Digitalisering – förändra rätt sak med rätt data

Hitta grundorsaken med digitala stöd

I dagens organisationer prioriteras oftast traditionella KPIer som indikerar status på tid, kvalitet och ekonomi. Dessa KPIer kallas också ”lagging indicators”, och är inte särskilt motiverande för individen. Med bakgrund i detta menar Terese Janson, VD på Prindit, att mätetalssystemen även bör kompletteras med ”leading indicators” som mer fokuserar på hur medarbetaren mår, känner och vill prestera.

En utmaning i detta är att man generellt upplever sig ha bra koll på sin organisation, vilket enligt Terese ofta är felaktigt då man tenderar att förväxla symptom med grundorsak. Det finns en s.k. ”upplevd sanning” för varje individ som tenderar att vara kopplad till symptomen, och det här leder lätt till att ledare har svårt att navigera i detta och därmed agerar på symptom istället för grundorsak.

Ett sätt att lösa detta är att se varje medarbetare som en sensor där man kan samla massa data kring hur denne känner och mår. Detta leder till en mer objektiv bild av nuläget som dessutom presenteras i realtid. Genom all data kan man se status för varje individ, grupp och avdelning, samt för organisationen som helhet. Genom analys av datan blir det lättare att se vad som är grundorsaken till ett problem och kan då agera på detta istället för de symptom som dyker upp i organisationen. Det blir också lättare att se vilka åtgärder som behövs i vilken del av organisationen, istället för att försöka hitta en generalmedicin som fungerar överallt. Lägg därtill möjligheten att man kan se trender och analysera vilka åtgärder som gav vilken effekt, samt projicera framåt. Med hjälp av rätt data kan man alltså förstå grundorsaken till ett problem, och därmed agera på rätt grund.

Lär känna din målgrupp

Ett ytterligare exempel som belyser vikten av rätt data är hämtat från fordonsbranschen där bakgrundsproblematiken är att man behöver rekrytera fler förare i framtiden, men där man i dagsläget bara rekryterar från halva befolkningen - män. Med detta som utgångspunkt berättar Tatiana Temm, Kommunikationsstrateg Ampersand AB, om ett projekt där man tittade på varför det finns ett motstånd bland kvinnor att jobba som lastbilschaufför, och vad man kan göra för att komma runt detta problem.

I studien så undersökte man fysiska skillnader mellan kvinnor och män (alla var 170cm långa), och jämförde detta med utformningen av en lastbilshytt. Studien visade att förarmiljön är mycket sämre anpassad för kvinnor, t.ex. pga. kortare räckvidd vilket gör det svårt att nå instrument.

Lösningen på detta är att lära känna sin målgrupp, dvs. ställa rätt frågor för att på så sätt få rätt data. För detta kan exempelvis LASS-metodiken användas (Look – kolla vart det växer/vart kommer nya pengar, Ask – vad retar de sig på idag?/vad är problemet, Solve – lös problemet, Sell – ta lösningarna till marknaden). Baserat på den ”korrekta” data som kommer från detta arbete så kommer man troligtvis behöva jobba med ett eller flera av följande innovationsområden för att få till rätt åtgärd, i detta fall kunna rekrytera kvinnliga lastbilschaufförer.

• Ny/modifierad produkt
• Nytt budskap
• Nya kanaler
• Nya säljmetoder

AI och prediktivt underhåll

Ett tredje exempel på hur rätt data kan vägleda mot rätt beslut är inom underhåll. Jeremy Jean-Jean och Wilhelm Vermelin, forskare på RISE, påpekar att det finns två stora utmaningar inom underhåll idag, (1) dels att veta hur ofta underhåll ska ske, men också (2) förstå hur komponent/maskin kan utnyttjas till fullo innan underhåll.

För att hitta den mest optimala strategin för underhåll så bör man sträva efter datadrivna beslut, snarare än erfarenhetsbaserade beslut som ofta är fallet idag. Ett sätt att lyckas med detta, och därmed kunna uppnå prediktivt underhåll, är genom maskininlärning och AI.

I praktiken innebär detta att data först måste samlas in, exempelvis genom sensorer på maskinen som känner av vibrationer. Mönster i denna data kan sedan avslöja när underhålls behövs (maskininlärning är algoritmer som upptäcker dessa mönster). Men, förutsättningen för att lyckas med detta är att rätt data måste finnas tillgänglig.

Paneldiskussion