Konkurrence på det analytiske eller Competing on Analytics, hvorfor nu det?

MEMO korte indlæg til inspiration og overvejelse Indlæg nr. 41: Design og forankring af nye ledelsesteknologier Konkurrence på det analytiske eller Competing on Analytics, hvorfor nu det? når økonomistyringen tager udgangspunkt kvantitative og statistiske modeller Af Steen Nielsen & Erland H. Nielsen*) Virksomheder og organisationer taber millioner på beslutninger der er truffet på et utilstrækkeligt grundlag. Dette er blot ét citat ud af mange, som er fremkommet indenfor de sidste par år, med en direkte henvisning til den analytiske beslutningsproces. Et stadig større fokus sættes nu ind på, at virksomheden skal kunne træffe beslutninger på grundlag af økonomistyringen, og at disse beslutninger skal træffes på data og information, som er hentet i virksomhedens informationssystem. Disse data og informationer skal være behandlet og bearbejdet bl.a. via forskellige analytiske værktøjer og forskellige beslutningsmodeller og præsenteret på en måde, så de kan danne udgangspunkt for aktuelle beslutninger her og nu. Dette er vil mange nok sige ikke nyt, da dette vel altid har været grundideen med den traditionelle økonomistyring. Men alligevel ikke, når man ser den vægt dette Competing On Analytics (COA) har fået de sidste par år i diverse internationale fora, seminarer, møder og tidsskrifter, herunder bl.a. Harvard Businesss Review. Også hos Kaplan og Norton i deres Collaboration og i Balanced Scorecard regi. I mange henseender minder promoveringen af COA om dengang ABC og BSC blev markedsført. Det nye er ikke brugen af det analytiske, men at det tager udgangspunkt i praktiske problemstillinger og løser disse. Alle, der har beskæftiget sig med økonomistyring, ved, at hele anvendelsen af operationsanalytiske modeller i økonomistyringen var et hot emne tilbage i 60 og 70 erne, f.eks. i Accounting Review. Men dengang var det langt udenfor pædagogisk rækkevidde for praktiske virksomheder og deres beslutningsproblemer. Kaplan m.fl. har vel fra 90 erne og fremefter været fortalere for, at økonomistyringen skal tage udgangspunkt i praktiske problemer og fokusere på løsninger hertil. *) Steen Nielsen ekon.dr. og Erland H. Nielsen PhD., er begge lektorer og ansat på Erhvervsøkonomisk Institut Handelshøjskolen Århus, Århus Universitet. Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 649

