En dataplattform är en förutsättning för att göra kontinuerliga, automatiserade prognoser i detaljhandeln.
Men det räcker inte.
Det krävs också en attitydförändring som går ut på att göra prognoser kontinuerligt och att se till att de verkligen påverkar beslut. Det skriver Johan Nordström, skandinavienchef på InterSystems.
Dataanalys, AI och maskininlärning är begrepp som på allvar har sipprat in i detaljhandeln. Men vad gäller att få ut verkligt värde av data är arbetet i sin linda. Det krävs åtskilliga steg och en del investeringar för att lyckas. Allra mest krävs kanske en rejäl attitydförändring.
Traditionell dataanalys, eller den närbesläktade föregångaren beslutsstöd (BI), representerar ett förhållningssätt som går ut på att titta på historiska data. Man samlar in data, sammanställer dem och gör en analys eller en enklare rapport. Resultatet av ansträngningarna kanske kommer att påverka beslut som fattas. Eller också inte.
Arbetssättet är att göra prognoser, regelbundna eller sporadiska, vid vissa tillfällen, utan att ha en tydlig process för hur de ska användas. Huruvida resultaten av prognoserna används blir lätt personberoende. Vissa chefer gillar och förstår dem, andra inte.
Varje dag
Modern dataanalys i olika former, till exempel med maskininlärning, är något annat. Det handlar om kontinuerlig användning, ofta av realtidsdata, eller så nära realtid som det går. Den avgörande skillnaden mot äldre dataanalys är att man lever med automatiserade prognoser i den dagliga verksamheten.
Det tydligaste exemplet är kanske beslut om inköp. Låt oss ta daglighandel som ett exempel, även om principen gäller för alla typer av detaljhandel. Hur mycket ansjovis ska en livsmedelsaffär till exempel köpa in? De affärer, eller kedjor, som hade lyckats förutsäga den ansjovisbrist som uppstått inför tillagandet av Janssons frestelse i de svenska hemmen hade kunnat göra sig en rejäl hacka nu i juletid.
För att komma till det här läget, med daglig automatiserad dataanalys, krävs det en hel del saker. Den goda nyheten är att det är enklare än för fem år sedan. Den lilla affären behöver inte längre anställa ett team av dataanalytiker för att lyckas. Men alla som vill ägna sig åt modern dataanalys behöver se över sin datahantering.
Samla in data
På engelska pratar man om ”data fabric”, låt oss säga dataplattform på svenska. Det handlar om en plattform som används för att samla in data från olika källor, i olika format, och att ”tvätta” dem så att de kan användas tillsammans. En viktig aspekt är att data lämnas i sina ursprungliga källor, men görs åtkomliga på ett enhetligt sätt via dataplattform, för olika applikationer, tjänster och analyslösningar.
Det är oöverkomligt att hantera det här med hemsnickrade lösningar, eller med en uppsjö av olika inköpta mjukvaror. Det krävs ett helhetsgrepp, med en enhetlig dataplattform.
Vad handlar det om för datakällor?
Till exempel kassasystem, ekonomi- och affärssystem, inköpssystem, lagersystem, kunddatabas, externa källor med prognosdata, med flera. Det är lätt att inse att det är en stor utmaning att sammanföra data från de här olika källorna.
Det är troligt att ansjovis har olika produkt-ID i de olika datakällorna. Bara att reda ut det blir en utmaning med en hemsnickrad lösning.
Med en dataplattform på plats får både den stora kedjan och den lilla affären en chans att ägna sig åt kontinuerlig, automatiserad prognostisering. Men allra viktigast är attityden. Att verkligen göra kontinuerliga prognoser och att använda sig av deras resultat.
…………………………………………..
Den här artikeln publicerades i IT-retail.se den 5 maj 2022
…………………………………………..
Läs mer vad Johan Nordström har att säga om att skapa värde i vården här.