BIG DATA-ANALYS INOM FOTBOLLSORGANISATIONER En studie om big data-analys och värdeskapande

BIG DATA-ANALYS INOM

FOTBOLLSORGANISATIONER

En studie om big data-analys och värdeskapande

BIG DATA ANALYSIS IN

FOOTBALL ORGANIZATIONS

A study regarding big data analysis and value creation

Kandidatuppsats

Felix Flike

Markus Gervard

Informatik Kandidatnivå 13hp VT2019

Förord

Vi vill tacka Dipak Surie för all handledning vi fått i detta arbete. Vi vill också tacka de opponenter som kommit med konstruktiv kritik vilket hjälpt oss i vårt arbete att färdigställa denna kandidat-uppsats. Vi vill även tacka våra intervjuobjekt för att de ville ställa upp. Utan er hade detta arbete inte varit möjligt.

Abstrakt

Big data är ett relativt nytt begrepp men fenomenet har funnits länge. Det går att beskriva utifrån fem V:n; volume, veracity, variety, velocity och value. Analysen av Big Data har kommit att visa sig värdefull för organisationer i arbetet med beslutsfattande, generering av mätbara ekonomiska fördelar och förbättra verksamheten. Inom idrottsbranschen började detta på allvar användas i början av 2000-talet i baseballorganisationen Oakland Athletics. Man började värva spelare baserat på deras statistik istället för hur bra scouterna bedömde deras förmåga vilket gav stora framgångar. Detta ledde till att fler organisationer tog efter och det har inte dröjt länge innan Big Data-analys används i alla stora sporter för att vinna fördelar gentemot konkurrenter. I svensk kontext så är användningen av dessa verktyg fortfarande relativt ny och många organisationer har möjligtvis gått för fort fram i implementeringen av dessa verktyg. Denna studie syftar till att undersöka fotbollsorganisationers arbete när det gäller deras Big Data-analys kopplat till organisationens spelare utifrån en fallData-analys. Resultatet visar att båda organisationerna skapar värde ur sina investeringar som de har nytta av i arbetet med att nå sina strategiska mål. Detta gör organisationerna på olika sätt. Vilket sätt som är mest effektivt utifrån värdeskapande går inte att svara på utifrån denna studie.

Nyckelord: big data, big data-analys, data management, värdeskapande, resurshantering

Innehållsförteckning

1

INLEDNING ... 1

1.1

PROBLEMFORMULERING ... 2

1.2

SYFTE OCH FRÅGESTÄLLNINGAR ... 2

1.3

UTGÅNGSPUNKTER FÖR STUDIEN ... 3

1.4

AVGRÄNSNINGAR ... 3

2

METOD ... 4

2.1

VAL AV FORSKNINGSSTRATEGI ... 4

2.2

INSAMLINGSMETOD ... 4

2.3

VAL AV UNDERSÖKNINGSMETOD ... 5

2.4

ANALYS AV DATA ... 5

2.5

FORSKNINGSETISKA ASPEKTER ... 6

3

TEORETISK RAM ... 7

3.1

SMART-MODELLEN ... 7

3.2

FÖRMÅGORNA TILL BIG DATA-ANALYS ... 10

3.3

PROCESS FÖR VÄRDESKAPANDE ... 11

3.4

SAMMANFATTNING ... 12

4

EMPIRI ... 13

4.1

ORGANISATION A ... 13

4.1.1 Beskrivning av organisation ... 13

4.1.2 Organisationens program ... 14

4.1.3 Organisationens mål ... 15

4.2

ORGANISATION B ... 15

4.2.1 Beskrivning av organisationen ... 15

4.2.2 Organisationens program ... 16

4.2.3 Organisationens mål ... 17

5

RESULTAT/ANALYS ... 18

5.1

ORGANISATION A ... 18

5.1.1

Starta med strategin ... 18

5.1.2

Mäta variabler och data ... 19

5.1.3

Analysera data ... 19

5.1.4

Rapportera resultat ... 20

5.1.5

Transformera verksamheten och beslutsfattande ... 21

5.2

ORGANISATION B ... 21

5.2.1

Starta med strategin ... 21

5.2.2

Mät variabler och data ... 22

5.2.3

Analysera data ... 23

5.2.4

Rapportera resultat ... 23

5.2.5

Transformera verksamheten ... 24

5.3

SUMMERING ... 25

8

REFERENSER ... 30

9 BILAGOR………...

1 Inledning

Information är något som varit en del av vår vardag ända sen mänsklighetens början. Med datorernas inmarsch fick vi nya medel till att producera stora mängder data snabbare än vad vi någonsin kunnat förut. Utvecklingen av mer sofistikerade mobila enheter, sensorer och datorer har tillsammans med bättre datalagring gett oss ännu större möjligheter att samla in data. Mellan 2009-2014 niodubblades den totala datamängden i världen och datamängden förväntas fortsätta öka och fördubblas i storlek åtminstone vartannat år (Chen, Mao, & Liu, 2014). Detta ställer även krav på analysen av data. För varför ska vi samla in den om vi ändå inte kan tyda den?

Enligt Ylijoki och Porras(2018) kan man beskriva karaktärsdragen av byggstenarna som ligger till grund för big data i fem V: volume, variety, velocity, veracity och value. Volume syftar till de enorma mängder data som hela tiden produceras. Variety syftar till de olika formaten som datan kommer i. Datan finns inte längre enbart i strukturerade format utan återfinns nu även som ostrukturerade data. Velocity beskriver den ökande snabbheten som data genereras i. Detta kan vara båda stadiga dataflöden och oförutsägbara dataflöden. Veracity syftar till datans trovärdighet. Detta kan handla om datakvalitet men även om vilken typ av data det är. Ett exempel på denna typ är data som används till att förutspå väder. Det femte och sista V:et value är sammankopplat med värdet som datan skapar. Detta kan man då säga är kopplat till kontexten beroende på vad värde innebär (Ylijoki och Borras, 2018). Big data är nära relaterat till big data-analys som krävs för att skapa värde ur datan (Elgendy och Elragal, 2014).

Idag är big data-analys något som alla stora globala måste använda sig av för att vara konkurrenskraftiga i kampen om marknadsandelar. Google, IBM och Facebook lägger alla enorma resurser inom detta område. Detta har även spridit sig till små och medelstora företag som insett att Big Data kan utveckla deras verksamheter och ge dem stora fördelar (Marr, 2017). I sportvärlden är detta inget undantag. Bill James skrev vid år 1960 en bok om baseball och statistik. Han kallade vetenskapen för sabermetrics. Vid denna tid värvades spelare efter att scouter från Major League Baseball-organisationer åkt land och rike runt för att hitta de största talangerna. Det blev sedan budkrig om de som ansågs som bäst vilket gjorde att dessa oftast hamnade i de organisationer med mest pengar. James nya idéer kring värvningsstrategin utgick från att den mänskliga förmågan att bedöma en spelares kvalité inte var helt tillförlitlig. Han föreslog att man istället skulle titta på statistik över hur spelaren presterade i vissa moment för att bättre se hur bra spelaren var. Billy Beane anställdes 1997 som General Manager åt baseballorganisationen Oakland Athletics som då hade seriens tredje lägsta lönebudget. Han tog inspiration av James idéer i sin värvningsstrategi och värvade spelare baserat på statistik som andra klubbar fann ointressanta för mindre summor snarare än att förgäves försöka kämpa i budkrig som han aldrig skulle vinna (Neyer, 2017). Oakland Athletics gick till två raka slutspel vilket man aldrig gjort tidigare och man slog rekordet för flest antal vinster i rad(20) (MLB, 2019). Ett nytt sätt att tänka kring spelarvärvning var infört.

externa statistikföretag som analyserar såväl egna matcher som andra potentiella värvningar. Och varför ska man inte göra detta? I genomsnitt uppgår spelarlöner till 70% av klubbens totala utgifter vilket gör spelarna till klubbens mest kritiska tillgång (The Economist, 2013). Men det är inte bara till spelarrekrytering som Big Data-analys används. I den nordamerikanska hockeyligan NHL har man till i år börjat med sensorer i pucken för att kunna följa minsta rörelse med upp till 200 datapunkter i sekunden. Detta är tänkt som ännu ett hjälpmedel för klubbarna att analysera matcherna och ska även addera mervärde för tittarna (Gulitti, 2019). Big data-analys har blivit en stöttepelare i idrottsorganisationer som drivs av innovation och förändring (Hartvedt Andreassen, 2018).