1. Baggrund Hver eneste dag bringes nye udfordringer til verden og skaber grundlag for nye typer af beslutninger, for at virksomheden kan fungere. Det gælder forhold som, hvad koster det reelt at ansætte nye medarbejdere (løn, indirekte løn, udvikling, videreuddannelse etc.), hvilken leverandør skal man vælge, hvilke kunder skal man prioritere, hvad er den optimale eller bedste pris for et produkt, en ordre eller en service, hvilke markedskanaler skal man vælge osv. Eftervirkningerne af forkerte eller ukorrekte beslutninger kan få fatale følger for virksomheden. Derfor er dette at kunne foretage sådanne i rette tid og på korrekt basis helt afgørende for at være en succesfuld virksomhed og for at opfylde virksomhedens stakeholder-forventninger på lang sigt. Ofte forudsættes, at de rigtige folk også træffer beslutninger som er korrekte og succesfulde på lang sigt. Derfor vil det også være gavnligt, at beslutningstageren tager sig tid og sætter sig ind i, hvordan grundlaget for de enkelte beslutninger skal udformes. Også hvilke efterfølgende virkninger en given beslutning har på andre forhold, og hvordan beslutningen virker på lang sigt bør indgå. Omkostninger er ikke blot omkostninger. Der findes forskellige omkostningsdefinitioner, forskellige måder at henregne på, forskellige tidsintervaller etc. Der kræves mange ressourcer, hvis en virksomhed skal være på forkant med udviklingen og sørge for at hente gevindsten hjem, når tid er. Data og informationer, formler og algoritmer eller metriks, edb-programmer, kan forsyne beslutningstageren med et helt landskab af muligheder at operere i. Heri ligger også en forståelse for det potentielle output eller outcome og mulige løsninger til at et givet problem. Nogle virksomheder nøjes med at opstille en pro et contra liste over mulige udfald, andre ønsker at tale beslutningen igennem for at få afdækket mulighederne, andre sætter andre til at udføre beregninger, andre igen ser kun på, hvad der kommer frem på pc-skærmen, efter at der er foretaget tusindvis af beregninger i computeren, uden helt at forstå hvad der ligger bag. Udtrykket garbage in, garbage out vil hvis man kunne undersøge det nærmere sikkert være tilfældet for mange beslutninger. For det meste holdes forkerte beslutninger indendørs i virksomheden. Virksomhedens mål og målsætning bør altid være det filter, som beslutningerne skal igennem og ses i, og som afgør hvordan en given beslutning evt. sammen med andre beslutninger som er truffet eller skal træffes før eller senere. Der er et helt arsenal af fejlmuligheder, som bør overvejes og indgå i den enkelte beslutning. Med de relativt store datamænger, som findes tilgængelig i virksomhedens forskellige systemer, datawarehouse etc., vil dette i sig selv kunne være noget som kan være med til at tage pusten fra beslutningstageren. Derfor spiller intuition og forhåndsviden en helt central rolle for, hvordan man får startet processen. Man skal heller ikke udsætte beslutningen, fordi den virker uoverskuelig eller fordi man ikke ved, hvor man skal søge information. 650 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6

Det er også vigtigt at man ikke erstatter egne følelser i en given beslutning med viden, som er tilgængelig og relevant for en beslutning blot fordi denne ligger i et system. Der vil hurtigt opstå bias, som kan undergrave en beslutning og få alvorlige konsekvenser for virksomheden. Samtidig som allerede påpeget er det sjældent, at en beslutning træffes i et fuldstændigt vacuum eller uden påvirkning på andre beslutninger. Det typiske er introduktion af nye produkter. Hvordan påvirker det økonomien i de eksisterende produkter, den samlede lønsomhed, den samlede omkostningsstruktur, produktionsområdet, marketing og salg? Eller det modsatte. Hvad sker der med den samlede produktporteføljes lønsomhed eller produktionskapaciteten, hvis vi udfaser eksisterende produkter? Bliver det muligt at starte produktionen af nye produkter, eller bør vi inddrage allerede outsourcede produkter? 2. Trends i Data Analyse Business Intelligence er mere end blot rapporter og statistik. Fremover vil analyse, dynamisk planlægning, forecast, hollistiske modeller og simulation være en integreret del af business procesbegrebet (Marcus Winkler SAP). Virksomhederne vil være i stand til mere præcist at planlægge, ikke blot for kort sigt, men for hele året frem. Eller sagt mere populært, hvad har managers og piloter til fælles? Piloter bruger datadisplayet eller sin monitor i instrumentcockpit til at flyve fra A til B på den mest sikre måde. Spørgsmålene er bl.a., hvad er min eksakte position, hvordan lyder vejrprognosen, hvor kraftig er vinden, og hvilken effekt har dette på brændstofforbruget? Piloten stiller disse spørgsmål for at forhindre problemer, som f.eks. ikke at kunne overholde tidsplanen, undgå at skulle mellemlande for at tanke op etc., og for ikke at skabe unødig bekymring hos passagerne. Dette vil højst sandsynlig igen påvirke, om de ønsker at anvende dette selskab eller skifte til et nyt. Virksomheder anvender ligeledes de tilgængelige instrumenter og værktøjer i Business Intelligence (BI) på samme måde, som piloten anvender sit display i cockpittet. BI analyserer og overvåger data og informationer, beregner nogle key performance indikatorer eller KPI er, hvorefter der genereres rapporter. BI kan på mange måder ses som en form for intelligence service. BI hjælper virksomheden til at fastholde kursen, beregne dens position, vurdere om man er ude af kurs, ved at kikke på de nødvendige KPI er og udnytte de muligheder det giver, på helt samme måde som piloten i cockpittet ønsker den optimale måde at styre flyet på. Distribution og deling af data og informationer er over tid blevet umådelig billig og nem. Den eneste investering, der skal foretages, er i et system, som kan trække data ud til viderebehandling nemlig BI. For at vælge de korrekte komponenter fra BI kræves der først stillingtagen til typen af information sorteret ud fra de forskellige datamængder. Til dette kan anvendes forskellige tools, hvorfra der skal vælges forskellige begrænsningsprocedurer, ligesom information mv. ofte går på tværs af funktioner og ansvarsområder. Der er også heri fordele ved, at man hurtigere bliver i stand til at se, hvordan forskellige beslut- Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 651

