Datadrevet innovasjon - Datadrevet innovasjon og forretningsmodeller

Datadrevet innovasjon og forretningsmodeller

Hva er sammenhengen mellom innovasjon og forretningsutvikling? Og hvordan kan det å være datadrevet bidra til verdiskaping?

Bilde av Frode Standal

Frode Standal

Teknologisjef

Gjennom intervjuene har vi fått mange eksempler på data-drevet innovasjon. Vi har valgt å dele inn disse i tre ulike kategorier for å synliggjøre mønstre som går igjen.
De tre kategoriene er:
  • forbedring av interne kjerneaktiviteter
  • forbedring av kundeopplevelsen for å gi mer kundeverdi
  • å skape nye forretningsområder
Utgangspunktet for kategoriseringen er virksomhetens forretningsmodell(er). En forretningsmodell beskriver hvordan en organisasjon skaper og leverer verdi, i økonomiske, sosiale, kulturelle eller andre sammenhenger. En utbredt måte å beskrive en forretningsmodell på, er å bruke Business Model Canvas (BMC).
Når man skal innovere i en virksomhet, kan man enten forbedre en eksisterende forretningsmodell, eller skape nye forretningsmodeller. Forbedring av en eksisterende forretningsmodell kan grovt sett deles inn i to områder: enten forbedrer man med et internt fokus (venstresiden i BMC) eller med et eksternt fokus (høyresiden).
Business Model Canvas
Business Model Canvas
Internt fokus: Forbedring av kjerneaktiviteter
Forbedring av interne kjerneaktiviteter kan ha flere formål. Enten gjør man det for å bli mer effektiv, slik at man kan håndtere flere kunder per ansatt. Eller, ved at man blir istand til å ta bedre beslutninger og dermed begrense tap og øke inntjening. I noen tilfeller er kjerneaktivitetene umulig å utføre uten teknologi, for eksempel ved overvåking av transaksjoner i bank som skjer så fort at man ikke har mulighet til å håndtere det som menneske.
For å kunne ta bedre beslutninger kan man for eksempel gjøre som Sparebank1 Kreditt, som bruker maskinlæring som en del av kredittscoringen av nye kunder. Hensikten er å bedre kunne predikere hvilke kunder som ikke evner å betjene gjelden sin, og som dermed ikke bør få mer lån eller høyere kredittrammer. Dette er en beslutningsprosess som allerede i stor grad er automatisert, så behovet er ikke primært effektivisering, men å kunne ta bedre beslutninger. I stedet for å basere scoringen kun på statiske regler, anvendes maskinlæring for å fange opp sammenhenger og læring fra tidligere erfaringer på en måte som ikke dekkes av de statiske reglene. At beslutningsprosesser baseres på en kombinasjon av statiske regler og maskinlæring har vi sett er veldig utbredt i mange virksomheter. Man kan si at selv om det primære målet i dette eksempelet er at virksomheten styrker forretningen sin ved å redusere tapene, så har den to andre effekter også. Sett fra kundens perspektiv så kan bedre scoringmodeller bidra til at færre havner i gjeldsfella, og fra samfunnets perspektiv er det verdifullt at så mange som mulig er økonomisk selvhjulpne.
*Hvilke kjerneaktiviteter i din organisasjon kan forbedres med bruk av data og kunstig intelligens?*
[3.1-1 Forbedring av kjerneaktiviteter](/kapitler/3-1-1/)
[3.1-1-1 Automatisering av det "vanlige arbeidet"](/kapitler/3-1-1-1/)
Eksternt fokus: Forbedring av kundeopplevelsen for å gi mer kundeverdi
Det er kundene dine du lever av. For å tiltrekke deg nye kunder og beholde de du har, må du oppleves som relevant for dem, for eksempel ved å gjøre det enklere for brukeren å utføre sine oppgaver. Det å betale regninger er en typisk kjedelig oppgave som likevel må gjøres. Jo enklere, jo bedre er det. Å godkjenne en eFaktura med et enkelt tastetrykk er et typisk eksempel, men det er ikke det som differensierer deg overfor konkurrentene. Scanning av en faktura med automatisk gjenkjenning av kontonummer og KID-nummer er også nyttig, men noe som de fleste nettbanker tilbyr.
Utfordringen er å ta forbedring av kundeopplevelsen til et nytt nivå. Et stikkord her er personalisering. I og med at stadig flere virksomheter møter kundene sine gjennom digitale flater og ikke person til person, må man tenke nytt for å forstå kundene og deres behov. Jo mer du vet om kundene dine, jo lettere vil det være å tilby relevante produkter og tjenester. Globale aktører som Google og Netflix har produkter som er data-drevne og som gir kundene personaliserte anbefalinger. Men man må ikke være en stor global aktør for å bli data-drevet.
Hva med en bank som basert på innsikt om kundene kan oppdage når en kunde er i ferd med å stifte familie, og som aktivt tilbyr kunden barneforsikring eller livsforsikring? Hvordan kan et kraftselskap være mer relevant enn konkurrentene når produktet de selger er helt likt? Hva med å tilby kundene hjelp til å redusere strømforbruket ved for eksempel å utnytte data fra moderne strømmålere og andre datakilder kombinert med innovasjonsteknikker som gamification til å gjøre det morsomt og besparende å være en bevisst forbruker?