Nu finns det även sofistikerad mätutrustning som mäter en spelares fysiska värden i realtid. Med denna teknik kan ledarna se hur en specifik spelare mår och till exempel hur sliten denna är i en specifik muskel (Li, 2019). Detta är alltså skadeförebyggande och gör så att man kan matcha sin önskade trupp i större utsträckning utan att riskera skador än vad man kunnat tidigare.

Användningen av Big Data förekommer även i svensk idrott. År 2017 startades företaget Football Analytics i Östersund som slöt avtal med TV4. Dessa producerar alla matcher i allsvenskan och förser tv-bolag med statistik (Fotbollskanalen, 2018). Detta gjorde att tittarna nu även kunde ta del av statistik som ”expected goals” i halvlekspausen, något man inte kunnat tidigare. På 10 år har alltså svensk fotboll gått från att man i de allsvenska klubbarna enbart använde sig av videoanalys där man tittade på videon och bedömde den utifrån vad man såg som människa till att idag ha alla matcher tillgängliga och analyserade av ett program och kunna se de exakta fysiska värdena för en spelare i realtid (Matteoni, 2009).

1.1 Problemformulering

Den stora utmaningen som många fotbollsorganisationer på elitnivå står inför är att veta hur man ska använda alla dessa Big Data-verktyg för att det ska ge värde åt organisationen på så sätt att man kan uppnå sina mål. Det finns idag väldigt många aktörer på marknaden och hård konkurrens från andra organisationer vilket gör att organisationens egna strategi gällande Big Data-verktyg blir väldigt viktig för att uppnå sina mål.

En studie gjord 2011 på över 30 branscher i över 100 länder visade att det absolut största problemet som organisationer hade vid implementering av Big Data-analys var att man inte visste hur man skulle använda värdet man erhöll för att förbättra organisationen (LaValle, Lesser, Shockley, Kruschwitz, & Hopkins, 2011).

1.2

Syfte och frågeställningar

Syftet är att ta reda på och studera hur svenska fotbollsorganisationer på elitnivå använder Big Data-analys kopplat till spelarna och om det skapar något värde för organisationen.

Våra frågeställningar vi kommer utgå från är:

- Hur använder sig organisationen av Big Data-analys kopplat till spelarna? - På vilket sätt skapas det värde av analysen för organisationen?

1.3

Utgångspunkter för studien

Våra utgångspunkter för studien är att titta på hur organisationen använder Big Data-analys och om värde skapas för organisationen. Till hjälp tänkte vi utgå från Bernard Marrs SMART-modell, Akter et al. modell om BDAC och Ylijoki och Porras teori om “Value creation process”.

1.4 Avgränsningar

Vår studie är avgränsad till att endast gälla big data-analys kopplat till spelarnas fysik och till matchsituation. Om inget annat nämns är det detta som åsyftas när vi skriver om en organisations big data-analys. Vi tycker detta är det som är mest intressant med denna typ av organisation och har därför gjort denna avgränsning. Vi har även valt att inte ta med organisationens arbete med mänsklig videoanalys av matchspel. Detta för att vi inte tycker det innefattas i begreppet big data-analys då man i organisationen använder detta som ett visuellt hjälpmedel och inte data-analyserar datan som videon producerar. En avgränsning har gjorts när det gäller antal deltagande organisationer i forskningen. En begränsning i omfattning och tid ledde oss till slutsatsen att två representanter från olika organisationer passar vår forskning och våra avgränsningar. Vi har valt två studieobjekt med tillräcklig ekonomi för att kunna bedriva arbete med big data-analys. Vi har även tänkt på att dessa två bör ha snarlika ekonomiska förutsättningar för att eliminera faktorn att organisationerna arbetar olika på grund av ekonomi. En avgränsning är gjord som syftar till att båda objekten ska tillhöra samma kategori i en bransch.

2 Metod

2.1 Val av forskningsstrategi

Valet av forskningsstrategi och att den blir väl etablerad i studien som ska göras är väldigt viktigt enligt Martyn Denscombe (2016). Forskningsstrategin ska hjälpa arbetet i att kunna nå specifika mål. Den strategi som vi identifierade som bäst lämpad för forskningen var en fallstudie. Med forskningens syfte i fokus passade fallstudie och dess kärnpunkter bäst in. Forskningen baserades på två undersökningsenheter och hade ett snävt fokusområde. Strategin kombinerat med lämpliga metoder för datainsamling ger forskningen ett djup och unika insikter, insikter som kanske inte uppenbarat sig vid en mer ytlig undersökning. Strategin blir enligt Denscombe (2016) lämpad när man inte bara tar reda på vad, utan också varför saker inträffar. Den valda strategin möjliggör en förståelse för dynamik inom ett visst ramverk.

2.2 Insamlingsmetod

Metod för datainsamling som är relevant till forskningen är intervjuer och skriftliga källor i form av litteratur och tidigare forskning. Datainsamlingsmetoderna är kopplade till den valda forskningsstrategin, vilket Denscombe (2016) beskriver som en viktig faktor. Metoderna är också identifierade som de mest användbara i relation till forskningens syfte och mål. De är mest relevanta för ändamålet och anses vara bäst lämpade. För att göra forskningen komplett är en kombination av datainsamling nödvändig. Intervjumetoden och de utförda intervjuerna kompletterar de skriftliga källorna, men de är inte bara ett komplement utan de ligger till grund för både empirin och analysen. Båda metoderna används i syftet att få en övergripande helhetsbild och en djupgående forskning. De kombineras också för att låta svagheterna i den ena metoden kompenseras av de starka sidorna från den andra. En litteratursökning är en kritisk faktor i metoden för att skapa en förståelse i det valda ämnet och kunna hitta en lämplig infallsvinkel i arbetet. Att studera, analysera och jämföra tidigare utförd forskning och forskningsartiklar görs för att veta vad som synliggjort tidigare och används för att vidareutveckla och driva den egna forskningen. De databaser vi använt oss av i vår litteratursökning är IEEE Xplore, Emerald Insight, Google Scholar och Malmö Universitets Libsearch. Våra sökord är big data, big data +

sports, big data + value, big data analysis, big data capabilities och big data strategy.

Den insamlingsmetod av data som avser intervjuer är planerad att utföras med svenska fotbolls-organisationer på elitnivå. Intervjuerna är försedda med ett samtycke till intervjun som ett stöd för en etiskt driven forskning. Vi som forskare är transparenta gentemot deltagarna med intervjuns syfte. Det vill säga att den är till för att förse forskningen med material. Dessutom tydliggörs det att vi använder oss av ljudinspelningar för att vidare kunna analysera den insamlade data. Under intervjun förs även fältanteckningar som syftar till att dokumentera sådan information i interaktion som inte består utav ljud, det vill säga kompletterande information. Vi som forskare styr intervjuns riktning samt agendan i relation till den frågeställning och syfte som forskning bedrivs enligt. Vi klassificerar dessa intervjuer som semistrukturerade. Detta eftersom vi vill behålla en flexibilitet i intervjuerna och låta informanten utveckla de tankar, ideér och synpunkter

intervjustrukturen. Det vill säga att de kommer vara strukturerade med forskarna samt en deltagare.

2.3 Val av undersökningsmetod

Vi har valt att använda oss av en kvalitativ metod. Den kvalitativa data som används hämtas från intervjuer. Det är av vikt att den kvalitativa data som framställs organiseras och förbereds på sådant sätt att det kan vidare analyseras. Data som vi samlat in har med andra ord behövts bearbetats och bli tillgänglig för analys. Detta uppnådde vi genom att skydda den data som samlades in, med säkerhetskopior. Den kategoriserades, vilket genomfördes genom att märka ut material med särskilt intresse. Vidare krävdes det att intervjun transkriberades och vidare kommenterades.