ninger hænger sammen. Som udgangspunkt går virksomhederne i gennem 5 BI-faser inden deres intelligence virker (Jovanovic, 2008). I første fase vil man kun være i stand til at vise forskellige KPI eller statistiske data fra fortiden, f.eks. sidste måned, sidste kvartal eller sidste år. I den anden fase kan BI-værktøjet analysere virksomhedens performance ikke kun hvor godt det er gået men hvorfor dette var tilfældet. Hvorfor var et forretningsområde eller en produktionscelle bedre end andre? Hvilke produkter og kunder har genereret mest til overskuddet og hvorfor? Mange virksomheder er stadig kun i denne fase, siger Jovanovic. De misser ofte de skjulte muligheder, der ligger i informationerne. I den 3. fase vil virksomheden være i stand til at analysere data, så snart de er tilgængelige. Virksomheden får mest ud af denne upto-minute information ved straks at sende eller gøre den tilgængelig for beslutningstagerne. Beslutningstageren behøver ikke søge eller lede efter disse. De vil modtage dem automatisk, så snart de ligger i systemet. Dette per se reducerer informationsomkostningerne og besværet med intern kommunikation. Figur 1. Graden af BI og de opnåede konkurrencefordele I den 4. fase vil BI se ind i fremtiden ved at analysere trends og forskellige typer af forecasts. F.eks. hvordan vil salget af vores nye produkt se ud, hvis der sker en afmatning på verdensmarkedet med 5 %? Hvilken effekt vil det ha på virksomhedens samlede lønsomhed, hvis vi ikke får de medarbejdere, vi har behov for? Dataene til sådanne beslutninger behøver ikke komme fra det laveste niveau i kontoplanen. Faktisk er det helt nødvendigt, at f.eks. dataene fra salgsafdeling kan bruges, idet disse igen bør bygge på ensar- 652 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6

