Notat: Digitalisering i organisationer

Kapitel 1. Digitalisering i organisationer

Billedet her kunne godt være fra en virksomheds bogføring i 1980. Side op og side ned med tekst, kontonumre, tal, debet og kredit.

Billedet er selvfølgelig historie. I dag foregår (næsten) alt elektronisk, og heldigvis for det. Det er noget nemmere, og vi kommer hurtigt videre til alt det sjove nemlig økonomistyring.

Det betyder dog ikke, at alt er 100% elektronisk. Selvom administrationsfolk bruger computeren langt mere end kuglepen og papir, så er langt fra alt elektronisk. Snarere er vi havnet i en elektronisk jungle, hvor IT systemerne fungerer godt hver for sig, men har problemer med at samarbejde på tværs. Der bliver investeret milliarder i at gøre organisationer og virksomheder endnu mere digitale. Arbejdskraft, der både kan IT og økonomi, kan regne med høje lønninger og spændende arbejdsopgaver :-).

Jeg vil her gennemgå de vigtigste IT systemer, som stort set alle organisationer benytter sig af.

1.1 Virksomhedsstyringssystemer/ERP systemer

ERP står for “Enterprise Resource Planning”. På dansk kalder man systemerne for “Virksomhedsstyringssystemer”

ERP systemer kan være enorme og koste millioner. Prøv at tænke på, hvilke krav f.eks. Lego, Mærsk eller Jysk stiller til deres økonomistyring. Deres ERP systemer skal kunne håndtere alt og på tværs af landegrænser.

Hjertet i et virksomhedsstyringssystem er dog den “gammeldagse” bogføring. Man kan sige, at alle helt ned til den mindste lille virksomhed/organisation/forening har brug for at holde styr på deres bogføring. Så det er der, vi starter.

Hjertet i et ERP system

Ud fra bogføringsmodulet (beklager, hvis det lyder gammeldags, men det ER altså kernen i systemet) kan vi så bygge moduler på. Virksomhederne vil så typisk betale alt efter, hvilke moduler, de bruger. Mulighederne for udbygning er utallige, og de kan forbindes på kryds og tværs.

Muligheder i ERP systemer
Muligheder for udbygning af et ERP system

En af de største ERP leverandører er tyske SAP. 99 ud af de 100 største danske virksomheder bruger SAP. SAP konsulenter tjener kassen og mere til, uanset hvor gode/dårlige de er :-). Til mindre virksomheder er det andre systemer, der er populære.

1.2 CRM systemer

CRM står for “Customer Relationship Management”. På dansk kalder man systemerne for “Salgsstyringssystemer”.

Et eksempel: En virksomhed finder en liste over potentielle nye kunder eller laver en marketing kampagne, hvor de høster kontaktoplysninger på potentielt nye kunder. Disse kontakter/potentielt nye kunder kalder man for “leads”. Salgsafdelingen kontakter så disse “leads” og ser, om de kan få vekslet “leads” til “accounts” eller kunder. Når kontakten har købt noget, er kontakten en account.

Ud over nye kunder skal salgsafdelingen også holde styr på eksisterende kunder og sørge for, at relationen til kunderne bliver passet og plejet.

CRM systemer er designet til at holde styr på leads og accounts og til at styre kampagner. CRM er ofte integreret med ERP systemer, men ofte sælges de af en selvstændig leverandør, der kun fokuserer på CRM og ikke ERP.

1.3 CMS systemer

CMS står for Content Management System. Systemet kan styre indholdet på en hjemmeside i et tekst-behandlings-lignende system uden, at administrator behøves at kunne kode. WordPress er verdens mest populære CMS system. CMS systemer kan både styre hjemmesider og webshops.Systemerne findes både gratis og som dyre betalingssystemer. Fordelen ved at bruge betalingssystemer kan være, at der mange gang er integration til virksomhedsstyringssystemer.

1.4 Intranet og ekstranet

Intranet er en “intern hjemmeside”. Der er kun adgang internt. Et eksempel er Lectio, men f.eks. OneNote kan også fungere som intranet om end et primitivt intranet. Bare flere kan se oplysningerne på samme tid.

Hvis man lukker folk udefra ind i intranettet, f.eks. hvis nogle kunder må se interne prislister, så kalder man det for et ekstranet. Der er dog ikke fri adgang som ved almindelige hjemmesider.

