Modenhetsskalaen for analyse av organisasjoner

Å være datadrevet er mer en kontinuerlig utvikling enn en endestasjon – det er en filosofi som må prege hele virksomheten og måten dere jobber på i hverdagen. Vi liker å sammenligne denne utviklingsreisen med en trapp som består av seks trinn.

«An intelligent organization is not about the “cleverness” of one analytics team but the insightful nature of the entire business

– Pearl Zhu

Hvert trinn på modenhetsskalen nedenfor representerer et nytt modenhetsnivå – en mer avansert måte å bruke data på, som gir høyere strategisk verdi for organisasjonen. For hvert trinn dere klatrer, må dere legge ned betydelig tid og ressurser. Rom ble ikke bygd på én dag. Det viktigste er å starte – og jo før, jo bedre!

 

Modenhetsskalaen for digitalisering av organisasjoner

Det er vanskelig, om ikke umulig, å ta store steg i denne modellen raskt. Det er heller ikke slik at øverste nivå være målet. Å nå første eller andre trinn vil for mange organisasjoner være et stort løft og skape sterke resultater.

Last ned vår gratis guide: Den datadrevne organisasjonen

Nivå 1 – Operasjonell rapportering

Første og laveste nivå er «operasjonell rapportering». Dette er listene dere tar ut, økonomirapportene, statistikkene, kursdeltakerne, og veldig ofte også underlaget for rapportene til ledelsen og styret. Alle gjør dette, men noen er langt mer avanserte og effektive enn andre. Den største differensiatoren er kanskje hvor mye det koster å lage rapportene, gjøre endringer på dem, og hvor flink organisasjonen er til å bruke dem til noe som gir endring og forbedring.

De flinkeste organisasjonene har automatisert innhenting av data og distribuerer rapportene til de som har behov for dem automatisk – alle som trenger data henter selv ut dagsferske data, når de trenger det. Rapportene er gjerne interaktive, slik at brukerne kan navigere i og filtrerer de dataene som er interessante for dem, enten via PC, nettbrett eller mobil.

I moderne organisasjonssystemer er de viktigste operasjonelle nøkkeltallene som brukeren må forholde seg til vist direkte i arbeidsflaten. Dette bidrar til å sikre at alle ser «sine» tall. Nøkkeltallene linkes til detaljerte data slik at du for eksempel kan se hvem de 20 nye medlemmene er, og du kan arbeide med dette utvalget på en enkel måte, f.eks kommunisere med dem.

operasjonell rapportering i winorg - modenhetsskalaen

Nivå 2 – Dashboard og KPI-er

Neste nivå er dashboard og KPI-er (key performance indicators/nøkkeltall). Her handler det om å kommunisere status og utvikling på relevante nøkkeltall til enkeltpersoner eller til grupper i organisasjonen for å motivere til tiltak og endring. Noen organisasjoner er flinke til å vise fram viktige måltall i resepsjonen eller på fellesområder – for eksempel antall kroner samlet inn, nye medlemmer og lignende. Det er med å skape nærhet og eierskap til måltallene for alle som jobber der og viser i praksis at organisasjonen verdsetter data.

dashboard med måltall i winorg - modenhetsskalaen

De som utnytter dette best har innhentet mål (vist med blå markering i dashboardet over) fra ulike deler av organisasjonen og ser hvor langt du har kommet (oransje) for å nå målet i inneværende år. For at dette skal være dagsaktuelt kan man vise “hva er farten nå” ved å vise resultat siste uke og hva vi må oppnå hver uke frem til nyttår for å nå årsmålet.

Nivå 3 – Avansert visualisering

Deretter kommer avansert visualisering, også kalt visuell analyse. Dette arbeidet gjøres av analytikere eller superbrukere med god forståelse av organisasjonens data. De tar i bruk kraftige og brukervennlige verktøy som Microsoft Power BI for å lage gode visualiseringer som får frem nye sammenhenger i data og utvikling over tid.

Dersom organisasjonen mangler kompetanse på datavisualisering eller har problemer med å forstå de underliggende datastrukturene, er det mulig å hente inn hjelp fra konsulenter som er gode på dette. Den største utfordringen er ofte å forstå og sammenstille informasjonen man ønsker å benytte fra interne (og av og til eksterne) kilder, slik at man kan gjøre analysene man ønsker. Da kan det være lønnsomt å hente inn noen som forstår hvordan organisasjoner arbeider og som ikke minst har en god forståelse av organisasjonens data eller kan ha med verktøy som gjør det enklere å arbeide med denne informasjonen.

