Hvad gør man ved data, hvis man ikke er Google, Netflix, Amazon eller Facebook?

Dette indlæg går ikke i dybden med tekniske forudsætninger for at organisere og aktivere data – det kan du læse lidt mere om her og her. Indlægget vil i stedet fokusere på, hvor og hvordan man kan tage de første trin til at finde eller købe data og også tage de første trin mod at skabe nye indsigter ved hjælp af data.

Du har måske, præcis som mig, været til både et og to seminarer eller kurser omkring brug af data og datadrevne konkurrencefordele, og blevet meget inspireret, men ikke mere end det. Mit problem med mange af disse seminarer har været, at inspirationen ofte har været ganske kortvarig og ekstremt svær at omsætte i praksis. Selv hvis du måske alligevel ikke er som mig, så er der i hvert fald andre som er. Et studie fra Gartner viser, at antallet af virksomheder som planlægger at investere i Big Data i de kommende to år, er faldet med 7% i 2016, grundet dets kompleksitet og usikkerhed.

Det er jo genialt at Netflix kan caste serier på baggrund af Big Data, at Google kan identificere hvor og hvornår du rammer ind i kø på motorvejen, at Amazon præcis ved hvilken pris du er villig til at betale på deres hjemmeside, og at Facebook kan præsentere dig for præcis de søde katte og hunde, du så godt kan lide at se på.

Men hvad gør man så, hvis man ikke er Netflix, Google, Amazon eller Facebook og har arbejdet med data siden dag et, men gerne vil opdyrke datadrevne konkurrencefordele? Hvordan kan man starte ud med et projekt, som for ens egen virksomhed, er helt nyt og ikke afprøvet tidligere? Hvilken data skal man kigge på? Hvor får man den fra, og hvad skal man gøre med den?

Indledende præsenteres to cases fra Mindshares kunder, hvor vi sammen har brugt data, som for dem og Mindshare, er ganske nytænkende. Efterfølgende opridses kort fire måder, man kan inddele data på i håb om at kunne bruge det, som et starting point for at afgøre hvor ens virksomhed befinder sig nu ift. dataadgang og databehov. Til sidst præsenteres en checkliste, som kan bruges til at hjælpe med at vurdere data kvaliteten eller køb af data.

Bolius – ”Gammel data” på nye flasker
Bolius’ mål er, at øge livskvaliteten for boligejerne. Med adgang til datakilder så som radonmålinger, tilstandsrapporter og energimærker, som strækker sig langt tilbage og har en forholdsvis konsistent målemetode, besidder Bolius enormt spændende data. Data af stor værdi, som de nu kan udnytte endnu bedre til at opfylde deres vision.

I samarbejde med Mindshare, GroupM og IBM, har Bolius benyttet sig af stærke partnerskaber, for at samle de nødvendige ressourcer til at udforske og frigøre denne værdi.

I løbet af efteråret 2017, har vi benyttet over 10.000 radonmålinger, til at udvikle og træne en machinelearning algoritme der kan vurdere over 20 forskellige variablers indflydelse på risici for et skadeligt radon niveau i de danske husstande. Ved at indhente oplysninger fra BBR registret, er det nu muligt for Bolius besøgende at søge på deres egen adresse, for at få oplyst deres estimerede radonniveau i deres hus.

Dette første projekt har åbnet dørene for at tage en mere eksplorativ tilgang til både tilstandsrapporter og energimærke, hvor man nu har set hvad man kan bruge machinelearning til, i sin egen virksomhed og at det rent faktisk er muligt.

Ford Danmark – ’Go Further’
Fords commitment ’Go Further’, har i Danmark valgt at eksemplificere ved at stræbe efter at give kunden, en så unik kunderejse som muligt, fra første impression på nettet, til aftersale services på en købt bil.

En kolossal udfordring i denne ambition har selvsagt været en manglende reel indsigt i de aspekter af kunderejsen der krydser både offline og online adfærd. Der har som for alle retailers, simpelthen været et hul i data, som tidligere holdt viden om kunderejsen offline og online adskilt.

