“Jag tror att man som företag säger sig vara ganska datadriven i sina beslut”
En kvalitativ studie om Business intelligence och datadrivenhet i ett svenskt konsultföretag
Av: Antonia Johansson och Filip Lindgren
Handledare: Lars Degerstedt
Södertörns högskola | Institutionen för Naturvetenskap, miljö och teknik Kandidatuppsats i informatik 15 hp
Management med IT | HT 2020
“I believe that as a company you say you are quite data-driven in your decisions"
A qualitative study about Business Intelligence and data- driveness at a consulting company
By: Antonia Johansson and Filip Lindgren
Supervisor: Lars Degerstedt
Södertörn University | School of Natural Sciences, Technology and Environmental Studies
Bachelor’s Thesis 15 credits Informatics | Semester 2020 Programme Management med IT
Sammanfattning
I en allt mer digitaliserad värld krävs det att företag ligger långt fram i utvecklingen för att kunna ta marknadsandelar och vara konkurrenskraftiga. Därmed ämnar denna kvalitativa fallstudie att undersöka hur Business intelligence kan
implementeras för att öka acceptansen för IT-stöd hos de anställda, samt hur datadrivet ett svenskt konsultföretag är. En viktig faktor när Business intelligence ska implementeras och appliceras är de anställda och den kultur som företaget har.
Det är viktigt att normalisera insamlandet av data, för att i förlängningen skapa en datakultur där data med hög kvalité samlas in. Vidare är Business intelligence starkt beroende av att den data som samlas in håller en hög datakvalité, för att kunna skapa relevanta rapporter och därigenom kunna ge förslag inför olika
beslutsfattande. Vid en implementering av en ny plattform, är det många anställda som berörs. Det betyder att plattformen kan generera såväl positiva som negativa reaktioner.
Nyckelord: Arbetssystem, Business intelligence, Datadrivet, Acceptans för IT-stöd, Digital mognad, Analytisk mognad, Datadriven organisation.
Abstract
In an increasingly digital world, companies need to be at the forefront of development in order to gain market share and be competitive. Therefore this qualitative case study intends to investigate how Business intelligence should be implemented to increase the technology acceptance among the employees.
Furthermore, it is investigated how data-driven a consulting company in Sweden is.
An important factor when Business intelligence is about to be implemented and applied are the employees and the company culture. It is important to normalize the collection of data, in order to create a data culture where high quality data is
collected. What is more, Business intelligence is strongly dependent on the data collected maintaining a high data quality, in order to be able to create relevant reports and thereby be able to support various decision-making. When
implementing a new platform, many employees are affected. This means that the platform can generate both positive and negative reactions.
Keywords: Work Systems, Business intelligence, Data-driven, Technology acceptance, Digital maturity, Analytical maturity, Data driven organization.
Innehållsförteckning
1.INLEDNING ... 1
2.BAKGRUND ... 2
2.1 Definitioner ... 2
2.2 Business intelligence och datadriven organisation ... 2
2.3 Fallet ... 5
2.4 Syfte och frågeställning... 6
2.5 Tidigare forskning ... 7
3.METOD ... 11
3.1 Forskningsdesign ... 11
3.2 Intervjumetod... 11
3.3 Bearbetning och analys av data ... 13
3.4 Urval ... 13
3.5 Forskningsetik ... 14
3.6 Material och avgränsning ... 14
3.7 Metodkritik ... 15
4.TEORI ... 16
4.1 Arbetssystem ... 16
4.2 Business intelligence ... 19
4.3 Technology Acceptance theory ... 21
4.4 Datadriven organisation ... 22
4.5 Teorisyntes ... 25
5.RESULTAT ... 27
5.1 Business intelligence-enhet ... 27
5.2 Användarna ... 38
6.ANALYS ... 47
6.1 Kultur ... 47
6.2 Business intelligence och datahantering ... 49
6.3 Acceptans av IT-stöd ... 54
7.DISKUSSION ... 55
8.SLUTSATS... 59
8.1 Rekommendationer till företaget ... 60
8.2 Framtida forskning ... 60
KÄLLFÖRTECKNING ... 61
BILAGOR ... 64
Bilaga 1 ... 64
Bilaga 2 ... 68
Bilaga 3 ... 71
Bilaga 4 ... 72
Bilaga 5 ... 73
Bilaga 6 ... 74
1. Inledning
Data kan ses som en viktig del av det moderna kunskapssamhället som vi lever i.
Sandberg (2019, s. 4) förklarar att Sveriges regering därför i en allt högre grad möjliggjort digitaliseringen i affärsvärlden och infört ett så kallat digitaliseringsråd för att belysa vikten av data. Data kan ses som en pådrivande faktor för innovation, framväxt av företag och affärsmodeller och även för ökad effektivitet. Med hjälp av Business intelligence data har verksamheter potential att förändra hur
verksamheten organiseras och bedrivs, men den kan även användas i ett
konkurrenskraftigt syfte på en marknad. Eftersom en större mängd data samlas in idag ökar även behovet av att ha rätt kompetens för att på bästa sätt kunna förstå och hantera den insamlade datan. Sandberg (2019, s. 4) beskriver att de
traditionella metoderna för bearbetning och analysering inte räcker till när
datamängderna är stora och ostrukturerade. Data är en datadrivet-företags signum och kan därmed jämföras i många fall med varumärken och patent. Däremot skiljer sig data mot andra insatsvaror eftersom den är både återanvändningsbar och hållbar, i många fall medför även stora mängder data både makt och ansvar.
Digitaliseringen medför, enligt Sandberg (2019, s. 4) att kunder och leverantörer möts på ett nytt och effektivt sätt i olika plattformar och affärsmodeller. Ledning, kompetens, trygghet, infrastruktur och innovation är relevanta begrepp för de flesta sektorer, och då även en del i hur digitaliseringsstrategin utformas (Sandberg 2019, s. 4). Digitaliseringen kan också leda till att företag önskar bli mer datadrivna. Att arbeta datadrivet innebär att företag går från traditionella beslutsprocesser till att basera beslut på data (Davenport 2018, ss. 3-6). Watson (2016, ss. 5-6) menar att företag har svårare att bli datadrivna om inte Business intelligence finns på
företaget. Detta beror på att, företag med hjälp av Business intelligence har enklare att förstå och visualisera data. Nya möjligheter kan skapas med hjälp av datadrivna innovationer (Sandberg 2019, s. 4).
2. Bakgrund
Datadrivna organisationer är något som diskuteras allt mer och som blir allt vanligare i företagsvärlden. Att vara datadriven kan ses som en förlängning till nyttjandet av Business intelligence. Dock kan begreppet datadriven ses som komplext och något som är svårt för företag att definiera och förstå. Under denna del förklaras viktiga definitioner, Business intelligence och Datadriven organisation under rubrik 2.2 samt fallet presenteras under rubrik 2.3. Syfte och frågeställning presenteras under rubrik 2.4. Vidare sammanfattas tidigare forskning under kapitel 2.5, där digital mognad och analytisk mognad förklaras.
2.1 Definitioner
Nedan kommer en sammanställning av viktiga begrepp som används i studien.
Dessa begrepp har vi i forskargruppen valt att definiera för att skapa en bättre förståelse för läsaren.
Implementering - Implementering i denna studie avser den nya plattformen som företaget arbetar med att ta fram.
Business intelligence - Business intelligence är det IT-stöd som företaget
använder sig av och som utvecklas. IT-stödet används i hela organisationen som ett verktyg i olika syften. Dock tar inte begreppet hänsyn till kostnader för personal, teknik och tid.
Användare - Är den del av respondenterna som använder sig av företagets IT-stöd som ett verktyg i arbetsvardagen.
Business intelligence-enheten - Business intelligence-enheten har ett operativt ansvar över Business intelligence vilket menas att de har ansvar över hur det dels fungerar idag, men även över implementeringen av det nya. Tre av respondenterna i denna studie arbetar i Business intelligence-enheten.
Data - Data är rå och ostrukturerad fakta som behöver bli bearbetad för att kunna användas. Datan hämtas in och lagras i företagets datalager.
Information - Information är bearbetad, organiserad och strukturerad fakta som används av företaget för att skapa värde, t.ex. vid ett beslutsfattande.
