Dataanalys för företag: metoder och var ni börjar

Dataanalys för företag: metoder och var ni börjar

De fem typerna av analys, vilken affärsfråga varje typ besvarar och ett praktiskt sätt att börja med ett beslut i stället för ett dataprojekt.

Dataanalys är arbetet med att omvandla verksamhetsdata till svar som människor agerar på. Företag använder fem huvudsakliga metoder: deskriptiv (vad hände), diagnostisk (varför), prediktiv (vad är troligt härnäst), preskriptiv (vad bör vi göra) och AI-stödd analys av text och andra ostrukturerade data. Börja med ett återkommande beslut, data bakom det och en namngiven ägare.

De flesta företag har redan mer data än de använder: försäljning i CRM-systemet, fakturor i affärssystemet, ärenden i supportverktyget och en mapp med kalkylblad som någon uppdaterar varje måndag. Det som oftast saknas är inte data utan vanan att ställa precisa frågor till den. Guiden kommer från Devies, ett produkt- och utvecklingskonsultbolag i Göteborg, och är skriven för vd:ar, ekonomichefer och avdelningschefer som vill att dataanalys ska ändra beslut snarare än ge fler rapporter.

Vad är dataanalys?

Dataanalys är processen att granska, rensa och modellera data för att besvara en specifik affärsfråga och ge underlag för ett beslut. Frågan kommer först; data, metod och verktyg följer av den.

Tre närliggande saker blandas ofta ihop med analys:

  • En rapport är en fast sammanställning av siffror som tas fram enligt schema. Den visar läget men sällan varför.
  • En dashboard är en interaktiv rapport för uppföljning. Den är användbar när ni vet vilka siffror som spelar roll.
  • En analys är ett arbete med en fråga, en metod och en slutsats, till exempel "varför minskade återköpen i region väst under tredje kvartalet?"

Ett användbart test är om arbetet slutar i en mening som börjar med "alltså bör vi". Slutar det i ett diagram utan rekommendation var det rapportering, inte analys.

Analys skiljer sig också från rollerna som stöttar den. Dataingenjörer bygger flödena som levererar data, och data scientists bygger statistiska modeller och maskininlärningsmodeller. Vår jämförelse av data science, data engineering och dataanalys förklarar vem som gör vad och vilken roll ni bör anställa först.

Vilka analysmetoder bör ett företag känna till?

Ett företag behöver känna till fem analysmetoder som var och en besvarar en egen fråga, och i ett medelstort företag kommer det mesta av värdet från att göra de två första väl. Microsofts utbildningsmodul om typer av dataanalys använder samma fem kategorier och visar hur de bygger på varandra.

Metod

Fråga den besvarar

Exempel i verksamheten

Vad den kräver

Deskriptiv

Fråga den besvarar

Vad hände?

Exempel i verksamheten

Försäljning per kanal och månad

Vad den kräver

Ren och konsekvent historik

Diagnostisk

Fråga den besvarar

Varför hände det?

Exempel i verksamheten

Vilka rabattnivåer som leder till affär

Vad den kräver

Relaterade data om orsaker, som rabatter, kampanjer och ansvariga

Prediktiv

Fråga den besvarar

Vad är troligt härnäst?

Exempel i verksamheten

Förväntad orderingång nästa kvartal

Vad den kräver

Tillräckligt med stabil historik och ett sätt att testa prognoser

Preskriptiv

Fråga den besvarar

Vad bör vi göra?

Exempel i verksamheten

Vilken prisändring som ger högst vinst

Vad den kräver

En modell av avvägningen och överenskomna mål

Kognitiv eller AI-stödd

Fråga den besvarar

Vad säger stora mängder text, bilder eller signaler?

Exempel i verksamheten

Teman i tusentals supportärenden

Vad den kräver

Tillgång till ostrukturerade data, plus mänsklig granskning

Metoderna är steg på en stege. En prognos som bygger på intäktssiffror som ekonomi och sälj definierar olika kommer att förutsäga fel sak med stor precision. Vår artikel om prediktiv analys beskriver när prognoser är värda arbetet och vad de kräver.

