Hver beslutning, du træffer, hviler på et grundlag. Nogle gange er det en mavefornemmelse, andre gange et tal, et mønster eller en erfaring. En datadreven beslutning er ganske enkelt en beslutning, hvor du bevidst bruger data til at træffe et klogere valg i stedet for at gætte. Det lyder højtideligt, men du gør det hele tiden: du kigger på vejrudsigten, før du pakker tasken, på prisen, før du køber, på kalenderen, før du siger ja til et møde. Denne sektion handler om at gøre det bevidst og systematisk, og denne artikel er indgangen: hvorfor data overhovedet er værd at bygge beslutninger på, og hvordan tal bliver til handling.
Videnskæden: fra tal til beslutning
Vejen fra rå data til en beslutning går gennem nogle trin, som man tit kalder videnskæden (eller DIKW-kæden efter data, information, viden og det, der ligger øverst). Tag et helt hverdagsagtigt eksempel fra supermarkedet.
Nederst ligger de rå data: tallet 9,95. I sig selv betyder det ingenting; det kunne være hvad som helst. Sætter du kontekst på, bliver det til information: “en liter økologisk minimælk koster 9,95 kr.” Nu ved du, hvad tallet handler om. Trækker du på din erfaring, bliver det til viden: “det er tre-fire kroner under normalprisen, altså billigt.” Og øverst omsætter du det til handling: “mælken holder en uge, så jeg køber ti liter.” Hvert trin tilføjer noget, det forrige ikke havde, og først på toppen bliver et tal til en beslutning.
Kæden er en nyttig kortskitse, men ikke en naturlov. I virkeligheden er det dig, der undervejs afgør, hvad der er relevant; data bliver ikke til viden af sig selv, bare fordi du samler nok af det. Netop derfor er det ikke ligegyldigt, hvordan du klatrer op ad kæden. Gør du det skødesløst, kan du nå toppen med en skråsikker beslutning, der hviler på et forkert tal. Resten af denne sektion handler om at klatre ordentligt.
Hvorfor det betaler sig
At bygge beslutninger på data er ikke bare en god idé i teorien; det kan måles. I en stor undersøgelse af amerikansk industri næsten tredobledes brugen af datadrevne beslutninger på blot fem år, fra 11 % til 30 % mellem 2005 og 2010, og beslægtet forskning fandt, at de virksomheder, der tog metoden til sig, havde omkring 5-6 % højere produktivitet og output end de øvrige. Logikken er ligetil: den, der forstår sin nutid bedst, træffer de bedste valg om fremtiden. Og i et marked er det ikke nok at træffe gode beslutninger; du skal træffe bedre beslutninger end konkurrenterne for at løbe fra dem. Bedre data og skarpere analyse er med andre ord en konkurrencefordel.
Men, og det er et vigtigt men, fordelen kommer ikke af at have data. Den kommer af at bruge dem klogt.
Data er ikke en autopilot
Her er den fælde, det er nemmest at falde i, når man bliver begejstret for data: at tro, at tallene træffer beslutningen for én. Det gør de ikke, og de to yderpunkter er lige farlige.
På den ene side står ren mavefornemmelse, ofte kaldet HiPPO-effekten (efter det engelske “highest paid person’s opinion”): den mest magtfulde i lokalet får ret, uanset hvad tallene siger. Data bliver ignoreret. På den anden side står blind datatro, hvor tallene bestemmer alt. Det lyder tilforladeligt, men har sine egne fælder. Man kommer til at måle det, der er let at måle (antal tilmeldinger), frem for det, der faktisk betyder noget (om folk bliver hængende og er tilfredse). Man optimerer sig frem mod et lokalt maksimum inden for sin nuværende ramme, mens data ikke kan fortælle en, om man burde gøre noget helt andet. Og de virkelig store, strategiske valg, om man skal satse på det ene marked eller det andet, er slet ikke optimeringsproblemer, som data kan løse.
Den sunde vej ligger i midten: at være data-informeret. Lad visionen og dømmekraften styre retningen, og brug data til at validere og navigere undervejs. Data er et fremragende input til en beslutning, men et elendigt substitut for at tænke. Har du en fornemmelse, så test den mod tallene. Siger tallene noget overraskende, så spørg hvorfor, før du handler.
Sund fornuft hele vejen op
Og her er grunden til, at resten af denne sektion findes. At klatre ærligt op ad videnskæden kræver, at man kender de steder, hvor tallene kan snyde undervejs. Selve arbejdsgangen fra problem til færdig anbefaling er beskrevet trin for trin i Analyseprocessen i otte trin; hvert af de øvrige kapitler er et værn mod at blive snydt undervejs.
Før du overhovedet regner, skal du vide, hvad du har med at gøre: hvilken slags data ligger på hver kolonne (Datatyper og skalaer), og er de overhovedet rene, eller gemmer der sig huller og fejl (Manglende data)? Når du beskriver dem, så pas på, at et gennemsnit ikke maler et forkert billede (Gennemsnit kan snyde), husk at se på, hvor spredte de er (Spredning), og lad et histogram vise dig formen, før du konkluderer. Hold øje med de enkeltværdier, der stikker ud (Outliers). Og når du endelig finder en sammenhæng, så forveksl den ikke med en årsag (Korrelation ≠ kausalitet). Tilsammen er de den strukturerede sunde fornuft, der skal til, for at en datadreven beslutning bliver en god beslutning.
Kort sagt
En datadreven beslutning er en beslutning, hvor data bevidst gør dig klogere, før du handler. Metoden virker, den er dokumenteret mere produktiv end at gætte, og den giver en konkurrencefordel. Men pointen er ikke at tilbede tallene. Data er det bedste redskab, vi har, til at tænke klart om virkeligheden, og et redskab er kun så godt som den, der bruger det. Resten af sektionen giver dig håndværket. Velkommen.
Kilder til tallene ovenfor: Brynjolfsson & McElheran (2016), The Rapid Adoption of Data-Driven Decision-Making (American Economic Review); og Brynjolfsson, Hitt & Kim (2011), Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance?