De fleste succesfulde organisationer behandler datadrevet beslutningstagning som et primært mål og forfølger det med religiøs iver. Datadrevet beslutningstagning, de trin, der fører til den, og hvordan AI ændrer den, er imidlertid ikke veldefineret.

I en AI-første virksomhed betyder datadrevet beslutningstagning

  • Strategiske beslutninger træffes af en forskelligartet gruppe, herunder ledere, der er afhængige af et tilstrækkeligt omfattende sæt af oplysninger af høj kvalitet. En dårlig strategisk beslutning skal pr. definition være vigtig nok til at føre til virksomhedens fiasko.
  • Der vil være operationelle beslutninger med betydelige forretningsmæssige konsekvenser, hvor out-of-the-box-løsninger ikke giver tilfredsstillende resultater. Disse genereres af specialfremstillede maskinlæringsmodeller. Disse modeller kan bygges ved at afvikle datavidenskabs-konkurrencer, interne hold eller ved at samarbejde med førende virksomheder i branchen.
  • De fleste andre operationelle beslutninger håndteres af løbende lærende maskinlæringsmodeller, som producerer forklarlige beslutninger. Operationelle beslutninger er hyppige (en gang om ugen eller hyppigere) og ikke kritiske (en enkelt fejl vil sandsynligvis ikke føre til virksomhedens fiasko).
  • Operationelle beslutninger, som ikke kan automatiseres med god nøjagtighed, uddelegeres til mennesker.
    • Hvis der mangler data, træffes opinionsbaserede beslutninger.
    • Hvis data findes og er blevet analyseret, stoler beslutningstageren på analysen.
    • Hvis data findes, men endnu ikke er analyseret, bestemmer omkostningerne ved analysen, om der træffes en opinions- eller databaseret beslutning.

Hvor vi lægger os fast på denne ramme for beslutningstagning for moderne virksomheder, er vi nødt til at identificere, hvordan vi kan evaluere forskellige beslutningsmodeller. Hvis du har lyst, kan du dog springe direkte til de afsnit, der interesserer dig:

Hvorfor er det vigtigt?

Selv om det er indlysende, at datadrevet beslutningstagning er vigtig, ville det være en skam, hvis vi ikke var datadrevne i forhold til at bevise det. Selv om kvantitative data om datadrevet beslutningstagning er svære at få fat i, er der betydelige tegn på, at

  • mængden af genererede data er stigende. Hver dag skaber vi 2,5 quintillion bytes data ifølge Domo’s analyse i 2017. 90 % af de data, der findes i verden i dag, er blevet skabt inden for de sidste to år.
  • Firksomhederne investerer mere i data og maskinlæringsteknologi for at få indsigt fra disse data.

En relevant undersøgelse, blev foretaget af New Vantage Partners om virksomhedernes Big Data-investeringer. Resultaterne fremhæver, at virksomhederne forsøger at få en fordel i forhold til hinanden ved at implementere Big Data i hele virksomheden. Her er tallene i undersøgelsen:

Hvordan vurderer man forskellige beslutningsmodeller?

Beslutningstagning har 3 KPI’er: Hastighed, kvalitet og kontrollerbarhed. Mangel på nogen af disse kan føre til kritiske fiaskoer.

  • Langsom beslutningstagning lammer organisationer og giver konkurrenterne mulighed for at vinde markedsandele.
  • Dårlige beslutninger fører til fiaskoer. En dårlig beslutning, uanset hvor godt den er udført, er usandsynligt, at den vil skabe værdi. For eksempel resulterede Motorolas beslutning om at fortsætte med at investere i Iridium-satellitter, som kostede milliarder af dollars, i en stor nedskrivning for virksomheden. En god gennemførelse kunne ikke ændre resultatet, da mobilkommunikation var et billigere og bedre alternativ til satellittelefoner på det tidspunkt, hvor Iridium-telefonerne blev lanceret.
  • Hvis beslutninger ikke kan revideres, er de svære at forbedre. Det er vanskeligt at måle beslutningskvaliteten på beslutningstidspunktet, men den kan vurderes senere ved at tage andre alternativer og de aktuelle markedsforhold i betragtning. En sådan post mortem-analyse bør føre til bedre beslutninger

Hvad er forskellige modeller for beslutningstagning?

Beslutningstagningsmodellerne begyndende med det laveste sofistikeringsniveau er:

1- Opinionsbaseret

Selv om den giver hurtige beslutninger, kan beslutningskvaliteten være lav, hvilket er farligt for strategiske beslutninger. Den kan dog anvendes til hurtig beslutningstagning i tilfælde, hvor:

  • Data af høj kvalitet er ikke tilgængelige
  • Oplysningsomkostningerne er større end værdien af en god beslutning

2- Drevet af begrænset datamængde

Organisationer med problemer med datakvalitet eller tilgængelighed vil sandsynligvis være afhængige af begrænsede datamængder til at træffe beslutninger. Dette er potentielt den farligste beslutningstagningsmodel, da beslutningstagere kan bruge begrænsede data til at understøtte deres meninger, hvilket fører til bredt støttede, men meningsbaserede beslutninger.

En betydelig andel af konsulentprojekter falder ind under denne kategori, hvor konsulenter kan have incitamenter til at finde begrænsede datapunkter til at understøtte meningsbaserede hypoteser.

