Hvordan løse komplekse problemer?

IBM gjennomførte for fire år siden en undersøkelse jeg fremdeles finner aktuell. De spurte 1500 toppledere hva de anså som den største utfordringen for sin virksomhet. Over 80 % mente økende kompleksitet er den største enkeltstående faktoren. Kun halvparten følte seg forberedt på dette. Da IBM spurte om hva som gjør at topplederne ikke behersker kompleksiteten, var svaret manglende kundeinnsikt.

Big Data og avanserte CRM-systemer har gitt toppledere muligheten til å oppnå økt kundeinnsikt. Big Data vil kunne gi deg svar på spørsmål som:

• hvor stort markedet for produktene dine er
• hva effekten av en prisjustering vil bli
• hvor kundene dine til enhver tid fysisk befinner seg
• hvor mange positive kommentarer som skrives i sosiale medier 
• hvor mange transaksjoner som daglig prosesseres, fordelt på hvilke betalingskort og produktgrupper, og av hvem.

Dessverre kan store datamengder brukt på feil måte, lede til gale beslutninger. Analyser av digitale atferdsmønstre kan kanskje forutsi om og når neste klikk eller kjøp kommer, men de kan ikke forklare hvorfor. Vet du ikke hvorfor, vil du ikke redusere kompleksitetsgapet.

Vi kan dele inn kompleksiteten i tre nivåer.

Nivå 1: Det kjente

• Du kjenner godt til kundene, markedet og konkurrentene dine.
• Du har et godt bilde av fremtiden.
• Du vet nøyaktig hva forretningsproblemene dine er.
• Konvensjonelle data og tradisjonell Business Intelligence kan hjelpe deg til å løse problemene.

Eksempel: «Salget av vår Volvo Xc60 er under målsettingene fordi kundene venter på den nye elektriske modellen. Hvis vi kjører en digital kampanje på vg.no med prisavslag, vil salget ta seg opp.»

Nivå 2: Hypoteser

• Du kjenner noe til kundene, markedet og konkurrentene dine.
• Du kan se for deg flere alternative resultater.
• Du har sett et lignende problem tidligere.
• Du klarer å definere et sett hypoteser som du kan teste.
• Du er kjent med datakildene og den analytiske modellen du trenger for å finne en løsning på problemet.

Eksempel: «Vårt salg av Volvo Xc60 går ned til tross for at vi har kjørt en digital kampanje og redusert prisen. Det er flere mulige forklaringer og vi kan klare å teste disse.»

Nivå 3: (Store) Ukjente utfordringer

• Du er helt ukjent med kundene, markedet og konkurrentene dine.
• Du kjenner lite til mulige utfall.
• Du har ikke sett dette problemet tidligere.
• Du har ingen hypoteser som kan testes.
• Dine eksisterende datakilder og -verktøy ser ikke ut til å kunne hjelpe deg å finne en løsning.

Eksempel: «Vårt salgsteam på Volvo Cars er best i klassen når det gjelder kundebehandling. Vi har de mest erfarne selgerne. Selgerne har historisk sett de beste salgsresultatene. De har langt bedre digitale verktøy enn konkurrentene. Vi har det største salgsteamet. Vi har konkurransedyktige priser og bilene vinner alle tester. Likevel taper vi markedsandeler.»

Modell for å håndtere komplekse problemer

Jo større kompleksiteten er, desto dårligere passer våre moderne verktøy for Big Data, kunstig intelligens (Artificial Intelligence) og digital markedsføring.  Disse verktøyene har sin store styrke der det er mange repeterbare, kjente digitale aktiviteter og transaksjoner.  

La meg presentere en modell fra Christian Madsbjerg og Mikkel Rasmussen. De har studert flere suksessrike selskaper, blant andre Coloplast og Lego. Erfaringene er samlet i boken The Moment of Clarity. I denne boken forklarer forfatterne hvordan du kan bruke samfunnsvitenskapelige metoder som supplement til Business Analytics, til å løse komplekse forretningsproblemer. Jeg bruker et oppdiktet case om Volvo Xc 60. Dette er helt tilfeldig og brukes kun for å illustrere modellen.

1. Reformulere problemet

Du starter med å reformulere det komplekse problemet. Forfatterne anbefaler å definere det komplekse problemet som et fenomen. Dette innebærer å se situasjonen fra kundens perspektiv; Hvordan er kjøpsprosessen for privatbiler?  Dette i motsetning til «hvordan er vår salgsprosess».

• Forretningsproblem: Hvordan kan vi øke salget av Volvo Xc60?
• Fenomen: Hvorfor kjøper ikke flere bilen?

2. Datainnsamling

For digitalmarkedsførere kommer verdifulle data i to former: Thick Data og Big Data. Big Data er data som du samler inn langs alle digitale kontaktpunkter du har med alle dine kunder. Big data har vanligvis hatt en forankring i økonomi- og IT-avdelingen i din virksomhet.  Nå er det på tide at disse samles for å gi digitalmarkedsførerne et komplett informasjonsbilde.

