LEDELSE MED BIG DATA - KL

33
Kommunernes Digitaliseringstræf 6. Juni 2019 LEDELSE MED BIG DATA BRYD UD AF DIT MENTALE BUR PERNILLE RYDEN

Transcript of LEDELSE MED BIG DATA - KL

Page 1: LEDELSE MED BIG DATA - KL

Kommunernes Digitaliseringstræf

6. Juni 2019

LEDELSE MED BIG DATA BRYD UD AF DIT MENTALE BUR

PERNILLE RYDEN

Page 2: LEDELSE MED BIG DATA - KL

OM 50 MINUTTER ER I BLEVET KLOGERE PÅ

• hvor afgørende jeres mindset er for succesfuld digital transformation

• hvilke usynlige kognitive og kulturelle barrierer I bør håndtere

• hvorfor refleksion og samarbejde ercentralt for at lykkes

• hvordan I kan skabe en meningsfuldtransformationsproces og spotte nye veje til værdiskabelse.

2PERNILLE RYDÈN

Page 3: LEDELSE MED BIG DATA - KL

Pernille Rydén Ph.D. Strategisk

kognition (CBS)

@pernilleryden

[email protected]

[email protected]

WWW.YOURBIGDATAMINDSET.COM

Studieleder, Ingeniørernes

lederuddannelse

Lektor i Ledelse

Rydén Consulting

PERNILLE RYDÉN 3

Page 4: LEDELSE MED BIG DATA - KL

72* % AF ORGANISATIONER FÅR IKKE NOGET SÆRLIGT UD AF

AT INDFØRE BIG DATA-TEKNOLOGI (MIT UNDERSØGELSE 2017)

De fleste organisationer er i de indledende faser på den digitale modenhedskurve.

Kun få

• har formuleret en klar og ambitiøs forretningsstrategi med det digitale som løftestang

• løser deres kerneopgaver i et digitalt miljø

• har gentænkt processer og skabt højere kvalitet og effektiviseringer, dvs. sikret optimal gensidig værdiskabelse for organisationen og dens omverden

4© Rydén

Page 5: LEDELSE MED BIG DATA - KL

STRATEGISK DREVET LEDELSE MED BIG DATA

PERNILLE RYDÉN 5

Få MangeDatakilder

Gensidig

Ensidig

Statistisk - historisk Dynamisk- realtid

Værdiskabelse

HvadHvordan?

Dømmekraft

Handlekraft

Meningsskabelse

Interaktion

Simpel

Kompleks

Analyse

Information

Forståelse

Proaktiv ledelse

Hvorfor?

Hvad vil ske?

Hvornår og hvor vil det

ske?

Hvordan kan vi agere

på det?

Inspireret af IBM model,

tilpasset af Jacobsen & Rydén

Før: medarbejdere taster data i et system

Nu: brugere skaber og uploader selv data

via forskellige platforme og medier.

+stigning iautogenererede data!

+ offentlige data

= ny viden og indsigt.

Page 6: LEDELSE MED BIG DATA - KL

GÅ TIL BIG DATA MED V9 MODELLEN

PERNILLE RYDÉN 6

1. VINKEL – Data potentialet afhænger af øjet, der ser

2. VOLUME – Store datamængder

3. VARIETET – Big Data er mangfoldigt

4. VELOCITET – Data accelererer hurtigt

Hvad man bør sikre med Big Data:

1. VERACITET – Data er af en troværdig kvalitet

2. VALIDITET – at data er præcist

3. VOLATILITET – det bruges etisk/juridisk forsvarligt

4. VISUALITET (VISUALITY) – det er overskueligt

5. VÆRDI (VALUE) – det gør en forskel for virksomhed og kunder

Page 7: LEDELSE MED BIG DATA - KL

ATTENTION, PLEASE!