2.2 Business intelligence och datadriven organisation
Under de senaste decennierna har Business intelligence utvecklats och blivit ett viktigt verktyg som används vid analys av insamlad data. Business intelligence är en del i processen att driva ett företag mot att bli mer datadriven som organisation.
Samtidigt är det viktigt att företaget besitter rätt kompetens och ledarskap för att kunna skapa nytta av den information som hanteras. Business intelligence började sin framväxt under 1950- talet men användes inte frekvent av företag förrän under 1990-2000. Utvecklingen kan beskrivas utifrån tre olika eror: Business intelligence- 1.0, Business intelligence- 2.0 och Business intelligence- 3.0 (Chen, Chiang, &
Storey 2012, s. 1165).
Business intelligence 1.0 har sin grund runt 1990- talet när företag började använda olika verktyg för att spara ner data från befintliga system och lagra dessa i
relationsdatabaser. Denna typ av datahantering var början på utvecklingen av data marts och programverktyg som användes för att kunna “tvätta” data via metoden Extraction, Transformation, Load (ETL). Företag kunde med hjälp av olika enkla rapporteringsverktyg analysera data och därifrån utläsa olika mönster och samband som företaget kan dra nytta av (Chen, Chiang, & Storey 2012, s. 1166).
Business intelligence 2.0 har sin grund i början av 2000-talet när internet växte fram.
Med hjälp av internet kunde företag samla in större mängder data som produceras av användarna. Med hjälp av olika internetkakor, cookies, kunde företag få insyn i användare och kunders sökmönster, behov etc., för att på sätt identifiera nya affärsmöjligheter (Chen, Chiang, & Storey 2012, s. 1167).
Business intelligence 3.0 har sin grund i början av 2010- talet. Business intelligence 3.0 kallas även för Mobile-Business intelligence eftersom det var under denna era som smarttelefonerna och läsplattorna fick sin utveckling. På grund av denna
progression av digitala verktyg kan analyser och data i realtid presenteras med hjälp av t.ex. en smarttelefon. Det gör det mer flexibelt att kunna presentera och hantera data var man än befinner sig (Chen, Chiang, & Storey 2012, s. 1168).
Att definiera Business intelligence kan ibland vara svårt eftersom det innehåller många olika processer i begreppet Business intelligence. Men för att kunna förklara vad Business intelligence egentligen står finns det två olika definitioner som delar upp Business intelligence. Den första handlar om rapportering och visualisering av data. Den andra handlar om att Business intelligence ska vara inriktad på
management och affärsprestationer (Azvine, Cui & Nauck 2005).
Business intelligence främsta uppgift är att fungera som beslutsunderlag för företag.
Beslutsunderlagen används sedan av företag för att på ett mer effektivt och bättre sätt kunna uppnå de mål som finns inom verksamheten samt skapa strategier inför framtiden och generera ny information. Business intelligence kan även bidra till att företaget får bättre insikt i kundernas behov och beteenden, vilket leder till att företaget kan skapa sig en bättre konkurrenskraft. Grunden i beslutsunderlagen är empirisk information som är hämtad från företaget eller organisationen.
Informationen kan avse medarbetares löner, scheman, kunskaper, erfarenheter etc.,
men även information som avser företagets kunder, som till exempel köpbeteenden eller sökhistorik. Med hjälp av denna information kan företaget formulera bättre erbjudanden efter kundens behov och intressen (Negash 2015, ss. 178-179 ).
Utifrån ett allmänt perspektiv behöver företaget beakta ett antal faktorer för att bli en mer datadriven organisation. Organisationen behöver förstå, se korrelationen och orsakssambandet hos den data som samlas in och olika mätresultat. Det krävs även att det finns en expert på företaget för att minska att misstag uppstår. Experten ska säkerställa att företaget kan genomföra mätningar som skapar tillit och genererar information att agera kring. Besluten ska inte fattas på grund av magkänslan utan i första hand data, därefter erfarenhet och till sist magkänsla. Företaget ska införa en så kallad testa-och-lär-kultur, där det är tillåtet att misslyckas och att lära sig av misslyckandena genom iterativa processer. Kunskapen i företaget ska bygga på de analyser som företaget sammanställt (Negash 2015, ss. 177-178).
För att kunna lagra den data och information som samlas in använder företag ett Data Warehouse. Ett Data Warehouse är ett verktyg som hjälper företaget att lagra den data och information som samlas in. Ett integrationslager hjälper företaget att sortera upp den data och information som kommer in, vilket möjliggör att det endast är den användbara datan och informationen som lagras i företagets Data
Warehouse. Analys- och visualiseringsverktyg används för att kunna visualisera och analysera den information som finns i företagets Data Warehouse. Analyserna kan sedan genereras i rapporter och andra affärsmässiga stöd (Azvine, Cui & Nauck 2005; Wixom & Watson 2010). Wixom & Watson (2010, ss. 14-15) beskriver att insamlingen av data är en viktig del av att lyckas med en datadriven organisation och beslutsfattandet i organisationen. Dock är det viktigt att den data som samlas in är relevant.
Wixom & Watson (2010, s. 15) beskriver hur en Business intelligence-miljö i ett företag kan vara uppbyggt, se figur 1. Modellen visar på vänster sida hur information kommer in från olika källor. Informationen sorteras sedan av ett integrationslager genom en ETL-process innan den lagras i företagets Data Warehouse. Den högra sidan av modellen visar hur åtkomsten av informationen kan ske via applikationer som i sin tur hämtar informationen via Data marts. Denna information används vanligtvis för att skapa rapporter som i sin tur kan leda till ytterligare analyser och därigenom generera mer information (Wixom & Watson 2010, s. 15).
Figur 1 Efter (Wixom & Watson 2010, s. 15) vår översättning. En visuell beskrivning av en Business intelligence-miljö hos ett företag
2.3 Fallet
Företaget klassificeras som ett konsultföretag men har i studien önskat att vara anonyma, då interna processer och konfidentiell information diskuterats. Därav kommer företaget i studien att benämnas som företaget.
Företaget har under en längre tid verkat i Sverige, och målet har alltid varit att skapa en relation mellan företaget, konsulter och andra företag. Företaget har sedan dess vuxit och finns numera i fler länder än Sverige och allteftersom att behovet har ökat så har även dotterbolag startats (Anonym 2021a). Enligt 1 kap. 2§ i
årsredovisningslagen (SFS 1995:1554) kan företaget kategoriseras som ett större företag. Större företag ska uppfylla två av följande villkor:
• Medelantalet anställda har under de två senaste räkenskapsåren uppgått till fler än 50 stycken (SFS 1995:1554), företaget har under de senaste två räkenskapsåren haft cirka 700 anställda (Alla bolag u.å.).
• Balansomslutningen för företaget har under de två senaste räkenskapsåren uppgått till mer än 40 miljoner svenska kronor, respektive år (SFS 1995:1554), företaget har under de senaste två räkenskapsåren uppnått över 40 miljoner svenska kronor i balansomslutning (Alla bolag u.å.).
• Det redovisade nettoomsättningen har under vardera av de två senaste
räkenskapsåren uppgått till mer än 80 miljoner svenska kronor (SFS 1995:1554).
Under de två senaste räkenskapsåren har nettoomsättningen för företaget uppgått till mer än en miljard svenska kronor (Alla bolag u.å.).
Företaget ingår i en koncern, där flera delar fokuserar på konsultarbete och en del berör utbildning för konsulter.
