De flesta framgångsrika organisationer behandlar datadrivet beslutsfattande som ett primärt mål och strävar efter det med religiös iver. Datadrivet beslutsfattande, de steg som leder till det och hur AI förändrar det är dock inte väldefinierade.

I ett AI-först företag innebär datadrivet beslutsfattande

• Strategiska beslut fattas av en varierad grupp, inklusive chefer, som förlitar sig på en tillräckligt omfattande uppsättning information av hög kvalitet. Per definition ska ett dåligt strategiskt beslut vara tillräckligt viktigt för att leda till att företaget går i konkurs.
• Det kommer att finnas operativa beslut med betydande affärsimplikationer där out-of-the-box-lösningar inte ger tillfredsställande resultat. Dessa genereras av skräddarsydda modeller för maskininlärning. Dessa modeller kan byggas genom att genomföra datavetenskapstävlingar, interna team eller genom att samarbeta med branschledare.
• De flesta andra operativa beslut hanteras av kontinuerligt lärande maskininlärningsmodeller som ger förklarliga beslut. Operativa beslut är frekventa (en gång i veckan eller oftare) och inte kritiska (ett enda misstag leder sannolikt inte till att företaget går i konkurs).
• Operationella beslut som inte kan automatiseras med god noggrannhet delegeras till människor.
  • Om data saknas fattas åsiktsbaserade beslut.
  • Om data finns och har analyserats förlitar sig beslutsfattaren på analysen.
  • Om data finns men ännu inte har analyserats avgör kostnaden för analysen om ett åsiktsbaserat eller databaserat beslut ska fattas.

Innan vi slår oss till ro med detta ramverk för beslutsfattande för moderna företag måste vi identifiera hur vi kan utvärdera olika modeller för beslutsfattande. Om du vill kan du dock hoppa direkt till de avsnitt som intresserar dig:

Varför är det viktigt?

Även om det är uppenbart att datadrivet beslutsfattande är viktigt skulle det vara synd om vi inte var datadrivna när det gäller att bevisa det. Även om det är svårt att få tag på kvantitativa uppgifter om datadrivet beslutsfattande finns det betydande bevis för att

• mängden data som genereras ökar. Varje dag skapar vi 2,5 kvintiljoner bytes data enligt Domos analys 2017. 90 % av de data som finns i världen idag har skapats under de senaste två åren.
• Företagen investerar mer i data och teknik för maskininlärning för att få insikter från dessa data.

En relevant undersökning, genomfördes av New Vantage Partners om företagens Big Data-investeringar. Resultaten belyser att företagen försöker få ett försprång gentemot varandra genom att implementera Big Data i hela företaget. Här är siffrorna i undersökningen:

Hur bedömer man olika modeller för beslutsfattande?

Beslutsfattande har 3 KPI:er: Snabbhet, kvalitet och granskningsbarhet. Brist på någon av dessa kan leda till kritiska misslyckanden.

• Långsamt beslutsfattande förlamar organisationer och gör det möjligt för konkurrenter att ta marknadsandelar.
• Dåliga beslut leder till misslyckanden. Ett dåligt beslut, oavsett hur väl genomfört det är, kommer sannolikt inte att generera värde. Motorolas beslut att fortsätta investera i Iridium-satelliter som kostade miljarder dollar resulterade till exempel i en stor avskrivning för företaget. Ett bra genomförande kunde inte ändra resultatet eftersom mobilkommunikation erbjöd ett billigare och högkvalitativt alternativ till satellittelefoner när Iridium-telefonerna lanserades.
• Om besluten inte kan granskas är de svåra att förbättra. Beslutskvaliteten är svår att mäta vid beslutstillfället men kan uppskattas senare genom att ta hänsyn till andra alternativ och aktuella marknadsförhållanden. En sådan analys i efterhand bör leda till bättre beslut

Vad är olika modeller för beslutsfattande?

De modeller för beslutsfattande som börjar med den lägsta nivån av sofistikering är:

1- Opinionsbaserad

Samtidigt som den ger snabba beslut kan beslutskvaliteten vara låg, vilket är farligt för strategiska beslut. Den kan dock tillämpas för snabba beslut i fall där:

• Data av hög kvalitet är inte tillgängliga
• Kostnaden för analysen är större än värdet av ett bra beslut

2- Drivs av begränsade datamängder

Organisationer som har problem med datakvalitet eller tillgänglighet förlitar sig troligen på begränsade datamängder för att fatta beslut. Detta är potentiellt den farligaste modellen för beslutsfattande eftersom beslutsfattare kan använda begränsade data för att stödja sina åsikter, vilket leder till beslut som har brett stöd men är åsiktsbaserade.

En betydande andel av konsultprojekten faller under denna kategori där konsulter kan få incitament att hitta begränsade datapunkter för att stödja åsiktsbaserade hypoteser.

