Vad är affärsintelligens? RevOps ultimata guide

Så du har fått grepp om din analys, och du är ganska säker på att du samlar in rätt information för att förutsäga vart ditt företag är på väg. Men vad är beslutsstöd? Om du inte vet det har du en blind fläck som kostar dig pengar, och det kan vara ännu allvarligare. Beslutsstöd kombinerar smart dataanalys med stordata i realtid för att ge dig en bild av vad som faktiskt händer i din organisation, snarare än vad du förväntar dig borde hända. Att få grepp om konceptet är som att skaffa ett extra par ögon för att se vad som verkligen pågår i ditt företag.

Den här artikeln handlar om beslutsstöd, hur det fungerar och varför du bör bry dig om det. Målet är att lära dig några enkla sätt att förändra din interna återkoppling för att få bättre (och faktiskt användbar) datavisualisering och förbättra din beslutsprocess. När du är klar bör du ha några konkreta insikter som du kan använda när du kommer tillbaka till kontoret och som förändrar hur du ser på din företagsanalys.

Vad är beslutsstöd?

Vi börjar med vad beslutsstöd är och hur det skiljer sig från den företagsanalys du redan använder. Till att börja med är det här inte 100 % olika idéer, eftersom både beslutsstöd och företagsanalys är sätt för dig att få en tydlig bild av vad ditt företag håller på med och hur det går med försäljning, kundlojalitet, lager och så vidare.

Båda använder stordata och avancerade datautvinningstekniker för att sålla fram viktiga informationsbitar och skapa en helhetsbild åt dig. Båda presenterar vanligtvis data på ett sätt som är begripligt i någon form av interaktiv instrumentpanel, och både företagsanalys och beslutsstöd är strukturerade för att skapa en tydlig bild ur det slumpmässiga kaoset i ett stort företag med verksamhet överallt.

Skillnaden ligger i tidsfaktorn. Företagsanalys är en teknik för att göra korrekta prognoser som bör hålla i framtiden, medan bra beslutsstöd handlar om att se vad som händer nu, i den omedelbara nutiden. Medan en bra analys från för tre månader sedan berättade vad du kunde förvänta dig av försäljningen det här kvartalet, berättar bra beslutsstöd om du når de målen eller var du kan ha hamnat fel.

Det gör att du kan upptäcka små problem medan de fortfarande är små, i stället för att stå och klia dig i huvudet i slutet av räkenskapsåret och undra varför du bara uppnådde hälften av det du hade prognostiserat. Det är en tillräckligt viktig fråga för att Inrikesdepartementet faktiskt hjälper små företag att sätta upp sina egna verktyg för beslutsstöd.

För att få en tydligare bild av hur det här passar in i din verksamhet kan du tänka på hur många företag just nu desperat försöker anställa och behålla bra medarbetare. Din företagsanalys från HR förutspådde att 100 000 dollar i rekrytering skulle ge dig 110 % av de medarbetare du behöver i år, och kanske skulle omkring 9 % naturligtvis inte fungera av någon anledning, vilket skulle lämna dig med 101 % bemanning. Så du investerar pengarna, placerar några annonser och genomför flera omgångar av intervjuer och anställningar. Sedan visar det sig vid årets slut att du har för få medarbetare och måste tacka nej till arbete eftersom den personal som är kvar redan arbetar dubbla skift. Vad hände?

Det visade sig att kontoret var för kallt och att en mängd människor slutade eftersom de inte tyckte om det. Ja, det låter dumt, men ibland är det verkligen så enkelt. Du fick dock inte reda på det förrän den 15 april, eftersom du hela vintern utgick från analysmodellen i stället för att följa personalomsättningen i realtid och genomföra grundliga avgångsintervjuer för att ta reda på varför kontorspersonalen, men inte dina fälttekniker, sade upp sig. Det här belyser några av de största utmaningarna inom beslutsstöd som organisationer står inför i dag.

