Krisen ökar behov av analysmognad

Vi lever i en tid med stora förändringar och stor osäkerhet. Klimatförändringar, pandemier och annat som påverkar samhället finns inte längre bara som teoretiska övningar, utan är högst konkreta och kan slå till när som helst, både lokalt och globalt.
 
I denna osäkra värld är behovet av att kunna göra prognoser av stor betydelse, liksom det är av att kunna simulera situationer i scenariobaserade miljöer. 

I dag finns det en stor förståelse för att dataanalys i olika skepnader är viktig. Det handlar om allt från rapportering av historiska data för att öka transparensen i näringslivet och i samhället i stort, till avancerade AI-modeller för att göra komplexa förutsägelser.

Behovet av dataanalys förändras just nu. Det handlar både om en pågående förändring av kulturell och teknisk art, och om nya villkor som tillförs. Försäkringsbranschen är ett bra exempel. I takt med att modeller och verktyg för analyser har förbättrats har mer detaljerade, och förhoppningsvis mer korrekta, analyser för att beräkna försäkringspriser blivit möjliga.

Lägg till det den allestädes närvarande pandemin som omkullkastar många etablerade sanningar. Hur påverkar pandemin försäkringsbolagens prissättning och bankernas långivning? Ska man ta höjd för en andra våg av pandemin och vilka scenarier är värda att beakta i svallvågorna av en sådan? Frågorna är många.

Det finns gott om omvälvande företeelser och de behöver alla analyseras. Klimatförändringar, migreringar till följd av olika kriser, konflikter mellan länder och inte minst den ekonomiska instabilitet som blir en följd av alla olika händelser. De positiva aspekterna är att tekniklösningar, analysmodeller, verktyg, kompetens och kulturen kring dataanalys alla utvecklas på sätt som pekar åt rätt håll. Folk kan, och vill, ägna mer fokus åt ändamålsenlig dataanalys.

Men. Det finns en flaskhals: dataförsörjning. Var ska man hitta de data som krävs för analyser och hur ska man hantera dessa data? Det gäller inte bara interna data på företag och myndigheter, utan i allt högre utsträckning också de externa data som behövs för omvärldsanalyser och för jämförande analyser.

Vad gäller till exempel försäkringsbolag är behovet uppenbart i många fall. Ett tydligt exempel är data om hur klimatförändringar påverkar risken för skador på egendom. Men försäkringsbolag behöver sannolikt också lägga mer energi på att jämföra sig själva, inte bara med andra försäkringsbolag, utan också med andra typer av verksamheter som tävlar om kundernas pengar.

Var hittar man data? Till att börja med i det egna företaget eller den egna organisationen. Men det krävs både tid och kunskap för att hitta, identifiera, strukturera och hantera data. Vem vet, titeln dataarkeolog kanske blir vanlig framöver.

Externa data finns från många olika källor.  En strategi är att köpa data, till exempel från specialiserade aktörer som samlar in marknadsdata eller stora IT-leverantörer som har börjat se insamling och försäljning av data som ett nytt intressant affärsområde. Det går att bygga egna applikationer, eller köpa färdiga, för att samla in allmänt tillgängliga data, till exempel från sociala medier.

Ytterligare en källa är öppna data. I korthet handlar det om EU-lagstiftning som anger att myndigheter ska publicera data på lättillgängliga sätt. Redan i dag har den här publiceringen tagit ordentlig fart i många länder, med data inom många olika områden. Sverige ligger lite förvånansvärt efter i utvecklingen, men ny nationell lagstiftning som är på gång lär öka takten för publicering av öppna data även här. Att Sverige i den senaste mätningen av öppna data från OECD (Our Data Index) ligger på plats 31 av 32 möjliga visar att det finns förbättringspotential.

Nu gäller det att gå från ord till handling på många företag. Manegen för dataanalys är krattad eftersom det finns en förståelse för att dataanalys är viktig och en vilja att göra analyserna. Och det finns en förståelse för att omvälvande händelser i omvärlden ökar behovet av dataanalys än mer. Nästa steg är att sätta i gång med att bygga analysmodeller. För att lyckas med det behöver man identifiera, skaffa tillgång till och hantera de data som behövs för modellerna.

När det gäller arbetet med att navigera i en osäker värld krävs också en analysorganisation för att hantera olika situationer och scenerier. Att man har möjlighet att välja olika vägar beroende på situationer man ställs inför. I analysmogna organisationer arbetar man med olika scenariomiljöer – och hantering av data kan genomföras i olika stängda miljöer eller i så kallade sandlådor (sand boxes). Det kan göras i olika partnerskap och kanske som del i stängda eller öppna hackatons.

Det är viktigt att främja en kultur av nyfikenhet kring data, för att sedan omsätta analyserna i handling. Att bekämpa ekonomisk brottslighet som penningtvätt är ett exempel på det. Det räcker inte att identifiera och utreda misstänkta larm utan det gäller att komma fram till åtgärder, även för nya scenarier, eftersom de kriminellas tillvägagångssättet ständigt förändras. 
 

Ola Ringström
Vd, SAS Institute Sverige