Data för mer automatiserade beslut

Det nya sättet att använda beslutsstödsystem

Företag har möjlighet att förbättra sin effektivitet med data och beslutsstödsystem genom att använda data mer aktivt. Det öppnar för fler automatiserade beslut, vilket kan ge stor lönsamhetsförbättring.

När man går från passiv användning av instrumentpaneler till att ha data integrerade i varje beslut kan företagen bli mer aktiva med data. Ett resultat kan vara att insikter av detta ger bättre och smartare åtgärder eller utlöser automatiserade åtgärder. En grundläggande förutsättning är att företagen har tagit bort datasilos och skapat dataflöden som de kan se och analysera i realtid.

Beslutsstödsystem har länge haft flera frustrerande inslag, t.ex. att endast en liten andel av de anställda vet hur man hittar, analyserar och tolkar data. Det har också tagit lång tid att förbereda data för analys; i de flesta företag går minst 80 procent av analytikernas arbete åt till att förbereda data när det borde gå åt till att skapa insikter. Många chefer kanske inte heller använder analysmetoder på grund av vana.

Det finns företag som har gått ifrån traditionella metoder för datahantering och analys, med data i olika silos. Men många fler företag behöver få ett mer dynamiskt förhållande till data genom att skapa dataflöden som analyseras automatiskt och gå från passiv användning av instrumentpaneler till att integrera data i princip i alla beslut så att de anställda kan använda data mer aktivt. Data kan då bli en tillgång som kan frigöras, nås, förstås och användas i hela verksamheten, inte bara som stöd utan för att omvandla den.

Ett bra exempel är det amerikanska tillverkningsföretaget Greene Tweed & Co, som använder dataextraktion och automatisering. Företaget tillverkar högpresterande termoplaster, kompositer och tekniska material för tillämpningar som kräver hög tillförlitlighet, t.ex. bromstätningar för trafikflygplan. I sådan verksamhet går högkvalitativa data och högkvalitativa produkter hand i hand. Företaget har påbörjat en datadriven omvandling med ett analytiskt dataflöde för att extrahera data från SAP och IoT-enheter (Internet of Things) och sedan lagra dem i molnet för att möjliggöra analys av kritiska produktkvalitetsdata i realtid. Företaget har infört prediktiv analys för att prognostisera efterfrågan och intäkter. Det uppnår prognoser med prediktiv analys för upp till 90 dagar med en noggrannhet på mer än 95 procent och utforskar nu algoritmer för prediktivt underhåll av fabriksmaskiner.

CSC ServiceWorks, en leverantör av tvättjänster i USA, genomgår också en digital omvandling. Företaget, som äger mer än en miljon tvättmaskiner, hade tidigare en analog verksamhet som nu till stor del är digital. Uppgifter om insamling av maskiner används för att optimera insamlarnas rutter, och uppgifter om maskinfel används för att styra och hantera servicetekniker. Det har gjort det möjligt för företaget att eliminera 15 procent av besöken med servicebilar eftersom de inte behövdes, vilket sparar mellan 2 och 3 miljoner dollar per år.

Beslut om var kapital ska investeras i nya tvättmaskiner optimeras också med hjälp av data, och företaget kan nu utföra intäktsanalyser i realtid från sina uppkopplade maskiner, medan det tidigare fanns fördröjning med 30-dagar. CSC experimenterar med automatiserat beslutsfattande. En tillämpning omfattar dynamiska prissättningsbeslut för tvättjänster baserat på vattentemperatur, belastningsstorlek, elkostnad vid olika tider på dygnet osv. Den typen av datadrivna beslut i realtid skulle aldrig kunna fattas tillräckligt snabbt av människor.

Jag förväntar mig att vi kommer att få se många fler automatiserade beslut inom företag i framtiden, särskilt repetitiva, taktiska beslut som prissättning. Man kan räkna med att automatiserade och dynamiska prissättningsbeslut i företag ger kraftigt förbättrade marginaler.

Av James Fisher, produktchef på Qlik

2023-02-21 - Industritorget