tede og korrekte forhold længere nede i hierarkiet. Sammenhæng mellem graden af BI og typen af beslutningsrelevante relationer og spørgsmål kan ses nedenfor (SAS-Intitute, Malene Haxholdt, 2007). I den 5. fase vil virksomheden kunne foretage forskellige simulationsscenarier et år frem. Ønsker vi f.eks. at se, hvordan udvalgte KPI er i vores Balanced Scorecard ser ud om 5 år, hvis vores nuværende strategi bliver implementeret fuldt ud. Dette er selvfølgelig ikke noget, der kommer af sig selv, uden der er taget højde for forudsætninger om årsagssammenhæng, definitioner mv. Men det giver virksomheden en enestående chance for at afprøve forskellige visioner og strategier for at vurdere den økonomiske tilstand om 3-5 år, givet at man f.eks. undervejs skal investere i mere uddannelse til medarbejderne, få en bedre logistik eller en større kundetilfredshed. På den måde kan BI bidrage væsentligt til at skabe valide forudsætninger for forecasts og succes. Dette sætter også krav til software udbyderne, f.eks. om real-time-data, planlægningsfunktioner og data-mining. Virksomhederne er også nødt til at gå over til en service-orienteret IT arkitektur, som er fleksibel og i det hele taget kan følge op på de bedste innovationer på området. Alle beslutningstagere kan anvende BI i henhold til den rolle, vedkommende har, og ud fra deres on-line portal. Stadigt flere standard-on-line programmer indeholder BI, som tillader brugerne at trække data ud og lave analyser, uden at man behøver at gå over til andre applikationer. Hvor stor benefit bliver for den enkelte virksomhed, afhænger bl.a. af, hvor kompatible deres datamodeller er. Derfor kan virksomhedens KPI erne kun analyseres og fortolkes korrekt, hvis de er defineret på forhånd og for hele virksomheden. Dette bliver det afgørende punkt de næste mange år frem. Derfor gælder det også om at sætte denne proces i gang så hurtigt som muligt, så man ikke mister overblikket i cockpittet.. 3. Det principielle i konkurrence på det analytiske Den grundlæggende idé i det analytiske approach er, at analytic help align the organization with business objectives, enable better decision making, and improve performance (Davenport & Johnson, 2008). Analytics kan siges at være beslutninger og handlinger baseret på veltilrettelagte informationer og data, med udgangspunkt i matematiske, statistiske, kvantitative og forklarende analyser. Beslutninger og handlinger skal være til fremtidige handlinger, forecasts eller prediktive forhold. Mange virksomheder har via sin IT-afdelings beslutningsrelevante supportsystemer tilgang til online analytiske processer, et data-warehouse, datamining og BI. Mange af disse analyseværktøjer har for det meste kun været anvendt til at kikke tilbage på historiske forhold, f.eks. i forbindelse med diverse kontroller. Indenfor de sidste 3-5 år er virksomheder begyndt at anvende data og information til mere fremadrettede og strategiske for- Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 653

hold, herunder til en positionering af building competitive advantage. Dermed bliver det analytiske ikke blot almen deskriptiv statistik men kan sagtens indeholde mange og mere avancerede teknikker (f.eks. hyppigheds- og frekvenstabeller, forskellige skævhedsmål, krydstabuleringer, ratios, plots m.fl.), som sikkert for de fleste controllere kan være svært nok at tolke på men som i stedet kan anvendes til at bygge og forme fremtidige modeller, til at simulere forskellige scenarier på, ikke blot på ét givet tidspunkt, men også over tiden. Virksomheden er dermed med til mere eller mindre at forme sin egen virkelighed. Hvorfor er dette med at skulle konkurrere på det analytiske blevet vigtigt? I princippet er det analytiske ikke nyt. Ser vi traditionelle lærebøger, har disse altid et eller flere kapitler om simple modeller, f.eks. beslutningstræer, sandsynlighedsfordelinger mv. (se f.eks. Drury, 2002; Horngren, 1977, Foster & Horngren, 1988). Ældre danske lærebøger (f.eks. Hansen, 1950; Madsen, 1977) har også lagt vægt på måling og mere kvantitative forhold. Det nye ligger i, at det nu er muligt, bl.a. via menu-styrede pc-programmer, mere tilgængelige statistik programmer indeholdende mange hjælpefunktioner og coach-relaterede funktioner, hvor man kan få hjælp til fortolkning af de statistiske resultater at sætte virksomheden i stand til optimere på forskellige forhold, hvilket igen gør det muligt at være i den konkurrencemæssige front. Dette at kunne identificere de mest lønsomme kunder, de dyreste leverandører og dermed være i stand til at udfase ulønsomme kunder eller finde nye leverandører er noget, som tiltaler mange beslutningstagere. Mange af de traditionelle områder som minimering af lagre, reduktion af leadtid, hurtigere gennemløb mv., vil via data til forskellige simuleringer kunne danne grundlag for at identificere, hvad der skal gøres inden beslutningen træffes. Davenport og Harris (2007) nævner mange eksempler på, hvor og hvordan det analytiske element kan anvendes i konkrete virksomheder, herunder også ressourcefordelinger, prisfastsættelse mv. Det er ikke kun for store virksomheder som Wal-Mart og Procter & Gamble, men også mindre og mellemstore virksomheder kan drage nytte af at eksperimentere og simulere forskellige relevante forhold. En Accenture undersøgelse af 400 virksomheder viste, at 15 % af top-performerne definerede den analytiske viden som et key moment i deres strategi. Det samme studie viste også, at top-performerne havde en langt mere skarp analytisk profil end lav-performerne (Salloway & Associates, 2007). En stor del af den amerikanske tradition og nuværende forskning indenfor økonomistyring er centreret med udgangspunkt i kvantitative modeller. Dette er i modsætning til den engelske tradition, som mere er fokuseret på kvalitative og fortolkende forskning. Dansk tradition tilsiger, at begge forhold er lige vigtige. Disse forskelle kommer helt klart til udtryk i måden Kaplan og Norton arbejder med deres koncept af Balanced Scorecard og den promovering, der sker her, bl.a. med henvisning til analytics og SAS-Institite. Det er helt klart effekten på bundlinjen, man går efter. 654 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6

