Datadrevne beslutninger erstatter magi

Processer, der er bundet op på enkeltpersoner, og viden, der er gemt i kernemedarbejdere er genkendelige situationer for mange virksomheder og organisationer. Hvis disse centrale personers viden og kompentencer samtidig ligger til grund for beslutningsprocesser, har man en risiko for, at de bliver flaskehalse. For at kunne bære virksomheden videre vil man også ofte have tendens til at lade de centrale personer oplære de medarbejdere, der i fremtiden skal overtage deres plads. Som hos magikere og deres lærlinge bliver intuitionen den magi, man baserer sine beslutninger på. Den form for mesterlærekultur bliver på et arbejdsmarked under accelererende forandring en mere og mere ustabil støtte. En måde at imødegå denne ustabilitet er ved at gøre ens beslutninger datadrevne - erstatte magien med data. 

Der indgår data i grundlaget for de fleste typer af beslutninger. Når man tager datadrevne beslutninger, lader man data være styrende for hele beslutningsprocessen i stedet for alene som et grundlag til at underbygge en beslutning, man er ved at tage. Et eksempel kunne være, at man gerne vil præsentere det, man tilbyder på en mere relevant måde for ens publikum.

I den traditionelle tilgang indgår data ofte i processen, men er ikke styrende for beslutningen. En anden, data-drevet tilgang ville være først at stille det centrale spørgsmål på en måde, der kan besvares gennem data. Dernæst kan man identificere, hvilke data der skal til for at kunne besvare spørgsmålet, og til sidst kan man så finde ud af, hvordan man baseret på data måler, hvor god ens løsning er. Data kan her for eksempel være sidevisninger, klik, bestillinger eller andet adfærd, man kan indsamle.

En måde at snævre sig ind på, hvilke kvantitative data man kan bruge til at løse sit spørgsmål, kan være gennem indsamling af en mindre mængde kvalitative data, der kan fokusere ens indsamling og fortolkning af kvantitative data. Nu kan en dataorienteret formulering af spørgsmålet for eksempel lyde, hvordan man får forhøjet antallet af klik på ens side, og løsningens effekt kan sammenlignes med situationen, før man foretog sig noget, samtidig med at forskellige løsninger kan sammenlignes med hinanden gennem data. Her er maskinen kold, ufølsom og urokkelig. 

Den datadrevne tilgang giver ikke løsninger, man ikke kunne have fundet frem til gennem andre måder at tænke på. Men den giver en struktur, som er nemmere at strømline og overføre på tværs af medarbejdere og kontorer. Datadrevne beslutninger kan i højere grad end intuitionsbaserede beslutninger beskrives i et sprog, der er gennemsigtigt og forståeligt. På den måde bliver det potentielt også nemmere for de personer, der berøres af beslutningen at forstå og udfordre rationalerne bag. 

Automatisering 

En parallel udvikling med bevægelsen mod datadrevne beslutninger er den stigende digitale automatisering. Allerede nu kan meget tekstarbejde som kontraktudarbejdelse i begrænset omfang udføres af computere uden særlig, menneskelig hjælp. I fremtiden er det tænkeligt, at selvkørende last biler automatiserer chauffører væk og vores kontakt med det offentlige klares via digitale robotter. 

I den udvikling er det i stigende grad vigtigt at være opmærksom og omstille sig for at undgå et potentielt kollaps af stillinger, hvis primære indhold er blevet automatiseret. Vi kommer til at gå en muligvis lang overgangsperiode i møde, hvor digitalt funderede stillinger bliver mere og mere automatiserede, og det er særligt vigtigt at tage ansvar for de mennesker, det berør. Her kan man med et dataorienteret perspektiv udvikle de stillinger og give de personer, der bestrider dem, nye og datadrevne opgaver. Ellers løber man den store risiko at gøre stillingerne meningsløse, hvis de for eksempel reduceres til at være rent verifikative, efter en digital robot har gjort sit arbejde. Hvis fremtidens journalistik primært består i at tjekke, at computeren ikke har skrevet noget forkert eller anstødeligt, så er der nok ikke mange, der vil have lyst til at tage det job. Og de, der ender med at få det, vil formentlig i høj grad føle en mangel på mening i deres arbejdsliv. 

Hvis man i stedet udvikler de digitale stillinger for eksempel i retning af arbejdet, der ligger før data - at udvælge datapunkter og -attributer og informere computeren - eller det arbejde, der ligger efter data - at fortolke og kvalificere resultater - så vil de formentlig både give større glæde for arbejderen og skabe større værdi for virksomheden. 

I den forbindelse er det særligt også vigtigt at være opmærksom på, hvad computere er gode til, og hvad mennesker er gode til. For eksempel er computere ofte helt ude af stand til at forstå kontekst og selvom mange virksomheder hævder at sælge produkter baseret på automatisk sprogforståelse, forstår computeren ikke sprog i virkeligheden, men kan bare lave nogle nyttige slutninger ud fra, hvordan forskellige ord står i forhold til hinanden i en samling tekster. På den måde er de menneskelige arbejdere en af de vigtigste ressourcer for en datadrevet virksomhed, fordi det er her, vi finder udfordringer og kvalificeringer af de digitale robotters arbejde. I foreningen af menneskelig magi og maskine bliver vi klogere, og det bliver forhåbentligt sjovere at gå på arbejde.