1.5 Sikkerhedssystemer

Næsten alle har beskyttelse mod trusler udefra. Microsoft Defender er et eksempel. Større organisationer køber ikke kun backup, de køber også systemer, der kan forsvare deres data mod uvedkommende trafik. Det kan koste meget dyrt for en organisation, hvis den får ødelagt følsomme data.

Kapitel 2. Datadreven innovation i virksomheder

Udgangspunktet er, at vi nu nemt og effektivt kan indsamle data, og at vi også bliver bedre og bedre til at analysere disse data. Både private og virksomheder er nu i stand til at træffe beslutninger på et bedre grundlag, takket være de nye teknologier. Her er et par meget få eksempler på brug af data:

  • Takket være GPS kan vi hurtigt og nemt finde vej selv på steder, vi aldrig har været før
  • Virksomhedsejere kan i langt højere grad end før træffe beslutninger på baggrund af data frem for mavefornemmelser
  • Webshops bruger dataanalyser i stor stil for at optimere deres salg
  • Vi har endda fået digitale valutaer som f.eks. bitcoins

Jeg vil i kapitlet her dykke ned i de mange nye begreber, som har det til fælles, at de har rod i muligheden for at indsamle og analysere store mængder data. Begreberne er:

2.1 Data mining og data warehousing

Data mining og data warehousing er på mange måder synonymer for big data. Der er dog en lille tendens til, at data mining og data warehousing bruges om data internt i en virksomhed, mens big data dækker data om alt muligt.

Hvad er det så? Data warehousing er ikke andet end at man opbevarer data.

Data mining er data analysen. Du har tidligere mødt databaser og at man ved hjælp af SQL kan trække data ud om alt muligt. Både databaser inklusive mængder af SQL kode og Excel er meget brugt. Du vil møde, vistnok i faget virksomhedsøkonomi, at man i Excel kan arbejde med pivot tabeller. I pivot kan man nemt og enkelt kan se udsnit af kæmpe tabeller og lave beregninger.

Et eksempel på både pivot og data mining: Hvis man f.eks. har 10.000 kunder i Danmark, så man man bede om at se alle nordjyske kunder (postnummer lig med eller større end 9000) og følge deres salg måned for måned. Herefter man man vælge dem ud, hvor salget stiger mest, og så sige, at de er de vigtigste kunder at besøge.

Med andre ord: Der er virkeligt mange penge både at spare og tjene som organisation, hvis man kender sine data bedre. Derfor er mange organisationer inklusive staten villige til at ofre store summer på data warehousing og data mining.

Data mining er kompliceret fordi data er ustrukturerede

Når vi arbejder med en relationel database har vi en enorm fast struktur. Det gør, at vores data er nemme at hente, og at databasen er meget forudsigelig. Det gør den velegnet som database inden for f.eks. økonomi, sundhed, befolkning for slet ikke at tale om fravær og karakterer.

Problemet er, at vi indenfor dataanalyse/data mining slet ikke har tid til at tilpasse alle datainput til formatet i vores datainput, ikke mindst fordi de har forskellig formater. Nogle af vores data vil være velordnede, andre ikke. Nogle data vil måske bare være en tekstfil.

Indenfor data mining/dataanalyse er det en stor og vigtig del af vores arbejde at sætte f.eks. primærnøgler på vores data og forbinde de forskellige datakilder til en funktionsdygtig, samlet database. Det er først når vi har en funktionsdygtig database som vi kan vedligeholde, at vi overhovedet kan gå i gang med at lave en fornuftig dataanalyse. Samtidig er datamængderne så store, at vi skal have automatiseret både vores dataindsamling og vores vedligehold.

2.2 Business intellegence / BI

Grundlæggende handler business intellegence (BI) om at omsatte data til værdi. Især i form af bedre beslutninger. Det vil sige, at BI på en møde handler om det samme som både big data (set med virksomhedens øjne) samt data warehousing og data mining.

Business intellegence bruges til at skabe et overblik over virksomhedens data inden for alt fra økonomi over produktion, kunder, timeregistrering, alt.

Som i big data og data mining er kunsten at integrere data til en sammenhængende database, som man kan lave analyser med.