Beslutningskvaliteten kan være bedre end meningsbaseret beslutningstagning, hvis beslutningstagerne er åbne over for nye oplysninger, tager hensyn til psykologiske fordomme, varierer deres tilgang til at foretage forudsigelser (indvendigt syn vs. udvendigt syn) og søger efter svar i stedet for at søge efter data til støtte for deres mening.

3- Datadrevet beslutningstagning via manuel analyse

For denne model skal data være tilgængelige, af høj kvalitet, og der skal være konsensus om dataenes korrekthed. Det er den foretrukne fremgangsmåde for vigtige beslutninger, hvor timingen ikke er kritisk, og hvor omkostningerne ved automatisering er uoverkommelige i forhold til fordelene ved den.

For at muliggøre dette er virksomhederne nødt til at:

  • forvalte deres data effektivt og virkningsfuldt
  • sikre kvaliteten af deres data
  • forlade sig på kraftfulde analytics/business intelligence-værktøjer

4- Automatiseret datadrevet beslutningstagning

Data er tilgængelige og af høj kvalitet, og der er konsensus om dataenes korrekthed, og de er blevet behandlet, så beslutningerne træffes automatisk. På baggrund af resultaterne forbedrer beslutningsmodellen løbende sig selv over tid. Revision er dog en udfordring, når der ikke gives begrundelser for beslutningerne.

For at opnå dette skal virksomhederne anvende de nyeste metoder til maskinlæring og AI til at opbygge automatiserede, operationelle modeller baseret på deres data.

5- Automatiseret datadrevet forklarbar beslutningstagning

Foruden automatiseret datadrevet beslutningstagning anvendes forklarbare maskinlæringsmodeller til at træffe beslutninger. Forklaringer hjælper med at revidere beslutninger og løbende forbedre den underliggende model via manuelle indgreb oven på automatiseret kontinuerlig læring.

Hvorfor jeg skrev dette?

Jeg har tilbragt det meste af min professionelle karriere hos McKinsey, hvor datadrevet beslutningstagning er et af de centrale principper. Det var et fantastisk princip, men ret udfordrende at opnå som konsulent uden adgang til interne data. I lyset af min nuværende erfaring med AI ville jeg tænke over, hvordan vi bedre kan definere datadrevet beslutningstagning.

Hvordan kan din virksomhed blive en datadrevet virksomhed i AI’s tidsalder?

  1. Firksomhederne skal opnå digital transformation for at sikre, at de har digitale processer. Vi har f.eks. en detaljeret guide til brug af RPA til at digitalisere og automatisere gentagende processer. Digital transformation gør virksomheden i stand til at generere data, som vil blive brugt til at opbygge modeller og operationalisere beslutningstagning. Data skal være af høj kvalitet og tilgængelige for at muliggøre yderligere transformation.
  2. AI-transformation kan starte i takt med, at processerne digitaliseres. Processer med høj værdi, hvor der findes modne out-0f-the-box-løsninger, er de første områder for AI-transformation.
  3. I takt med, at virksomhederne implementerer flere maskinlærings-/AI-baserede løsninger, vil der være områder, hvor out-0f-the-box-løsninger er utilstrækkelige. Virksomhederne skal begynde at implementere tilpassede AI-løsninger for at automatisere beslutningstagningen på sådanne områder.
  4. I takt med, at modellerne bruges hyppigere i beslutningstagningen, skal virksomhederne sikre, at de kan forklares og er fri for bias.
  5. Langs denne rejse skal ledelsen også omfavne den datadrevne beslutningstagning. Der skal foretages bevidste afvejninger af indsatsen for dataanalyser i forhold til kvaliteten af beslutningen. Denne kulturelle ændring er ikke et særskilt skridt, men bør udvikles i takt med, at virksomhedens analytiske kapacitet modnes. En virksomhed med modne digitale processer kan tillade sig at træffe flere af sine beslutninger på en datadrevet måde i forhold til en virksomhed med offlineprocesser, da det kræver en betydelig indsats at analysere resultaterne af sådanne processer i detaljer.

Efter disse trin vil virksomheden have opnået det modenhedsniveau, der er beskrevet i begyndelsen af artiklen. De nøjagtige trin for at nå dertil vil afhænge af virksomhedens nuværende modenhed. Virksomhederne kan samarbejde med forskellige partnere for at få støtte på denne rejse:

  • konsulentvirksomheder inden for digital transformation til at identificere dx-køreplanen og implementere nøgleinitiativer
  • analysekonsulenter til at opstille virksomhedens analytiske ramme, som gør det muligt at gennemføre kritiske beslutninger med en blanding af automatiseret og manuel analyse
  • data science / AI-konsulenter til at operationalisere virksomhedens data ved at opbygge brugerdefinerede modeller, der autonomt træffer forretningsbeslutninger som f.eks. behandling af lån eller krav
  • arrangører af datavidenskabskonkurrencer for at hjælpe virksomheder med at udnytte visdom fra mængden til at opbygge effektive modeller til begrænsede omkostninger

Hvis du har relevante data til at løse dine maskinlæringsproblemer, men har brug for støtte fra partnere til at opbygge maskinlæringsmodeller, kan vi hjælpe:

Identificer partnere til at bygge tilpassede AI-løsninger

Hvis du har flere spørgsmål, hjælper vi dig gerne:

Lad os finde den rigtige leverandør til din virksomhed

Skriv et svar

Din e-mailadresse vil ikke blive publiceret.