Intervjuobjeketen valdes ut med hänsyn till deras roll och kunskap om big data-analys och organisationens arbete med detta för att stärka validiteten. I organisation A intervjuades deras tekniske direktör som samordnar och är ansvarig för att arbetet med big data-analys i organisationen fungerar. I organisation B intervjuades deras data-analytiker. Denna person är tillsammans med sportchefen ansvarig för användningen av organisationens big data-analysprogram och är också den som har som huvudsaklig syssla att jobba med dessa i organisationen. Det hade varit ännu bättre för validiteten att intervjua fler personer inom respektive organisation för att få en tydligare bild men givet tidsramen var detta inte möjligt. Den information som samlades in från intervjuobjekten jämfördes mot litteratur och tidigare forskning i ämnet för validering. Under intervjuernas gång ställdes också följdfrågor för att undvika missförstånd och för att säkerställa validiteten i intervjuobjeketens svar.

I beslut angående forskningsupplägg och planering har kritiska kärnpunkter varit till hjälp. Forskningen genomgår förberedelser och planering. Anledning till att detta är viktigt är för att undvika misstag och för att maximera tidseffektiviteten (Denscombe, 2016).

2.4 Analys av data

Arbetsprocessen började i att vi letade efter befintligt material och teorier som ansågs relevanta kopplat till området. En bred syn på forskningsområdet ansågs viktigt att etablera. Enligt Denscombe (2016) ger detta en bred kunskap och en god förutsättning till att kunna ställa relevanta och djupgående frågor vid kommande intervjuer. När relevant material införskaffats och lämplig teori blivit identifierad började vi med intervjuerna. Materialet och teorin var inte tillräckligt bärande för att kunna driva forskningen. Vi gick då tillbaka och gjorde ännu en litteraturstudie för att fylla de luckor där vår dåvarande teori brast. Nya modeller togs i beaktning och lades till för att kunna analysera intervjudata. Enligt Denscombe (2016) bedrivs ett induktivt synsätt genom att studera ett objekt utan att läsa på teorier. Vid detta stadie i arbetsprocessen hade både en induktiv och en deduktiv analysstrategi använts. När ett växelspel mellan deduktiv och induktiv strategi använts i forskningen beskrivs detta enligt Denscombe (2016) som en abduktiv studie. Forskningsstrategin som använts i studien har med detta blivit identifierad som abduktiv.

2.5 Forskningsetiska aspekter

Denscombe (2016) beskriver vidare en viss förväntan på forskaren att bedriva den forskning som utförs enligt ett etiskt korrekt sätt. Det menas vara grundläggande inom forskning att väga in de etiska faktorerna. I forskningen kommer vi vara noggranna med att se till att de som deltar i forskningen får nödvändigt skydd av intresse. Deltagarna har blivit anonymiserade och är därmed oidentifierbara. Vidare säkerställer vi också att ett samtycke hos deltagarna finns för att delta i forskningen. I detta elimineras tvånget och istället främjas frivilligheten. En frivillig överenskommelse av att delta på intervjuer används som ett bevis på samtycke. Det vill säga att ett verbalt samtycke säkerställs. Forskningen som bedrivs kommer ske på ett öppet och transparent sätt, som ser till att utesluta falska och oriktiga framställningar.

3 Teoretisk ram

Vår teoretiska ram utgörs av tre olika teorier. Bernard Marrs SMART-modell(2017) används för att ta reda på hur big data-analys bör implementeras i en organisation för att skapa värde. Marr har använt denna modell som konsult till flera företag för att få kunden att prestera bättre utifrån dennes organisatoriska mål (Marr, 2017). Ylijoki och Porras “Value creation process”(2018) visar på hur IT-relaterade utgifter omvandlas till effekter genom tre olika processer. Den första processen tar avstamp i “virtual value chain”[VVC](Rayport och Sviokla, 1995) och generaliserar stegen som krävs för att skapa värde ur data. Denna modell har legat till grund för bland annat Braganza et al. (2017) arketyp av “big data business process” och Janssen et al. (2017) som använde VVC-modellen i analysen av deras fallstudie kopplat till faktorer som påverkar beslutsfattande. Den andra processen utgår från Russel Ackoffs Data Information Knowledge Wisdom-modell [DIKW-modell] som använts och studerats flitigt(Rowley, 2006). Detta sätt att se på värdeskapande från data till information, till kunskaper och lärdomar, som kan omvandlas till effekter har använts av flera forskare när de studerat big data. Ett exempel på detta är Abbasi et al. (2016) som använt modellen som ramverk för att förklara stegen av att transformera information till kunskap. Den tredje processen utgår från Soh och Markus (1995) IT-värdeskapande modell. För att sätta in den i ett big data perspektiv har Ylijoki och Porras ändrat stegen i hur IT-investeringar ska leda till effekter i organisationen (Ylijoki och Porras, 2018). Den tredje teorin handlar om big data analytics capability[BDAC] och dess påverkan på organisationens prestanda. Forskningen inom detta område har hittills mest varit fokuserad på anekdotisk bevisning(Agarwal och Dhar, 2014; Mithas et al., 2013). Akter et al. (2016) tar i sin artikel fram och validerar en BDAC-modell som de sedan använder för att effekterna som BDAC kan ha på organisationens prestanda.

3.1 SMART-modellen

Bernard Marr beskriver i sin bok Big Data – smarta data och smart analys för bättre

beslutsfattande och bättre resultat (2017) hur man bör tänka för att lyckas med användandet av

Big Data-analys i organisationen. Alla organisationer kan ha nytta av att använda Big Data-analys om man gör det på rätt sätt. Marr introducerar SMART-modellen som organisationen kan utgå från för att lyckas. Varje bokstav i SMART motsvarar en egen del av implementeringen.

S – starta med strategin. För att få ut max av data du kan samla in är det viktigt att tänka på att

man inte behöver samla in all data som man kan få ut för att skapa den största, mest komplexa databasen. Snarare är det så att du bör fokusera på att bli väldigt tydlig med vilka data du behöver och kommer använda. Oavsett om du redan har tillgång till stora mängder digitaliserade data eller inte så bör du alltid starta med strategin för att väl kunna förankra den i de strategiska mål organisationen satt upp. En bra utgångspunkt är att kunna koppla den till din kund-, drift- eller ekonomiska strategi. Om organisationen redan har stora mängder digitaliserade data kan det dock vara av betydelse att lägga 10% av den avsatta budgeten på data discovery. Det vill säga titta på datan som redan är tillgängliga för att se om den säger någonting om organisationen som du kan använda. Detta förutsätter att du tar hänsyn till datans veracity, alltså att den fortfarande är trovärdig.

Figur 1. Alla vägar leder till starta med strategin (Marr 2017, sid 21).

M – mät variabler och data. Grundtanken bakom uttrycket ”Big data” är att allting vi gör i våra

liv lämnar, eller kommer snart att lämna, ett digitalt spår som kan användas och analyseras. Det finns alltså en massa olika typer av data att använda, vissa inne i organisationen och vissa utanför. För att veta vilka slags insikter som din Big data-analys kommer att kunna ge dig behöver du förstå de olika formerna av data som kan analyseras för att ge insikter. Några exempel på dessa är:

- Strukturerade data. Detta är data som finns i fixerade fält i definierade dokument eller filer, till

exempel kalkylblad eller relationsdatabaser.

- Ostrukturerade/halvstrukturerade data. Till skillnad från strukturerade data finns denna data inte

eller bara delvis i fasta fält eller definierade dokument. Exempel på detta är bilder, textdokument eller inlägg på sociala medier.

- Utöver dessa två kan du även utvinna data ur: aktiviteter, samtal, videofilmer, sensorer och

Internet of Things.

När du fått en förståelse för vilka typer av data du kan samla in och analysera bör du se till vilka data som är intressanta att undersöka för att kunna uppnå det mål du satt upp för Big data-analys i din organisation. Om du vet exakt vad du letar efter för data så undviker du att känna dig nedtyngd av de enorma mängder av variabler och data som numera finns.

