Find indhold
    BLOG
12 minutter

Dataanalyse: 6 trin til at tage data-drevne beslutninger

udgivet 19.10.2018
opdateret 06.01.2019
RESUMÉ

Når man som virksomhedsejer står ovenfor en vigtig beslutning, kan det være svært at skulle tage et valg. Heldigvis vil svaret man leder efter ofte findes i ens data. Læs denne artikel for at få 6 simple trin til hvordan du kan tage data-drevne beslutninger.

Som vi har skrevet om tidligere, er dataanalyse et af de områder, hvor SMV’er er længst bagud ift. større virksomheder. Samtidig danner data, og analyser af data hertil, selve grundlaget for at tage kvalificerede forretningsbeslutninger. For at mindre virksomheder skal opretholde konkurrenceevnen fremover, er det derfor helt nødvendigt, at ejere og ledere af SMV’er er bevidste omkring deres beslutningsprocesser, og måden dataanalyse integreres i disse. For at gøre det mere overskueligt, vil vi i denne artikel præsentere en simpel arbejdsskabelon udviklet af Harvard-forskeren, Thomas H. Davenport1, til at tage data-drevne beslutninger.

De seks trin til at foretage beslutninger baseret på dataanalyse

Trin 1) Definer problemet

Inden du skal tage en beslutning, bør du altid starte med at definere problemet eller spørgsmålet, du vil løse. I praksis handler det om, at du tager det abstrakte og konkretiserer det på en måde, hvor der ikke længere er nogen tvivl om, hvad det er, du rent faktisk prøver at løse. Selv om det måske lyder banalt, er dette trin helt centralt i beslutningsprocessen, eftersom et problem, der ikke er afgrænset, heller ikke vil kunne løses på en analytisk måde.

Trin 2) Søg efter tidligere analyser og gennemgå dem

Måske findes der nogen, som allerede har løst det problemet, du står overfor? Sandsynligvis vil der ikke findes en komplet løsning til et problem, som er meget specifikt for din virksomhed, men du skal heller ikke afskrive, at der findes mange andre, som har arbejdet med lignende problemstillinger. Brug derfor tid på at gennemgå eksisterende research og litteratur inden for emnet. Det kan give dig et meget bedre udgangspunkt for at løse problemet, idet du vil få nogle idéer om, hvor du bør kigge for at finde løsningen.

Trin 3) Modeller en løsning og find dine variabler

Nu når du har et klart defineret problem, og har tilegnet dig basisviden om emnet, bliver det næste trin at lave en (eller flere) hypotese(r). Hvad tror du, svaret er på dit problem? Og hvilke faktorer (variabler) antager du, kommer til at påvirke det endelige udfald?

Trin 4) Indhent og få struktur på din data

For at du skal kunne analysere din data, må du først fremskaffe den - noget vi har skrevet mere om i vores første artikel om dataanalyse. I bund og grund handler dette trin om, at du med udgangspunkt i variablerne du fandt frem til i trin 3, samler relevant data, som kan bruges til at måle effekten af variablerne på udfaldet, og dermed give dig et svar på din hypotese.

Trin 5) Analyser din data

Dataanalyse har mange metoder, hvor de fleste bygger på grundlæggende statistiske principper. Samtidig behøver du ikke være en statistiker for at forstå det konceptuelle bag disse principper, så gør dig derfor bekendt med nogle standardbegreber som korrelation, kausalitet, statistisk signifikans og konfidensinterval. Derefter burde du visualisere din data (her kan et program som Excel nemt hjælpe dig med at lave grafer). Når du har en visuel oversigt over din data, vil det hjælpe dig til at se, hvor dine svar sandsynligvis ligger. Du kan dermed lave nogle simple regressionsanalyser, eller mere komplekse modelleringer, via f.eks. maskinlærings-algoritmer, for at finde frem til løsningen på dit problem. Arbejd med din(e) model(ler), indtil du er tilfreds med resultatet og mener, at det giver dig et svar på din hypotese, som du kan stole på.

Trin 6) Resultater, konklusion og handlingsplan

Det sidste, og måske vigtigste punkt, for hele dataanalyse-processen, er at samle dine resultater på en måde, hvor de kan bruges til handling. Hvis du ikke gør dette, vil alt dit arbejde blive liggende ubrugt, og selv om du har lært en del af processen, vil det ikke hjælpe dig med at tage den rigtige beslutning for din forretning. Lav derfor en sammenfatning af analysens udfald, og svar på dit originale spørgsmål. Udarbejd derefter en handlingsplan baseret på din dataanalyse, og eksekver.