PERNILLE RYDÉN 7

Big data

potentialet

afhænger

af

dit

fokus

Page 8: LEDELSE MED BIG DATA - KL

PROMOTE & SELL NEMMERE, HURTIGERE & BILLIGERE PROCESSER

B - to - C

Promote & Sell

Passiv

Bombardment

Attention

Kortsigtet

Transaktion

© PERNILLE RYDÉN 8

Page 9: LEDELSE MED BIG DATA - KL

LISTEN & LEARN RELEVANT, TRYGT OG TILLIDSSKABENDE NÆRVÆR

PERNILLE RYDÉN 9

B- from - C

Listen & Learn

Aktiv

Loyalitet

Borgerindsigt

Langsigtet

Relation

Page 10: LEDELSE MED BIG DATA - KL

CONNECT & COLLABORATE BRUGERGENEREREDE OPGAVELØSNINGER

PERNILLE RYDÉN 10

B – with - C

Connect & Collaborate

Proaktiv

Engagement

Kreativitet

Projekt-baseret

Innovation

Page 11: LEDELSE MED BIG DATA - KL

EMPOWER & ENGAGE

EN BÆREDYGTIG OFFENTLIG SEKTOR

PERNILLE RYDÉN11

B - for - C

Empower & Engage

Interaktiv

Empowerment

Bæredygtighed

Vedvarende

Community

11

Page 12: LEDELSE MED BIG DATA - KL

PERNILLE RYDÉN 12

Helbred

Transport

Rejser

Opsparing

Bolig

Arbejde

Socialisering

Præferencer/

adfærd

ForbrugEksterne data

Page 13: LEDELSE MED BIG DATA - KL

PRY & PUNISH – OR REWARD

PERNILLE RYDÉN 13

B - over - C

Pry & Punish

Overvågning

Tilpasning

Kontrol

Levetid

Korrektion

© Rydén, Ringberg & Jacobsen

•Samkørsel af data om elforbrug og bopæl

•Ulovlige rejser til udlandet

•manglende medborgerskabserklæring

•Snyd og boligstøtte

Page 14: LEDELSE MED BIG DATA - KL

FEM MINDSETS

PERNILLE RYDÉN 14

Rydén, Ringberg & Jacobsen, 2017

yourbigdatamindset.com

Page 15: LEDELSE MED BIG DATA - KL

NÅR I BLIVER BEVIDST OM JERES MINDSET ER

DET NEMMERE AT

•synliggøre jeres fokus og starte en mental

alignment i den ønskede retning

•ændre sin tankegang, når det bliver

nødvendigt

• træffe “strategiske” beslutninger og udnytte

en bredere vifte af muligheder

•udvikle de rette styringsmekanismer

15

15,5

20

17

16,5

37,5

27

22

19,5

37

42

45

29

10

11

16

35

0 20 40 60 80 100

P1

P2

P3

P4

Profiler

Page 16: LEDELSE MED BIG DATA - KL

PERNILLE RYDÉN 16

Frank Zappa

“A mind is like a parachute. It doesn't work if it is not open”

Hvordan kan I åbne den mentale faldskærm og sikre at organisationen lander det rigtige sted?

Page 17: LEDELSE MED BIG DATA - KL

TRIPLE-WIN : PEOPLE, PROFIT, PLANET

17Værdi for kunderne

Værdi for

organisationen

Værdi for samfundet

©Pernille Rydén

Page 18: LEDELSE MED BIG DATA - KL

TRANSFORMATION ER LIGE SÅ SVÆRT SOM DET ER VIGTIGT

• Teknisk: Arbejde med store mængder data

• Refleksivt: Kritisk stillingstagen ved det

eksisterende

• Kognitivt: tænke strategisk

• Emotionelt: giv slip på det gamle og lær nyt

• Socialt: Arbejde sammen på tværs

• Kommunikativt: ”oversætte” mellem

organisatoriske og mentale siloer

18© Pernille Rydén

Page 20: LEDELSE MED BIG DATA - KL

”HOVEDÅRSAGER” TIL FEJLSLAGNE BIG DATA PROJEKTER

PERNILLE RYDÉN 20

Fra ROI til ROD

915.000.000

GO+NT+NM=DINGO

Page 21: LEDELSE MED BIG DATA - KL

VORES FYSISKE OPLEVELSER DANNER GRUNDLAG FOR

VORES OPFATTELSE AF VERDEN – OGSÅ NY TEKNOLOGI

PERNILLE RYDÉN 21

“Emotion regulation is an essential skill that executives must cultivate to ensure that their enterprises are able to adapt effectively in these turbulent times.”