Ved at implementere fremtidssikret footfall målingsteknologi i samtlige af Ford Danmarks forhandlere, og et tilhørende ambitiøst permission setup, er det nu muligt at begynde at lukke disse huller og trække signifikante streger mellem online og offline adfærd. Data som desuden også kan bruges til at styrke salgsmodellering, simulering og attributionsstudier.

Marketing afdelingen er oplagt at drive dataprojekter igennem!
Alt for mange dataprojekter fødes og dør i IT afdelinger, da manglende forståelse for den reele forretningsværdi mangler. Marketing afdelinger får i stigende grad en mere central rolle i de fleste  virksomheder, hvor de går fra at være et ”fordyrende led”, til et centralt bindeled. Ved at marketingafdelinger tager ejerskab på dataprojekter kan de i samspil med IT og øvrige afdelinger skabe momentum, og vurdere ”what´s in it” og kommunikere det videre i organisationen og til kunderne.

Hvilken data skal jeg så bruge, og hvor får jeg fat på den?
Datadrevne konkurrencefordele og indsigter som disse, er noget som har stået øverst på de fleste virksomheders ønskeliste igennem de seneste mange år efterhånden. I begrebet ’konkurrencefordel’ ligger det dog implicit, at det er en fordel, som ens konkurrenter ikke har. Var det nemt at skaffe unik data og skabe værdi af det, ville det være en forudsætning for at konkurrere, fremfor at være en konkurrencefordel.

Du skal kende dit mål. Hvilke data man skal bruge besvares nemmest ved helt præcist at definere, hvad man skal bruge data til. Har man en vision eller mission man vil opfylde? Har man nogle spørgsmål som bare bliver ved med at være ubesvarede til strategi møder? Eller mangler man måske en dybere forståelse for sine forbrugeres købsrejse?

Med et tydeligt defineret behov, er det nemmere at lave en status på hvor man står nu – en form for gap analyse. Har vi data vi kan bruge? Kan vi indsamle den selv? Kan vi komme i gang hurtigt ved at købe data eller skaffe en stærk kombination af forskellige typer af data ved at kigge på atypiske datakilder for branchen? Eller kan vi skabe værdi ved at danne partnerskaber med virksomheder med komplementerende ekspertiser og ressourcer?

For enkelthedens skyld, opdeler vi måden hvorpå man kan anskaffe data i fire brede kasser; Køb af data, opdyrkning af egen data, genbrug af ”gammel” data og partnerskaber med data vendors eller virksomheder med unik data.

Hvordan du kan vurdere data?
Når du skal vurdere data, herunder hvis du skal bruge gammel data, købe data, indsamle ny data eller indgå et data partnerskab, er det vigtig at være klar over fordelene og ulemperne ved den aktuelle data. Med disse seks overordnede spørgsmål, kommer du i hvert fald et stykke hen ad vejen i dine overvejelser.

1.Hvordan kan denne data hjælpe dig i at opnå dine mål?
a. Kan den afsløre mønstre?
b. Indeholder den datapunkter som kan afsløre nye indsigter?

2.Hvor detaljeret er data?
a. Er det fordelt på devices?
b. Er der detaljeret demografi?
c. Indeholder den adfærdspunkter?

3. Hvordan indsamles data?
a. Er det manuel indsamling?
b. Webanalyse?
c. Nye teknologier?
d. CRM systemer?

4. Hvor ofte opdateres data?
a. Realtime, dagligt, månedlig eller er den måske afsluttet?

5. Hvor stort er datasettet eller datakilder?
a. Kan det blive et problem at sikre en høj validitet?

6. Er der mulighed for at lave et Proof of concept eller en pilotundersøgelse før i starter et stort projekt, begynder at indsamle data, køber den eller indgår et partnerskab?

Har du spørgsmål eller ønsker du sparring i forhold til, hvordan du starter med at bruge data på nye måder, så kontakt os for en uforpligtende samtale. I Mindshare kan vi hjælpe dig med at identificere datagaps og hjælpe dig med at lukke dem. Vi kender data processen og kan styre dig og din organisation i mål.