A – analysera data. Nästa steg är att analysera datan för att på så sätt skaffa dig meningsfulla och

användbara insikter. På samma sätt som du måste förstå vilka datatyper som existerar så måste du förstå vad som är möjligt innan du bestämmer dig för vilken analytisk teknik som ger dig insikter. Marr delar in dessa format i fem olika format:

- Textdata(inklusive siffror)

- Ljuddata(ljudfiler och musik)

- Bilddata(foton och grafik)

- Videodata(kombination av visuellt och audiellt)

- Sensordata

Dessa datatyper gör det möjligt att utföra textanalys, talanalys, video- och bildanalys, och kombinationsanalys. Vilken metod du använder dig av grundar sig i vad du vill få ut av analysen kopplat till dina strategiska mål. Marr understryker vikten av att inte ledas på villovägar av de ”coola” analysmöjligheter som finns idag utan att hitta en så bra, lättillgänglig och kostnadseffektiv teknik som möjligt – oavsett dess ”coolhet”.

R– rapportera resultat. När du tillämpat analysen måste du rapportera resultatet. Detta måste göras

på ett sätt som folk förstår så att resultatet inte går förlorat. Vem ska ta del av resultatet? Hur ska resultatet presenteras? Görs detta tydligt nog? är alla frågor man bör ställa sig. Om det är möjligt så är det en bra idé att framställa infografiken på en enda sida för att säkra att mottagaren får snabb och enkel tillgång till insikterna. Själva visualiseringen av datan är en förlängning av analysfunktionen. Du behöver ha ett samarbete med både slutanvändare och dataexperter för att för att försäkra dig om att du fokuserar på rätt data och presenterar dem på ett meningsfullt sätt. Viktigt är också att tänka på människors benägenhet att lära sig hur ett program fungerar. I de flesta fall kommer människor som behöver svaren inte att ha tid eller lust att klura ut hur det fungerar. Om din dataanalytiker skulle identifiera en datakälla som är användbar för kontinuerliga mätningar är det en väldigt bra idé att omvandla den till ett nyckeltal.

T – transformera verksamheten och beslutsfattandet. När du fått ett resultat av analysen och

presenterat den för berörda personer i organisationen är det viktigt att insikterna som ni fått också omvandlas till att förändra organisationen och/eller dess arbete. Några insikter kommer att vara tillfälliga medan andra är varaktiga som är bra att ha i bakhuvudet. Om dina data är användbara kontinuerligt i verksamheten kan du med fördel ha med insamling och analys av denna i din vanliga rapportrutin. I praktiken så används detta redan bland de flesta elitidrotter idag. Fotbollsklubbar i de högst rankade nationella ligorna har idag hela staber av statistiker som spårar varje spelares minsta rörelse för att komma på nya sätt att vinna.

3.2 Förmågorna till Big data-analys

Akter et al. (2016, 113-114) beskriver att BDAC kan användas till att utveckla och ge näring åt verksamheten. Tillväxten i BDAC-investeringar fortsätter att öka, eftersom organisationer fortsatt söker efter den konkurrenskraftiga fördel och värde som finns inom BDAC. Mycket av forskningen som görs runt BDAC beskriver ett förhållande mellan BDAC och organisationers prestationer. Den tyder på att BDAC har en effekt på prestandan av organisationer. Det är allmänt känt att förmågan att kunna analysera stora datamängder spelar en viktig roll i affärsutveckling.

För att förstå hur BDAC kan påverka och ha effekt på en organisations prestationer har den brutits ner i tre beståndsdelar. Big Data Analytics[BDA] management capability, BDA technology capability och BDA talent capability (Akter et al. 2016, 117). BDA management capability fokuserar på att skapa en planering, investeringsplan, koordinering och kontroll över big data som fungerar för organisationen för att uppnå BDAC. Management är en viktig del i att applicera BDAC eftersom det kräver ett korrekt ramverk att arbeta utifrån.

Planeringsprocessen ska identifiera hur BDAC kan uppfylla det som organisationen är i behov av och tydliggöra hur detta kan ha en positiv effekt. Investeringsplanen är viktig att för att säkerställa att investeringarna som görs i big data är tillräckliga för att generera en tillgång. Koordinering i en organisation krävs för att möjliggöra att investeringen utnyttjas till fullo av organisationen. En kontroll är av intresse för att följa upp resurser, användning och åtagande (Akter et al. 2016, 118-119). BDA technology capability fokuserar på sammankoppling, kompatibilitet och modularitet. I denna beståndsdel består fokus till mycket av flexibilitet i teknologin som organisationen använder. För att möjliggöra en effektiv big dataanalys från en data-analytiker krävs en sammankoppling och kompatibilitet i den informationsteknik som används. Att de kan kommunicera med varandra och är kompatibla. Den ska också kunna moduleras enkelt utan massiva resurskostnader för att säkerställa att informationstekniker är uppdaterad utifrån den senaste tekniken och nödvändiga funktioner (Akter et al. 2016, 119).

BDA talent capability fokuserar på mer humana faktorer. Faktorer som kompetensen och kunskapen hos en professionell data-analytiker. Dessa är kunskap som databashantering, visualiseringsverktyg, företagskunskap och kunskap om data relationer. För att skapa konkurrensfördelar krävs det humankapital som har den kompetens som krävs för att utföra analysuppgifter och kan hantera stora mängder data. Dessa kräver en nära kontakt med organisationen för att de ska kunna sprida sin kunskap och genomsyra organisationen (Akter et al. 2016, 119).

Har en organisation BDA management-, technology- och talent capability så har de uppnått de förutsättningar som finns för att skapa konkurrensfördelar och värde utav BDAC. För att uppnå överlägsna organisations prestationer i en miljö med stora datamängder är en unik kombination av BDA management-, technology- och talent capability det som krävs (Akter et al. 2016, 119-120).

3.3 Process för värdeskapande

Effekterna av att implementera informationsteknik i organisationer har blivit populärt att studera och utforska. Informationsteknik påverkar organisationers funktioner och processer som sedan har både negativa och positiva effekter på deras prestationer. En effektiv användning och hantering av information har visat sig kunna ge konkurrensfördelar och värdeskapande (Ylijoki et al. 2018, 1-2). För att kunna skapa konkurrensfördelar och värde presenteras en process- och teoribaserad modell som beskriver värdeskapande kopplat till informationsteknik. Modellen består av tre processer: den första processen omvandlar IT-relaterade utgifter till tillgångar, den andra processen omvandlar tillgångarna till effekter och den tredje processen omvandlar och förbinder big data-effekter med organisationers förbättringar (Ylijoki och Porras, 2018).

Den första processen bygger på en femstegsprocess som inkluderar: insamling, organisering, urval, syntetisering och distribuering av data. Processen krävs för att data ska bli användbar och hanterbar för en organisation. Denna femstegsprocess generaliserar de krav som krävs för att skapa ett värde ur data. Organisationer måste investera i informationsteknik för att möjliggöra insamling. Investeringarna omvandlas till en tillgång när data kan hanteras på sådant sätt som möjliggör vidare användning (Ylijoki och Porras, 2018).

Den andra processen bygger på en fyrstegsprocess som inkluderar: data, information, kunskap och lärdom. Denna process ger en övergripande bild på hur data och information omvandlas till värde i form av kunskap och lärdom för organisationer. Processen visar på var data övergår till att generera kunskap och lärdom för en organisation. Tillgångarna som skapats via möjligheten att koda och hantera data kan i denna process generera organisationseffekter som visar sig genom lärdom och kunskap. Organisationer värderar generellt kunskap och lärdom högt, då det anses som betydelsefullt för deras fortlevnad och utveckling (Ylijoki och Porras, 2018).

Den sista processen är en femstegsprocess som inkluderar: big investeringar, big data-tillgångar, big data-capability, big data-effekter och prestationsförbättringar. Processen illustrerar att investeringar i big data och informationsteknik har möjligheten att utvecklas till att kunna påverka organisationers prestationer. För att det ska kunna skapa prestationsförbättringar måste först de investeringar som görs i big data och informationsteknik omvandlas och bli en tillgång för att sedan generera effekter (Ylijoki och Porras, 2018).

Figur 2. De värdeskapande processerna (Ylijoki och Porras 2018, avsnitt 5).

Teorin beskriver hur investeringar i big data skapar ett värde i form av prestationsförbättringar för organisationer. Det tydliggörs att investeringar som görs i big data utan att sammankoppla och använda korrekt informationssystem förblir oanvändbara. Det krävs informationsteknik för att omvandla data till funktionell och användbar information för organisationer (Ylijoki et al. 2018, 11-13).

