Kan dina system förutsäga framgång?

Om McKinseys (och några taiwanesiska forskares) guide till data mining, och att ta till vara den guldgruva med information som döljs i dina digitaliserade processer.

Jag satt i eftermiddags och filade på en offert när det plingade till i datorn. Det visade sig vara nyhetsbrevet McKinsey Quarterly (som namnet till trots landat i min mailbox sex gånger bara under oktober. Men det gör inget, det är oftast läsvärt).

Till min oförställda glädje var rubriken: How ‘big data’ is transforming business.

Det visar sig alltså att redaktionen för nyhetsbrevet tagit ett helhetsgrepp gällande några glödheta områden inom management; bland annat mätteori och prestationsstyrning. Digitala system - allt från CRM-system till medarbetarenkäter - innehåller nämligen mycket mer värde än man kan ana.

Kärnan i nyhetsbrevet handlar alltså om att bygga system för mätning av processer i olika delar av verksamheten, och därefter sammanställa samtliga dessa olika datakällor på ett sätt som möjliggör strategisk samordning av all information för att kunna fatta de klokaste ledningsbesluten. Synnerligen aktuell läsning för alla som på något sätt dokumenterar sitt arbete i en databas. I artikeln beskrivs exempelvis en retail-verksamhet som samordnat informationen från varje affär och varje leverantör för att driva en effektivare verksamhet. Men man skulle lika gärna kunna tillämpa logiken i sjukvården, eller på vilken större verksamhet som helst.
 

En annan artikel ringar in en farlig motsättning mellan VD och IT-chef – det vill säga när IT-chefen inte delar VDns strategiska inriktning, och därmed inte förmår bygga system som speglar verksamhetens strategiska behov. Detta är riktigt illa eftersom affärssystem, med rätt strategiska kalibrering, kan ge ovärderliga dataunderlag för strategiska beslut. Är det så att du som VD och din IT-chef inte drar jämt så är det alltså dags att sätta sig ner och bygga strategier tillsammans. Läs mer här. 

I ärlighetens namn är detta kunskap som tillämpas redan, i många verksamheter. En brand manager jag jobbade med hade sådan koll på sin produkt att han visste vilken effekt det fick på försäljningen till ett visst kundsegment om man ändrade typsnitt på förpackningarna man använde (Detta förutsätter en marknad där leveranscyklerna är korta och mättillfällena är många – att sälja exempelvis kvällstidningar ger ju underlag för utvärdering av försäljningen varje dag, medan design och försäljning av lyxyachter följer andra regler).

Men hur började det hela? Bakgrunden till temat i nyhetsbrevet är så kallad Data Mining, systematisk reduktion av stora mängder data. Pionjärerna gällande detta arbete var glädjande nog (för en statistiklärare på psykologprogrammet alltså) de tidiga psykometrikerna (Spearman, Thurstone, och Cattell  är några av de mest kända) som bidrog till utvecklingen av faktoranalysen.

På statistiskt fikonspråk: Systematisk samvariation gällande beteenden i en stor population kan analyseras med hjälp av exempelvis principalkomponentanalys. Vilket resultat man får ut av analysen begränsas endast av vilka frågor man ställer till sitt material. Facebook och Google, exempelvis, använder garanterat denna form av analys som grund för sin riktade marknadsföring (hört talas om Google Analytics? Tänk att sitta på den databasen, mina vänner! Och analytikerna på Facebook vet sannolikt mer om när användarna brukar logga in än användarna själva, samt vilka annonser som passar enskildas preferenser).

Men det är inte bara dom digitala giganterna som kan använda moderna varianter av Spearmans analysverktyg. Med hjälp av metodiken kan man lika gärna övervinna problemet med att medarbetarenkäten innehåller ett stort antal teman som är svåra att värdera inför en åtgärdsplan. Man kan också undersöka (vilket jag och några av mina stockholmskollegor gjorde härförleden) vilka bakomliggande faktorer som styr prestation hos en grupp säljare, genom att använda ett standardiserat formulär.

Metoden är inte så komplicerad som man kan tro, och kräver i princip bara en tillräckligt stor grupp, med en tillräckligt stor mängd mätvärden från frågor av god kvalitet. Finns det dessutom en utfallsvariabel – dvs någon form av produktivitetsmått på individnivå – så kan man göra tämligen exakta bedömningar av hur verksamheten bör prioritera gällande de fenomen man mäter.

Har du orkat läsa så här långt - du har förmodligen en hel del av den task persistence som beskrevs i ett tidigare inlägg - så undrar du förstås om det finns några konkreta exempel på hur man går tillväga för att använda data mining (bortsett från McKinseys kortfattade anekdoter och mina entusiastiska redogörelser). 

Givetvis gör det det. Faktum är att det finns många goda exempel. Flera av dessa publiceras emellertid i tidskriften Expert Systems and Applications, en tidskrift som knappast kan anklagas för att vara populistisk och överförenkla saker och ting (en vild gissning är att många av tidskriftens läsare är mer intresserade av mätteori och systemanalys än av verksamhetsutveckling).

Några som dock bevisligen vet hur teorin skall användas i praktiken är Chen-Fu Chien och Li-Fei Chen, två forskare från Taiwan. Dom har skrivit artikeln Data mining to improve personnel selection and enhance human capital: A case study in high-technologyindustry i nr 34 av tidskriften ovan.

I artikeln – en fallstudie - visar dom hur ett IT-företag (som har tillgång till en stor mängd mätningar gällande många medarbetares prestation) kan ringa in exakt hur stor effekt bakgrundsvariabler som ålder, kön, utbildningsnivå, utbildningsort, specialområde, samt arbetslivserfarenhet har på personalomsättning. 

Dom kan också med stor exakthet ringa in vilka egenskaper som skall prioriteras i urvalssammanhang – det vill säga, dom vet faktiskt vilka personliga egenskaper som verkligen predicerar framgång i deras verksamheter.
 

Skulle man istället vara intresserad av vilka faktorer som styr kunders tendens att byta mobilleverantör så kan man läsa mer om det i denna artikel från samma tidskrift. Om du jobbar inom telekom, och din marknadsavdelning inte sett artikeln, så lovar jag att du kan sätta guldkant på deras vardag genom att tipsa om den. För om McKinsey skriver om fenomenet så kan vi nog utgå från att det är värt att undersöka närmare.

Artiklarna är inte så svårlästa, om man kan uthärda en bitvis rudimentär engelska. Och även om nyhetsbrevet är lättläst så är artiklarna ”the real deal”. 

Så nästa gång du sitter med ett stort dataunderlag från din verksamhet, betänk att du kanske har en guldgruva på datorskärmen framför dig. Om du bara letar på rätt sätt.