En typ av modell för att beskriva värde med data och analyser som använts flitigt de senaste åren, bland annat av analysföretaget Gartner, utgår från att ju mer komplex en analys är desto mer värdefull är den. Enkel rapportering (vad har hänt?) är minst värdefull, därefter kommer ”diagnostik” (varför hände det?). Nästa steg är prediktiv analys (vad kommer att hända?) och allra mest värdefull är preskriptiv analys (vad ska vi göra?).

Mattias Priebe som är vd på konsultföretaget Adage i Stockholm gillar inte de här beskrivningarna:
– Rätt utfört går det att hitta värde i olika typer av analyser. Det stora problemet är att den här typen av tankesätt driver på hajp och en tro på att man ska ge sig in i det mest avancerade på en gång, säger Mattias Priebe.
Läs också: Läge att outsourca dataanalysen? Här är tre skäl för och tre emot
Adage som startades vid årsskiftet har snart fyra anställda, målet är att vara tio vid nästa årsskifte. Tanken är att bistå kunder med att utveckla egna, bestående förmågor inom data- och analysområdet, och minska deras beroende av konsulter.
– Mitt råd för att lyckas med dataanalys är att investera i sin personal, både i vidareutbildning av existerande personal och i rekrytering. Inte att investera i konsulter och tekniklösningar, säger Jimmy Renström, operativ chef på Adage.
Strategin är att det finns utrymme för experthjälp från ett företag som Adage, men för att lyckas i längden måste en kund bygga upp en egen analyskultur. Hur gör man det?
– Man måste börja prata klarspråk och sluta fokusera på de senaste hajpbegreppen, säger Mattias Priebe.
Att hänga på olika hajpbegrepp som AI leder till olycka, menar han. De som är kunniga blir irriterade och de som inte är kunniga blir besvikna när förväntningar inte infrias. Risken är att det kostar en massa pengar utan att det ger något värde.
Mattias Priebe och Jimmy Renström grundar sina slutsatser bland annat i erfarenheter från Ericsson. Under drygt fem år byggde de upp en grupp för beslutsstöd och dataanalys med cirka 200 dataspecialister och analytiker. Dessförinnan var Mattias Priebe konsult på Accenture och Jimmy Renström kom från ekonomisidan på Ericsson.
Åter till analyskultur. Vilka hinder finns det som försvårar byggandet av en sådan?
– Det är många som inte ens tänker på att det finns svar att hitta på frågor i de data som finns, säger Mattias Priebe.
I stället är det magkänsla och vedertagna ”sanningar” som gäller. Man kan kanske sammanfatta det med brist på förståelse för dataanalys. Kanske till och med brist på intresse.

Hur ska man övervinna hindren? Ett beprövat sätt är förstås att välja enkla projekt som ger snabba vinster, de eftertraktade ”lågt hängande frukterna”. Om folk ser att de själva, och företaget, faktiskt kan tjäna på analyser så bör intresset öka.
Läs också: Det här är AI och så funkar det
Men för att lyckas på lång sikt gäller det att kombinera olika färdigheter, som datahantering, matematik/statistik och kunskap om verksamheten.
– De företag som gjort det bra har byggt multidisciplinära grupper i vilka man arbetar tillsammans med att hitta insikter i data, säger Mattias Priebe.
Han tillägger att det viktigaste när det gäller data och analys är att utveckla ett helhetsgrepp på företaget.
– Analysarbete blir väldigt lätt komplext med data från flera olika system som ska kombineras ihop. Har man då inte tänkt igenom hur man ska arbeta med området som helhet är risken stor att misslyckas.