3.4 Sammanfattning

Med utgångspunkt ur Marrs(2017) SMART-modell har vi valt att väva in både BDAC-teorierna(Ylijoki och Porras, 2018) och value creation process-modellerna(Akter et al. 2016) för att försöka skapa en klarare bild av detta. Analysen kommer alltså ske i fem steg:

- 1. Starta med strategin. BDA management capability och Value creation process-modell 3.

- 2. Mät variabler och data. Value creation process modell 1.

- 3. Analysera data. BDA technology capability, BDA talent capability och Value creation process modell 2.

- 4. Rapportera resultat. BDA talent capability

- 5. Transformera verksamheten. BDAC och Value creation process modell 3.

SMART-modellen tar inte hänsyn till ekonomin som är väldigt viktig i fotbollsorgansationers fall då många har svårt att bära sina egna kostnader. Detta tar de andra två teorierna upp och adderar även mer teori om värdeskapande som är det som vi vill studera. En kombination av dess tre modeller har inte gjorts tidigare vilket gör att vi riskerar att få ett spretigt resultat som inte säger någonting konkret om fallet. Vår förhoppning är att detta inte ska hända utan vi anser att dessa tre går in i varandra på ett naturligt sätt som gör att appliceringen blir givande.

4 Empiri

4.1 Organisation A

4.1.1 Beskrivning av organisation

Organisation A anställde år 2017 en teknisk direktör som skulle ha övergripande ansvar för det långsiktiga arbetet i klubben bland annat för hur utvecklingsplanen skulle se ut för spelare och ledare. Senare samma år skrev man kontrakt med företaget Kitman Labs som specialiserat sig på analysverktyg för fysik. År 2018 fick man direktiv från styrelsen att man ville utöka arbetet med big data-analys. Det strategiska direktivet från ledningen gjorde att en marknadsanalys blev nödvändig. Organisationen tog in konsulter som arbetade tillsammans med organisationen i syfte att utföra en gedigen marknadsanalys. Denna analys tog fram samtliga tekniska stöd som fanns på den dåvarande marknaden. Utifrån den utförda analysen kunde de välja det stöd som passade och tillfredsställde organisationen på bästa möjliga sätt. Organisationen identifierade att det krävs ett understöd i form av ett analysteam för att uppnå en ledande roll över branschen inom datainsamling. De ville också minimera deras användning och minska ett beroende av tekniska stöd som inkluderar en tredje part. Man valde att projektanställa en professor i tillämpad matematik och köpa in API:er från företaget Wyscout. I denna kontext har man alltså betalat för tjänsten att få tillgång till databaser och själva hämta ut den data man vill analysera hos Wyscout. De program som används för datainsamling idag av organisationen är Signality, Wyscout och Kitman Labs (Informant 1, 2019). Uppbyggnaden av organisationen består av ett AB som inkluderar A-laget och dess marknad. Organisationen har även en förening som inkluderar ungdomslag, 19 år och neråt. Organisationen arbetar föreningsstyrt som IT-direktören beskriver det. Föreningsstyret grundas i en fast modell som man väljer att rekrytera nya medlemmar in i. En modell som ska säkerställa kontinuitet och minska osäkerhet. Modellen innehåller särskilda krav som medlemmarna är tvungna att följa. Den valda strategin i uppbyggnaden av organisationen är tänkt att skapa en tillhörighet och tillit till sina medarbetare (Informant 1, 2019).

”Att utveckla spelet är enkelt. Vi har spelidén i grunden som är vår mall och utifrån den utvärderar vi och kollar om vi spelar den fotboll som vi gör. En bra spelidé borde

sannolikt leda till ett bättre resultat.” (Informant 1, bilaga 1)

I samband med uppbyggnaden av en stabil organisationsgrund togs det även fram en spelidé. En spelidé som är grunden till utvalda KPI:er i deras insamling av data. Med en fast spelidé kunde de identifiera de viktigaste och mest relevanta KPI:erna som krävs för att fortsätta utvecklas. Med identifiering av relevanta KPI:er, det vill säga vilken data de behöver och vill samla in, kan en effektiv datainsamling etableras. Några av de KPI:er som organisationen anser relevanta att fokusera på är till exempel bollinnehav på matchens sista tredjedel av speltiden, antal inträden i målområdet och tid från tappad boll till att återta bollen (Informant 1, 2019).

Insamlingen som sker med data baseras främst på KPI:er och tas fram via införskaffade API:er. Organisation A har valt att enbart använda sig av inköpta API:er från Wyscout. De använder inte

som samlas in hanteras främst organisationens data-analytiker. Denne kan få en order på något som behöver datastöd som en bas till att fatta beslut. Dessa kan komma från ledningen, tränarna eller från organisationens tekniska direktör. Analytikern kan också analysera data utan att ha fått en order om det där finns ett område som han känner behöver bearbetas och analyseras. Metoden används främst efter match där de bryter ner och analyserar den data som samlats in. Denna metod används också innan match i förberedande syfte för spelarna. Mellan matcherna används data för att utveckla spelarna och det egna spelet. Det används också i utbildningssyfte för att utveckla deras synsätt på sannolikhetslära, statistik och matematik (Informant 1, 2019).

Signality är i beta-stadiet och har ett projekt tillsammans med fotbollsorganisationen. Projektet tros kunna leda till framtida möjligheter i form av egna produkter och utveckling. För att kunna ligga i framkant och ha en ledande roll anser de att detta samarbete är väldigt värdefullt. Det är värdefullt i den mening att det är en framtidsforskning och ingår i deras research and development satsning (Informant 1, 2019).

”När siffrorna kommer ska personen inte känna sig utmanad, utan det ska vara en del i vårt vardagliga arbete dvs något naturligt. Alla i organisationen måste förstå

varför vi jobbar på det här viset för att ta sig över en den fasen.” (Informant 1, bilaga 1)

Det råder en viss otillräcklig kunskap i organisationer som tillhör samma bransch. Detta bedöms utifrån en känsla av svårighet att hantera en stor mängd data. En huvudtränare som aldrig arbetat med dataanalys och analysverktyg kan uppleva en hotande känsla. Den hotande känslan skapas från att data och analysverktyg kan ta fram beslutsunderlag som inte alltid stämmer överens med deras inriktning. Med en hög förståelse och högre kunskapsnivå blir hotet istället en värdefull tillgång som kan användas till att styrka beslut och inriktningar. Organisation A använder den analytiska personalen till att utbilda organisationens medlemmar. Detta görs genom att använda insamlade data och förklara hur den kan användas och ger en beskrivande bakgrund till de fenomen som gör det möjligt. Detta är nödvändigt eftersom organisationen har identifierat en svårighet i att medlemmar inte alltid svarar helt sanningsenligt i formulär och upplever att grunden till detta kan vara att insamling av data skapar en känsla av oro eller hot på grund av kunskapsbrist (Informant 1, 2019).

4.1.2 Organisationens program

Signality är ett nystartat projekt där organisation A är en beta-klubb. Signality använder sig av artificiell intelligens som automatiskt utför taggning av aktioner och skickar sedan ut data. Signality samlar in ”of the ball data” vilket betyder att den samlar in data och information kring varje situation och aktion som sker på planen via kameror, även hos de spelare som inte har bollen. Detta skapar möjligheten att kunna följa alla spelares rörelser under samtliga situationer (Informant 1, 2019).

Wyscout samlar in ”on the ball data” och möjliggör datainsamling som inkluderar de situationer när spelarna rör bollen. Wyscout använder sig av manuell taggning av de aktioner som sker som

alltså och klipper ner matchen i varje litet moment och taggar sedan vad som händer vilket blir data som produceras om varje moment.

Kitman Labs används enbart av det fysiska teamet. Eftersom att Kitman Labs endast används av ett fysikteam så är det inget tekniskt stöd som organisationen i helhet är speciellt intresserade av. Kitman Labs samlar in datapunkter som berör spelares hälsostatus och fysisk status via sensorer. Som ett komplement till detta används ett formulär som spelare fyller i dagligen som berör sömn, kost och hälsa. Svaren på formulären förs in i det tekniska stödet för att kunna analysera och förutse skador (Informant 1, 2019).

