DEL ARTIKKEL  

Stordata (big data) blir stadig oftere fremhevet som en ressurs som organisasjoner kan utnytte for å skape forretningsverdi og konkurransefordeler [1], og får derfor stor oppmerksomhet både av forskere og praktikere [2]. Mange stordataprosjekter oppnår imidlertid ikke ønskede og forventede resultater [3]. Det er derfor behov for økt kunnskap om mekanismene og prosessene som bidrar til at stordata kan skape verdi for organisasjoner [4].

Det er ikke sannsynlig at stordata i seg selv vil skape konkurransefordeler, ettersom alle organisasjoner kan samle inn data fra ulike kilder [1]. Investeringer i teknologi for stordataanalyse (BDA) vil heller ikke uten videre medføre forbedring av organisasjoners evne til å analysere og utnytte stordata. Nyere studier har vist at mange organisasjoner ikke lykkes med å skape verdi av stordatainvesteringer, og det finnes også eksempler på at det har hatt negative effekter [5]. Likevel fortsetter investeringer på dette området å være høyt prioritert [6]. Noen forskere forventer av denne grunn at det vil oppstå et «stordata produktivitetsparadoks» [1], og refererer med dette til informasjonsteknologiens produktivitetsparadoks (dvs. manglende sammenheng mellom IKT-investeringer og produktivitetsgevinster) som har vært gjenstand for mye forskning de siste tiårene. 

 

Forskning som har bidratt til å oppklare dette (tilsynelatende) paradokset, har vist at det er organisatoriske kjennetegn og ressurser som bidrar til realisering av verdier fra IKT-investeringer. Dette kan også forventes når det gjelder investeringer i stordata og tilhørende teknologier og analyseverktøy. Det bør derfor rettes oppmerksomhet mot organisatoriske endringer som stordata medfører og krever, og hvordan ny teknologi kan utnyttes på strategiske måter [4]. I forskningslitteraturen argumenteres det i denne sammenheng med at organisasjoner må fokusere på å utvikle deres evne til stordataanalyse. Dette kan forstås som evne til å innhente og analysere data med formål å skape økt innsikt, ved å effektivt kombinere teknologi, menneskelige og organisatoriske ressurser, og tilgjengelige data [5].     

Flere studier viser at gode evner til stordataanalyse kan ha positiv betydning for organisasjoners tilpasningsevne. Det er i denne sammenheng viktig å sørge for godt samsvar mellom analyseverktøy, mennesker og oppgaver [7]. Dette kan ha implikasjoner for investeringer i teknologi og valg av analyseverktøy, kompetanseutvikling (eks. opplæring og utdanning) og rekruttering, samt design og allokering av oppgaver. 

Torres m.fl. [8] studerer forholdet mellom bruk av analyseverktøy for økt forretningsinnsikt (Business Intelligence & Analytics – BI&A) og organisasjoners resultater. Disse forskerne finner at datakvalitet, systemkvalitet og ledelsespraksis har betydning for organisasjoners evner til å identifisere muligheter og trusler, gjennomføre nødvendige endringer, oppdage forbedringsområder i forretningsprosesser, og predikere og analysere handlingsmuligheter. Organisasjoner bør derfor vektlegge ledelsespraksis som fremmer bruk av BI&A i organisasjonen, samt standardisering av BI&A-utviklingsprosesser og brukervennlighet. Videre bør organisasjoner utvikle løsninger som er kjennetegnet av:

• Høy datakvalitet (dvs. at data er nøyaktig, omfattende, riktig og konsistent)          
• Høy systemkvalitet (dvs. løsninger som er fleksible/regulerbare ift. nye krav og betingelser, integrerer data fra ulike funksjonsområder og kilder, og allsidige ift. å adressere databehov som oppstår).   