Företaget beskriver IT-avdelningen som något unikt och menar att fokuset är att ligga i framkant när det kommer till digitalisering. Anställda på IT-avdelningen har möjlighet att påverka och utveckla nya produkter (Anonym 2021b). För två år sedan beslutade företaget att en ny plattform skulle byggas, en som gick ifrån de olika legacy-systemen som företaget arbetar med idag. Dagens Business intelligence anser företaget vara för långsamt, samt att det inte ger användarna möjlighet att använda all data som samlas in, dock kan inte namnet på legacy-systemet nämnas, då företaget önskar hålla det privat. Orsaken till bytet av plattform, är företagets önskan om att Business intelligence skulle fungera bättre som arbetsverktyg till medarbetaren i enlighet med företagets affärssystem. Därigenom ser företaget möjligheter hos Business intelligence att kunna generera mer relevanta rapporter som hjälper företaget att kunna tillfredsställa kundens behov bättre. Denna plattform är fortfarande under konstruktion. Däremot har organisationsstrukturen förändrats, då Business intelligence-enheten har gått från att vara en del av IT-teamet till att ingå i Strategi-teamet. Företaget belyser att Business intelligence är en viktigt del av organisationen och används av majoriteten av de anställda. Detta då företaget önskar mäta hur försäljning och leverans ser ut. Företaget besitter en stor mängd data om kunder och konsulter. Hanteringen av den stora mängden data kan underlättas med hjälp av Business intelligence.
Fallet i denna studie blir därmed den transformation som företaget planerar att genomgå från dagens system till den nya plattformen. Detta innebär att en
undersökning av dagens Business intelligence utförs för att sedan diskutera hur den nya plattformen ska utformas. Informationssystemet i denna fallstudie är ett
arbetssystem där människor med hjälp av information och teknologier skapar olika processer och aktiviteter. Utifrån processerna och aktiviteterna kan specifika produkter skapas för att tillfredsställa kundens behov så bra som möjligt.
2.4 Syfte och frågeställning
Syftet med studien är att undersöka hur ett företag applicerar Business intelligence som beslutsstöd. Fallet utgår från en nuvarande Business intelligence som ska ersättas mot en ny och egen utformad plattform utan legacy-system. Därmed undersöker studien vad Business intelligence-enheten och Business intelligence- användare har för åsikter om den nuvarande plattformen samt den plattformen som ska implementeras. Utifrån detta perspektiv undersöks också hur datadriven
företaget faktiskt är. Fallstudien bidrar med kunskaper kring hur Business intelligence kan implementeras genom att ta hänsyn till medarbetarnas och
utvecklarnas behov i ett företag. I detta fall betecknas medarbetarna som Business intelligence-användare och utvecklare som Business intelligence-enheten.
Därmed har följande frågeställning genererats:
• Hur kan en ny Business intelligence-plattform implementeras utifrån Business intelligence-användare och utvecklare?
• Hur datadrivet är ett svenskt, stort företag som verkar inom tjänstesektorn?
2.5 Tidigare forskning
2.5.1 Digital mognad
Det finns en mängd olika typer av digitala mognadsmodeller, det dem däremot har gemensamt är att samtliga modeller utgår från människor, organisation, funktioner på företaget, processer och liknande. Dessa faktorer växer och utvecklas i en utvecklings- eller tillväxtfas mot en än mer avancerad mognad. Denna mognad går därmed igenom flera nivåer och varje nivå kan ses som en grund för att en högre nivå kan planeras eller implementeras (Goksen, Cevik & Avunduk 2015, s. 209).
Westerman, Bonnet & McAfee (2014, s. 4) förklarar att det finns tre olika processer som mognadsmodeller fokuserar på, kundprocesser, operationella processer och affärsmodellen. Kundprocesser tenderar att vara visuellt enklare att detektera samtidigt som företag tenderar att tycka att kundprocessen är mer spännande att digitalisera och placera på den digitala mognadsmodellen. De operationella
processerna, eller de interna processerna har i allt högre grad fått uppmärksamhet då företag inser att det finns starka fördelar med att digitalisera processhanteringen och anställdas aktivering. Genom att förändra affärsmodellen förändras funktioners sätt att arbeta samt hur olika funktioner interagerar och utvecklar gränser och aktiviteter hos företaget (Westerman, Bonnet & McAfee 2014, ss. 4-5).
I Tillväxtverkets och Frykbloms (2019) studie presenteras tre olika nyckelfärdiga modeller OECD-index, Digital Intensity index 1 och Digital Intensity index 2. Genom dessa modeller har Frykblom (2019, s. 22) presenterar en modell med olika
sektorer, dessa sektorer har genom OECD-indexet jämförts. I figur 2 presenteras topp fem av dessa sektorer och värdena på x-axeln är därmed viktat värde på indexet. Därmed är den sektorn som har det högsta värdet på indexet den som är mest digitalt mogna, det maximala värdet på indexet är 12. Konsultföretagen, anses ligga på femte plats under benämningen andra tjänsteföretag, se figur 2.
Figur 2 Efter (Frykblom 2019, s. 22). Sektorers datadrivenhet - full version under bilaga 3
Vidare menar Frykblom (2019, s. 22) att större företag tenderar att var mer digitalt mognad än mindre. Se figur 3.
Figur 3 Efter (Frykblom 2019, s. 22). Skillnad på företags storlek och datadrivenhet.
Inom digital mognad finns en mängd olika modeller, utöver de tre som nämnts ovan har ett flertal varianter studerats för att skapa en prototyp för företaget. Prototypen används inte som vetenskaplig grund i studien då denna enbart ska finnas som stöd för respondenterna att diskutera företagets digitala mognad. Acquias (2020) har konstruerat en modell kring den mognaden inom den digitala erfarenheten, vilket kallas Digital Experience. Från Acquias modell har nåbarheten och kanalers flexibilitet applicerats i bilaga 4. Dessa begrepp behandlar vilka metoder som företaget använder idag för att skapa kontakt med nuvarande och eventuella kunder. Schmidt (2017) presenterar en modell anpassat för en finansiell marknad.
Därför har utvalda sektioner används för att på sådant sätt rikta in sig mer specifikt på den valda branschen. Dessutom har de olika nivåerna Manuell, Grundläggande digital, Avancerad digital och Fullt digital använts. Schmidts (2017) modell fokuserar i stor utsträckning på företagets kunder och det operationella arbetet. Bilaga 4 har nyttjat Schmidts (2017) tankar om applikation, kundinformation, dokumenthantering och analyser.
2.5.2 Analytisk mognad
Król & Zdonek (2020, ss. 1-2) förklarar att det finns mängder av analyser hos företag idag. Detta beror på den ökade mängd data som företaget samlar in.
Därmed har analyser gått från att vara i skuggan till att bli en nödvändighet. För att kunna skapa bra analyser krävs det att Business intelligence finns på företaget och är integrerad i företagets kundresa, produkter, dagliga arbetet och tjänster.
Dessutom ska analyser ligga till grund för kunskap och påverkan (Król & Zdonek 2020, ss. 1-2).
Król & Zdonek (2020, ss. 2-3) förklarar att företagen kan generera flera olika analyser. Det är väsentligt att förstå i vilket stadie företaget befinner sig gentemot analyserna. Därmed har Król & Zdonek (2020, ss. 2-3) skapat en modell som visar de fem olika stadierna av en analys. Dessa fem kategorier bygger på varandra och samexisterar. Varje steg framåt i figur 5 leder företaget närmare en on-demand företag med snabbare beslutsfattande.
Figur 4 Efter (Król & Zdonek 2020, ss. 3-4) vår översättning. Olika typer av analyser.
Precis som digitala mognadsmodeller finns det en stor mängd analytiska
mognadsmodeller varav två är Davenport (2018) modell DELTA plus samt Vander Meulen & McCall (2018) Gartner modell.
DELTA plus är ett akronym för Data, Enterprise, Leadership, Targets och Analysts, där plus står för technology och analytics techniques (Davenport 2018, s. 3).
Davenport (2018, ss. 3-6) menar att Data måste vara organiserad, integrerad, tillgänglig och framförallt ha hög kvalitet och vara unik för att kunna skapa en bra analys. Hur datahanteringen är uppbyggd skapar och påverkar den analys som kan göras. Om den data som samlas in också är unik så kan företaget få en ökad
konkurrenskraft gentemot övriga företag. Enterprise innebär att företaget ska använda ett företagsperspektiv när det kommer till att hantera system, människor och den data som samlas in. Leadership handlar om att ledarna på företaget arbetar mot ett mer datadrivet beslutsfattande för organisationen och ser värdet av att
implementera en kultur där analyser och data är en del av. Targets avser att
företaget måste fokusera på specifika och strategiska mål, där analyser kan vara av värde. För mycket fokus på alla analyser kan skapa förvirring hos företaget, och därmed krävs ett fokuserat synsätt på vissa analyser. Analysts betyder att företaget måste ha personer som förstår data, det finns fyra olika typer av analytiska
personer, analytiska mästare, data scientists, semiprofessionella analyter, analytiska amatörer. Technology innebär att företag enkelt ska kunna följa med i
utvecklingen av nya teknologier. Analytics techniques avser att företag måste arbeta utifrån rätt analytiska modeller och verktyg för att lyckas med att förstå analyser och för att vara konkurrenskraftiga (Davenport 2018, ss. 3-6). Davenports (2018, ss. 7-8) DELTA-modell består av fem steg av analytisk mognad, se figur 5. Vidare består varje nivå av attribut som kännetecknar DELTA och dess nivåer.
