Helenes officielle titel er Head of Technology and Business Development, og hun er ansvarlig for en ny særskilt teknologi division i Azets, der arbejder med robotteknologi og machine learning inden for administrationsopgaver, som skal sikre, at det danske selskab er på forkant med den teknologiske udvikling. .
Mange er allerede godt i gang med at bruge robotter og kunstig intelligens til at styrke forretningen og skabe værdi for kunderne. For andre kan det virke uoverskueligt at komme i gang. Årsagen er ofte manglende tid eller manglende forståelse for forandringer i organisationen. Andre har måske prøvet at automatisere en enkel proces, som er mislykkedes eller have skabt et datagrundlag, som ikke har givet den værdi, som man forventede – og så er potentialet ikke blevet afdækket eller forløst.
Der er derfor noget vej endnu, før alle ser værdien og fordelene ved data og automatisering af arbejdsgange. Coronakrisen har dog i den grad sat skub i brugen af teknologi, nu hvor folk er mere adskilt og skal arbejde hjemmefra – og hvor andre gentænker forretningsmodellen og driftsformen for at komme sikkert gennem krisen. Uanset om innovationen kommer i form af robotter, kunstig intelligens, machine learning eller simpel brug af online teknologi demonstrerer digitaliseringen derfor for alvor sin værdi i disse tider.
Løber aldrig tør for data
”Data er den nye olie”, er der nogen, der påstår. Men olie og data har meget forskellige egenskaber. Den økonomiske værdi fra data kan i mange virksomheder være endnu større end olie. Og i modsætning til olie bliver data ikke "brugt op". Data kan fornyes uendeligt. Det vil sige, at de samme data kan bruges igen og på flere måder, inkluderet i algoritmer og programmer som f.eks. RPA (Robotic Process Automation) eller machine learning. Samme grunddata stiger derfor i værdi, når data bruges som medvirkende faktor til at forbedre, forny og oprette nye arbejdsgange eller løsninger.
Data styrker forretningen
I modsætning til olie vokser dataværdien heller ikke ved blot at indhente mere. Det er den indsigt, der genereres gennem analyse og kombinationer af forskellige datasæt, der giver den reelle værdi. Virksomheder kan bruge data til at forbedre driften, effektivisere forretningsprocesser, yde bedre og hurtigere kundeservice, sikre bedre beslutningsprocesser, konkurrenceevne m.m. eller til at fremme nye produkter, processer, organisationsmetoder og forretningsmodeller.
F.eks.har det britiske initiativ RuralFirst ved brug af ny teknologi udviklet appen Me+Moo, som lader landmænd spore en "tilsluttet" ko og modtage daglige opdateringer om dyrets sundhed og adfærd. Teknologien kan hjælpe kunstvandingssystemer med at tænde på det optimale tidspunkt på dagen eller sørge for, at kvæg græsser på det område, der giver den bedste ernæring og dermed forbedre effektiviteten og øge fødevareproduktionen.
Et andet eksempel er Azets’ eget online værktøj CoZone. Blandt vores kunder godkender 6.300 ledere hver måned 55.000 tidsrapporter. Det tager meget tid, der bliver begået naturlige fejl, og så er det ofte ikke øverst på prioriteringslisten hos den enkelte leder. Ved at bruge machine learning har vi derfor udviklet en løsning, som automatisk hjælper lederne med at finde fejl i deres medarbejderes tidsrapportering, inden de godkender dem. Det betyder kortere tidsforbrug og færre fejl i processen.
Data er altså kun data. Det vil sige, indtil du sætter det sammen med noget andet, der skaber ny indsigt og værdi, du kan analysere og træffe beslutninger ud fra. Derefter kan data vise deres reelle værdi, hvilket kan vise sig at være endnu mere værdifuldt end olie.
Afklar, hvilke data I skal bruge
Det vigtige, når man arbejder med data og forretningsudvikling for den sags skyld, er, at man forbereder sit beslutningsgrundlag og finder ud af hvilke data, der er behov for og herefter hvordan de skal bruges. Forarbejdet er især vigtigt, idet de indsamlede data skal anvendes til at træffe strategiske beslutninger – så hvis datagrundlaget ikke er korrekt, er det logisk, at man risikerer at træffe forkerte beslutninger.
Ny ledelsesdisciplin
En datadreven organisation eller data crunching er derfor blevet en ny ledelsesdisciplin. En disciplin, hvor lederen skal træde i karakter og sammen med et hold af specialister skal finde ud af, hvilke data fra hvilke systemer, der er de mest brugbare. Og ikke mindst sikrer forankringen af processer, den kultur og ledelse, der bevirker en datadreven organisation.
I Azets har vi implementeret RPA og machine learning i mange af vores arbejdsgange. Vejen dertil har dog ikke været uden faldgruber og værdifulde erfaringer. Nedenfor er derfor et par tips til, hvad man som leder skal være opmærksom på for at sikre en smidig overgang til at skabe en mere datadreven organisation.
* Buy-in med demo
Fremlæggelse af ny teknologi bliver hurtigt indviklet uden konkrete eksempler fra hverdagen. Start derfor med at demonstrere teknologien i aktion på en gammel velkendt proces. Det giver medarbejderne en bedre forståelse – og samtidig skaber det et fælles mindset i organisationen, hvor folk tænker over andre automatiseringsidéer.
* Hurtige gevinster
Det er vigtigt med forståelse og knowhow, der skal opbygges gradvist i organisationen. Fokusér derfor på at opnå de hurtige gevinster, så ledelse og medarbejdere får en aha-oplevelse. På den måde skabes en positiv oplevelse for de involverede, der får indblik i, hvordan teknologi kan lette arbejdsprocesserne og dermed lettere kan acceptere forandringen.
* Små men mange gode eksempler
Spred små initiativer i hele organisationen i stedet for at fokusere på én dyrebar proces, der risikerer at mislykkes og dermed kan skabe mistillid for lignende tiltag. Hvis 5 ud af de 10 initiativer fungerer, ved vi allerede meget mere, end hvis et enkelt initiativ mislykkedes.
* Dokumentér processen
Detaljeret proceskendskab falmer med automatisering, hvorfor det kan være svært at rette op på fejl efterfølgende. Sørg for at have korrekt dokumentation af processen, inden automatiseringen igangsættes, så I er sikret backup- og bedre kan justere, hvis projektet skal redesignes.
* Udpeg et klart ansvar
Giv ansvaret for automatiseringen til en medarbejder, som kender processerne, da de pga. indsigt og erfaring vil være de bedste til at håndtere eventuelle fejl – naturligvis sammen med it-afdelingen. Samtidig sikrer uddelegeringen af ansvaret ejerskab og handleplaner, hvis processen ikke lever op til forventningerne.