Hodgkinson & Healey

Page 22: LEDELSE MED BIG DATA - KL

LÆRING ER ET MENTALT OG FYSISK STILLADSARBEJDE

PERNILLE RYDÉN 22

TID

Sansemotorisk input

(vores 5 sanser)Her grundlægges tidlige

tankeprocesser f.eks. de første

metaforer

Mere kompleks læring, sammensatte metaforer, meta-

kognition

Page 23: LEDELSE MED BIG DATA - KL

MYTE #1: BIG DATA SKABER BEDRE BESLUTNINGER

PERNILLE RYDÉN 23 15

Page 24: LEDELSE MED BIG DATA - KL

Kahneman, Daniel; Tversky, Amos (1979). "Intuitive prediction: biases and corrective procedures". TIMS Studies in Management Science. 12: 313–327.

MYTE #2: BEST PRACTICE ER VEJEN TIL SUCCES

PERNILLE RYDÉN 24

Page 25: LEDELSE MED BIG DATA - KL

ANTAGELSE OM KONTEKST TRANSFER

PERNILLE RYDÉN 25

Page 26: LEDELSE MED BIG DATA - KL

Vores udsyn bygger på tidligere erfaringer, fornemmelser og viden

Stiafhængighed forude!

fremtidige beslutninger bygger på tidligere beslutninger

PERNILLE RYDÉN 26

https://www.kcbi.org/listen-now-see-rear-view-mirror-life/

MYTE # 3: VISIONÆR LEDELSE GØR TRICKET

Page 27: LEDELSE MED BIG DATA - KL

FOKUS

Her-og-nu problemer

stjæler vores fokus og

opmærksomhed

PERNILLE RYDÉN 27

truthfacts.com

MYTE # 4: STRATEGISK FOKUS I DRIFTEN

Page 28: LEDELSE MED BIG DATA - KL

MYTE # 5: TAL LYVER IKKE

Vi forventer at nye input tilpasser sig vores mindset

PERNILLE RYDÉN 28

Page 29: LEDELSE MED BIG DATA - KL

NÆH, MEN DET GØR VI GERNE!

Vi er villige til at

forvrænge og

forkaste faktuel

information

PERNILLE RYDÉN 29

Page 30: LEDELSE MED BIG DATA - KL

Alternativt kan Forøg og Formindsk listeniveau bruges

DISRUPT DIN ORGANISATION

30PERNILLE RYDÉN

Page 31: LEDELSE MED BIG DATA - KL

HVORDAN KOMMER I VIDERE MED JER SELV?

PERNILLE RYDÉN 31

1. Undersøger de forskellige forståelser og forventninger til big data

2. Ledelsen går foran og ser de, der går bag

3. Sikrer at big data hjælper den enkelte med at gøre en forskel i hverdagen

4. Skaber rammer, der understøtter processen (kultur, resurseallokering,

incitatmentstrukturer)

Forstår at sådanne processer kræver tid og energi!

Page 32: LEDELSE MED BIG DATA - KL

HVORDAN KOMMER I VIDERE MED DATA?

PERNILLE RYDÉN 32

• Hvordan kan I tænke Big Data ind i allerede eksisterende processer?

• Hvilke data har I som kan bruges bedre/på nye måder?

• Hvem har adgang til data?

• Hvordan deler I data? Hvordan belønner I datadeling på tværs?

• Hvordan kan dataanalyse reducere bias, øge kreativiteten og skabe win-win-

win?

Page 33: LEDELSE MED BIG DATA - KL

[email protected]

TANKER OG SPØRGSMÅL?

33

“BIG DATA is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone

else is doing it, so everyone claims they are doing it…”

Professor Dan Ariely, Duke University

[email protected]

LinkedIn

Yourbigdatamindset.com