Datadrivna team – hur de utvecklas och vad man bör se upp för!

I takt med att organisationer stärker sin förmåga att samla in alltmer data blir det viktigt att ha människor som förstår sig på stora datamängder och som kan ställa rätt frågor gällande all data. Att sträva efter att bli en datadriven organisation är ett ambitiöst mål för vilket företag som helst, eftersom det innebär att objektiva fakta, snarare än subjektiva preferenser, ska utgöra grund för chefernas viktigaste beslut. Men man måste börja någonstans och i det här blogginlägget kommer jag gå igenom tre tips för hur man utvecklar och använder datadrivna team för att fatta mer välgrundade beslut, samt påpeka de vanligaste fallgroparna med datadrivna team så att Du kan undvika dem.

För oss på TIC är kopplingen mellan målstyrning och datadrivna team avgörande för att säkerställa att organisationens övergripande mål och strategier uppnås på ett effektivt sätt. Detta är för att datadrivna team använder objektiva data och analyser för att fastställa och övervaka sina mål, vilket bidrar till att skapa en stark koppling mellan ageranden och resultat. Genom att integrera datadrivna metoder i målstyrningsprocessen kan teamen effektivt använda data för att identifiera trender, mönster och möjligheter som kan hjälpa dem att optimera sina prestationer. Och viktigast av allt är att genom att främja datadrivna team kommer beslut (oavsett vad de gäller) att vara baserade på relevant data och välarbetade analyser, vilket minskar risken för subjektivitet och felaktiga antaganden, och därmed ökar sannolikheten att nå sina mål.

Tre tips på hur man utvecklar datadrivna team:

• Främja kritiskt tänkande

Medan mycket av dagens diskussioner om data fokuserar på teknologins och AI:s roll är det faktiskt den mänskliga sidan av ekvationen som kommer att vara den största differentieraren. När organisationer stärker sin förmåga att samla in alltmer data – och det handlar inte så mycket om mängd utan snarare om kvalitet – är det viktigaste att ha människor som kan ifrågasätta datan.

Det är mänsklig nyfikenhet och kritiskt tänkande som behövs för att identifiera de främsta problemen som AI och data kan hjälpa till att lösa, och denna process börjar med dig.

• Investera i utbildning

Alltför ofta finns det en diskrepans mellan vad chefer och organisationer säger att de värdesätter – till exempel innovation, mjuka färdigheter, ledarbegåvning och datadrivna beslutsfattande – och de resurser de avsätter för att möjliggöra dessa saker. Konsekvenserna är uppenbara: om du vill att ditt team ska omfamna eller åtminstone hänga med i den nuvarande datarevolutionen och närma sig arbetet på ett mer evidensbaserat sätt måste du utbilda dem.

Det betyder inte att alla ska bli dataforskare, men att dra nytta av det enorma utbudet av virtuella resurser som finns inom och utanför organisationer. Till exempel erbjuder många toppuniversitet och ledande företag inom data gratis onlinekurser om AI, datavisualisering och datavetenskap. Så det primära investeringsobjektet är inte pengar, utan tid. Och självklart måste organisationen ge människor incitament att lägga ner den tid som behövs för att förstå utvecklingen.

• Anställ rätt personer

När det gäller utbildning av kvantitativa, datadrivna eller faktabaserade resonemangsfärdigheter finns det välgrundade bevis för de kompetenser som förutsäger individers benägenhet att lära sig och uppvisa dessa färdigheter.

För det första beror detta på deras nivå av generell intelligens eller kognitiv förmåga, vilket är den enskilt bästa predikatorn för en persons förmåga att lösa uppgifter och ta till sig kunskap inom vilket kompetensområde som helst. Tänk på det som ett generellt mått på mental kapacitet eller kognitiv bearbetningshastighet. Mer specifikt kommer individer med högre nivåer av kvantitativ eller numerisk förmåga (en delmängd av generell intelligens) att finna det mycket lättare att ta till sig all utbildning som rör dataanalys. Oavsett den expertis eller kunskapsbas de redan har kommer de att lära sig snabbare och bättre.

Samtidigt finns det också andra psykologiska egenskaper som avgör om individer kommer att lära sig att tänka mer empiriskt och kvantitativt. Till exempel tenderar de som är mer öppna för nya erfarenheter och som är flitiga att ha mer av en nyfikenhet och en längtan att engagera sig i den typ av träning och lärande som krävs för att bli mer datadriven.

Medan det är möjligt att förbättra dessa psykologiska egenskaper genom utbildning och utveckling är det oerhört svårt, om inte omöjligt, att radikalt förändra dem. Så om du vill att ditt team ska vara datadrivet kan det vara bäst att rekrytera människor som redan har dessa egenskaper i rätt dos och sedan hjälpa dem att utveckla sina färdigheter ytterligare.

Vanligaste fallgroparna med datadrivna team

Som ovan nämnt är det inte mer än rätt att också göra dig som läsare medveten om det andra sidan av myntet, dvs några av riskerna med data. Och i takt med att man går åt mer datadrivna team bör man också vara medveten om vissa fallgropar och utmaningar som kommer med detta. Tänk därför på att det kan finnas:

 

Bias och felaktiga antaganden:

Även om data kan vara värdefullt i beslutsfattande kan datan också innehålla bias och felaktiga antaganden. Om teamet inte är medvetet om dessa potentiella fallgropar kan det leda till att felaktiga slutsatser dras eller att beslut fattas på felaktig grund.

Brister i datakvalitet:

Datadrivna team är beroende av tillförlitlig och korrekt data för att kunna fatta informerade beslut. Om det finns brister i datakvaliteten, till exempel bristfälliga eller inkonsekventa data, kan det leda till felaktiga slutsatser eller beslut som inte är välgrundade.

Övertro på data:

Att vara datadriven betyder inte att man uteslutande förlitar sig på data och ignorera andra aspekter såsom erfarenhet, intuition och expertkunskap. Det är viktigt att komplettera data med andra informationskällor för att få en mer komplett bild och undvika att missa viktiga faktorer eller möjligheter.

Svårigheter att tolka och kommunicera data:

Att förstå och tolka data kräver viss kunskap och kompetens. Om teamet saknar nödvändiga analytiska färdigheter eller förmåga att kommunicera dataresultat på ett begripligt sätt kan det uppstå missförstånd eller bristande tillit till datadrivna beslut.

Risk för överbelastning av data:

Att ha tillgång till en stor mängd data kan vara fördelaktigt, men det kan också bli överväldigande om teamet inte kan hantera och analysera det på ett effektivt sätt. Att fastna i analysparalys eller att förlora fokus på relevanta data kan minska teamets produktivitet och beslutsfattande förmåga.

För att undvika dessa fallgropar är det viktigt att ha en medvetenhet om dem och att arbeta med att utveckla datadrivna kompetenser inom teamet, inklusive kritiskt tänkande, rätt utbildning och kompetens. Så när det gäller datadrivna team vill jag skicka med den viktigaste slutsatsen: säkerställ att datakvaliteten är tillförlitlig och att det finns en balans mellan att använda data som beslutsunderlag och att dra nytta av andra informationskällor och expertkunskap – den som endast medarbetarna har!