Slik jobber Sprint med data og innsikt

Hvordan kan data og visualisering bidra til et mer effektivt forbedringsarbeid?

Vi opplever at flere av våre kunder har utfordringer med å få oversikt over og bruke dataene sine på en fornuftig måte. Vår erfaring er at arbeid med data og innsikt er med på å gjøre det enklere å jobbe med kontinuerlig forbedring. I denne artikkelen forklarer vi hvordan man kan sette fart på forbedrings-arbeidet gjennom å gjøre data og innsikt mer tilgjengelig for alle i virksomheten, og hva som skal til for å lykkes.

Hvorfor er data og visualisering viktig i sammenheng med operasjonell forbedring?

De selskapene som lykkes best med operasjonell forbedring evner å skape mer kundeverdi og effektivitet gjennom tre kjerneelementer:

• De identifiserer og eliminerer sløsing ved å ha flyteffektive verdistrømmer som fokuserer på prosesser ende-til-ende.
• Sikrer fremdriftskontroll ved å sørge for at alle til enhver tid kjenner til fremdriften på leveranser eller produkter. Dette innebærer også å tilrettelegge for å kunne oppdage og reagere på avvik i prosessene.
• Har en kultur for å jobbe med kontinuerlig læring. Enkelt sagt ønsker man alltid å bli litt bedre enn det man var i går.

Hos mange av kundene våre finnes det mye god magefølelse. De tar beslutninger basert på antakelser og har hypoteser for hvorfor noe er som det er. Ved å heller basere oss på data og innsikt opplever vi helt andre resultater i forbedringsarbeidet:

• Kundedata og prosessdata gjør at vi ved hjelp av fakta kan påvise utfordringer og flaskehalser i prosessene våre. Dette kan vi bruke som grunnlag for å utforme forbedringstiltak og evaluere om de fungerer.
• Data gjør det betydelig enklere å ha kontroll på daglig drift og å visualisere sentrale leveranser. Dette er avgjørende for å reagere raskt på avvik eller behov for å bruke ressursene annerledes.
• Data er nødvendig for å få til et faktabasert forbedringsarbeid over tid. Visualisering gjør viktig informasjon synlig for hele organisasjonen, også på tvers av team. Hvis alle følger med på de viktigste parameterne gjennom visualiseringen er det lettere å identifisere om man er bedre enn det man var i går.

Rett bruk av data og visualisering kan både gjøre forbedringsarbeidet mer solid, men også mer effektivt. Ikke minst ser vi at motivasjonen for forbedringsarbeid øker når disse elementene kommer frem i lyset.

Typiske utfordringer med å utnytte data

Generelt ser vi at folk sitter på mye data som de ikke utnytter til det fulle. Problemet er ofte at dataen er lite tilgjengelig og vanskelig å tolke. For eksempel kan det være sånn at kun en liten andel av de ansatte i bedriften sitter på kunnskapen til å bruke data fra systemene de har.

Et konkret eksempel på dette er fra et prosjekt hos et selskap i oljeservicenæringen hvor vi kom over flere utfordringer knyttet til å utnytte data fra de interne systemene og da spesielt plansystemet. For dette selskapet var planstyring spesielt viktig fordi prosjektene, som gjerne går over flere år, var svært komplekse. Dårlig utnyttelse av eksisterende data førte til kostbare forsinkelser. I arbeidet med å gjennomføre en større transformasjon så vi to problemer knyttet til informasjon:

1. Unøyaktig og mangelfull innrapportering. Data som ble lagt inn i systemet hadde for lav kvalitet og ble oppdatert for sjelden. Dette førte til at ingen i organisasjonen stolte helt på de tallene som lå der. Mangel på tillitt til systemet førte i sin tur til at færre så nytten i å innrapportere og det ble en ond sirkel.
2. Plan- og styringsinformasjonen var lite tilgjengelig for de som trengte det. Det var kun planleggere som hadde direkte tilgang til plansystemet — som i tillegg var vanskelig å tolke på grunn av tusenvis av rapporteringslinjer og mange avhengigheter. Konsekvensen av dette var at prosjektledere og andre var helt avhengige av regelmessig dialog med planlegger.

Disse utfordringene bidro sammen til at selskapet opplevde dårligere presisjon i sine leveranser enn ønsket.

Heldigvis kan disse problemene løses med små grep. I dag finnes det mange verktøy som gjør det enkelt å visualisere og dele innsikt på tvers av organisasjonen. Eksempler på dette er: PowerBI, Trello, Qlikview, Miro, etc.

Hvilke resultater kan man oppnå ved å utnytte data på en bedre måte?