Avgångsintervjuer är en mycket enkel form av insamling av beslutsunderlag. Om du hade genomfört dem och haft bra verktyg för att vidarebefordra informationen till ledningen, hade du kunnat justera termostaten i september och sparat 50 000 dollar på nästa års rekrytering. I det här exemplet visar exempel på beslutsstöd vad som händer just nu, medan det utvecklas, och varför verkligheten avviker från prognoserna.

Olika typer av BI-verktyg

Det är bara ett mycket enkelt exempel på hur återkoppling i realtid kan leda till konkreta förändringar som sparar en förmögenhet. Beslutsstöd i modern tid har gått långt förbi den grundläggande fråge- och svarsnivån i avgångsintervjuer. Och naturligtvis är bra rapportering den andra sidan av saken. Alla fördelar med beslutsstöd i världen hjälper dig inte om resultaten inte når någon som kan agera utifrån dem. 

De verktyg för beslutsstöd du använder för att samla in och presentera data varierar beroende på vilken typ av verksamhet du bedriver, vilka slags mätvärden du är intresserad av och, ärligt talat, hur bekväm du själv är med teknik. Det är visserligen bra att investera i den senaste häftiga stordata-instrumentpanelen som lovar sekund-för-sekund-spårning av ditt lager när det rör sig genom lagerlokaler på tre kontinenter, men om du inte kan läsa resultatet kan du lika gärna gissa. Här är några av de populäraste sätten för människor att få tillgång till sitt beslutsunderlag, både genom att samla in det och genom att läsa det på ett begripligt sätt.

Kalkylblad

När jag säger kalkylblad kommer du först att tänka på Microsoft Excel och Google Sheets, och det är inte fel. Vanliga kalkylblad är fantastiska verktyg för att visa enorma mängder data, oändligt skalbara, i ett enkelt grafiskt format. Behöver du hålla koll på 50 saker samtidigt? Lägg till kolumner. Får du in uppgifter från 15 källor? Lägg till rader. Vill du växla mellan data om försäljningsprovisioner, personaluppföljning, omkostnader och priset du betalar för koppartråd? Lägg till några flikar och arbeta i ett enda dokument. 

Behöver du veta vilken genomsnittlig avkastning du får på koppartrådarna du köper, indexerad efter någon av de 37 produktlinjer du säljer som använder dem? Det är enkelt. Skriv bara in priset på tråden i kolumn A, mängden som används per produkt i kolumn B, lägg till rader för varje produkt och be trollkarlen i datorn att ta fram ett genomsnitt i kolumn C för varje rad. Exportera sedan detta till din logistikansvarige så att hen kan förklara vad du tittar på.

De tidigaste kalkylbladen var stora pappersböcker som du var tvungen att klottra i med en fjäderpenna eller något liknande. Senare var de program som du hade på datorn och fysiskt kopierade till disketter (ah, det var tider det). Nu för tiden finns allt i molnet, och du delar dina kalkylblad med relevanta personer på företaget i realtid. Det är bara att öppna dem, skriva in siffrorna eller titta på de aktuella uppgifterna från morgonens sammanställning, så har du officiellt koll på de siffror du behöver.

Rapporteringsprogramvara

Rapporteringsprogramvara är ett halvt steg upp från molnbaserade kalkylblad när det gäller att följa upp affärsdata. Precis som kalkylblad är dessa program ett praktiskt och intuitivt sätt att följa upp de siffror du bryr dig om, men i ett system som är byggt kring dina behov i stället för ett anpassat kalkylblad. Vissa av dessa verktyg är dataätande monster. Ett av dem, datapine, låter alla på företaget mata in data från vilken avdelning eller station som helst, sammanställa allt i kategorier och visa hela resultatet precis som du vill. 

Du kan till och med gå över till SQL-läget och köra egna anpassade frågor, eller bara låta det imponerande användargränssnittet göra det åt dig. Förr eller senare kommer de att få dig att ladda ner appen, annars kan du inte anpassa gränssnittet, men i övrigt är det som att ha Spock som vetenskapsofficer, som läser upp relevanta data och snabbar på ditt beslutsfattande med mobil BI-programvara.

