger hurtigere. Men de indsigter, vi leverer, er fuldstændig ubrugelige, hvis disse rapporter i sidste ende ignoreres af de faktiske beslutningstagere.
Denne gåde fik os til at tage et dybt kig: Hvorfor bruger virksomhedsledere ikke datadrevet beslutningstagning? Og hvad skal du være opmærksom på for at sikre, at dine beslutninger er baseret på tal og ikke på følelser?
Nu, hvor vi har skitseret grundlaget for at få dine datadrevne beslutninger på plads, vil vi grave dybere ned i de ting, du skal undgå, ved at bore ned i dataanalytikeres og virksomhedslederes almindelige fejltagelser fra tidligere. Ved at observere og absorbere disse nøglepunkter ved hjælp af dataanalytiker-software vil du være i stand til at sikre, at din datadrevne beslutningstagning i erhvervslivet er konsekvent, resultatorienteret og centreret på dine mål til enhver tid.
1) Datakvalitet
Først og fremmest er den vigtigste grund, der normalt påberåbes, datakvalitet. Datakvalitet er betingelsen for et sæt af kvalitative eller kvantitative variabler, som skal være “egnet til de tilsigtede anvendelser i forbindelse med drift, beslutningstagning og planlægning”, ifølge en artikel skrevet af forfatteren Thomas C. Redmann. En god forvaltning af datakvaliteten (fra indsamling til vedligeholdelse, fra disponering til distributionsprocesser i en organisation) er også afgørende for den fremtidige brug af sådanne data. Indsamling og indsamling er kun godt, hvis det forvaltes godt og udnyttes efterfølgende, ellers forbliver aktivernes potentiale uberørt og ubrugeligt.
2) Overdreven afhængighed af tidligere erfaringer
Overdreven afhængighed af tidligere erfaringer kan dræbe enhver virksomhed. Hvis man altid kigger bagud, er der en reel chance for at overse det, der er foran. Så ofte bliver virksomhedsledere ansat på grund af deres tidligere erfaringer, men miljøer og markeder ændrer sig, og de samme tricks virker måske ikke næste gang. Et af de mest citerede eksempler på dette er Dick Fuld, som reddede Lehman efter LTCM-krisen. Ti år senere trak han den samme pose tricks frem, og som Wall Street Journal rapporterer, “var den erfaring, han byggede på, ikke den samme som ved dette massive, boligdrevne sammenbrud”. Den nylige krise var meget mere kompleks. Miljøer og markeder ændrer sig konstant, og for at være en succesfuld leder må man kombinere tidligere erfaringer med aktuelle data.
3) Gå efter mavefornemmelsen og kog dataene
Mens nogle ledere naturligt går efter deres instinkt, er der en betydelig del, der først stoler på deres mavefornemmelse og derefter overtaler deres forskere eller et eksternt konsulentfirma til at udarbejde rapporter, der bekræfter den beslutning, de allerede har truffet. Ifølge den ovenfor nævnte Enderle-artikel var dette almindeligt hos Microsoft. Forskere havde til opgave at levere rapporter, der gav troværdighed til ledernes beslutninger.
4) Kognitive bias
Kognitive bias er tendenser til at træffe beslutninger baseret på begrænsede oplysninger eller på erfaringer fra tidligere erfaringer, der måske ikke er relevante for den aktuelle situation. Kognitive bias forekommer hver dag, på en eller anden måde, i alle de beslutninger, vi træffer. Disse skævheder kan påvirke virksomhedsledere til at ignorere solide data og i stedet gå efter deres antagelser. Her er nogle få eksempler på kognitive bias, der ofte ses:
- Bekræftelsesbias – Erhvervsledere har en tendens til at foretrække oplysninger, der bekræfter de overbevisninger, de allerede har, rigtige eller forkerte.
- Kognitiv inerti – Den manglende evne til at tilpasse sig nye miljøforhold og holde fast i gamle overbevisninger på trods af data, der beviser det modsatte.
- Gruppetænkning – Ønsket om at være en del af gruppen ved at tage parti for flertallet, uanset beviser eller motiver til støtte.