Målet er at skaffe overblik og kunne tage kvalificerede beslutninger ud fra data.

Alt i alt er business intellegence:

  • Indsamling af data, ofte automatiseret, på tværs af forskellige datakilder
  • Dataintegration og -kvalitet
  • Behandling, udvælgelse, gruppering og statistisk behandling af data
  • Præsentation og afrapportering af data
  • Fremskrivning af data ved hjælp af analyse og forecasts.

2.3 IoT, “Internet of Things” eller al tings internet

I dag har vi næsten overalt adgang til internettet overalt. De enheder, vi bruger til at få adgang til internettet er faldet i pris, og det samme er prisen for at sende data over internettet. Det har gjort, at vi kan indsamle data billigt og effektivt. https://www.youtube.com/embed/wqljX8TDngI

Man snakker om, at i fremtiden vil næsten alt anvende adgang til internettet. Vi er allerede godt i gang:

  • Når man er på vej til sommerhuset, kan man tænde for varmen i forvejen fra bilen. Mobilen har adgang til nettet, og det samme har varmestyringen i sommerhuset
  • Kommunerne har nogle steder “intelligente brosten”. En intelligent brosten er en sten, som man lægger ned i vejen. Den sender så data om temperaturforhold til Vejdirektoratet som så kan afgøre, om man skal salte vejene for at undgå problemer med is på vejene
  • Data om trafik kan sendes over nettet, så man kan regulere trafikken og undgå kødannelser
  • Indenfor sport har man sensorer, som kan måle alt muligt. F.eks. hvis du løber en tur, kan du få gennemsnitsfart, distance, alt muligt

Så IoT handler i høj grad om, at vi kan udnytte adgang til internettet til at samle data og gøre ting trådløst, som vi ikke kunne gøre før.

2.4 Kunstig intelligens

Kunstig intellegens eller “artificial intellegence” (AI) er et begreb, der dækker over, at maskiner kan læres op til at tænke selv. Man kan sige, at maskinerne kan lære af deres egen fejl.

Nogle har en forestilling om, at en maskine med kunstig intelligens kan lære at gøre som et menneske. Lige som i film, hvor menneskelige kloner overtager jorden og i bedste Hollywood så ender med at blive besejret af en helt. En maskine, som kan opføre sig som et menneske, kan sagtens være en konsekvens af kunstig intelligens.

Her er et par eksempler på kunstig intelligens:

  • Selvkørende biler
  • En computer, der ud fra røntgenbilleder kan genkende kræftknuder. Og den er bedre end lægerne til det
  • I Billund lufthavn bruger de en maskine til at finde forbudte genstande i flypassagerenes bagage. Den kan genkende f.eks. formen på en pistol eller en kniv

En simpel tilgang til at skrive kode, der kan lære af sig selv

Lad mig give et eksempel. Sæt nu, at vi kan forudsige, hvilke virksomheder der går konkurs. Så kunne vi kontakte dem inden, at det går galt, og så måske hjælpe dem, så de ikke går konkurs.

Vi har i forvejen en masse information om virksomheder, så lad os prøve på følgende måde:

  • Vi går 2 år tilbage i tiden
  • Så kikker vi på, hvilke virksomheder, der har underskud
  • Så siger vi, at alle virksomheder, som har underskud, går konkurs næste år
  • Til sidst tester vi af. Hvor mange virksomheder i 2018 gik konkurs i 2019 (dette er skrevet 2020). Svar: Måske 0,5 %. Det er jo ikke noget særligt fantastisk resultat, men det er heller ikke meningen. Meningen er at komme i gang
  • Så prøver vi igen. Hvad med at beregne ud fra, at virksomhederne har haft underskud de sidste 5 år i stedet for. Vi tester igen og denne gang rammer vi måske 1,5%. Sådan bliver vi ved med at teste og forbedre

Helt konkret var der nogle, der forsøge at forudsige konkurser. Ved hele tiden at forbedre deres algoritme (= beregningsmetode) nåede de op på at forudsige 90% af alle konkurser.

Så vi starter med noget, som ikke er så godt, og så tester vi løs og forbedrer det. Faktisk er det her et skoleeksempel på en agil udviklingsmodel.

Agil udviklingsmodel/scrum

Uden kode, som kan evaluere sig selv, ingen kunstig intelligens