Thick Data er kvalitativ informasjon som gir innsikt i kundenes daglige følelsesliv. Selv om vi ønsker å fremstille oss selv som rasjonelle, fornuftsbaserte kjøpere, påvirker våre følelser beslutningsprosessene. Dette gjelder både forbruker- og bedriftsmarkedet.

Denne typen data erverves som regel gjennom fokusgrupper, dybdeintervjuer, observasjoner, deltakelse i bruksaktiviteter og videoopptak. Tradisjonelt har Thick Data blitt benyttet av etnografer, antropologer, psykologer og andre profesjoner som spesialiserer seg på kultur, atferd og motivasjon bak atferd.

Du må forstå alle hvorfor-ene. For å komme fram til disse kan du gjøre kvalitative analyser basert på Thick Data. Disse dataene er viktige for markedsførere for å forstå:

• hvorfor vi kjøper/ikke kjøper
• hvorfor vi aldri/alltid pruter på prisen
• hvorfor vi er lojale /ikke lojale
• hvorfor vi klager/ikke klager
• hvorfor vi blir ambassadører for dine produkter
• hvorfor vi velger A fremfor B 

I Volvo-eksemplet vil det være aktuelt å observere ulike kundesegmenters bruk av bilen, samt observere kjøpsprosessen. Dersom du har en digital markedsføringsløsning som (for eksempel) HubSpot, har du mange muligheter til å sikre deg digitale spor langs kundens kjøpsprosess.   

Forfatterne anbefaler at du ikke låser deg til hypoteser i denne fasen.  Du skal konsentrere deg om å samle inn mest mulig rådata.

Fenomenet kan brytes ytterligere ned i deltema som:

• Hvorfor er ikke kjøperne lojale?
• Hvorfor klager ikke kjøperne?
• Hvorfor blir noen ambassadører for bilen og andre ikke?
• Hvorfor velger segment A BMW X3 i stedet for Xc60?

Etter første sett av datainnsamling kan du gå i dybden på deltemaene/-fenomenene. 

3. Se etter mønstre

Formålet med å identifisere mønstre er å finne rotårsakene til det komplekse problemet («Hvorfor faller salget av Volvo Xc 60 til tross for at alt vi gjør skulle tilsi det motsatte»).

Funn: Bilen oppleves ikke så komfortabel og luksuriøs som forventet.  Årsak 1: Bilens «lukt» påvirker kundenes oppfatning av komfort og luksus.  Årsak 2: Selv om interiøret er av høy kvalitet, oppfattes det ikke slik av kundesegmentene.  Materialvalg og -kombinasjoner gir et uryddig bilde.  Årsak 3: De fleste kjøpere kom fra en større SUV som ga et mer luksuriøst inntrykk. Årsak 4: Motoren er meget lydløs.  Kundene foretrekker lyd som indikerer kraftig motor under akselerasjon.  Årsak 5: Konkurrentene har lansert ladbare hybrider som har en langt lavere pris i kombinasjon med bedre ytelser.

4. Utarbeide hovedfunn

Gitt at hovedfunnene viste at kundenes erfaring var at bilen ikke var så luksuriøs og komfortabel som forventet. Dette ble avdekket gjennom observasjon av brukssituasjoner og gjennomføring av dybdeintervjuer.  Digitale spor i kjøpsprosessen klarte ikke å avdekke dette.  Hovedfunnene danner rammen for det som skal prioriteres i innovasjons- og forbedringsarbeidet.

5. Estimere hvordan funnene påvirker forretningen

Økt innsikt i rotårsakene må resultere i innovasjon og forbedringsprosjekter. Hvert av innovasjonsforslagene kan deles inn i en 2x2-matrise som viser risiko målt mot lønnsomhet.  Du kan også benytte forretningsverdi, målt mot tidshorisont, for når investeringen kan gi effekt. Nedenfor vises en enkel matrise over prioriterte innovasjonsforslag. Størrelsen indikerer investeringsbehov, og bokstavene prioriteringer.

Det er kostbart å gjennomføre kvalitative analyser: Det tar tid, og det må ofte hentes inn ekspertise utenfor virksomheten. Det er ikke nødvendig å utføre kvalitative analyser (Thick Data) like ofte som kvantitative analyser. Det er ikke hver dag du må fronte komplekse, ukjente problemer.

De resultatene du får gjennom kvalitative analyser er som oftest svar på mer strukturelle endringer – de endres ikke over natten. En grundig kvalitativ analyse gjennomført én gang i året, kan vise seg å være mer enn tilstrekkelig for ett marked. Har du mange forskjellige markeder og kundegrupper med få fellestrekk, vil det kreve flere analyser.

Et tips til kostnadseffektive Thick Data-analyser er å engasjere studenter. Bachelor- og Masterstudenter kan engasjeres til praktiske feltstudier. Dette er en vinn-vinn-situasjon. Det faglige nivået er høyt – studentene assisteres av en veileder med høyt faglig kvalifikasjonsnivå. Dette kan du også gjøre til en fast årlig aktivitet som inngår i strategiprosessen din. Det kommer nye studenter hvert år, og det er attraktivt for studenter å skrive oppgaver om innovative virksomheter som igjen vil benytte resultatene studentene fremskaffer i kommersiell virksomhet.

Først publisert 29. mars 2017, oppdatert 28. mars 2018