Figur 5 Efter (Davenport 2018, s. 9) vår översättning. DELTA-modellen - full version i bilaga 5
Vander Meulen & McCall (2018) beskriver en annan typ av analytisk modell, även den med fem steg, se figur 6.
Figur 6 Efter (Vander Meulen & McCall 2018) vår översättning. Gartner modell - full version i bilaga 6
Król & Zdonek (2020, ss. 16-17) förklarar att det olika modeller utformas utifrån olika affärsprofiler. Varje modell baseras på allmänt tillgängliga ramar men har en
dedikerad och personlig form för att kunna bedöma företagets analytiska förmåga och mognad. Dessa bedömningar görs med hjälp av checklistor, subjektiva
upplevelser och erfarenheter och observationer. I och med en föränderlig värld blir modeller i vissa fall utdaterade, men blir då utbytta mot en ny med mer uppdaterade tekniker och värden (Król & Zdonek 2020, ss. 16-17).
3. Metod
I detta avsnitt presenteras fallstudiens tillvägagångssätt. Därmed beskrivs
forskningsdesignen, efterföljt av intervjumetod och intervjuguiden. Därefter förklaras hur bearbetningen av analys och data har genomförts och hur urvalet sett ut.
Studien baseras på åtta respondenternas svar, varav fem representerar Business intelligence användare och tre arbetar i Business intelligence-enheten. Därefter beskrivs forskningsetiken och material och avgränsning, för att sedan avslutas i metodkritiken.
3.1 Forskningsdesign
Studien kommer vara utformad som en fallstudie. Enligt Bryman & Bell (2017, s. 86) ska en fallstudie rymma en detaljerad och ingående fas av ett enstaka fall. Under denna studie kommer alltså ett företags Business intelligence att studeras samt en transformation från det nuvarande Business intelligence till en ny plattform.
3.2 Intervjumetod
Studien baseras på semistrukturerade intervjuer. Därmed har intervjuerna baseras på specifika frågeställningar, men respondenterna har haft möjlighet att diskutera fritt. Dessutom ger denna metod intervjuaren ett större utrymme att gå utanför intervjuguiden och ställa så kallade följdfrågor som kan leda till djupare diskussion och data (Bryman & Bell 2017, s. 452).
Arbetet kommer att göra en skillnad på huruvida respondenten tillhör Business intelligence-enhetens team eller huruvida respondenten anses vara en användare av företagets Business intelligence. Därmed har två separata intervjuguider skapats.
Intervjuerna genomfördes via digitala verktyg, i detta fall zoom. Samtliga intervjuer tog cirka en timme att genomföra vardera. För att förenkla transkriberingen spelades intervjuerna in, efter godkännande av respondenter, och därefter transkriberades och analyserades svaren. Hela författargruppen var närvarade vid intervjuerna, detta för att säkerhetsställa att alla frågor blev ställda och besvarade.
3.2.1 Intervjuguide
Fallstudien består av två infallsvinklar på samma fall. Därmed har två olika intervjuguider skapats, en för Business intelligence-enhet och en för användare.
Intervjuerna genomfördes utifrån en semistrukturell intervjumetod vilket leder till att respondenterna kan svara öppet på de förbestämda frågorna. Utöver de
förbestämda frågorna skapar intervjuguiden utrymme för följdfrågor som genererar mer utförliga och kvalitativa svar. En viktig aspekt att ta hänsyn till är att svaren på frågorna är subjektiva vilket innebär att det är respondenternas egna tankar och uppfattningar. En del frågor refererar bakåt i tiden, andra frågor utgår från nutid.
Under intervjuerna ställdes dock inte alla frågor i intervjuguiden, då dem i vissa fall redan hade besvarats.
Intervjuguiden består av fyra huvudteman vilka är Kultur, Datahantering, Business intelligence och Systemacceptans. Dessa huvudteman är korrelerade med de teorier som studien inkluderat. Kulturen diskuteras genom den datadrivna
organisationen, vilket även delvis inkluderar Datahantering. Business intelligence kopplas samman med arbetssystem och Business intelligence, vilket även den inkluderar Datahantering. Systemacceptansen är kopplad till Technology
Acceptance theory. Vardera teman består av fem till tolv frågor. Under bilaga 1 finns samtliga förbestämda intervjufrågor för Business intelligence-enheten.
Figur 7 förklarar hur intervjuguiden är utformad fråndet allmänna forskningsområdet till den slutliga utformningen av intervjuguiden.
Figur 7 utformning av intervjuguide - Business intelligence-enheten.
Intervjuguiden för användare utgår från tre separata huvuddelar Kultur, Business intelligence och Systemacceptans. Intervjufrågorna diskuterar nutid respektive framtid. Samma teorier som förklarades i Business intelligence-enhetens del är sammankopplade till användarnas huvuddelar. Figur 8 förklarar hur användarnas intervjuguide är utformad. Under bilaga 2 återfinns intervjuguiden för användare.
Figur 8 utformning av intervjuguide - användare.
3.3 Bearbetning och analys av data
Då intervjuerna skedde utspritt under en tvåveckorsperiod via digitala verktyg, spelades dessa in och transkriberades någon dag senare. Dock hade
inspelningarna även bild, vilket gjorde det enklare att följa respondentens reaktioner och gestikulationer. Detta gav en känsla av att intervjuerna transkriberades
samtidigt som intervjuerna gjordes. Transkriberingen gjordes av samtliga författare, men vid olika tidpunkter och olika intervjuer. Dessutom har samtliga genomförda transkriberingar skickats tillbaka till respondenterna och blivit korrekturlästa, vilket dels ökar valideringen men även ger utrymme för respondenterna att korrigera transkriberingen.
3.4 Urval
Urvalet har skett utifrån ett så kallat snöbollsurval, även kallat kedjeurval. Detta urval kan ses som en form av ett bekvämlighetsurval, då forskargruppen initialt tar kontakt med en eller ett färre antal människor, vilka ses som intressanta.
Respondenterna används därefter för att få kontakt med ytterligare respondenter som kan vara intressanta för studien (Bryman & Bell 2017, s. 411).
Anledningen till valet av respondenter gjordes i samråd med den ansvariga på företaget. Den ansvariga ansåg att de valda respondenterna kunde ge mer djupgående och intressanta inblickar, då de vardagligen arbetar med företagets Business intelligence.
Urvalet från Business intelligence-enheten består tre respondenter varav en ansvarig för data och analys, en produktägare inom Business intelligence samt en som arbetar som analytics translator. Samtliga tre är delaktiga i att skapa och forma den nya plattformen som ska utvecklas. Den ansvariga för data och analys har övergripande ansvar för teamet och ska på lång sikt föra företaget mot ett mer datadrivet tänk. Produktägaren säkerhetsställer att användarna har de rapporter som är nödvändiga och att dessa rapporter byggs på ett korrekt vis.
Intervjupersoner som arbetar som analytics translator och översätter data och information mellan IT-delen och affärsdelen på företaget, samtidigt är respondenten ansvarig för att datakvalitén är tillräcklig för att kunna skapa relevanta rapporter.
Respondenterna som ingår i analysenheten användare består av fem personer, med olika roller i företaget. Det som dock är gemensamt är att samtliga jobbar på koncernnivå vilket gör att de har inblick i samtliga länder och kontor. Två av fem respondenter arbetar med den operativa processen i koncernen. Två av fem respondenter arbetar med säljprocessen, även dem i koncernen. Den femte respondenten arbetar som affärsområdeschef inom IT. De olika processerna tittar på olika rapporter, då leveransdelen undersöker tillsättningar av konsulter samt
leveransen, medan säljdelen tittar på hur försäljningen ser ut. Därmed arbetar dessa fem respondenter på olika sätt med Business intelligence och har god förståelse för datahanteringen och rapportarbetet.