- Optimistisk bias – At træffe beslutninger baseret på troen på, at fremtiden vil være meget bedre end fortiden.
Ledere er nødt til at erkende, at vi er forudindtagede i alle situationer. Der findes ikke noget, der hedder objektivitet. Den gode nyhed er, at der er måder at overvinde forudindtaget adfærd på.
Som følge heraf identificerer disse virksomheder forretningsmuligheder og forudsiger fremtidige tendenser mere præcist, hvilket genererer flere indtægter og fremmer større vækst gennem data beslutningstagning.
3 eksempler på succes med datadrevet beslutningstagning
Nu da vi har fået en klarere forståelse af, hvad det betyder at træffe en datadrevet beslutning samt betydningen af datadrevet beslutningstagning, vil vi dykke ned i 3 inspirerende eksempler på datadrevet beslutningstagning.
1) Google
Et af de mest bemærkelsesværdige eksempler på datadrevet beslutningstagning kommer fra søgekolossen Google, ifølge en artikel skrevet på smartdatacollective.com. Startups er berømte for at opløse hierarkier, og Google var nysgerrig efter at vide, om det faktisk var vigtigt at have ledere.
For at besvare spørgsmålet kiggede dataloger hos Google på præstationsvurderinger og medarbejderundersøgelser fra ledernes underordnede medarbejdere (kvalitative data). Analytikerne plottede oplysningerne på en graf og fastslog, at lederne generelt blev opfattet som gode. De gik et skridt videre og opdelte dataene i den øverste og nederste kvartil og foretog derefter regressioner. Disse tests viste store forskelle mellem de bedste og de dårligste ledere med hensyn til teamets produktivitet, medarbejderglæde og medarbejderomsætning. Gode ledere giver Google flere penge og skaber gladere medarbejdere, men hvad gør en god leder hos Google?
Også analytikerne gennemgik data fra scorerne for “Great Manager Award”, hvor medarbejderne kunne nominere ledere, der gjorde et ekstraordinært godt stykke arbejde. Medarbejderne skulle give eksempler, der forklarede præcis, hvad der gjorde lederen så fantastisk. Managere fra den øverste og nederste kvartil blev også interviewet for at supplere datasættet. Googles analyse viste de 8 adfærdsmønstre, der gør en god leder hos Google til en god leder, og 3 adfærdsmønstre, der ikke gør det. De reviderede deres lederuddannelse og indarbejdede de nye resultater, fortsatte med Great Manager Award og gennemførte en feedbackundersøgelse to gange om året.
2) Walmart
Walmart brugte en lignende proces, da det drejede sig om nødvarer som forberedelse til orkanen Frances i 2004, som The NY Times rapporterede. Cheferne ønskede at vide, hvilke typer varer de skulle have på lager før stormen. Deres analytikere gennemgik optegnelser over tidligere køb fra andre Walmart-butikker under lignende forhold og sorterede en terabyte af kundehistorikken for at afgøre, hvilke varer der skulle sendes til Florida (kvantitative data). Det viser sig, at amerikanerne i tilfælde af naturkatastrofer vælger jordbær Pop-Tarts og øl. Linda M. Dillon, Walmarts CIO på daværende tidspunkt, forklarede:
“Ved at forudsige, hvad der vil ske, i stedet for at vente på, at det sker… lastbiler fyldt med brødkager og six-packs kørte snart ned ad Interstate 95 mod Walmarts i Frances’ bane.”
Walmarts analytikere sørgede ikke kun for, at Floridianerne blev behageligt beruset af øl og Pop-Tarts under stormen, men skabte også overskud ved at foregribe efterspørgslen, da de fleste af produkterne solgte hurtigt.”
3) Southwest Airlines
En datadrevet beslutning rummer en utrolig stor værdi på tværs af alle brancher, men en sektor, der er meget kendt for at drage fordel af sådanne indsigter, er luftfartsindustrien.
Southwest Airlines’ ledere udnyttede målrettede kundedata til at få en dybere forståelse af, hvilke nye tjenester der ville være mest populære blandt kunderne samt mest rentable.