I caset fra oljeservicenæringen var det viktigste resultatet at alle i bedriften fikk samme bilde av virkeligheten. Informasjon fra plansystemet ble lettere tilgjengelig og rapportene som tidligere ble skrevet ut på papir til diverse statusmøter var nå synlig for alle til enhver tid. Det ble lettere for de ansatte å se det store bildet, reagere på avvik og forstå avhengighetene mellom ulike prosesser. I tillegg ble mangelfull innrapportering synlig for alle, noe som motiverte til å heve kvaliteten. Økt innsikt i planprosessen gav konstruktive diskusjoner og bidro til at vi identifiserte flere forbedringsområder.

Oppsummert er vår erfaring at folk opplever at datavisualisering er gøy og nyttig — det løfter fakta frem i lyset, fjerner myter og gjør det enklere å bli enige om hva som bør gjøres.

Hvordan går man typisk frem i slike visualiseringsprosjekter?

Kort forklart jobber vi ofte med datavisualisering i 5 steg selv om det ofte er en iterativ prosess.

Det aller første man gjør er å planlegge og kartlegge behovet. Hvilke spørsmål ønsker vi å besvare? Hvilken type løsning ser vi for oss? Skal det være et dashboard eller noe annet? Hvor nøyaktig må det være for at det skal ha verdi? Hvem skal bruke det? Hvor ofte må det oppdateres? Det er fristende å starte litt i feil ende ved å se på hvilke data man har, og hvilke svar de kan gi.

Når man har identifisert hvilke spørsmål en visualiseringsløsning skal besvare, må man finne ut av hvilken data som kan gi svar. Ofte må man utforske data fra ulike kilder for å få finne det man trenger. Deretter ser man på datakvaliteten i de valgte datakildene. Her må man kanskje gjøre tilpasninger for å oppnå ønsket kvalitet. Dette kaller vi for prosessering og innebærer for det meste å strukturere dataen på en måte som gjør den lett å analysere. Når dette er gjort begynner det som er gøy — analyse og kommunikasjon. I denne delen ser vi på hvilke analyser som vil gi best innsikt og hvordan disse burde kommuniseres slik at det blir enkelt å forstå for de som skal bruke det.

Hvilke fallgruver er det lett å falle i når man gjennomfører et prosjekt som dette?

• Du antar at alle kommer til å bruke analysene man lager. Ukentlige statusmøter med brukere eller testgrupper er viktig for å sikre at brukerne får tillitt til at systemet kan gjøre en forskjell. Finnes det liten interesse for analysene i starten prosjektet er det liten sannsynlighet for at den interessen kommer senere.
• Du gaper over for stort. Lag en MVP (les om hvordan man utvikler en MVP her). Det er fort gjort å inkludere for mange ting det første utkastet. Mange vil ofte ha mye funksjonalitet når de ser mulighetene. Det tar imidlertid ofte en del tid å bygge nye rutiner. Og ikke tenk at alle analyser må kunne oppdateres automatisk fra første stund — det kan du bruke tid på når du vet at de blir brukt.
• Du undervurderer forvaltning og styring. Det er kjempeviktig å dokumentere datamodell underveis og avklare ansvar for forvaltning tidlig, spesielt når mengden dashboard og kompleksiteten øker. Dette for å unngå å ende opp med en situasjon der ingen vet hvordan man endrer og vedlikeholder dashboards og integrasjoner som er laget. Hvem eier hva? Hvem skal sørge for at dette lever videre og videreutvikles?

Hva er suksesskriteriene for å lykkes med et slikt prosjekt?

• Prioriter og fokuser på de problemene som betyr noe og som kan gi verdi. Det er ofte veldig mange ting man har lyst til å visualisere, og det meste lar seg også visualisere. Likevel lønner det seg å være streng i seleksjonen av antall analyser og tall man skal fokusere på slik at man ikke drukner i informasjon. Det viktigste er å få noe ut av informasjonen som er tilgjengelig.
• Involver brukerne fra start. Sørg for at det som lages er brukervennlig og forståelig for de som skal bruke det. Tenk på hvordan det skal brukes. Er det et verktøy til bruk i månedlige statusmøter eller skal det sjekkes daglig? De prosjektene som lykkes med dette får brukerne til å føle et eierskap til de nye verktøyene.
• God datakvalitet er viktig. Det er ofte en forutsetning at man har god struktur på dataen for å gjøre innsiktsfulle analyser. Hvis datakvaliteten er dårlig ser vi at visualisering kan være med på å avdekke hvor begrensninger i datakvaliteten ligger. Dette fører til at man får et overblikk og kanskje motivasjon til å gjennomføre tiltak for å heve datakvaliteten.

Ønsker du hjelp med innsiktsarbeid gjennom dataanalyse? Ta gjerne kontakt med Jørgen Bergstad for en prat om hvordan dere kan lykkes med forbedringsarbeid i ditt selskap.

💌 Synes du det er interessant å lese det vi skriver om? Meld deg på nyhetsbrevet vårt og motta spennende lesning og invitasjoner til relevante webinarer rett i innboksen din.