3.5 Forskningsetik
Studien kommer att följa och ta hänsyn till Vetenskapsrådets (2002) fyra principer Informationskravet, Samtyckeskravet, Konfidentialitetskravet och nyttjandekravet.
Informationskravet innebär att respondenterna fått information om syftet med studien i förhand. Vidare är deltagandet vid studien frivilligt, vilket innebär att
respondenten kan avbryta sin medverkan om så önskas (Vetenskapsrådet 2002, ss.
7-8).
Samtyckeskravet bygger på det första kravet, då kravet säger att deltagarna ger sitt samtycke till att vara delaktig i studien (Vetenskapsrådet 2002, ss. 9-11).
Konfidentialitetskravet innebär att företag såväl som intervjupersoner har möjlighet att vara anonyma. Detta skapar också en miljö där respondenterna kan prata öppet om erfarenheter och synpunkter utan att det påverkar personen i efterhand
(Vetenskapsrådet 2002, ss. 12-13).
Nyttjandekravet menar på att de insamlade personuppgifter som sker i samband med arbetet enbart kommer nyttjas till forskningen. Därmed får personuppgifterna inte användas för kommersiellt bruk eller andra syften utanför studien
(Vetenskapsrådet 2002, s. 14). Vidare har även hänsyn tagits till The General Data Protection Regulation (GDPR). GDPR hänvisar till insamlandet av personuppgifter vilket innebär att insamlandet av information som direkt eller i samband med annan information kan bindas till en fysisk och levande person. Därmed har
respondenterna fått godkänna huruvida intervjuerna fåtts spelas in i syfte att
transkribera dem i ett senare skede. Insamlandet av personuppgifter sker enbart till denna studie och kommer att anonymiseras för att inte negativt påverka såväl den enskilda personen eller företaget i ett senare skede (Datainspektionen u.å.).
3.6 Material och avgränsning
Arbetet kommer utgå från fyra olika teorier, arbetssystem, Business intelligence, technology acceptance theory och datadriven organisation för att besvara
frågeställningen. Studien är baserad på en fallstudie, då frågeställningen kräver det.
Studien är genomförd via digitala verktyg, dock är det endast respondenter som arbetar i Sverige som har blivit intervjuade, denna metod valdes på grund av olika geografiska lägen. Då digitala verktyg ger möjlighet till att diskutera med relevanta personer även om de arbetar på andra geografiska platser. Studien har begränsats till att intervjua två olika segment i företaget, de som vi i studien refererar till
Business intelligence-enheten samt användare. Däremot arbetar användarna inom olika avdelningar på företaget, men samtliga har en mer strategisk roll och därför en större överblick över samtliga länder och kontor. Användarna sitter dessutom i en roll som kräver större förståelse för data samt Business intelligence än vad de operativa rollerna på arbetet har. Studien kommer inte omfatta olika
kostnadsberäkningar på fallet som t.ex. teknik personal och tid, eftersom då hade studien blivit alltför omfattande i förhållande till studiens tidsomfång. I och med det kommer heller ingen konsekvensanalys av kostnadsberäkningar genomföras. En ytterligare avgränsning är att studien inte kommer undersöka hur sociala medier påverkar företaget, deras processer och dess business intelligence.
3.7 Metodkritik
Den intervjuguiden som skapades, gjordes i enlighet med de teorier som studien presenterar. Det uppdagades dock att många av frågorna genererade svar på andra intervjufrågor. För att undvika upprepningar, valdes dessa frågor bort under
intervjuerna. Då författargruppen inte ville påverka respondenterna, presenterades ämnet väldigt ytligt, däremot uppmuntrades det att respondenterna ställde frågor under intervjun om det var något som dem inte förstod eller som behövdes
klargöras. En begränsning till studien avser mängden tid. Det skulle vara intressant att under en längre tid följa företaget i deras skapande av den nya plattformen.
Dessutom hade en längre tidsperiod möjliggjort en diskussion med anställda på den operativa nivån, vilket skulle kunna ge undersökningen ytterligare ett djup. I och med att studien är formad som en fallstudie, så är det inte möjligt att påstå att slutsatserna kan generaliseras. Det fallet som beskrivs i studien baseras på ett företags arbetssystem och därmed hur företaget arbetar och hanterar sitt Business intelligence. Detta innebär att om studien ska kunna generaliseras, krävs det att studien genomförs på fler företag. Reliabiliteten kan däremot anses vara hög, då studiens genomförande har beskrivits, dock har företagets önskan om att vara anonyma komplicerat reliabiliteten. Validiteten i studien säkerhetsställdes genom att be samtliga respondenter att läsa igenom transkriberingarna och därefter godkänna att författargruppen tolkat dem riktigt.
4. Teori
I det här kapitlet beskrivs de fyra olika teorierna, arbetssystem, Business intelligence, technology acceptance theory och datadriven organisation. Dessa mynnar ut i en teorisyntes, där en sammanfattning av samtliga teorier ges och kopplas samman.
4.1 Arbetssystem
Alter (2013, s. 78) beskriver ett arbetssystem som syftar till att företag ska kunna tillfredsställa kundernas behov bättre genom att ständigt utveckla de tjänster som de erbjuder. Företagets processer och aktiviteter såsom medarbetare, information och teknologi behöver vara väl anpassade och utvecklade. Dessa faktorer fungerar som företagets infrastruktur och behöver vara ändamålsenligt med företaget för att därefter kunna avancera i Alters modell, figur 9 (2008, s. 451). När medarbetare, information och teknologi är väl fungerande så bör arbetet kring processer och aktiviteter påbörjas för att därpå påbörja arbetet med företagets produkter och tjänster. För att företaget i slutändan ska kunna uppnå syftet med att kunna
tillfredsställa kunden ställer det krav på att alla komponenter i företaget är tillräckligt utvecklade och väl fungerande i enlighet med Alter (2013, s. 78) modell.
Alter (2008, s. 451) definierar ett informationssystem som ett arbetssystem där människor och maskiner tillsammans utför ett arbete med hjälp av information, teknologier och och andra resurser för att skapa specifika produkter för interna eller externa kunder. Vidare förklarar Alter (2008, s. 451) att ett informationssystem är ett arbetssystem där processerna och aktiviteternas uppgift är att bearbeta och hantera den information som finns i organisationen, se figur 9.
Figur 9 Efter (Alter 2008, s. 451), vår översättning.
Vom Brocke, Maaß, Buxmann, Maedche, Leimeister och Pecht (2018, ss. 357-358) beskriver att världen utvecklar sig till att bli alltmer automatiserad. Författarna
förklarar även att det sedan lång tid tillbaka diskuterats hur utvecklingen av informationsteknologi kommer påverka människors sätt att arbeta och leva.
Utvecklingen av tekniska innovationer sker idag i en snabbare takt och når idag användare snabbare än någonsin, som exempel tog det 75 år för den första telefonen att nå 100 miljoner användare medan för Pokémon GO tog det endast några veckor att nå 100 miljoner användare. Den snabba tekniska diffusion har även påverkat Business & Information systems engineering (BISE) forskares sätt att studera tekniska innovationer, som vanligtvis studeras utifrån ett sociotekniskt system perspektiv (Vom Brocke et al. 2018, s. 357).
Den snabba tekniska utvecklingen har skapat en alltmer automatiserad värld, vilket har bidragit till att diskussioner förts om hur arbetssystem ska fungera i framtiden.
Idag kan stora delar av arbetsuppgifterna i värdekedjan automatiseras med hjälp av maskiner. Vom Brocke, Maaß, Buxmann, Maedche, Leimeister och Pecht (2018, ss.
357-358) menar att människans roll i framtiden kommer att förändras från att maskinerna kompletterar människan till att människan kompletterar maskinerna.
Därför gäller det för framtida forskning inom BISE och digital innovation att studera hur samspelet mellan människan och maskinen ska fungera.