4. Beslutningstagen i Business Analytics En dybere analyse af kundelønsomheden og kreditgivningen er et typisk eksempel for at få en dybere indsigt i kundegrupper eller den enkelte kunde. Her kan kunderne grupperes efter deres risiko-profiler, hvorefter disse grupper får tillagt forskellige betalingsmodeller. Flyselskaber kan anvende analytics til at optimere omsætning af passager og cargo på hvert fly. Da denne branche er særdeles prisfølsom og konkurrenceintensiv, er det nødvendigt, at man bruger tid på at analysere, hvordan f.eks. bookingmønsteret foregår, således at man kan tage højde for disse forhold frem over. Et andet eksempel er i forbindelse med konceptet revenue management, som er et område, der for alvor er begyndt at vinde frem (se f.eks. Pricing and Revenue Optimization af Phillips, 2005). Det kan være forhold som hvilke distributionskanaler, virksomheden skal vælge, hvordan produktet skal prisfastsættes på de forskellige markeder, hvordan man forhindrer kannibalisering på tværs af salgskanaler, hvordan sæson indvirker på indtjeningen osv. Alle disse forhold er centreret om salget, men der eksisterer tilsvarende problemer internt i produktionsplanlægning, ressourcestyring, kapacitetsoptimering mv., dvs. alle de forhold, som relaterer til den traditionelle økonomistyring. I mange klassiske områder i økonomistyringen vil det være relevant at anvende matematiske og analytiske modeller. Det gælder f.eks. en simpel test af, hvornår der egentlig er tale om variable, halvfaste eller mere faste omkostninger i forhold til forskellige typer af drivers, test af forskellige driveres indvirkning på ressourceforbrug, analyse af Omkostninger til Salg, Marketing, Distribution og Administration (SMDA). Tidligere var ideen, at man ikke tog hensyn til disse typer af omkostninger, hverken i de forskellige beslutningssituationer eller i lønsomhedsmønsteret, dels fordi disse var af mindre betydning, og dels fordi de blev anset for at være faste omkostninger og derfor ikke relevante. I dag udgør disse en væsentlig del af produktets samlede omkostninger og inddrages ofte i prisfastsættelsen. Eller tænk på Cooper & Kaplan s (1998) 4 niveau model, som også går ud på at assigne omkostninger til stykniveau, serieniveau, produktniveau og det øverste corporate niveau. Ideen er, at hvis der er mere end én enhed af en given ressource, findes der også en bagvedliggende faktor, som er styrende herfor. Nedenfor er vist konkrete eksempler på analytics hentet fra Davenport (2006). Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 655