Eksempel: Shopwebben

For at hjælpe dig med hvordan, du bruger denne arbejdsskabelon i praksis, har vi lavet et illustrativt eksempel nedenfor:

Ejeren af Shopwebben, vores fiktive webshop, har i det sidste lagt mærke til, at hun bruger alt for mange penge på marketing i forhold til hvad det giver i salg. Samtidig ved hun, at marketing er helt nødvendigt for at få nye kunder ind i butikken, men når marketingomkostningerne næsten sluger hele hendes overskud, er det klart, at noget må gøres.

Trin 1) Vores ejer starter derfor med at lave en klar definition af problemet:

”Hvilke af mine marketingkanaler, digitale eller traditionelle, burde jeg skære ned på?”

Trin 2) Derefter bruger hun nogle timer på Google, og finder frem til, at den generelle konsensus er, at digital markedsføring, specielt igennem kanaler som Facebook og LinkedIn, tit har en lavere omkostning per kunde end traditionel markedsføring.

Trin 3) Baseret på de to første trin, og hendes intuition, laver vores ejer en hypotese om, at hun tror det er sandsynligt, at den traditionelle markedsføring har højere omkostninger end den digitale. For at kunne måle dette, vælger hun at se på markedsføringsrelaterede omkostninger per krone tjent i salg, for de to kanaler.

Trin 4) Her opstår det et stort problem for vores ejer. Selv om det er nemt at finde den nødvendige data for at lave en ”cost-benefit” analyse af hendes digitale markedsføringskampagner, er det sværere at finde sammenlignelige data for den traditionelle markedsføring. Heldigvis er hendes digitale markedsføring relativt konstant (hun bruger samme pengesum på de samme digitale annoncer hver måned), mens de traditionelle kampagner kører periodevis. Hun kan dermed måle effekten af kampagnerne på salget ved at subtrahere salgsomsætningen for perioderne, hvor de traditionelle kampagnerne kører med en estimeret salgsomsætning for den samme periode, hvis kampagnerne ikke havde kørt (altså foregående periodes salgs plus organisk vækst og justeret for sæson). Dette tal vil aldrig blive helt præcist, men det giver hende et udgangspunkt for at sammenligne effekten af de to markedsføringskanaler.

Trin 5) Det næste trin bliver at gennemføre en dataanalyse. For den digitale markedsføring kan hun rimelig præcist anslå, ved at se på konverteringstal og omkostninger for annonceringen i hendes Google Analytics, at hun bruger tredive øre per krone tjent i salg. Samtidig ser hun, at de traditionelle kampagner, selv om de giver et lille løft i salgsomsætningen, faktisk koster mere end den estimerede forskel i salgsomsætning; altså koster det mere end en krone i markedsføringsomkostninger per krone tjent i salg for de traditionelle kampagner.

Trin 6) Hvad bliver resultatet så? Umiddelbart konkluderer ejeren, at den traditionelle markedsføring helt klart burde skæres ned på, siden omkostningerne overgår den øgede omsætning. Hvis hun er presset på likviditet, vil dette helt klart være den bedste kortsigtede løsning, men hvis vi antager at butikken generelt set går godt, og at hendes pengestrømme er sunde, vil det nok være lønsomt at undersøge og analysere problemet helt til bunds. Måske er traditionel markedsføring stadig værd at bruge penge på, hvis hun skifter fra TV til radio? Eller måske er problemet, at hendes annoncer simpelthen ikke er gode nok? Det næste trin vil derfor være at lave processen igen, men med et udgangspunkt for at svare på, hvorfor hendes traditionelle markedsføring præsterer dårligere end hendes digitale markedsføring. Ved at samle data ind og analysere denne ift. dette spørgsmål, vil hun få et klart svar på, om hun bare burde stoppe (eller i hvert fald skære markant ned) med hendes traditionelle markedsføring, eller om hun med nogle ændringer i annonceringen kan forbedre resultaterne nok til, at det bliver pengene værd at satse på begge kanaler.

Hvordan kan du bruge denne arbejdsskabelon til dataanalyse og beslutningstagning i din virksomhed?

Ved at følge de seks trin præsenteret i denne artikel, vil du på en systematisk måde kunne svare på de vigtigste spørgsmål angående din virksomhedsdrift. Selvfølgelig er intuition og generel viden om virksomhedsdrift vigtig, men når du står ovenfor et kompliceret problem, vil svaret ofte findes i din data. Der gælder det om at hente svarerne, du har behov for, gennem en analytisk proces. Så undgår du at tage beslutninger på det forkerte grundlag, som vil føre til, at en mere kvalificeret beslutning bliver taget. Tænk derfor godt over nogle af de største udfordringer eller ubesvarede spørgsmål, som du mener forhindrer din virksomheds vækst, og find løsningerne ved at følge de seks trin. Derefter kan du tage en velovervejet beslutning baseret på data.