För att studera i vilken grad en arbetsuppgift kräver social respektive teknologisk intensitet kan modellen Four types of future work systems användas, se figur 10.
Figur 10 Efter (Vom Brocke et al.,2018, s. 358) vår översättning. Fyra typer av framtida arbetssystem.
Modellen baseras på de två dimensionerna teknologisk intensitet och social intensitet. Social intensitet innebär att arbetet bygger på mänskliga faktorer som t.ex. tillit. Teknologisk intensitet innebär att arbetet bygger på tekniska innovation som t.ex. maskiner (Vom Brocke et al., 2018, s. 358).
Type A: System där det råder låg social intensitet och låg teknologisk intensitet.
Exempel på ett sådant system är Enterprise resource planning (ERP) systems där det finns en logik av arbetsflöden (transaktioner) som utförs av människor och maskiner. Dessa system anses ofta inom företag som en del av kärnverksamheten.
Type B: System där arbetsflöden inom företag är automatiserade med hjälp av tekniska innovationer (maskiner). Här råder det hög teknologisk intensitet och låg social intensitet. Exempel på ett sådant system är bokning av flygbiljetter, där tusentals olika erbjudanden och biljetter jämförs på endast några sekunder.
Type C: System där arbetsflöden inom företaget eller organisationen bygger på de mänskliga faktorerna som kreativt tänkande och sociala beteenden. I sådana arbetssystem råder det hög social intensitet och låg teknologiskt intensitet.
Type D: System där arbetsflöden inom företag eller organisationer bygger på ett samspel mellan de mänskliga faktorerna och de tekniska verktygen. Inom sådana system fungerar teknologi och automation som ett komplement till människan. Här råder det hög teknologisk intensitet och låg social intensitet.
Amoako-Gyampah & Salam (2004, s. 731) undersöker hur teknologi och systemacceptans utvecklar sig under en implementering av ett ERP. De två framgångsfaktorerna som kännetecknas är användarvänlighet och användbarhet, som är ett krav vid teknikimplementering. Det Amoako-Gyampah & Salam (2004, s.
742) menar är att acceptansen för ett nytt ERP är högre om det finns en tydlig kommunikation mellan användare och utvecklare. Vidare krävs det att användarna får en utbildning i hur systemet kan användas på bästa sätt, samt att användarna har en förståelse för den data som nyttjas. Amoako-Gyampah & Salam (2004, s.
742) förklarar att utbildningar ger användarna möjlighet att både utforska systemets mekanismer både ur en teknisk synvinkel men även ur en funktionell synvinkel.
Författarna menar att genom en träning hos de slutliga användarna av ett nytt system kan erfarenheter av systemet skapas från första stund. En signifikant faktor som författarna upptäckte var att det fanns en högre acceptans av det nya systemet om det samtidigt fanns en gemensam tro på fördelarna med systemet. som i sin tur kommer göra användarna mer produktiva.
4.2 Business intelligence
Balachandran och Prasad (2017, s. 1112) förklarar att Business intelligence används för att analysera, integrera och presentera företagsinformation genom teknologier, applikationer och olika metoder för insamling av data. Ram, Zhang &
Koronios (2016, s. 221) förklarar att Business intelligence kan ses som ett verktyg som har som uppgift att förenkla och förklara data genom att samla in data från det dagliga arbetet. De organisatoriska prestationerna kan positivt påverkas av en implementation av Business intelligence, då det är möjligt att identifiera nya möjligheter, belysa potentiella risker, upptäcka nya marknader samt förstärka
beslutsprocessen (Ram, Zhang & Koronios 2016, s. 221). Business intelligence kan ses utifrån två separata delar, den teknologiska och den organisatoriska. Den teknologiska delen av Business intelligence behandlar väldefinierade tekniska arkitekturer och datastandard med hjälp av delbara plattformar och databaser. Den organisatoriska Business intelligence-delen ska hjälpa företag med att vara flexibla, dela risker och ansvar genom effektiva applikationer (Işık, Jones och Sidorova 2013, s. 14).
Chen, Chiang och Storey (2012, s. 1185) förklarar att Business intelligence och Business Analytics är inne i en ny era. Detta beror till stor del på utvecklingen av web intelligence, web analytics och web 2.0 vilket gynnar evolutionen inom
Business intelligence och Business Analytics. Business intelligence och Business Analytics blandas ofta ihop och blir sammanlänkade dock bygger systemen på två olika sätt att hantera och analysera data. Business intelligence ger användaren en samlad överblick av informationen medan Business Analytics använder sig av statistiska metoder för att presentera rådata (Richards, Yeoh, Popovič och Chong 2019, s. 188). Därför bör Business intelligence och Business Analytics användas på
olika sätt beroende på information. En viktig faktor är ledarskap och att detta används korrekt för att kunna implementera systemen beroende på informationen som företaget är i behov av. På grund av utvecklingen av Business Analytics så har begrepp som mediarikedom (media richness) blivit utdaterat. Detta beror på att begreppet refererar till hur information sprids mellan avsändare och mottagare.
Mediarikedom bör därför inkludera mottagarens tolkning av meddelandet, detta har utvecklats av artificiell intelligens och datamining (Richards et al. 2019, ss. 194- 195).
Işık, Jones och Sidorova (2013, s. 14) förklarar att företagens miljöer består av snabba förändringar, vilket gör att företag måste vara flexibla och arbeta agilt.
Därmed kan Business intelligence vara ett hjälpmedel för att ha möjlighet att vara med och förstå de förändringar som sker. Genom rätt användning av Business intelligence kan företag förutse förändringar och därmed hinna agera på dem.
Dessa förändringar kan vara ett ökat eller minskat behov av företagets produkt, eller en konkurrent som anskaffar allt fler marknadsandelar (Işık, Jones och Sidorova 2013, s. 14).
Richards et al. (2019, s. 188) förklarar att de lyckade Business intelligence implementeringarna ofta är inom budgetering, ekonomisk rapportering och
ledningsrapporter. Dock saknas en förståelse för beslutsfattande på företagsnivå då det krävs en annan typ av system. Därför stöter företag ofta på problem och
utmaningar när det kommer till att fatta strategiska beslut i en affärsmiljö som kan anses vara dynamisk (Richards et al. 2019, s. 188). Richards et al. (2019, s. 188) förklarar att Corporate Performance System möjligen skulle kunna förenkla besluten på en företagsnivå och därmed minska glappet mellan ett lyckat system och ett misslyckat system. Organisationens olika prestation kan undersökas genom att sammanfoga Management practices och informationsteknik. Den stora mängd data som företag hanterar är beroende av en mer utvecklad och avancerad Business Analytics.
Ram, Zhang & Koronios (2016, ss. 221-222) förklarar att det finns flera typer av data. Detta innefattar intern data, som finns i företaget, extern data som finns utanför företaget samt strukturerad och ostrukturerad data. Dessutom klassificerar författarna data som simpel och komplex. Ram, Zhang & Koronios (2016, ss. 221- 222) menar att Business intelligence överlag fokuserar på strukturerad- och intern data vilket lämnar den externa och ostrukturerad datan utanför. Işık, Jones och Sidorova (2013, s. 14) menar att den vanligaste användningen för Business intelligence är att hjälpa beslutsfattandet med hjälp av strukturerad och intern kvalitativ data. Datakvaliteten är en faktor som påverkar hur bra företaget tycker att Business intelligence är. Hanteras data dåligt och innehåller felaktig data kommer tilliten att minska och företaget kommer inte kunna skapa korrekta analyser.
Ostrukturerad och komplex data kan inte skapa statistiska analyser med hjälp av
matematiska formler vilket försvårar arbetet och datasammanställningen för
Business intelligence (Işık, Jones och Sidorova 2013, s. 14). Richards et al. (2019, ss. 194-195) förklarar att hela 70-80 % av de implementationer av Business
intelligence misslyckas. Detta beror på att kommunikationen mellan användare och informationsteknik är bristfällig.