Beslutskvaliteten kan bli bättre än opinionsbaserat beslutsfattande om beslutsfattarna är öppna för ny information, tar hänsyn till psykologiska fördomar, varierar sitt tillvägagångssätt för att göra en förutsägelse (inifrånperspektiv vs. utifrånperspektiv) och letar efter svar i stället för att leta efter data som stödjer deras åsikter.

3- Datadrivet beslutsfattande via manuell analys

För den här modellen måste data finnas tillgängliga och av hög kvalitet, och det måste finnas en konsensus om att data är korrekta. Det är den föredragna metoden för viktiga beslut där tidpunkten inte är kritisk och där kostnaden för automatisering är oöverkomlig i förhållande till fördelarna.

För att möjliggöra detta måste företagen:

• hantera sina data effektivt och ändamålsenligt
• säkra kvaliteten på sina data
• förlita sig på kraftfulla analys-/business intelligence-verktyg

4- Automatiserat datadrivet beslutsfattande

Data finns tillgängliga och av hög kvalitet, och det finns en samsyn om att data är korrekta och att de har bearbetats så att besluten fattas automatiskt. Baserat på resultaten förbättras beslutsmodellen kontinuerligt med tiden. Revisionen är dock en utmaning när skälen till besluten inte anges.

För att uppnå detta måste företagen tillämpa de senaste metoderna för maskininlärning och artificiell intelligens för att bygga automatiserade, operativa modeller baserade på deras data.

5- Automatiserat datadrivet förklarbart beslutsfattande

För att uppnå detta måste företagen tillämpa de senaste metoderna för maskininlärning och artificiell intelligens för att bygga automatiserade, operativa modeller baserade på deras data. Förklaringar hjälper till att granska beslut och kontinuerligt förbättra den underliggande modellen via manuella ingrepp ovanpå automatiserat kontinuerligt lärande.

Varför jag skrev detta?

Jag tillbringade större delen av min yrkeskarriär på McKinsey där datadrivet beslutsfattande är en av de centrala principerna. Det var en fantastisk princip men ganska utmanande att uppnå som konsult utan tillgång till interna data. Med tanke på min nuvarande erfarenhet av AI ville jag fundera på hur vi bättre kan definiera datadrivet beslutsfattande.

Hur kan ditt företag bli ett datadrivet företag i AI-åldern?

1. Företagen måste uppnå digital omvandling för att säkerställa att de har digitala processer. Vi har till exempel en detaljerad guide om hur man använder RPA för att digitalisera och automatisera repetitiva processer. Digital transformation gör det möjligt för företaget att generera data som kommer att användas för att bygga modeller och operationalisera beslutsfattandet. Data måste vara av hög kvalitet och tillgängliga för att möjliggöra ytterligare transformation.
2. AI-transformation kan börja när processerna digitaliseras. Processer med högt värde där det finns mogna out-0f-the-box-lösningar är de första områdena för AI-transformation.
3. I takt med att företagen implementerar fler maskininlärnings-/AI-baserade lösningar kommer det att finnas områden där out-0f-the-box-lösningar är otillräckliga. Företagen måste börja använda skräddarsydda AI-lösningar för att automatisera beslutsfattandet inom sådana områden.
4. I takt med att modeller används oftare i beslutsfattandet måste företagen se till att de är förklarliga och fria från fördomar.
5. Längs den här resan måste ledningen också anamma datadrivet beslutsfattande. Medvetna avvägningar måste göras om ansträngningen för dataanalys kontra kvaliteten på beslutet. Denna kulturella förändring är inte ett separat steg utan bör utvecklas i takt med att företagets analytiska kapacitet mognar. Ett företag med mogna digitala processer har råd att fatta fler av sina beslut på ett datadrivet sätt jämfört med ett företag med offlineprocesser, eftersom det kräver betydande ansträngningar att analysera resultaten av sådana processer i detalj.

Efter dessa steg kommer företaget att ha uppnått den mognadsnivå som beskrivs i början av artikeln. De exakta stegen för att nå dit beror på företagets nuvarande mognad. Företagen kan samarbeta med olika partner för att få stöd på denna resa:

• konsultföretag för digital omvandling för att identifiera dx-körplanen och genomföra nyckelinitiativ
• analyskonsulter för att inrätta företagets analysram som gör det möjligt att fatta kritiska beslut med en blandning av automatiserade och manuella analyser
• konsulter inom datavetenskap/ AI för att operationalisera företagets data genom att bygga anpassade modeller som autonomt fattar affärsbeslut, till exempel för att behandla lån eller fordringar
• Datavetenskapstävlingsarrangörer för att hjälpa företag att utnyttja visdom av folkmassor för att bygga effektiva modeller till begränsad kostnad

Om du har relevanta data för att lösa dina maskininlärningsproblem, men behöver stöd från partners för att bygga maskininlärningsmodeller, kan vi hjälpa till:

Identifiera partners för att bygga anpassade AI-lösningar

Om du har fler frågor hjälper vi dig gärna:

Låt oss hitta rätt leverantör för ditt företag.