Nedenfor er et eksempel på to enkle visualiseringer. Den første viser hvordan frafallsraten (churn) er for forskjellige aldersgrupper i forhold til gjennomsnittet for organisasjonen. Den andre viser hvordan organisasjonens medlemmer er fordelt aldersmessig. Slike visualiseringer gjør det enklere å forstå informasjon og se sammenhenger, så du tar bedre beslutninger og over tid kan måle effekten av dem.

churn rate - modenhetsskalaen

Nivå 4 – Segmentering

Mange organisasjoner driver med segmentering i form av å definere målgrupper og personas for å drive målrettet kommunikasjon og oppfølging. Ofte gjøres slike øvelser ut fra andre kriterier enn den detaljerte informasjonen man faktisk har om kontaktene sine. Dette kan skyldes at man ikke har enkel tilgang til informasjonen eller vet hvordan man kan bruke denne i prosessen. Forbausende ofte ser vi også at man i ettertid kan ha problemer med å koble kontaktene man har i databasen med de målgruppene man har definert. Dette gjør det vanskelig å arbeide med målgrupper i praksis. Enkelte ganger ser vi også at gruppene som benyttes for segmentering er basert på en «det er slik vi alltid har gjort det»-tankegang og ikke på oppdatert informasjon om hvordan kontaktene faktisk oppfører seg i dag.

Det er mulig å starte i den andre enden og bruke algoritmer som kan bearbeide store datamengder og et stort antall variabler for å finne grupper av kontakter som har felles egenskaper. Dette gjør at du vil kunne finne sammenhenger som du ellers ikke var klar over, eller få bekreftet at de gruppene du faktisk arbeider med fremdeles er de riktige.

Vi mener ikke at dere skal slutte med å gjøre manuell segmentering og utvikling av personas, men foreslår at det kan være en god idé å kombinere de to måtene å arbeide på da de utfyller hverandre og bidrar til økt kunnskap om målgruppene og hvordan dere kan arbeide med dem.

Når du benytter segmenteringsalgoritmer er det viktig å kombinere dette med visuell analyse så du kan utforske segmentene. Ofte vil du måtte arbeide med dette i en iterativ prosess hvor du fjerner uinteressante variabler og legger til nye for å avdekke nye sammenhenger. For en del formål kan segmentering basert på noen veldig få variabler også være nyttig. Diagrammet under viser en enkel segmentering av givere basert på hvor ofte og hvor mye de har gitt siste 12 måneder.

segmenteringsalgoritmer - modenhetsskalaen

Nivå 5 – Prediktiv modellering

Prediktiv modellering er det de fleste tenker på når vi snakker om kunstig intelligens (AI) eller maskinlæring. Man bruker avanserte algoritmer som finner mønster i store mengder data for å lage modeller som kan benyttes til å forutsi fremtidige hendelser. Dette er et område som krever spesialisert kompetanse og mer data enn en vanlig norsk organisasjon har tilgang til, men hvor en leverandør kan bidra med erfaring og utvikling av modeller som kan gå på tvers av organisasjoner. Prediktiv modellering er mest nyttig når den kan bygges inn i systemene og bidra til å forbedre automatiseringer, utvalg eller råd som gis til brukeren underveis.

Typiske problemområder hvor vi har sett at det kan være interessant å benytte prediktiv modellering eller AI i organisasjoner er for å:

  • beregne risikoen for at medlemmer forlater organisasjonen
  • beregne sannsynligheten for at man gir en gave (eller gir en større gave)
  • foreslå et gavebeløp
  • velge ut hvem som skal få tilbud om forskjellige medlemstilbud

Listen er ikke uttømmende. Jo mer presist man kan formulere spørsmålet, jo enklere blir det å undersøke om det er mulig å benytte prediktiv modellering.

Nivå 6 – Personifisering og rask eksperimentering

Øverst i modellen kommer personifisering og rask eksperimentering. Tanken her er at vi med hjelp av den informasjonen vi har og smarte algoritmer kan adressere stadig mindre og smalere segmenter med målrettet kommunikasjon, og at vi kontinuerlig tester alternativer, måler effekt og forbedrer segmenter og budskap. Dette gjøres gjennom bruk av verktøy og prosesser som er tilpasset slikt arbeid, og vil være en kombinasjon av helautomatiserte prosesser så vel som delvis automatiserte prosesser hvor systemet bidrar med langt mer avansert støtte enn det som er vanlig i dag.

Det er mulig å tenke seg at algoritmene vil kunne automatisere segmentering og optimalisering av kombinasjonen av kanalvalg, målgruppe og hvilket budskap som kommuniseres. Enten det handler om rekruttering, innsamling eller det å engasjere medlemmer eller frivillige. Men det vil likevel være behov for å koble det analytiske og forutsigbare med menneskelig kreativitet og eksperimentering for å teste ut nye ideer. Det er et stykke hit for de fleste organisasjoner, men ingen umulighet.

Last ned gratis guide:  Den datadrevne organisasjon Hvordan gå fra data til innsikt til tiltak