4.3 Technology Acceptance theory
Theory of Reasoned Action (TRA) utformades 1967 av Martin Fishbein och utvecklades därefter 1975 av Martin Fishbein & Icek Ajzen (Alshammari & Rosli 2020, s. 13). TRA är i grunden en generell samhällsvetenskaplig beteendeteori och fokuserar på att studera hur olika individer beter sig i olika situationer beroende av dess befintliga attityder. Alshammari & Rosli (2020, s. 13) menar att individens beteende påverkas av det förväntade resultatet som individen har på ett utförande.
TRA har ett specifikt fokus på hur människors beteende påverkas av människors attityder samt människors subjektiva normer. Alshammari & Rosli (2020, s. 13) beskriver att med subjektiva normer menas hur en person tror att andra människor tycker man ska bete sig. Alshammari & Rosli (2020, s. 13) förklarar även att TRA är en generell modell som inte är utformad efter något specifikt beteende eller
teknologi. Detta gör det möjligt för forskare och andra intressenter att använda modellen och utveckla den efter dess forskningssyfte.
Technology Acceptance Model (TAM) utformades redan 1989 av Fred Davis och är en utvecklad modell som har sin bas i TRA. TAM har sitt fokus i att beskriva
acceptans av olika teknologiapplikationer och används som en relevant modell vid studier av systemacceptans (Alshammari & Rosli 2020, s. 13). TAM är en teknologi modell som tar hänsyn till variablerna användarvänlighet och användbarhet. Detta innebär att man mäter hur enkelt system är att använda och hur positiva
användarna är till ett nytt system i arbetsvardagen. Modellen tar även hänsyn till feedback på hur enkelt systemet eller teknologin är att använda. Till skillnad från TRA tar inte TAM hänsyn till de subjektiva normerna hos människan (Alshammari &
Rosli (2020, s. 13).
Unified theory of acceptance and use of technology (UTAUT) är en modell som ämnar till att mäta systemacceptans i en organisation eller företag. Modellen är baserad på TAM men är utvecklad av Venkatesh et al. (2003). Sezer & Yilmaz (2019, s. 17) förklarar att den utvecklade modellen omfattar fyra ytterligare faktorer som påverkar viljan av att använda ett system.
Den första faktorn är performance expectancy, vilket innebär att om en människa har en tro på att ett system ska kunna bidra med en effektivisering av ett arbete är människan mer villig att använda systemet. Den andra faktorn är effort expectancy, som innebär att en människa är mer positiv till ett system om systemet är enkelt att
använda. Den tredje faktorn är social influence, vilket innebär att en människas vilja att använda systemet kan påverkas positivt om andra personer i människans
omgivning är positiva till systemet samt att det finns olika teknologiska delar som stödjer systemet. Den fjärde faktorn är facilitating condition, vilket innebär att det finns olika variabler som indirekt påverkar viljan att använda ett system. Dessa variabler är ålder, kön, erfarenhet, samt i vilken grad människan utifrån fri vilja väljer att använda systemet (Sezer & Yilmaz 2019, ss. 16-17).
4.4 Datadriven organisation
Storm & Borgman (2020, s. 5400) förklarar att en datadriven organisation refererar till att organisationen baserar sina beslut på data och analyser för att på sådant sätt förbättra resultatet av beslutet. Att fatta beslut via analyser och data har påvisats generera snabbare och bättre beslutsfattande, ökad produktivitet, lägre kostnader, reducerar risker och förbättrar det finansiella. Även om Business intelligence är implementerat i verksamheten så fattas majoriteten av besluten på erfarenheter istället för fakta. Därmed krävs det att företagen har olika typer av kompetenser och att företaget är beredda att förändra sättet att arbeta. Detta ska också vara förankrat i företagets kärna. Olika typer av mognadsmodeller används för att undersöka huruvida ett företag är datadrivet eller ej (Storm & Borgman 2020, s. 5400).
Berndtsson, Forsberg, Stein & Svanh (2018, ss. 5-7) presenterar en
mognadsmodell som består av mänskliga faktorer och materiella samt immateriella.
Dessa faktorer divideras in i fyra olika nivåer, se figur 11.
Tabell 1 Efter (Berndtsson et al. 2018, s. 7) vår översättning. Digital mognad - datadrivenhet
Nivå 1 Nivå 2 Nivå 3 Nivå 4 Organisation Ingen utbredd
Business intelligence eller
analysenhet
En dedikerad Business intelligence- enhet har skapats
Business intelligence och avancerad analys
separata enheter
En utbredd analysenhet med ett kompetent team finns inom
organisationen Teknologi Mest
användning av kalkylblad
Data warehouse finns
Data
warehouse och data mining verktyg används
Insikter från data
warehouse och data mining appliceras i driften så fort som möjligt Beslutsproce
ss
HIPPO-kultur (highest paid person opinion)
Rapporter och
dashboards genereras
Kultur som gynnar testning och lärande
Semi-
automatiserad e beslut
automatiskt och on- demand Människor Liten tillit till
data och analyser
Blandade känslor om analyser
Data warehouse med self- service.
Blandade känslor kring avancerad analys
Self-service analys
Analys Beskrivande Beskrivande Beskrivande och prediktiva
Beskrivande, prediktiva och receptiva
Företag i nivå 1 är nybörjare inom data och analys och använder inte Business intelligence eller Business Analytics i hög grad. Viktiga händelser presenteras ofta i kalkylblad. Dessa kalkylblad kan ses som osäkra vilket ofta startar tidskrävande debatter. Detta leder till att chefer inte använder sig av kalkylbladen vid beslut utan endast går på magkänsla (Berndtsson et al. 2018, s. 6).
I nivå 2 har företag systematiskt börjat samla och analysera historisk data.
Vanligtvis använder företag data Warehouse, vilket möjliggör att data kan
presenteras genom rapporter och dashboards. Däremot kan data Warehouse ses som "en sida av sanningen" vilket skapar blandade känslor kring analyserna (Berndtsson et al. 2018, s. 6).
Företag som placerar sig i nivå 3 använder sig av advanced analytics samt data mining för att upptäcka okända mönster. Genom data mining skapas en mer "testa och lär”-kultur. Även här har personal blandade känslor kring analyser och
användandet av advanced analytics. Detta beror på att verktyget konkurrerar kring jobb och kunskaper som om de anställda har. Däremot litar de anställda mer på datan som presenteras utifrån data warehouse. Det är dessutom väsentligt att företaget använder sig av verktyg för att kunna presentera och nå datan (Berndtsson et al. 2018, s. 6).
Den sista nivån, nivå 4, använder sig i hög grad av analyser och har enheter som arbetar med alla typer av analyser. Företaget ser värdet i att implementera business insight så fort som möjligt och använder sig av semi-automatiserade beslut. Även här använder sig företaget av verktyg för att presentera beskrivande analys och prediktiv analys (Berndtsson et al. 2018, s. 6).
En datadriven kultur kännetecknas av beslutsfattandet och företagets möjligheter att testa och utforska nya möjligheter. Däremot är det viktigt för kulturen att data står i centrum, det är accepterat att beslut inte alltid leder till framgång, det viktiga är att företaget lärt sig av sina misstag. Datadrivna kulturer möjliggör att företag enklare får ett helhetsperspektiv, främst över användningen av avancerad analys
(Berndtsson et al. 2018, ss. 1-2). Vidare har Berndtsson et al. (2018, s. 3) undersökt vilka faktorer som kan skapa en datadriven kultur. dessa faktorer är management, data, verktyg, organisation samt beslutsfattande, se figur 12.
Figur 11 Efter (Berndtsson et al. 2018, s. 3) vår översättning. Faktorer som påverkar datadrivenheten
Watson (2016, ss. 5-6) menar att, för att skapa ett datadrivet företag med en databaserad beslutsprocess, krävs det att företaget har Business intelligence. För att företaget ska ha möjlighet att gå från en beslutsprocess som består av
magkänsla och erfarenheter, till ett fakta- och databaserad beslutsprocess krävs det att ledningen är med i förändringen. Vidare krävs det att företaget har en dedikerad Business intelligence-enhet och att företaget fortsätter framåt med hjälp av att testa- och-lära mentalitet (Watson 2016, ss. 5-6).