THINGS YOU CAN COUNT ON Analytics competitors make expert use of statistics and modelling to improve a wide variety of functions. Here are some common applications: FUNCTION DESCRIPTION Examples Supply chain Customer selection, loyalty, and service Simulate and optimize supply chain flows; reduce inventory and stock-outs. Identify customers with the greatest profit potential; increase likelihood that they will want the product or service offering; retain their loyalty. Dell, Wal-Mart, Amazon Harrah's, Capital One, Bardays Pricing Identify the price that will maximize yield, or profit. Progressive, Marriott Human capital Select the best employees for particular tasks or jobs, at particular compensation levels. Product and service quality Detect quality problems early and minimize them. Honda, Intel Financial performance Research and development Better understand the drivers of financial performance and the effects of nonfinancial factors. Improve quality, efficacy, and, where applicable, safety of products and services. New England Patriots, Oakland A's, Boston Red Sax MCI, Verizon Novartis, Amazon, Yahoo Figur 2. Eksempler på funktioner, som man kan regne på Ses på konkrete eksempler fra økonomistyringsområdet, kan dette være; Traditionelle Risiko-Analyser:»In the conventional wisdom, risk is asymmetrical: it has only one side, the bad side. Successful people understand that risk, properly conceived, is often highly productive rather than something to avoid. They appreciate that risk is an advantage to be used rather than a pitfall to be skirted.«(charles Sanford - former Chairman, Bankers Trust). Predictive Supply Risk Management:»Risk management is a standard practice in financial management, but not in Supply Chain Management. As supply chains become more global and complex, the use of techniques from financial management can be beneficial.«(mark Hillman, AMR Research). Nedenfor er vist et eksempel herpå hentet fra Dennie Norman (SAS Institute,2007). Activity-Based Costing: Test og analyse af, hvilke omkostninger der bidrager mest til den samlede varians (estimeret på basis casen Classic Pen Com. fra Kaplan & Atkinson, 1998). 656 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6

Figur 3. Eksempel på risikostyring af Leverancekæden Figur 4. Eksempel på analyse af omkostningers aktivitetsfølsomhed Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 657

Balanced Scorecard: Simulering af effekten af et ønske om at forøge kundetilfredsheden, for at se, hvornår en steady-state tilstand nås i det finansielle perspektiv, her målt via Return on Capital Employed. 0,09 RoCE p.a. 0,08 0,07 0,06 0,05 0,04 0,03 RoCE 0,02 0,01 0 0-0,01 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 Figur 5. Eksempel på simulering af kundetilfredshedens betydning for afkastningsgraden Forecast: Med moderne forecast systemer er det let at få et overblik over det mulige informationsindhold i givne data. Moderne forecast systemer arbejder mere som beslutningsstøttende end som orakler. Tag f.eks. følgende data serie Time X Time X Time X Time X Time X 1 09.75 07 10.15 13 17.73 19 11.53 25 49.05 2 05.59 08 05.92 14 12.02 20 27.42 26 43.44 3 05.90 09 03.11 15 08.74 21 22.18 27 Fc+1 4 09.29 10 13.12 16 19.11 22 25.63 28 Fc+2 5 15.78 11 06.22 17 21.75 23 33.92 29 Fc+3 6 06.63 12 12.38 18 16.82 24 36.35 30 Fc+4 Figur 6. Eksempel på forecast ud fra 26 foretagne observationer 658 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6

Figur 7. Eksempel på 4 forecastmetoders resultater Der ønskes et forecast for perioderne 27-30 og såfremt X-dataene ikke er gennemanalyseret mht. én specifik og grundlæggende»bedste«datagenererende proces, så vil et hurtigt kig på nedenstående udvalg af svar fra fire forskellige forecast metoder hurtigt kunne forbedre overblikket. Tilbage er så blot at vælge, hvilken af de fire man har mest tiltro til. Den kvantitative rangordning er baseret på RMSE-målet, og det fremgår klart at alternativ 1 og 2 stort set er ligeværdige hvad dette mål angår. Der eksisterer et hav af andre beslutningssituationer hvor både almindelige statistiske modeller vil kunne anvendes, og hvor simulation vil være oplagt. Det kunne være omkostningerne til leverandører, som skulle styres efter et arm-lenght princip, men hvor man i stedet skulle tænke i andre lønsomhedsmønstre, f.eks. strategisk rentabilitet, valuechain-rentabilitet eller inter-organisationelle lønsomhedsopgørelser. Et samlet forløb på de forskellige trin og modeller kan ses nedenfor (Dennie Norman, SAS Institute, 2007). Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 659