Diagnostisk analys är där många företag stannar för tidigt. Att veta att marginalen sjönk är deskriptivt. Att veta att den sjönk för att stora order rabatterades två gånger, en gång i offerten och en gång vid faktureringen, är diagnostiskt, och det är den insikten som ändrar beteenden.

Hur kommer ett företag igång med dataanalys?

Ni börjar med att välja ett återkommande beslut, skriva ner frågan det beror på och besvara den med de data ni redan har, innan ni köper verktyg eller bygger en plattform. Stegen nedan tar några veckor för en första fråga, inte månader.

Loop of six stations from a decision through question, data, quality check and chart to action, back to the decision
  1. Välj ett beslut, inte en datamängd. Ta något som avgörs gång på gång och kostar pengar när det blir fel: inköpsvolymer, prissättning, bemanning, vilka kunder ni ska ringa. "Utforska vår CRM-data" är ingen startpunkt.
  2. Formulera frågan precist. Ange mått, period, segment och jämförelse: "Vilka produktgrupper tappade bruttomarginal mellan första och andra halvåret, och hur stor del av förändringen kom från rabatter?"
  3. Bestäm i förväg vad som skulle ändra beslutet. Kom överens med beslutsägaren om vilket resultat som skulle få hen att agera annorlunda. Det håller analysen ärlig och kort.
  4. Hitta data och dess ägare. Lista de system som berörs, vem som äger vart och ett och hur långt bakåt historiken går. Ett saknat fält som upptäcks nu är billigare än ett som upptäcks efter presentationen.
  5. Kontrollera kvaliteten innan ni analyserar. Leta efter dubbletter, luckor, ändrade definitioner och avvikande värden. Vår guide till att mäta och åtgärda datakvalitet visar vilka kontroller ni bör göra först.
  6. Använd den enklaste metod som besvarar frågan. Ett kalkylblad eller ett BI-verktyg som Power BI räcker för det mesta av det deskriptiva och diagnostiska arbetet. Gå över till statistiska modeller först när en enklare jämförelse inte kan besvara frågan.
  7. Agera, mät och gör det upprepbart. Dokumentera beslutet som togs, följ upp resultatet och, om frågan återkommer, automatisera data och beräkning så att nästa analys startar från en pålitlig grund.

Poängen med första omgången är inte bara svaret. Den visar var data är svag, vilka definitioner folk är oense om och hur lång tid en riktig fråga tar, och det är det underlag ni behöver innan ni investerar i en större plattform.

Vad kräver dataanalys av era data och era medarbetare?

Bra analys kräver tre saker på plats: data med stabila definitioner och tillräcklig historik, personer som förstår både siffrorna och verksamheten, och tydliga regler för vilka data som får användas till vilket ändamål.

På datasidan betyder överenskomna definitioner mer än volym. Om "aktiv kund" betyder en sak i CRM-systemet och en annan hos ekonomi börjar varje analys med en diskussion. Historik behövs för jämförelser och prognoser, och åtkomst behövs eftersom analytiker som väntar två veckor på en export slutar ställa frågor.

På personsidan sitter de mest värdefulla analytikerna nära verksamheten. De vet att en topp i returer i januari är normal, och de kan skilja ett datafel från en verklig förändring. En namngiven beslutsägare för varje analys håller arbetet kopplat till handling.

Personuppgifter sätter rättsliga gränser. Enligt GDPR, förordning (EU) 2016/679, kräver artikel 5 att personuppgifter samlas in för särskilda ändamål, inte behandlas på sätt som är oförenliga med dem och begränsas till vad som är nödvändigt. Analys på kundnivå är ofta möjlig, men kontrollera först ändamålet och den rättsliga grunden, och använd aggregerade eller pseudonymiserade data där enskilda poster inte behövs.