Programvara för datavisualisering

Okej, härifrån blir det alltså ännu bättre. Programvara för datavisualisering liknar rapporteringsprogramvara, förutom att den inte har särskilt höga tankar om dig som intelligent människa. Bra visualiseringsprogram är i princip rapporteringssystem och appar med ett fantastiskt designteam som verkligen har satsat på resultatet och användargränssnittet för att göra affärsdata så lättförståeliga som möjligt.

Säg att du har en enorm mängd data från leverantörer, återförsäljare, kundfeedback, statliga tillsynsmyndigheter och ditt team för finansiella tjänster. Enligt deras prediktiva analyser borde det vara okej för dig att ta ett lån för att köpa koppar innan priserna stiger och sedan betala av räntan med pengarna som folk betalar för dina musikaliska kaffebryggare. Men när du visar allt i ett verktyg som Tableau kan du se att försäljningen på Amazon har gått trögt, att stigande räntor har gett dig ett tufft återbetalningsschema och att försäljningsrapporter som är trögare än vanligt gör det svårare att slutföra affären, vilket tyder på en minskande kundbas.

Med all denna information på förstasidan i din instrumentpanel säger du åt ekonomiavdelningen att glömma lånen, åt logistiken att hitta billigare koppartråd, åt försäljningen att ta fram nya mål och åt forskning och utveckling att tänka om, kanske genom att förbättra kaffebryggarna med en digital klocka i basen. Du har fattat en serie affärsbeslut, alla baserade på en bild av verksamheten som du inte skulle ha haft utan relevant, relationsbaserad visualisering av viktiga data från flera platser. Några av de bästa verktygen för detta är:

• Google Charts
• Tableau
• Grafana
• Chartist
• FusionCharts
• Datawrapper
• Infogram
• ChartBlocks

Onlineanalytisk bearbetning (OLAP)

Det här är ganska häftigt, säger du till dig själv, men hur i hela friden vet jag vilka data jag ska titta på från första början? Är det inte en fråga om skräp in, skräp ut? Vem talar om för dig vilka data som är viktiga för beslutsfattandet och vad som är irrelevant?

Det är där analytisk bearbetning online kommer in. Tänk på OLAP som en smart mänsklig forskare som inte sover och som vet exakt var relevant information ska hittas. Oavsett vilken typ av organisation du driver lagrar du förmodligen information från flera källor, till exempel direkt feedback, webbtrafik, interna system, försäljningsdata med mera. Ett bra OLAP-verktyg genomsöker dessa källor och matar in dem i din programvara för datavisualisering eller rapportering, med ett stordataangreppssätt för analys och spårning i realtid som är som att ha en expert inom varje område som ringer dig varje dag för att berätta vad som händer.

Datautvinning

Datautvinningsverktyg kompletterar din OLAP genom att samla in de rådata du behöver från början. Tänk på datautvinningsappar som poliser ute på gatorna. När ditt OLAP-system (löjtnanten) säger åt sina detektiver att gå ut och genomföra intervjuer är det datautvinningsprogrammen som tar på sig trenchcoats, plockar fram anteckningsblock och börjar ställa frågorna.

Behöver din OLAP sammanställa data från försäljning, marknadsundersökningar och lager? Det är din försäljningsprogramvara som hämtar faktiska försäljningssiffror direkt från dessa databaser, tillsammans med svar från kundenkäter och lagerinformation om produktomsättning. Innan du kan fatta smarta, datadrivna beslut behöver du själva datan. Datautvinning är ett av de BI-verktyg som arbetar tyst i bakgrunden för att ge dina andra system för affärsintelligens den råinformation de behöver för att göra sitt jobb. 

Fördelar med affärsintelligens

Du får många fördelar av lösningar för affärsintelligens. Även om vi har gått igenom komponenterna i maskininlärning och olika BI-plattformar kanske du fortfarande inte är övertygad om varför du över huvud taget bör använda det. Och jag förnekar inte att det finns utmaningar med att implementera BI. Men enligt min mening väger fördelarna långt tyngre än nackdelarna.

Så varför är affärsintelligens så viktigt, och varför behövs det om du redan har prediktiv analys och huvudet på skaft? 