Figur 8. Forskellige udviklingsstadier i skabelsen af ledelsesinformation Som det ses, er sidste trin i den analytiske proces opbygning af fremtidige eller prediktive scenarie-modeller og årsagsanalyser, bl.a. via simulering, såvel dynamiske (dvs. over tiden), som stokastiske (med sandsynlighedsfordeling tildelt hver relevant årsagsfaktor). 5. Afslutning Anvendelsen af COA vil også sætte forøgede krav til det kvantitative element på økonomistyringsområdet og dermed til den fremtidige controller og til uddannelsesområdet. Vægten kommer til at ligge på viden og anvendelsen af model og modelbegrebet set i en konkret kontekst. Studerende bør derfor også uddannes til at kunne eksperimentere med forskellige typer af beslutninger, bygge modeller og problemstillinger, som kan hjælpe virksomheder i fremtidens komplicerede og turbulente omgivelser. At bygge relevante modeller, f.eks. i Vensim eller Excel med alle de faciliteter, som ligger her, vil være en interessant udfordring og øvelse for nye økonomifolk. Samtidigt vil det også vise, hvor svært det er at formulere sådanne modeller, når data skal plottes ind, når der skal tages stilling til, hvilke omkostninger der skal med og ikke med i en given beslutning, og i det hele taget at få modellen til at virke. En analytiker, som har prøvet et sådant ekspe- 660 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6

riment, vil også være langt mere fortrolig med det outcome, der produceres i en sådan model. Oplagt er selvfølgelig at udforme følsomhedsanalyser, grafer mv., som kan bruges aktivt som rapporteringsværktøj. Mange af sådanne scenarier har tidligere været vist, f.eks. hos Langholm så langt tilbage som 1969. Der er ingen tvivl om, at COA vil have et stort potentiale fremover. Såvel Davenport, men også Kaplan og Norton forudser, at der de næste 10 år vil komme mere fokus på dette område fra virksomhedernes side, og at det derfor også er af essentiel betydning, at der kommer folk ud fra uddannelsesinstitutionerne, som mestrer denne faglighed. Vægten lægges mere og mere på, at økonomifolk kan løse modeldesignproblemer gennem løbende eksperimentering og udvikling, jf. også Kaplans modeludviklingscirkel nedenfor. Figur 9. Kaplans bud på en trinvis modeludviklingsproces Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 661

Analytics er allerede i gang med at blive kombineret med forskellige forecast-modeller (simple og mere avancerede, se SAS Institute, 2006), dynamisk planlægning, herunder beyond budgeting, Balanced Scorecard, forskellige modeller til de forskellige perspektiver, f.eks. ABC/M til det interne og kundeperspektivet. Til sidst er nedenfor angivet nogle retningslinjer for, hvornår man faktisk har anvendt analytics i sin beslutningsproces (Davenport & Harris, 2007). You Know You Compete on Analytics When 1. You aply sophisticated information systems and rigorous analysis not only to your core capability but also a range of functions as varied as marketing and human resources. 2. Your senior executive team not only recognizes the imporrance of analytics capabilities but also makes their development and maintenance a primary focus. 3. You treat fact-based decision making not only as a best practice but also as a part of the culture that's constantly emphasized and communicated ny senior executives. 4. You hire not only people with analytical skills but a lot of people with the very best analytical skills and consider them a key to your success. 5. You not only employ analytics in almost every function and department but also consider it so strategically important that you manage it at the enterprise level. 6. You not only are expert at number crunching but also invent proprietary metrics for use in the key business processes. 7. You not only use copious data and in-house analysis but also share them with customer and suppliers. 8. You not only avidly consume data but also seize every opportunity to generate information, crearing a test and learn culture based on numerous small experiments. 9. You not only have committed to competing on analytics but also have been building your capabilities for several years. 10. You not only emphasize the importance of analytics internally but also make quantitative capabilities part of your company s story, to be shared in the annual report and inb discussions with financial analysts. Figur 10. En checkliste til evaluering af dit udviklingsstade 662 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6