Devies såg värdet av att bygga in analys direkt i operativa verktyg hos Cetasol. Enligt caset omfattade arbetet med plattformen iHelm bättre datakvalitet i gränssnittet och en ny prestandasida där användare jämför fartyg och operatörer på bränsleeffektivitet, hastighetsmönster och andra operativa nyckeltal, utformad för att stödja flotthantering och prestandaanalys.

Vilka misstag får dataanalys att misslyckas?

Analys misslyckas oftast av organisatoriska skäl snarare än tekniska: frågan är vag, definitionerna flyttar sig eller ingen äger beslutet som analysen skulle stödja.

  • Analys utan beslut. Arbete som besvarar "vad är intressant i de här data?" ger bilder i en presentation, inte förändring.
  • Att ta korrelation för orsak. Kunder som använder en funktion kanske köper mer för att de redan var era bästa kunder. Pröva andra förklaringar innan ni agerar.
  • Medelvärden som döljer segment. En stabil total marginal kan dölja att en region sjunker och en annan stiger. Bryt ner resultaten innan ni drar slutsatser.
  • Definitioner som flyttar sig. Om intäkter räknas olika i två rapporter, rätta definitionen innan ni analyserar trenden.
  • Plattformen först, frågorna sen. En dataplattform är värdefull när flera återkommande frågor beror på samma data. Att bygga den innan ni känner till frågorna är det dyraste sättet att börja.

Devies

Vill ni ha en second opinion?

Devies, en produkt- och utvecklingskonsult i Göteborg, arbetar med frågor som den här tillsammans med nordiska produkt- och IT-team. Berätta var ni står så föreslår vi ett rimligt första steg.

Prata med Devies

Vanliga frågor

Vilka är de viktigaste typerna av dataanalys?

De viktigaste typerna är deskriptiv analys, som visar vad som hände; diagnostisk analys, som förklarar varför; prediktiv analys, som uppskattar vad som troligen händer härnäst; och preskriptiv analys, som jämför alternativ för att rekommendera en åtgärd. Många källor lägger till en femte, kognitiv eller AI-stödd analys, som bearbetar text, bilder och andra ostrukturerade data i en skala som människor inte hinner med manuellt. Varje metod bygger på pålitliga resultat från de föregående.

Behöver små och medelstora företag en dataanalytiker?

Inte alltid en på heltid i början. Många företag börjar med en person i verksamheten som är stark i Excel eller Power BI och en tydlig fråga från ledningen. En särskild analytiker blir lönsam när flera avdelningar ställer återkommande frågor, när samma data stäms av för hand varje månad eller när beslut försenas för att ingen har tid att titta ordentligt på siffrorna.

Vilka verktyg används för dataanalys i företag?

Det mesta av analysen i företag görs i kalkylblad och BI-verktyg som Microsoft Excel och Power BI, ofta ovanpå data från affärssystem, CRM och ekonomisystem. SQL används för att ställa frågor mot databaser, och Python eller R för statistisk modellering och maskininlärning. Verktyget spelar mindre roll än en precis fråga, rena data och överenskomna definitioner; att byta verktyg löser sällan en otydlig fråga.

Hur lång tid tar ett första dataanalysprojekt?

En fokuserad första analys på data ni redan har tar oftast några veckor: tid att enas om frågan, samla in och kontrollera data, analysera och presentera en rekommendation. Det tar längre tid när data ligger i flera system med olika definitioner, eftersom det måste redas ut först. Se den första omgången som ett sätt att lära er var era data är svaga innan ni planerar något större.

Källor

Here’s more

Join Our Newsletter

We handle your data according to our privacy policy.

Shopping Cart

We use cookies

We use cookies to improve your experience on this website. You may choose which types of cookies to allow and change your preferences at any time. Disabling cookies may impact your experience on this website. You can learn more by viewing our Cookie Policy.

Check out

Contact Form text

We will contact you text

We handle your data according to our privacy policy.