4.1.3 Organisationens mål

Organisationen har satt upp sportsliga mål som de önskar att uppfylla. Organisationen vill under säsongen få femtio poäng eller mer, utveckla spelet och utveckla spelarna. Att utveckla spelet och spelarna kan anses diffust, men organisationen säkerställer att de kan mäta dessa genom de uppsatta KPI:er som de valt att följa. De kan med dessa jämföra tidigare prestationer och analysera om utfallet är positivt eller negativt. Organisationsmål som finns uppsatta var en dubblad omsättning till år 2025. För att uppnå deras organisationsmål har organisationen fyra kulturdagar per år där ledningen och övriga intressenter diskuterar delmål, identitet och målsättning (Informant 1, 2019).

4.2

Organisation B

4.2.1 Beskrivning av organisationen

Säsongen 2013 hade organisation B varit inne i en period som präglades av dåliga resultat sett till vad organisationen presterat decenniet innan. Efter en lika dålig start på säsongen som man haft i flera år så röck man upp sig och slutade till slut på en så bra placering som man inte gjort på många år. Ekonomin var dock körd i botten och resultatet för år 2013 blev mer än 10 miljoner back samt en minskning av soliditeten från cirka 45% till 24,5%. Organisationen anställde en ny sportchef med ansvar för organisationens ekonomi och sportsliga framgångar. Det konstaterades att det var av stor vikt att höja intäkterna och minska den totala kostnadsmassan för att organisationen skulle klara av 2014 års verksamhetsår (Informant 2, 2019).

Vid denna tidpunkt använde sig organisationen av upp mot 20 olika slags program för Big data-analys. Så fort något företag presenterade sitt nya program så köpte man in det om det erbjöd något som man uppfattade att de redan inköpta programmen inte hade. Många av dessa programlicenser kostade över 100 000 per år. Den nytillsatta sportchefen såg över dessa program och hur de användes i organisationen. Han kom fram till att av dessa runt 20 program så användes endast 2-3 stycken. De andra programmen erbjöd i stort sett samma slags analys av datan med skillnaden att de hade annorlunda gränssnitt. I en organisation som behövde minska kostnadsmassan var det därför inte svårt att komma fram till att avtalen med programtillverkarna inte skulle förnyas. Det dåvarande tränarteamet utvärderade vilka program man använde sig av för att hämta in data och göra analysen i och förnyade sedan de licenserna (Informant 2, 2019).

Under åren som gått från dess har man använt sig av en del olika Big Data-program beroende på huvudtränarens preferenser. Idag är det sportchefen tillsammans med analytikern i organisationen som tillsammans bestämmer över vilka program som ska användas. Sportchefen sätter budget och analytikern ser över vilket behov som finns hos tränarteamet av vilka KPI:er som man tycker är viktiga att mäta i spelet. Det kan till exempel vara antal återerövringar av boll i offensiv zon, antal expected goals eller antal maxlöpningar under träning. Tränarteamet har kanske också en preferens om vilka program man helst använder sig av när man tar fram dessa nyckeltal beroende på användarvänlighet till exempel och iså fall försöker man möta det behovet också (Informant 2, 2019).

Inför årets säsong 2019 anställde organisationen ny huvudtränare. I diskussion med analytikern, sportchefen och övrigt tränarteam kom man fram till att under årets säsong använda sig av två olika Big data-analysprogram i arbetet med att övervaka och utveckla spelarna och spelet. Dessa två var Wyscout och Polar (Informant 2, 2019).

4.2.2 Organisationens program

Wyscout samlar in ”on the ball data” och möjliggör datainsamling som inkluderar de situationer när spelarna rör bollen i match. Genom video så taggar Wyscouts analytiker manuellt allt som sker på plan med boll. Denna data analyseras sedan i programmet. Resultatet presenteras i form av nyckeltal för varje lag och spelare i ”hundratals kategorier”. Organisationen har valt ut tio stycken man tycker är mest intressanta som data-analytikern tittar på, tar ut och presenterar för resten av tränarteamet. Beroende på lagets insats och hur nyckeltalen ser ut för respektive match presenterar man dem sedan för spelartruppen i sin helhet eller enskilt lagdel för lagdel, eller individuellt. Varje spelare har även tillgång till sina siffror via egna konton på Wyscout. Dessa siffror presenteras alltid som ett komplement till videoklipp som ledarteamet visar för spelarna i organisation B (Informant 2, 2019).

Polar används i träning av fysioteamet främst. Det är ett program som tar in flera tusen datapunkter i minuten via mätutrustning som spelarna har på sig. Datan analyseras och visas sedan i realtid i programmet så att tränarna kan ha koll på spelarnas belastningsnivåer, puls och hur många maxlöpningar respektive spelare har tagit till exempel. Programmet används dels i förebyggande syfte för att kunna ha en bättre överblick över spelarnas fysiska status så att man kan förebygga skador innan de uppkommer, och dels för att se så att de når upp till de nivåer av ansträngning man önskar för att kunna använda dem i spelet under match som man vill (Informant 2, 2019).

Man har även tillgång till liknande datapunkter under match i form av värmekameror som SEF(Svensk Elitfotboll) bistår med. Dessa kan mäta hur spelarna löper, maxhastighet, antal inbromsningar och liknande. Detta efter att spelare har klagat över att de tycker det är jobbigt att bära pulsmätare under match. Denna data är dock inget man använder sig av i organisationen då organisationens analytiker tycker detta är onödigt. De anser inte att denna data som givande i och med att den inte säger någonting om varför spelaren behövde löpa på ett speciellt sätt och om den kunde gjort någonting annorlunda för att inte behöva löpa lika långt och få ut ett bättre resultat av

4.2.3 Organisationens mål

Organisationen har som uttalat sportsligt mål att ”vara med och konkurrera om europaplatserna”. Detta innebär att komma topp 3 i serien. Som ekonomiskt mål strävar man efter att göra ett positivt resultat i årsredovisningen. Alltså att man kan bära sina egna kostnader. Framför allt har detta gjorts genom spelarförsäljningar de senaste åren, något man är väldigt stolta över (Informant 2, 2019).

Organisationen har inget uttalat mål eller en strategi för hur arbetet med Big data ska se ut. Snarare är det så att det är huvudtränaren som bestämmer hur arbetet med Big data ska göras och i vilken grad det ska användas. Tillsammans med övrigt ledarteam har man enats om vilka nyckeltal som man skulle kunna titta på under säsongen för att kunna se om man utvecklar sitt spel som man vill. Sedan har man valt program (Wyscout) utefter vad som de kan erbjuda (Informant 2, 2019).

5 Resultat/analys

5.1 Organisation A

5.1.1 Starta med strategin

Organisation A:s arbete med big data-analys grundar sig i organisationens strategiska mål vilket är väldigt viktigt enligt Marr(2017) för att lyckas med implementationen av big data i organisationen. Inom organisationen har man satt upp strategiska sportsliga mål; ta 50 poäng under säsongen, utveckla sitt spel och utveckla spelarna. Bland dessa tre mål är det endast det första som är lätt att se om man uppnått eller inte. De andra två kommer ur organisationens uppsatta spelidé som ska genomsyra föreningen. Här kommer arbetet med big data in för att med hjälp av framtagna KPI:er lättare kunna se och säkerställa det egna spelets och spelarnas utveckling. Detta gör att det också indirekt kan kopplas till 50 poängs målet då ett poäng/resultatmål naturligt följer på mål som beskriver hur arbetet ska se ut.

Om vi ser till BDA management capability är betonas vikten av att ha ett ramverk att arbeta utifrån när det gäller Big data för att kunna få en positiv effekt. Organisationen fick direktiv från ledningen att man bör börja jobba med Big data. Man tillsatte då en grupp som undersökte hur man kunde jobba med detta och vilka alternativ man kunde välja. Sedan tog man ett beslut baserat på detta och förankrade med alla berörda hur man syftade att jobba med big data. Detta utgör ett bra exempel på ett ramverk och koordinering i organisationen för att denna investering ska kunna utnyttjas till fullo som krävs för att man ska kunna påverka organisationen på det sättet man vill genom BDAC.

Organisationen är uppdelad och strukturerad på så sätt att A-laget är en separerad del från den övriga verksamheten i organisationen. Denna struktur stödjer en ökad kontroll och koordinering över hela organisationen. Samtidigt ger strukturen en naturligt ökad kontroll och smidigare koordinering över den separerade delen. Kontroll och koordinering är viktiga förutsättningar för att uppnå en lyckad och värderik BDAC.