Sparebank 1 Utvikling, som utvikler fellesløsninger for banker i Sparebank 1 Alliansen, har tatt i bruk maskinlæring for å gjøre sentimentanalyser av tilbakemeldinger fra brukerne. Det gjør at man får tilbakemeldinger mye raskere enn tidligere, da man kjørte markedsundersøkelser en gang i blant. Resultatene av disse analysene gjøres tilgjengelig for utviklingsteamene som arbeider med løsningen, slik at de kan bruke innsikten for å finne ut hva brukerne er fornøyd med og hva de er mindre fornøyd med. Dette kan være er viktig verktøy for et team som arbeider hypotesedrevet, med raske Build Measure Learn-sykluser, slik at prioriteringen av hvordan man skal forbedre løsningen baseres på innsikt fremfor magefølelse.
*Hvordan kan din virksomhet forbedre kundeopplevelsen med bruk av data og kunstig intelligens?*
[3.1-2 Forbedring av kundeopplevelsen](/kapitler/3-1-2/)
Skape nye forretningsområder
Så langt har vi snakket om ulike måter vi kan innovere på ved å forbedre eksisterende forretningsmodeller. En annen, og ofte mer ambisiøs, strategi er å bruke verdien av data til å skape nye forretningsmodeller. Ofte vil det handle om å tilby nye verdiløfter til andre kundesegmenter enn dem man tradisjonelt har hatt.
Det er mange aktører som tilbyr data eller innsikt som et produkt, det er ikke noe nytt i det. Eksempler på dette er selskaper som tilbyr kredittsjekk eller gjeldsregistre som Norsk Gjeldsinformasjon som tilbyr bankene innsikt i lånesøkeres gjeldssituasjon.
Men kan selskaper som i utgangspunktet leverer andre produkter og tjenester enn data kunne tilby data som produkt? I intervjuene vi har gjennomført, er det flere som peker på mulighetene som ligger i å kunne tilby data som et produkt som kan tilbys i markedet – men for de fleste av disse er det foreløpig mer en ambisjon enn noe som er realisert. Vår antagelse er at flere aktører i tiden fremover vil komme opp med nye forretningsmodeller basert på data de har eierskap til.
Utfordringen vil være å lage tjenester som ikke eksponerer rådataene, siden det både kan påvirke personvernshensyn (hvis det er snakk om personsensitive data), og dessuten at man unngår å "gi bort" arvesølvet.
Et eksempel fra Kina kan brukes til å illustrere datadrevet innovasjon til å skape nye forretningsmodeller:
Forsikringsselskapet Ping An utviklet en løsning for å avdekke forsøk på svindel i form av identitetstyveri. Løsningen benyttet maskinlæring til å analysere personers ansiktsmikrouttrykk. Dette er ansiktsuttrykk som det er veldig vanskelig for mennesker å skjule. Noen slike ansiktsuttrykk kan indikere at man lyver. Maskinlæringsmodellen er trent opp ved hjelp av verdens største database av ansiktsmikrouttrykk. I utgangspunket er dette et eksempel på innovasjon i kategorien kjerneaktiviteter med det formål å begrense tap i forbindelse med svindel. Men istedenfor å benytte det kun til dette formålet, så lanserte selskapet løsningen som en tjeneste til små og mellomstore banker som betaler for å benytte tjenesten.
På den måten har selskapet etablert en helt ny forretningsmodell med et nytt verdiløfte mot et helt nytt kundesegment. Samtidig er tjenesten laget slik at de bevarer sin intellectual property i form av bildedatabasen og maskinlæringsmodellen.
En annen tilnærming til å skape nye forretningsmodeller på, er å ta i bruk radikalt nye inntektsmodeller. La oss se for oss et selskap som tilbyr produkter for energieffektivisering. Istedenfor å selge produktene (transaksjonsbasert inntektsmodell) eller å tilby leasing av produktene (abonnementsbasert inntektsmodell), kan man selge strømsparing (effektbasert inntektsmodell). Jo mer kunden sparer, jo større inntekter for selskapet. En slik endring krever at man er datadrevet. Data fra sensorer er nødvendig for å måle effekten av å bruke produktene, men også for å fange opp når det er behov for nødvendig vedlikehold, og sørge for at de fungerer optimalt. Dette endrer ikke bare inntektsmodellen, men hele forretningsmodellen, fra verdiløftet til kjerneaktiviteter.
*Hvordan kan din virksomhet utvikle nye forretningsmodeller med bruk av data og kunstig intelligens?*
[3.1.3 Nye forretningsmodeller](/kapitler/3-1-3/)

Hvor modne er dere?

Vi har laget en spørreundersøkelse som kan måle modenheten i deres organisasjon. Du kan gjennomføre det anonymt og se sammenslåingen av resultatene til alle som har besvart.

04. Data-raffineriet

Skal man lykkes med datadrevet innovasjon, må man ha på plass nødvendig infrastruktur for å kunne dra nytte av de dataene man har eller kan få tilgang på.