Vad är data faktiskt värt?

Data som inte skapar värde är en kostnad

Det är lätt att prata om data som något värdefullt i sig: "data är det nya guldet" och liknande. Verkligheten är mindre poetisk: om ni har data som inte skapar värde är det bara en kostnad. Om datan dessutom håller dålig kvalitet är den en kostnad och en risk. Data är inte värdefullt för att den finns. Den är värdefull för att den används.

Det låter enkelt, men de flesta organisationer sitter på enorma mängder data utan en tydlig plan för hur den ska omsättas i något. Den här artikeln handlar om just det: vilka konkreta vägar som finns till att göra data till pengar, och vad som faktiskt krävs för att lyckas.

Det du inte vet att du vet

Ett användbart sätt att tänka kring data och information kommer från filosofen Rafael Echeverría (1995), som delar upp kunskap i fyra fält:

Det vi vet att vi vet: den självklara datan, redan använd.
Det vi vet att vi inte vet: kända kunskapsluckor, sådant vi aktivt kan gå och leta efter.
Det vi inte vet att vi vet: data som redan finns i organisationen, men som ingen kopplat till en fråga som skulle göra den värdefull. Detta är oftast där den enklaste vinsten ligger.
Det vi inte vet att vi inte vet: blinda fläckar, som bara syns i efterhand.

Det sista fältet är också där Nassim Nicholas Talebs begrepp svart svan hör hemma: de sällsynta, extremt osannolika händelser som ändå får enorm påverkan just för att ingen såg dem komma, och som i efterhand alltid förklaras som om de borde varit uppenbara. Det är ett tillräckligt stort ämne för en egen artikel, men värt att nämna här: ingen mängd data eliminerar den fjärde rutan, den kan bara krympa den lite.

Poängen med matrisen är inte att den är vetenskapligt exakt, utan att den tvingar fram en fråga de flesta hoppar över: innan man samlar in mer data, vad har vi redan som vi inte utnyttjar?

Från data till handling

Data i sig gör ingenting. Vägen från data till faktiskt värde brukar beskrivas i tre steg:

Data → Insikter → Handling, där varje steg motsvarar en annan typ av analys:

Deskriptiv (vad har hänt?): kräver minst datakvalitet, mest mänsklig tolkning.
Prediktiv (vad kommer hända?): kräver högre datakvalitet, mindre mänsklig inblandning.
Preskriptiv (vad bör vi göra?): kräver högst datakvalitet, minst mänsklig inblandning. Systemet föreslår eller till och med utför handlingen direkt.

Ju längre mot handling man rör sig, desto mindre tolerans finns för dålig datakvalitet. Ett dashboard med lite skräpdata är irriterande. Ett automatiserat beslutssystem med lite skräpdata är farligt.

Tre sätt att faktiskt tjäna pengar på data

Barbara Wixom och medförfattarna till boken Data Is Everybody's Business beskriver tre principiellt olika sätt att omsätta data i pengar, och det är värt att känna till alla tre, för de kräver helt olika förmågor internt:

Improve: använd data för att göra det ni redan gör bättre. Effektivare processer, bättre beslut, lägre kostnader. Det är den lågt hängande frukten, den som kräver minst nytt och ger snabbast resultat.

Wrap: paketera data eller insikter kring en befintlig produkt eller tjänst, så att den blir mer värd för kunden. Ett bra exempel är när en fysisk produkt får ett digitalt lager ovanpå. Inte en ny produkt, utan samma produkt fast med data som gör den bättre.

Sell: sälj data eller datadrivna insikter direkt, som en egen produkt. Det är den mest krävande vägen, både legalt och tekniskt, men också den som kan ge mest om den görs rätt.

I praktiken kommer den absoluta majoriteten av avkastningen från data-satsningar från just improve, en mindre men betydande del från wrap, och minst från sell, vilket är värt att komma ihåg innan man kastar sig rakt in i att "sälja data" som första steg. De flesta organisationer skulle tjäna mer på att först bli riktigt bra på improve.

De fem förmågorna som avgör om ni klarar det

Att välja väg (improve, wrap eller sell) räcker inte om organisationen saknar de underliggande förmågorna. MIT CISR:s forskning identifierar fem förmågor som krävs för att monetarisera data överhuvudtaget:

Data Asset: har ni data som människor faktiskt kan hitta, lita på och använda?
Data Platform: kan data behandlas och levereras pålitligt och snabbt?
Data Science: har ni de vetenskapliga metoderna och algoritmerna som upptäcker det människor inte kan se själva?
Customer Understanding: förstår ni era kunder tillräckligt djupt för att veta vilka behov datan faktiskt ska möta?
Acceptable Data Use: har ni styrningen på plats, både efterlevnadsmässigt och etiskt, för att faktiskt få använda datan?

Varje förmåga går att mäta i mognadsgrader, från grundläggande till avancerad, och det är sällan den tekniska förmågan (data platform, data science) som är flaskhalsen. Oftast är det data asset och acceptable data use, de mindre glamorösa förmågorna, som avgör om resten ens går att bygga på.

Kostnad eller kapital

Så till frågan i rubriken: vad är data faktiskt värt? Svaret beror helt på om ni har förmågorna att omsätta den, och om ni valt rätt väg (improve, wrap eller sell) utifrån var ni faktiskt står idag. Data som bara ligger där är en kostnad. Data som är kopplad till en förmåga att agera på den är ett kapital.

Det leder till en större fråga, som förtjänar ett eget svar: om data faktiskt är ett kapital, ska det då synas i bolagets värdering, precis som andra tillgångar gör? Det är precis vad nästa artikel går in på.