Sett till process 3 i Value creation process så är det i detta steg som utgifterna sker och omvandlas för att sen leda till tillgångar → effekter → prestationsförbättringar. Om vi ser till de utgifter man har i detta steg kopplat till big data så är det marknadsundersökningen, utrustningen som krävs för att samla in data i Kitman Labs, programlicens för Kitman Labs och Wyscout och lön till dataspecialisten. Denna lön betalas dock inte i detta fall av organisationen då specialisten är projektanställd via ett lärosäte.

5.1.2 Mäta variabler och data

När organisationen valde den nya strukturen som inkluderade datainsamling skapade de en miljö där data och mätbara variabler inkluderas i det vardagliga arbetet. Utifrån den information som samlats in från organisation A har strukturerad, ostrukturerad och övrig data identifierats. Den strukturerade datan är deras formulär som samlas in från spelarna som berör deras fysiska och hälsostatus. Ostrukturerad data är den som manuellt och automatiskt samlas in som berör deras matcher och spelarprestationer. Övrig data samlas in med sensorer i träningslokaler och samtal angående hälsa och fysik. Organisationen tycks ha identifierat och fått användning för samtliga typer av data.

Sett till den första processen i value creation process har organisationen med hjälp av en gedigen marknadsanalys kunnat identifiera ett effektivt sätt att samla in data. Data som samlas in av organisationen är lättillgängligt att hämta och analysera från de program som valts att använda och skapar ett enkelt sätt att organisera deras data. De har identifierat deras urval av vilken typ av data som ska samlas in för att uppnå störst effekt. Deras syntetisering av data sker med en dataanalytiker som bearbetar insamlad data och hanterar den på så sätt som gör den förståelig och användbar för resterande funktioner i organisationen. När deras dataanalytiker är färdig med hanteringen så kommuniceras den ut till de berörda parter i organisationen. Organisationen har utfört och etablerat de aktioner som krävs för att göra data användbar och värdefull.

5.1.3 Analysera data

Den data som finns tillgänglig att analysera för organisation A är textdata, videodata och sensordata. Urvalet består av formulär, automatiska och manuella taggningar via video och sensorer i kraftplattor och pulsmätare. Detta urval är de som organisationen anser som nödvändiga för att kunna uppnå insikter och effekter som syftar till de uppsatta organisatoriska målen. För att inte hamna i fallgropar när det gäller analysverktyg och insamlingsteknik gjordes det som tidigare nämnt en marknadsanalys över de bästa tekniska stöden. Organisationen kunde med det avvärja att hamna i dyra och ineffektiva arbetssätt. Istället lyckades de hitta lättillgänglig, kostnadseffektiv och användbar teknik.

När det kommer till BDA talent capability så ligger fokus på organisationens humankapital och den kunskap som finns detta kapital. Organisation A har rekryterat en dataanalytiker som har kunskapen till att kunna analysera stora mängder data. Organisationen har också rekryterat en teknisk direktör som har kunskapen att överse all datahantering som sker och kan kontrollera dess validitet, effektivitet och användbarhet. Organisationen har det team och det kapital med rätta kunskaper som kan säkerställa en BDAC i en tillfredsställande miljö.

Vad det gäller BDA technology capability har organisation A kompletterande teknik för att uppnå en helhet i sin insamling och analys. Det vill säga att organisationen har flera system som kompletterar varandra. Tekniken är inte sammankopplade, utan deras data-analytiker hämtar data från respektive system för att analysera dessa. Systemen de använder är inte kompatibla med varandra. Vidare vad det gäller kompatibilitet så har de istället deras data-analytiker som sammanflätar deras insamlade data för hantering och analys. Deras möjligheter till modularitet

insamlingsmetoder. De kan själva avgöra vilka API:er som de anser relevanta till deras syfte och kan med enkelhet byta ut dessa om det önskas. I detta kan organisationen säkerställa att deras teknik är uppdaterad utifrån behov och tekniska möjligheter. Vidare kan de samtidigt undvika massiva resurskostnader, då de inte behöver anskaffa nya system eller höga utvecklingskostnader.

Den andra processen i value creation process beskriver hur data förvandlas till information och sedan till kunskap och lärdom. Det är i detta steg av SMART-modellen som den insamlade datan analyseras och blir ett resultat, eller information, som man i senare steg kan använda som kunskap och lärdomar. I Organisation A:s fall så är det i detta steg data-analytikern tittar på all data i API:erna man får från Wyscout och analyserar dessa för att senare kunna presentera den informationen. I Kitman Labs så analyseras datan i realtid under träning och resultatet av analysen visas direkt i programmet i form av antal löpningar, puls, muskelansträngning och så vidare. Detta steg går alltså väldigt fort i i Kitman Labs från att datan skapas tills att den omvandlas till information till ansvarig tränare med programmets analys.

5.1.4 Rapportera resultat

Samarbetet inom tränarteamet och mellan tränarteamet och data-analytikern är av stor betydelse när resultatet ska rapporteras. Fystränarna som har all data och data-analysen från Kitman Labs bedömer spelarnas fysiska status och hur deras träningsupplägg ser ut. Detta kräver en god kommunikation till övriga ledare som ska ta ut matchtruppen och planera träningar så att de vet vilka spelare som är tillgängliga. Mellan tränarteamet och data-analytikern är kommunikationen av ännu större betydelse då man i organisationen upplever att resultatet av denna analys är viktigare för det fortsatta arbetet på kort och lång sikt med spelarnas och spelets utveckling.

Data-analytikern behöver inte bara ha ett gott samarbete med tränarteamet utan även med spelarna. Det är delvis hans uppgift att få dem att förstå varför de analyserar denna data och hur det kan hjälpa spelarna och laget. För att göra detta så är data-analytikern med en dag i veckan i träning och pratar med både ledare och spelare. På så sätt blir han integrerad i organisationen och kommunikationsvägen mellan honom och spelare och ledare blir kortare. Detta gör att risken för missförstånd minskar och man ger varande bra möjligheter för att förstå varför man använder de data som man gör. Data-analytikern får också en chans att själv se och diskutera med tränarteamet om eventuella nyckeltal att analysera vilket är väldigt bra enligt Marr(2017).

Organisation A använder personal med relevant kunskap och kompetens till att kommunicera ut resultaten av analysen till relevanta funktioner inom organisationen. I detta har BDA talent capability en viktig roll. Deras data-analytiker är projektanställd via ett svensk lärosäte och har i grunden en matematik professors titel. Den kunskapen som personen besitter har en viktig roll i att förmedla resultatet i syfte att föra vidare och sprida kunskap som berör insamlad data och dess analytiska resultat. Utöver detta så krävs det att organisationen i helhet har kompetens till att förstå det genererade resultatet som erhålls från dataanalysen. I detta ökar också vikten och betydelsen över att deras dataanalytiker har kompetensen och stödet till att kunna föra en kommunikation kring resultatet på så sätt att det kan genomsyra organisationen.

5.1.5 Transformera verksamheten och beslutsfattande

Precis som Marr(2017) beskriver i detta steg behöver insikterna omvandlas till förändring av organisationen eller dess arbete. Data-analytikern behöver få tränarteamet och spelarna vad de gör rätt eller fel om man tittar på deras data av matcherna. Spelarna börjar också mer och mer att ta till sig och intressera sig för sina data. Fotbolls är en så komplex sport att det är svårt att veta exakt vilka nyckeltal man bör titta på och jobba med för att uppnå bäst resultat. Om man lyckas identifiera något som korrelerar med antalet poäng som laget tar i serien så är det bra att ha i bakhuvudet och använda i den vanliga rapportrutinen efter match. Dessa nyckeltal har organisationen innan säsongens början försökt identifiera för att göra precis detta.