Här är fyra skäl:

En helhetssyn

För det första ger bra affärsintelligens dig en helhetsbild av hur det går. Du är chefen, minns du? Du behöver se helheten. Tidigare innebar det att du antingen kom till korta genom att ta ett steg tillbaka och tappa detaljerna ur sikte, eller att du zoomade in och inte såg skogen för alla träd. Med självbetjäningsverktyg för affärsintelligens kan du se träden i sitt sammanhang, så att du nästan intuitivt förstår hur det går.

Ökad organisatorisk effektivitet

Organisationens olika delar måste kommunicera med varandra för att få något gjort. Slumpmässiga möten i korridoren räcker inte för informationsdelning i ett modernt företag, och även strukturerade möten har bara ett begränsat värde. Den artificiella intelligens som finns inbyggd i BI-applikationer använder maskininlärning för att sammanföra relevanta data och leverera dem till de personer som behöver dem. Effektivitetsvinsterna talar för sig själva. 

Datadrivna affärsbeslut

Intuition har sin plats i affärsvärlden, och du är förmodligen bra på det, men utan data gissar du. Datadrivna beslut börjar med data, och hela poängen med programvara för affärsintelligens är att ge dig dessa data i en form som du kan ta till dig. Att veta vad du gör från en dag till nästa är en konkurrensfördel gentemot konkurrerande företag.

Förbättrad kundupplevelse

BI-lösningar kan vara skrämmande smarta, och de visar det genom att lösa problem som ännu inte har uppstått. Ett smart angreppssätt för försäljning, marknadsföring, leveranskedjor och leveranssystem – ja, allt du kan tänka dig – samverkar för att lösa potentiella kundklagomål innan de uppstår. Det är dock viktigt att förstå nackdelarna med affärsintelligens före implementeringen. Ditt BI-system kan ha pekat på ett problem med ditt webbgränssnitt flera månader tidigare, och när du löste det i tid förhindrade du tusentals webbplatsbesökare från att stöta på problem och lämna in klagomål.

3 steg till affärsintelligens

När du förstår faserna i affärsintelligens blir det enklare att avgöra vad som ska automatiseras. Här är de vanligaste stegen:

Steg 1: Insamling av data

Du kan hämta data från flera källor. Börja med att planera för att mata din BI-programvara med data som samlats in från så många källor som möjligt. Bra affärsdata kan komma från:

• Undersökningar, frågeformulär, opinionsundersökningar osv. 
• Försäljningssiffror
• Lagerhanteringsprogram
• Smarta mätare
• Resultatmått
• IBM POS-skanningar och andra fältsystem
• I princip allt annat i världen som du kan tänka dig 

Steg 2: Analysera data

Dataforskare behöver data, och när de väl har den behöver de förstå vad de tittar på samtidigt som de hanterar vanliga BI-utmaningar. Du behöver inte ett team av dataanalytiker för att hantera relativt enkla saker, som löneadministration i ett kalkylark, men för allt som är större än det du kan föra in i en bokföringsbok bör du använda bra analysverktyg som de som listas ovan. Du kan också överväga någon form av utbildning, till exempel att gå en kurs i affärsintelligens.

Steg 3: Presentera data

Utdata, utdata, utdata. Om du ska förstå det du har behöver du läsa det i en form som är begriplig från början. Välj ett bra verktyg för datavisualisering som fungerar i moderna affärsmiljöer. Infografik passar utmärkt för detta, liksom traditionella diagram och grafer. Det är i princip upp till dig, och bra analysverktyg erbjuder dig en rad olika visualiseringsalternativ.

Få ihop allt

Så sammanfattningsvis, vad är affärsintelligens? Det är uppsättningen dataanalysverktyg du använder för att förstå den moderna verksamhet du driver och fatta smarta beslut om vart du ska gå härifrån. Att prenumerera på RevOpsTeams nyhetsbrev är ett annat smart beslut, och det är ett beslut du bör fatta just nu för att hålla dig uppdaterad om de senaste metoderna, verktygen och trenderna som kan ge ditt varumärke den konkurrensfördel det behöver för att blomstra.