Insight

Data first

”How you gather, manage, and use information will determine whether you win or lose”. Sådan skrev Bill Gates i 1999. Siden da er betydningen af data for alle moderne virksomheder og organisationer kun blevet større, og der er behov for et nyt mindset, hvor data sættes før processer og systemer.

For såvel virksomheder som organisationer er hverdagen under konstant forandring. Erfaring og intuition er stadig relevant, men det er ikke længere tilstrækkeligt. Dét, der virkede i går, fungerer ikke nødvendigvis i morgen. De, som får succes, forstår at anvende data på tværs af virksomheden til konstant læring og udvikling på alle niveauer, operationelt, taktisk og strategisk.

Data har i årtier spillet en vital rolle i, hvordan virksomheder ledes og drives, men karakteren og anvendelsen af data er under fundamental forandring:

  • Data integreres i stigende grad på tværs af processer og mellem organisationer i automatiserede værdikæder.
  • Data antager flere former og med større variation. Fra i høj grad at bestå af strukturerede tal fra virksomhedens kernesystemer, kan data antage mange forskellige former såsom billeder, lyd eller sensordata og stamme fra mange forskellige kilder.
  • Data opsamles og behandles i hastigt stigende frekvens - fra en månedlig rytme til i nogle tilfælde realtidsbehandling.
  • Data bruges mere i operationelle processer, hvor algoritmer understøtter automatiseret overvågning og beslutningstagning.
  • Værdien og betydningen af data er som konsekvens af ovenstående blevet mødt med stigende regulering og krav til sikker håndtering såsom GDPR og en række regulativer i eksempelvis finanssektoren.

Data driver innovation, udvikling og forandringer. Uanset hvilket fokus virksomhedens strategi har på at øge salget, reducere omkostningerne, overholde love og standarder eller at disrupte markedet med eksempelvis nye databaserede produkter og forretningsmodeller, så hviler dette på data. Ultimativt understøtter data ikke blot strategien – data bliver strategiens omdrejningspunkt.

Industri 4.0, digital transformation, transformation af måden vi interagerer med kunder, intelligent procesautomatisering, SAP/4HANA-transformationer og andre store transformationer af systemer, processer og forretningsmodeller kalder alle på data. Derfor er organisationens evne til at styre, håndtere og anvende data afgørende.

Så hvad betyder det for måden, vi arbejder med proces- og arkitekturdesign?

Implikationer for procesdesign

Alibabas mantra er: ’Datafy every transaction and have every operational decision made by an algorithm’. Det er en relativ ambitiøs aspiration, som i høj grad tydeliggør, hvor vi bevæger os hen, og hvorfor data bliver så afgørende. Selv med et lavere ambitionsniveau er det helt centralt at have fokus på data i arbejdet med processer. Uanset om beslutninger træffes af mennesker og ikke algoritmer, er det vigtigt, at understøtte med dataindsigt.

”Datafy” og algoritmer handler om at opsamle og anvende data i processer såvel som at opsamle data om processer. Flertallet af forretningsprocesser relaterer sig således til data på en eller flere af disse måder:

  • Data skabes eller vedligeholdes i processen og bruges i andre processer. Den bredere brug af data stiller større krav til kvaliteten og styringen af data og dermed til registrering og vedligeholdelse.
  • Data anvendes som indsigt / grundlag i processen for at forbedre beslutningerne og resultatet (effekten) – Eksempelvis hvad der er den optimale pris for et produkt.
  • Data om processen anvendes retrospektivt til at måle resultater herunder effektivitet – Eksempelvis hvor meget salg man har opnået i en given periode.

Hvis vi skal automatisere og med algoritmer understøtte hele eller dele af vore processer, skal der være fokus på alle tre komponenter

Før man designer detaljerede processer, er det således vigtigt at stille sig selv spørgsmålet:

hvilke data på hvilket detaljeringsniveau skal vi bruge for at understøtte beslutninger og skabe indsigt i vores performance?”

En central faktor i dette er organisationens sæt af målepunkter (KPIer), der afspejler det aktuelle ledelsesmæssige fokus, og hvad ledelsen lægger vægt på i den løbende drift. Der er således grund til at se på, om de nødvendige data til styring og ledelse registreres detaljeret nok, eller om der er behov for at redefinere, hvilke data der samles op i arbejdsprocesserne. Særligt i forhold til at understøtte algoritmer og digitalisering.