Om vi sedan ser till arbetet med Kitman Labs är det av yttersta vikt att spelarna förstår fystränarens motiv för att använda programmet. Organisationen beskriver att spelarna till en början hade stora problem att vara sanningsenliga när de fyllde i hur sömn och kroppen kändes. Med den konkurrenssituationen som finns om speltid under match så är det inte konstigt att spelarna gjorde detta heller när anledningen till varför man fyllde i detta varje dag inte hade förankrats hos dem. De hade ingen förståelse för insamlingen vilket inte bara gjorde svaren värdelösa utan även gjorde skada då spelare som egentligen behövde vila matchades som om de inte behövde det, vilket ledde till skador. När spelarna nu förstår syftet med insamlingen så ges möjligheten för organisationen att transformera arbetet och ha nytta av insamlingen.

Organisation A har spenderat resurser i att anskaffa de verktyg och den kompetens som den tredje processen i value creation process kräver för att kunna omvandla dessa till tillgångar och sedan organisationsförbättringar. Tillgångarna som genererats har effekt, dessa effekter träder fram i den värdefulla data som ger beslutsunderlag för organisationen. De träder fram i den data som ökar och höjer kunskapsnivån. De träder fram i den mening att spelare kan nu få svart på vitt vad som kan förbättras och vad som kan göras annorlunda, det samma kan tillämpas på övriga medlemmar som tränare och assisterande tränare. Detta är bara några av de effekter som organisationen erhåller genom dess tillgångar i big data-analys. Dessa används sedan för att ta de beslut som krävs för att skapa och implementera de förbättringar som möjligtvis uppenbarat sig. Vid detta skede har de nu fullföljt den värdeskapande processen.

5.2 Organisation B

5.2.1 Starta med strategin

År 2013 hade organisationen ingen som helst strategi för hur arbetet med Big data-analys skulle se ut. Med runt 20 olika program som inte ens användes så kan man konstatera att organisationen inte hade kontroll eller någon tanke i sina beslut gällande detta. I dagens läge styrs antalet program av ekonomin. Hur mycket man är villig att betala för programmen och hur stor stab man kan ha i klubben som jobbar med analys. Och varför det är just Wyscout och Polar man jobbar med är en resultatet av en process där man provat flera olika program inom loppet av flera år. Om man ser till hur väl arbetet är kopplat till organisationens mål så har man dels ett uttalat mål på att “hota om europaplatser” och dels ett mål om att prestera så bra som möjligt i nyckeltalen man satt upp

bestämmer. Med detta så finns det risker för osäkerheter i organisationen då det är en tjänst som ofta byts ut och därmed också ens förhållningssätt till vilka nyckeltal man ska använda sig av och då också hur big data-analysen ska se ut. Det kan bli svårt att få en kontinuitet som sträcker sig flera år för att på så sätt också ge möjlighet att utveckla och utvärdera vilka nyckeltal som man tycker är viktiga. Man kan också se det som något som inte behöver vara något negativt bara så länge man förankrar arbetet med big data i de sportsliga målen.

Utifrån de ramverk man inom organisation B har sett upp kring arbetet verkar man kunna lyckas med BDA management capability. Varje ny investering i ett analysprogram föregås av att sportchef och organisationens analytiker diskuterar vad programmet kan erbjuda, vad det kostar och hur det ska göra organisationen bättre. Detta är en förutsättning för att säkerställa att investeringen som görs är tillräcklig för att senare kunna generera en tillgång.

Organisation B har valt att fokusera mycket av deras planerade kapital i Big data på att införskaffa program från tredje part som förser organisationen med analyserat material. Stor del av utgifterna riktade mot teknik utgörs med andra ord av licens- och prenumerationsavgifter. Det analyserade materialet hanteras av den assisterande tränaren som arbetar med detta material på halvtid och som tränare den resterande tiden. Utgifterna inom området förknippas också med deras utrustning i form av exempelvis gps-västar, kraftplattor och pulsmätare. Med deras utgifter som beskrivits har de börjat omvandla dessa till tillgångar. Tillgångarna de skapat ger organisation B den data de behöver i deras vardagliga arbete.

5.2.2 Mät variabler och data

Innan antalet program minskades 2013 fanns ingen styrning eller tanke bakom vilken typ av data som var nödvändig att samla in utan man köpte licens till nya program som kunde erbjuda något som de man redan hade inte hade. När man minskade antalet program fick man också en bättre överblick av sitt arbete, datatyper inkluderat. De datatyper som organisation B samlar in idag är ostrukturerade och övriga data. Ostrukturerade genom Wyscout och övriga data i form av sensordata som går in i Polar. Dessa datatyper är rimliga att använda sig av för att lyckas med sitt arbete mot de sportsliga mål man satt upp.

Kollar man på organisation B och hur de arbetar med den första processen i value creation process så synliggörs det att de inte har något större inflytande över denna process. Anledningen till att de inte har någon kontroll eller inflytande över processen är eftersom de inte äger sin egna utrustning och resurser till att utföra och hantera denna. De hanterar ingen egen insamling av data, den tredje part organisation organiserar deras data, de kan inte kontrollera vilka datapunkter den tredje parten baserar datainsamlingen på i urvalet, de gör inte den egna syntetiseringen och omvandling från data till information. Den tredje parten skickar sedan ut det analyserade materialet till organisation B. Organisation B får ut en omfattande rapport med information som berör stora mängder data. I denna rapport kan de välja ut den information de anser är relevant till deras organisation.

5.2.3 Analysera data

År 2013 kan man verkligen säga att organisation B gick i fällan som Marr varnar för. Att köpa in nya “coola” program som egentligen inte skapar något värde, istället för att välja ett bra, mer kostnadseffektivt alternativ. Om vi ser till hur tränarteamet och organisationen är byggt idag så ligger data-analysen helt externt. Videoanalysen görs i Wyscout av deras analytiker och sensordatan analyseras i realtid av Polar. Kopplat till sina strategiska sportsliga mål att utveckla sitt spel och komma topp tre i serien så kan man säga att det är rätt typ av analys man använder sig av för att utveckla sitt spel genom videoanalys och genom att spelarna håller sig skadefria med rätt belastning, för att kunna nå sitt topp tre-mål.

Sett till BDA technology har organisation B som tidigare nämnts flera system som används i det dagliga arbetet. Systemen de använder sig av är inte kompatibla med andra system. De används i olika funktioner inom organisationen och är inte sammankopplade. Organisationens flexibilitet gällande deras teknik är relativt låg. Den flexibilitet de har är att avgöra det analyserade materialets storlek, det vill säga att de kan påverka rapportens omfattande. Den relativt låga flexibiliteten grundas också i att de inte kan påverka tredje partens system. Om organisation B upplever att ett system inte kan uppfylla deras behov kan de avsluta licensieringen och kontakta ett annat tredje part företag som tillfredsställer organisationens behov. Organisation B har en väldigt låg möjlighet till modularitet i den teknik som används.

Det humankapital och kompetens som diskuteras i BDA talent capability har en låg existens inom organisation B via deras dataanalytiker som inkluderar analys och rapportering i sitt dagliga arbete på en halvtidstjänst kombinerat med en halvtidstjänst som assisterande tränare. Det återvunna materialet från rapporten och övriga källor kommuniceras och visualiseras ut i organisationen av organisationens dataanalytiker. En nära kontakt har etablerats mellan data-analytikern och övriga medlemmar i organisationen eftersom personen finns på plats under träning, match och ledningsmöte. Den främsta kompetensen inom big data-analys som organisationen använder sig av hämtas in externt, det vill säga från en tredje parts organisation.

Sett till “value creation process” och dess andra process analyseras datan och blir till information. I organisation B så skapas detta genom att Wyscout och Polar samlar in data från match och träning. Wyscouts analytiker analyserar videon och Polars mjukvara analyserar datapunkterna som kommer in från sensorerna. I Polars fall görs detta i realtid vilket gör att ansvarig person får tillgång denna nyskapade information att handla efter väldigt snabbt. Informationen som skapas har en hög möjlighet att utvecklas till kunskap och lärdom. Den snabba tillgången till information genererar kunskaper som organisationen kan dra nytta av.

5.2.4 Rapportera resultat

Om man ser till analysen som Wyscout gör åt organisationen så är det organisationens analytiker som tittar på analysens resultat, nyckeltalen. Han sammanställer sedan dessa och rapporterar det till huvudtränaren. Beroende på hur nyckeltalen ser ut använder tränaren och analytikern dessa till att ge feedback till spelarna. Detta kan ske i helgrupp, lagdel för lagdel eller individuellt,