Dermed ses også forskellen til anvendelsen af tidligere og mere traditionel anvendelse af kvantitative metoder. Litteratur Anthony R.N. & Govindarajan V. (2004). Management Control Systems, McGraw Hill, USA. Business Forecasting Using SAS:2006. A Point-and-Click Approach Course Notes was developed by Terry Woodfield and Bob Lucas. Additional contributions were made by Michael Leonard of SAS and David Dickey of North Carolina State University. Editing and production support was provided by the Curriculum Development and Support Department. Sørensen, Charlotte Egsgaard, 2007. Lille Notat Om COA, Academic Consultant, SAS Institute Denmark. Davenport, T.H. & H.G. Jeanne 2007. Competing on Analytics The New Science of Winning, Davenport, Harvard Business School Publishing Corporation. Davenport, T.H. & Johnson L.K. (2008). Formulating the strategy. Balanced Scorecard Report, March-April. Davenport, T.H. & Harris J.G. (2007). The Dark side of Analytics, Harvard Business Review. Drury, C. (2002). Management and Cost Accounting, Thomson (5. ed.), London UK. Foster, G. and Horngren, C.T. (1988). Cost Accounting and Cost Management in a JIT Environment, Journal of Cost Management for the Manufacturing Industries, Winter, pp. 4-14. Hansen Palle (1950). Vurderings- og Kalkulationsprincipper, Einer Harcks Forlag, København Danmark. Horngren C.T. (1977). Cost Accounting: A Managerial Emphasis. Printice-Hall. Kaplan R.S., Atkinson A.A. (1998). Advanced Management Accounting, Prentice Hall, USA. Langholm Odd 1969. A Study in the Dynamics of Multiple Production, Universitetsforlaget, Bergen Oslo. Madsen Vagn (1977). Regnskabsvæsenets Opgaver og Problemer i Ny Belysning, Gyldendal, Danmark. Merchant K.A. & Stede W.A. Van der. (2003). Management Control Systems Performance Measurement, Evaluation and Incentives, Prentice Hall, USA. Forskellige links til videncentre og uddannelsessteder: 1. BetterManagement Today: Competing on Analytics segment. On-Demand Webcast http://www.bettermanagement.com/seminars/today.aspx?l=14136 2. University of Maryland Smith School of Business- Course on Competing on Analytics in Europe http://www.rhsmith.umd.edu/global/courses/2007-08/france Germany2008.html 3. SAS INSTITUTE INC. WORLD HEADQUARTERS SAS CAMPUS DRIVE CARY, NC 27513 TEL: 919 677 8000 FAX: 919 677 4444 academicprogram@sas.com www.sas.com/academic Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6 663

4. Ivey School of Business course on Competing on Analytics by Peter Bell http://www.ivey.uwo. ca/faculty/peter_bell.html and 5. http://www.iveyemba.ca/assets/coursedescriptions.pdf 6. Accenture Webcast on Competing on Analytics http://www.cohortmba.com/index.php?option=com_ content&task=view&id=101&itemid=110 7. Accenture White Paper on the Analytics Advantage in Pharmaceuticals and Life Sciences http:// www.accenture.com/global/research_and_insights/by_industry/health_and_life_sciences/pharmaceuti cals_and_medical_products/competinganalytics.htm 8. IMD Business School Executive Education Event http://www.imd.ch/calendar/discoveryevents/discovery-event-may-21-22.cfm?bhcp=1 9. Stevens Institute of Technology Howe School of Management course http://howe.stevens.edu/- academics/graduate-programs/information-systems/curriculum/knowledge-mgtdata-mining/ 10. Institute of Analytics Professionals in Australia competing on analytics seminar http://www.iapa.org. au/environments/edoras/resources/iapa/iapapresentation(1).pdf 664 Økonomistyring & Informatik 23. årgang 2007/2008 nr. 6