Mikalef m.fl. [9] finner at evne til stordataanalyse kan styrke organisasjoners evner til å integrere, bygge, og rekonfigurere intern og ekstern kompetanse for å håndtere raske endringer i omgivelsene. For å oppnå dette er det viktig å utvikle og rekruttere personell med god teknologi- og ledelseskompetanse knyttet til forståelsen av stordata og analyse, bygge en læringskultur og vektlegge databaserte beslutningsprosesser i organisasjonen. Utvikling av evne til stordataanalyse krever også forpliktelse og engasjement fra toppledelsen, og en klar plan for adopsjon og spredning av stordataanalyse i organisasjonen. I utviklingen av teknologi- og ledelseskompetanse er det viktig å vektlegge forståelse på tvers av fagområder. Dette betyr at ledere og annet personell som jobber med stordataanalyse må forstå forretningsprosesser og behov i andre enheter/forretningsområder, samt hos leverandører og kunder, for å se hvilke muligheter som stordata kan innebære. Ledelsesutvikling ift. koordinering av aktiviteter knyttet til stordata på måter som støtter andre enheter, leverandører og kunder, er også viktig.  

Wamba m.fl. [10] presenterer lignende råd. Deres studie viser at tre ulike komponenter av stordataanalyseevne (infrastrukturfleksibilitet, ledelsesevner og personellekspertise) påvirker organisasjoners evner til å utvikle eller tilegne seg kompetanse for å endre eksisterende forretningsprosesser. Resultatene viser at den viktigste komponenten er personellekspertise. Av denne grunn konkluderer forfatterne med at organisasjoner bør vektlegge kompetanseutvikling innen teknologi og teknologiledelse, samt forretnings- og relasjonell kunnskap relatert til stordataanalyse.

---

Referanser / kilder

1. Toward the development of a big data analytics capability.
   Gupta, M. & George, J.F. (2016). Information & Management, 53(8), 1049-1064.
2. How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study.
   Wamba, S.F., Akter, S., Edwards, A., Chopin, G. & Gnanzou, D. (2015). International Journal of Production Economics, 165, 234-246.
3. Creating strategic business value from big data analytics: A research framework.
   Grover, V., Chiang, R.H.L., Liang, T-P. & Zhang, D. (2018). Journal of Management Information Systems, 35(2), 388-423.
4. Big data analytics capabilities: a systematic literature review and research agenda.
   Mikalef, P., Pappas, I.O., Krogstie, J. & Giannakos, M. (2018). Information Systems and e-Business Management, 16, 547-578.
5. Big data analytics and firm performance: Findings from a mixed-method approach.
   Mikalef, P., Boura, M., Lekakos, G. & Krogstie, J. (2019). Journal of Business Research, 98, 261-276.
6. The 2019 SIM IT issues and trends study.
   Kappelman, L., Johnson, V.L., Maurer, C., Guerra, K., McLean, E., Torres, R., Snyder, M. & Kim, K. (2020). MIS Quarterly Executive, 19(1).
7. Increasing firm agility through the use of data analytics: The role of fit. 
   Ghasemaghaei, M., Hassanein, K. & Turel, O. (2017). Decision Support Systems, 101, 95-105.
8. Enabling firm performance through business intelligence and analytics: A dynamic capabilities perspective. 
   Torres, R., Sidorova, A. & Jones, M.C. (2018). Information & Management, 55, 822-839.
9. Big data analytics capabilities and innovation: The mediating role of dynamic capabilities and moderating effect of the environment. 
   Mikalef, P., Boura, M., Lekakos, G. & Krogstie, J. (2019). British Journal of Management, 30, 272-298.
10. Big data analytics and firm performance: Effects of dynamic capabilities.
    Wamba, S.F., Gunasekaran, A., Akter, S., Ren, S.J., Dubey, R. & Childe, S.J. (2017). Journal of Business Research, 70, 356-365.

---

Andre relevante eksterne ressurser

When data creates competitive advantage. Artikkel av Andrei Hagiu og Julian Wright, Harvard Business Review.

The new leadership mindset for data & analytics. MIT Sloan Management Review Executive Guide.

Becoming a data-driven organization. MIT Sloan Management Review, case study series.

Philip Evans snakker om forholdet mellom strategi, data og teknologi. Se også artikkelen From deconstruction to big data: How technology is reshaping the corporation i boken  Reinventing the Company in the Digital Age.

---

Nyheter og Innsiktsartikler relatert til aktuelle tema:

Organizational agility Data & Business analytics