Watson (2016, s. 6) förklarar att företagets ledning sätter ton i alla typer av förändring och processer. Därmed är det väsentligt att de är med och stöttar företaget och är en del av förändringen när företaget går från känsla- och erfarenhetsbaserade beslut mot fakta och databaserade beslut. Utan ledningen riskerar data att fortsätta vara i silos istället för att verka systematiskt. Förändringen kan ske med hjälp av dashboards, vilket kan ske genom en implementation i varje avdelning. Dock är implementationen av scorecards något som krävs från ledningen
och ner i de olika avdelningarna, då scorecards ska förena företagets strategi och företagets processer med hjälp av mätbara aktiviteter. Amrit, Borgman och Windt (2019, s. 4989) förklarar att ledningen är den viktigaste faktorn för att en förändring ska bli gynnsam. Ledarskapet på företaget är den faktor som i slutändan beslutar hur datadrivet företaget kommer att bli och sätter tydliga mål och definierar hur företaget ska agera för att bli framgångsrika. Watson (2016, s. 6) förklarar att utan ett Business intelligence-team försvåras arbetet kring att övergå till ett fakta- och databaserat företag. Business intelligence-teamet samlar in och tvättar data för att kunna skapa analyser. Dessutom har teamet ansvar för att datakvalitén är korrekt och att rapporterna är trovärdiga (Watson 2016, s. 6).
Det krävs att de anställda är med i förändringen då data ska vara en del av
beslutsfattandet, problemlösningen och övriga affärsaktiviteter. För att de anställda ska förstå företaget finns rapporter, dashboards och scorecards till hands. Olika typer av analyser hjälper olika roller i företaget. Prediktiva analyser skapar en överblick och hjälper till att planera inför framtiden. Beskrivande analyser förenklar och optimerar beslutsfattandet och företagets olika typer av processer. Företagets strategier ska därmed baseras på den analys som företaget genererar (Watson 2016, s. 6). Watson (2016, s. 7) förklarar att företaget ska våga göra experiment, så kallad test-och-lära kultur. Detta innebär att företaget inte heller ska vara rädd för att misslyckas (Watson 2016, s. 7).
Watson (2016, ss. 7-8) menar att förändringen kan underlättas av de dashboards och scorecards som implementeras då människor tenderar att vilja prestera bra. Att ha personliga dashboards och scorecards gör att de anställda ser hur de mäter sig jämfört med målen, dessutom blir de sedda för sina prestationer. Dashboards och scorecards är en enkel implementation av att arbeta med data och analyser. Vidare ska företag fokusera på bra prestationer och vinster i ett tidigt skede, särskilt när det kommer till beslut kopplade till analyser, fakta och data (Watson 2016, ss. 7-8).
4.5 Teorisyntes
Fallstudiens syfte är att undersöka hur ett företag applicerar Business intelligence som beslutsstöd. Utifrån det har ett antal relevanta teorier valts ut. Dessa teorier avser fallstudiens fyra huvudteman teman: Kultur, Datahantering, Business intelligence samt Acceptans av IT-stöd. För att skapa en ökad förståelse för de valda teorierna kan teorierna appliceras på Alter (2013, s.78) modell för
arbetssystem.
Teorierna om Business intelligence kan appliceras på parametrarna teknologi, information, medarbetare, processer och aktiviteter, samt även produkter och tjänster och slutligen kunder. Detta innebär att teorin kan appliceras på majoriteten av Alters faktorer. Teknologi innebär de teknologier som arbetssystemet omfattas av, både mjukvara och hårdvara. Alter (2013, s. 80) beskriver att nästintill alla
arbetssystem är beroende av teknik för att systemet ska kunna fungera. Tekniken används dels som verktyg av medarbetarna i arbetsvardagen men även i
automatiserade processer och aktiviteter i enlighet med företagets strategier och mål. Information är det som antingen skapas eller används av ett arbetssystem.
Informationen kan sedan användas som underlag för analyser och inför fattandet av olika beslut inom företaget eller organisationen. Medarbetare är personer i företaget eller organisationen som utför jobb med hjälp av arbetssystemet. Detta avser både personer i företaget som utför arbetet med hjälp av IT och de personer som inte använder sig av IT. Ett arbetssystem måste bestå av en aktivitet, vilket leder till nästa parameter, processer och aktiviteter. Detta representerar det arbete som företaget gör gentemot sina kunder. Ett arbetssystem ses utifrån ett perspektiv där utförandet är i fokus, vilket innebär att arbetssystemet fokuserar på utförandet och inte hur utförandet hade kunnat genomförts annorlunda. Arbetssystemets produkt och/eller tjänst är direkt korrelerat med arbetssystemets effektivitet.
Produkten/tjänsten består av information, fysiska saker eller aktiviteter, se figur 9.
Konsumenterna/kunderna är de som får produkten och/eller tjänsten som genererats av arbetssystemet (Alter 2008, s. 451).
Teorierna om Acceptans av IT-stöd appliceras på medarbetarna i enlighet med Alters (2008, s. 451) modell. Technology acceptance theory förklarar hur medarbetarnas är villiga att acceptera och använda ett nytt system i
arbetsvardagen. Dessa teorier grundar sig i TRA som fokuserar på hur människors beteende påverkas av människors attityder samt subjektiva normer.
Systemacceptans kan utifrån TRA undersöka hur enkelt systemet är att använda samt hur villig människan är att bruka systemet.
Datadriven organisation omfattas av olika teorier som kan appliceras på
parametrarna infrastruktur, strategi och miljö. Infrastrukturen inkluderar människor, information och tekniska resurser som befinner sig utanför arbetssystemet, men som fortfarande används av det. Dessa aspekter kan vara viktiga när det kommer till operationaliseringen av arbetssystemet. Strategierna i företaget och som de olika enheterna har bör vara i linje med strategin som används i arbetssystemet. Miljön refererar till organisationens kultur, konkurrenskraft, det tekniska och demografiska miljön där arbetssystemet verkar (Alter 2008, s. 451).
5. Resultat
Detta kapitel redovisar respondenternas svar från intervjuerna. Under avsnitt 5.1 Business intelligence-enhet, redovisas de svar som respondenterna i Business intelligence-enheten har gett. Därefter, i avsnitt 5.2 Användarna redovisas svaren från användarna.
5.1 Business intelligence-enhet
Följande del ämnar att presentera de tre respondenterna på Business intelligence- enhetens svar från intervjuerna.
5.1.1 Presentation respondenter
Business intelligence-enhetens respondenter består av tre personer, intervjuperson 1, intervjuperson 2 och intervjuperson 3.
Intervjuperson 1 är ansvarig för data och analys på företaget och är relativt ny i uppdraget. Tidigare har intervjuperson 1 jobbat som VD i på ett kontor för samma företag. Intervjupersonen är ansvarig för data och analys arbetar på lång sikt för att göra företaget datadrivet.
Intervjuperson 2 är produktägare på företaget vilket innebär att intervjupersonen fungerar som en länk mellan företagets stakeholders och utvecklingsteam. Därmed går intervjupersonens arbete ut på att tillfredsställa användarnas behov kring
rapporter genererade av Business intelligence samt säkerhetsställa att dessa rapporter är korrekta.
Intervjuperson 3 arbetar som analytics translator på företaget och fungerar därmed som en brygga mellan IT och företagets affär och leverans. Det innebär att den data och information som reser mellan dessa entiteter behöver översättas så dem förstår varandra.
5.1.2 Kultur
Samtliga respondenter beskriver kulturen som resultatdriven lösningsorienterad och som gynnar feedback. Kulturen består av tre värdeord som genomsyrar företaget och dess anställda. Intervjuperson 1 förklarar att de värdeorden är energi,
förbättring och kamratskap. Respondenten beskriver energi som att alla anställda på företaget har ansvar för att sprida energi. Energin kan spridas genom att se positivt och göra något bra av mindre roliga uppgifter som den anställde får.
Värdeordet förbättring, avser att den anställde aldrig ska nöja sig. Vidare förklarar respondenten att detta inte är ett unikt förhållningssätt då de flesta företag ska arbeta utifrån denna tanke, gör dem inte det så lever dem troligtvis inte särskilt länge. Företaget är inte unikt i sina värdeord, men i sättet att arbeta utefter dem (Intervjuperson 1).