Derved opdagede flyselskabet, at det ved at observere og analysere deres forbrugeres online-adfærd og -aktiviteter kunne tilbyde forskellige kundesegmenter de bedste priser til deres behov ud over et eksemplarisk niveau af kundeoplevelse (CX).
Som et direkte resultat af denne vægt på datadrevne beslutninger har Southwest Airlines set sin kundebase samt sin brandloyalitet vokse støt år efter år.
The Role Of Dashboards For Data Driven Decisions
Når du skal træffe en datadrevet forretningsbeslutning, kan dashboards spille en afgørende rolle. Med alle historiske og aktuelle data på en enkelt skærm, med mulighed for at interagere og grave dybt i enkelte KPI’er eller generere et overblik over en afdeling eller virksomhed, vil dashboards muliggøre en holistisk oversigt over vigtige oplysninger. For at se dette i praksis vil vi nu tage et kig på nogle udvalgte eksempler.
1) Generel ledelse
Ledere på C-niveau skal holde styr på deres data. For effektivt at kunne spore oplysninger baseret på deres strategier og mål koncentrerer enhver leder sig om den faktiske omsætning, der er genereret over en bestemt tidsramme, sammenlignet med målindtægten og med en klar visualisering af, hvordan den har udviklet sig (eller ikke), som vist i dette eksempel:
Open Management KPI Dashboard in Fullscreen
Det viser også omsætningen baseret på kundeniveau og statistikker relateret til kundeanskaffelsesomkostningerne og det samlede antal nye kunder, der er erhvervet. Dette kan hjælpe enhver leder med at basere sine beslutninger på visualiserede data, hvilket gør processen meget hurtigere og effektiv. Et bevis på, hvorfor datadrevet beslutningstagning er vigtig i dagens forretningsverden.
2) Online detailhandel
I online detailhandel er dataindsamling ganske enkel og rigelig. Forskellige måder at handle på, adgang til anmeldelser og online udtalelser har gjort forbrugerne mere informerede end nogensinde før. Derfor er det af største vigtighed for både små virksomhedsejere og store virksomheder at have et klart overblik over data. I eksemplet nedenfor kan vi se, hvordan dette ville se ud som et eksempel med udvalgte detailhandels-KPI’er:
Open Sales & Order Dashboard in Fullscreen
Den samlede mængde af ordrer, de gennemsnitlige ordrer pr. kunde, topsælgere og statistik og tal for returårsager kan give dig et overblik over forbrugernes adfærd, hvorfor dine varer bliver returneret, og hvilken tid på året, der er dit benchmark med den største mængde af ordrer. På den måde kan du basere din fremtidige beslutning udelukkende på data fra detailhandelsanalyser og ikke på en mavefornemmelse, der kan ødelægge din forretningsstrategi.
“Torturér dataene, og de vil tilstå hvad som helst.” – Ronald Coase
Det er ikke til at benægte – ved at udnytte data på den rigtige måde og måle din succes kan du drive din virksomhed til nye og spændende højder.
Nu, hvor du har adgang til alle de vigtigste ingredienser til at træffe de bedste data-beslutninger for din virksomhed, er det tid til at sætte dine planer i værk. Husk – for at opnå maksimal succes skal du for enhver pris undgå at vælge den forkerte tilgang til datadrevne forretningsbeslutninger. Hvis du ikke gør det, vil det føre til at træffe valg med din mavefornemmelse, fordomme eller fremme en dårlig datakultur i din organisation.
Hos datapine er vi 100% engageret i at hjælpe dig med at træffe de bedste datadrevne beslutninger for din virksomhed. Vores løsninger kombinerer den allerbedste software til virksomhedsrapportering med et banebrydende perspektiv i retning af at evaluere dine beslutninger for at begynde at se resultater.
For at starte din egen vej til succesfulde datadrevne beslutninger, visualisering af alle dine data på ét sted og generering af indsigt med få klik, kan du prøve vores dashboard-software i en 14-dages prøveperiode helt gratis!