Når man designer processer, skal man derfor sikre, at ovenstående information bliver opsamlet og anvendt på rette niveau. Deloitte forventer, at langt flere vil implementere algoritme-baserede beslutninger og intelligent proces-automatisering. For at understøtte denne transformation er det således afgørende at designe processer med henblik på automatisering – gerne med fokus på, at et automatiseret proces-flow ikke unødigt opsplittes af manuelle skridt. Fuldt automatiserede processer reducerer ikke blot omkostninger, men giver mulighed for at udvikle helt nye services.

Datastrukturer bliver ”større end virksomheden”. En række industrier er kendetegnet ved, at kunderejsen går på tværs af leverandører, enten synligt (web-køb som leveres via en distributør) eller via underleverandører. Her er datadeling på tværs af organisationer i høj grad under udvikling, for at sikre bedre kundeoplevelser og bedre udnyttelse af ressourcer.

Datadeling og adgang til data hos andre parter ser vi som en del af svaret på kundernes stigende forventninger til eksempelvis hurtig levering. Datadeling kan ligeledes reducere behovet for en stor lagerbeholdning. Det bliver altså muligt med asset-light- eller asset-zero-modeller.

Et sådan datanetværk kan øge fleksibiliteten og skalerbarheden samtidigt med, at datadelingen sker aftalt og kontrolleret, således at kunder og øvrige interessenter kan fastholde tilliden til behandlingen og beskyttelsen af data.

Konsekvensen er, at der er et øget behov for et datadrevet syn på organisationen og dens samspil med såvel interne som eksterne aktører. Baggrunden er, at lokale processer og systemer ændres over tid, mens centrale strukturer, dataobjekter, forbliver konstante og i nogen grad systemagnostiske.

Implikationer for arkitekturdesign

Der er en indbygget konflikt i samspillet mellem procesunderstøttende kernesystemer og udviklingen inden for AI og algoritmer.

Ændringer i driftens kernesystemer sker oftest i et andet tempo end ændringer i behovet for analytiske løsninger. Det gælder især, når de analytiske løsninger skal bruges i driften og understøtte behovet for brug af data direkte i processerne. Et af succeskriterierne for kernesystemerne er stabilitet, hvor nye muligheder for at bearbejde data intelligent opstår hele tiden.

Den grundlæggende arkitektur bør derfor bygge på at adskille de to verdener, så vi på den ene side holder kerneapplikationer simple med mindst mulig tilpasning og fri for indlejring af avancerede algoritmer. På den anden side opbygges analytiske komponenter, som indeholder avancerede beregningsmotorer. Disse kan fleksibelt udvides og benytte nye algoritmer og metoder samt trække på eksempelvis cloud-baserede analytiske komponenter og ressourcer. Ultimativt er det algoritmer ”as a service”

De to anvendelser vil være en del af samme it-økosystem, men adskilte dele, frem for to selvstændige systemkomplekser.

For at kernesystemerne kan drage nytte af disse beregningsmotorer, må de understøtte API-kald fra de enkelte processer, hvilket bliver et helt afgørende udvælgelseskriterie, når der skal anskaffes nye systemer.

De traditionelle business intelligence- og rapporteringsplatforme kan ligeledes drage nytte af de avancerede analytiske motorer – enten direkte i forespørgsler eller i forbindelse med processering af data. Nogle applikationsplatforme kommer med sin egen indbyggede analytiske platform. Det kan have sine fordele at benytte disse, men det skal overvejes grundigt. Efterhånden som man får opbygget et systemlandskab med mange forskellige komponenter og derved potentielt mange forskellige analytiske platforme (på egne systemer og i Cloud). De allerstørste gevinster ved data realiseres, når vi:

  1. Bringer data sammen på tværs.
  2. Når brugerne faktisk formår at have nem adgang til dem.

Et analytisk miljø distribueret ud over mange platforme og slutbrugerværktøjer er ikke befordrende for hverken 1 eller 2. Så tænk data first, når du planlægger dit applikationslandskab. I en opfølgningsartikel efter sommerferien går vi dybere ind i, hvordan en ’data first’-tilgang kan ske.

Fandt du dette nyttigt?