Att förstå kunden, marknaden och konkurrensen är en självklarhet för dig som ansvarig för produkter och/eller tjänster och du förväntas hela tiden driva på förbättringar för att skapa, öka eller bibehålla lönsamheten. Just lönsamhet brukar användas som ett mått på hur väl vi har förstått och exekverat utifrån våra insikter om kund, marknad och konkurrens, men med vilken precision kan vi egentligen mäta lönsamheten?
Vi kommer i en artikelserie om tre delar belysa hur en organisation kan inkorporera ett datadrivet arbetssätt i sin produkt- och tjänsteledning (product management). I den här första artikeln berörs lönsamheten utifrån ett produktledningsperspektiv. Insikter om lönsamhet är ett av flera viktiga fundament för dig som produktledare vid förvaltning av dina produkter/tjänster och stödjer dig som ett centralt mätetal, men också som underlag för exempelvis prissättning.
Lönsamhet är väl enkelt?
Att knyta kostnader för stödprocesser (som exempelvis försäljning, utveckling och distribution) till en specifik produkt eller kund är ofta förknippat med utmaningar. Den till synes enkla uträkningen avseende en produkts lönsamhet begravs ofta i vad som kan liknas en snårskog av invecklade kostnadsfördelningar. Ytterligare en utmaning är att dessa kostnader ofta förs i systemmässiga silos med olikartad struktur och varierande kvalitet på informationen. Som ett resultat behöver ofta datamängderna extensiv bearbetning - en bearbetning som inte nödvändigtvis är återanvändningsbar - när en lönsamhetsanalys ska genomföras. Det finns också en viss osäkerhet i hur rättvisande de framtagna siffrorna är.
Tänk på helheten
Datadrivenhet innefattar att bygga verktyg, förmågor och en kultur som agerar på data i sin dagliga verksamhet för att bättre förstå den. Det innefattar också att insikter härledda från data integreras i det dagliga beslutsfattandet. Den stora styrkan i att arbeta datadrivet är att man nyttjar fler datakällor, även extern/publik data för att hitta, eller få förslag om, det optimala tillvägagångssättet.
En viktig komponent för såväl lönsamhetsanalyser som för att bli datadriven är en djup förståelse för verksamheten, den information som verksamheten genererar samt hur denna information bör fångas och struktureras digitalt för att bli användbar som en naturlig del av verksamhetsstyrningen och uppföljningen. I det ögonblick informationen skapas, till exempel vid försäljning av eller rådgivning kring en specifik produkt, bör informationen som skapas innehålla attribut som knyter olika arbetsinsatser till den specifika produkten och struktureras på så vis att den kan integreras med och analyseras tillsammans med data från andra datakällor, såväl interna som externa. Genom att arbeta med data ur ett helhetsperspektiv - från det ögonblick att det skapas, samlas in, modelleras och visualiseras för att sedan integreras in i beslutsfattandet - bygger du tekniska förutsättningar för att bli datadriven på riktigt.
Det finns flera olika ramverk för att implementera och tillämpa datadrivna metoder, men den gemensamma utgångspunkten är att förstå verksamheten, följt av att förstå den data som verksamheten producerar. Först efter detta kan man börja konstruera statistiska modeller eller lära upp ett system med maskininlärningstekniker. Med andra ord behöver datadrivna organisationer vara väl insatta i den data som de producerar och hela tiden utvärdera om det är rätt data som samlas in och hur den används.
Är analys på historiska data tillräcklig? 
Lönsamhetsdata är ofta rent deskriptiv, de ger dig en bild av hur dina produkter eller portfolios har presterat historiskt och eventuellt varför (diagnostisk), men de säger ofta väldigt lite om framtiden. För att till fullo dra nytta av den potential som finns i data, i syfte att vara snabbfotad och proaktiv i strategier och utveckling, behöver även analysmodellerna kunna förklara vad som kommer hända (prediktiv) samt ge stöd i vad som är bästa beslut utifrån rådande förutsättningar (preskriptiv). På så sätt kan produktledare vägledas till att ta riktiga och datadrivna beslut.
Analyser baserade på prediktiva eller preskriptiva modeller kan hjälpa produktledare att skapa förståelse för om exempelvis en nyutvecklad produkt kan bli lönsam eller om en mogen produkt tvärtom tenderar att bli olönsam.
I kommande artiklar kommer vi att utgå ifrån ett kundperspektiv och diskutera vikten av att förstå och mäta kundens upplevda värde som komplement till det traditionella lönsamhetsmåttet. Vi kommer även beröra hur man genom förutspående analyser bättre kan förstå hur kundvärde förändras över tid, om och varför en kund riskerar att lämna samt vilka kunder vi bör fokusera på att bearbeta.
Har du funderingar eller vill veta mer om hur vi kan stötta din verksamhet? Hör av dig till Henrik Olofsson eller Matilda Pasanen.