cb9_bibli-oversikt

”Digital Transformation”, Thomas M. Siebel

Vi befinner oss i en tid av digital transformation. Att bemästra den är en överlevnadsfråga. Men vad innebär det rent konkret för dig som chef och för din verksamhet? Silicon Valley-profilen Tom Siebels bok, som blivit en snackis på förhand, ger dig guiden till allt du behöver veta för att förstå big data, AI och andra delar i denna revolution.

Lyssna på Chefboken:

Klicka på pil-ikonen i spelaren för att ladda ned filen på datorn eller mobilen.
Vill du spara ned filen på mobilen? Klicka här för en steg-för-steg-instruktion.

Guide för digital överlevnad

Boken inleds med att författaren kastar sig över frågan i bokens undertitel, hur får man sin verksamhet att överleva och blomstra i en tid av massutrotning. Han drar paralleller till en aktuell evolutionsteori, som utmanar Darwins klassiska idé om hur arter utvecklades. Medan Darwin med sina idéer om naturligt urval hävdade att utvecklingen skedde långsamt och gradvis, har den så kallade teorin om punkterad jämvikt en helt annan utgångspunkt. Enligt denna teori kommer i stället stora förändringar stötvis, i regel som en reaktion på en förändring i miljön, för att sedan följas av en lång stabil period innan det är dags för nästa stora disruption. Ett exempel på en sådan enorm förändring i planetens historia var när 96 procent av alla arter dog ut för runt 250 miljoner år sedan, efter stora vulkanutbrott.

Det är precis så det också fungerar i näringslivet, menar han — och vi befinner oss mitt i en sådan disruptiv period. Och det finns siffror som backar upp påståendet. Sedan år 2000 har 52 procent av Fortune 500­företagen (USA:s största företag räknat i omsättning) antingen köpts upp, gått samman med andra företag eller gått i konkurs. I de försvunna företagens ställe uppstår helt nya arter. Och liksom vid evolutionära stora förändringssteg finns det något i miljön som förklarar det som är på väg att hända — nämligen den digitala transformationen.

Vad är då digital transformation mer exakt? Ett sätt att beskriva den är att se det som förändringen driven av teknologiska genombrott inom framför allt de fyra områden som den här boken handlar om, nämligen: flexibla molntjänster, artificiell intelligens, ”big data” och ”sakernas internet” (internet of things).

För att göra dessa delvis abstrakta begrepp mer begripliga illustrerar Tom Siebel boken igenom den digitala transformationen med exempel. Siebel understryker också att digital transformation inte ska förväxlas med andra begrepp, som exempelvis digitalisering. I själva verket är digitalisering (när datorer och tillhörande mjukvara stegvis införs på arbetsplatser) och tillkomsten av internet två tidiga vågor. Men jämförelsevis är den tredje vågen, den digitala transformationen, en tsunami. Den tidiga digitaliseringen har bara förändrat redan existerande kompetenser, i praktiken outsourcat arbete från människa till dator (tänk en banktjänsteman som ersätts av elektroniska tjänster). Men den tredje vågen, den digitala transformationen, ändrar spelreglerna för näringslivet i grunden.

I sin bok går författaren igenom de fyra viktiga delarna i revolutionen, en i taget. Han tar upp framväxt, affärsnytta, fördelar och risker med var och en av den digitala transformationens grundpelare — och visar hur de fyra megatrenderna hänger ihop.

 

Det elastiska molnet

Så kallade flexibla molntjänster, alltså möjligheten att ”hyra” utrymme eller datakraft för bruk var och när som helst i världen, är nu inne på sitt andra decennium efter lanseringen av Amazon Web Services 2006. Man kan säga att molntjänster har demokratiserat it. Oavsett storlek kan en organisation köpa tillgång till enorm datakraft i molnet. Man betalar för det man använder och slipper stora investeringar i hård­ och mjukvara.

Medan många organisationer lagt en stor del av sin it i publika molntjänster, finns det många som tvekar och föredrar exempelvis egna, traditionella it­center. Det baseras då ofta på gammalmodiga och felaktiga uppfattningar om säkerhet, stabilitet och tillgänglighet i molntjänster. Faktum är att de senaste årens massiva investeringar i molntjänster gör att de slår traditionell it på nästan varje punkt, menar författaren.

”Elastiska” eller ”flexibla” molntjänster kallas så eftersom tjänsterna kan utvidgas eller krympa allt efter användarens behov. Denna flexibilitet har inte bara helt revolutionerat kostnaderna för it, utan hela branscher. Musik levereras till exempel nästan uteslutande via molnbaserade tjänster som Spotify och Apple Music (i stället för via cd­skivor), detsamma gäller molnbaserade strömningstjänster som Netflix och transporttjänster som Uber — dessa skulle inte existera utan molnet. Utvecklare behöver inte längre förlita sig på egen hårdvara för att utveckla och lansera en tjänst.

Organisationer vars verksamhet kräver stor datakraft, som att parallellt hantera mängder av kontokortsbetalningar, kan med hjälp av molnet skala upp resultaten direkt eftersom kostnaden är samma för att använda 1 000 servrar i en timme som en server i 1 000 tim­ mar. Flexibla molntjänster är revolutionerande på en rad sätt. Inte bara slipper it­avdelningar den eviga uppgiften att försöka matcha resurser och behov, det frigör också en massa kraft inom administration och affärsutveckling.

Det utmärker flexibla molntjänster

  • Oändlig kapacitet. Lagrings- och datakapacitet saknari stort sett gräns.
  • On demand-tjänst. Användare kan på egen hand bestämma hur och när tjänsten ska användas utan att interagera med någon människa.
  • Bred tillgänglighet. Molntjänsterna är tillgängliga genom vanliga nätverk som wifi, 4G etc och på i stort sett alla typer av enheter.
  • Poolade resurser. Fysiska och virtuella resurser fördelas dynamiskt på ett sätt som sänker kostnaden för alla parter.
  • Snabb elasticitet. Resurser kan automatiskt och sömlöst öka och minska utifrån användarens behov.

Marknaden för publika molntjänster domineras av tre giganter i knivskarp konkurrens; Amazon Web Services, Google Cloud Platform och Microsoft Azure. Marknaden växte 2018 med hela 18 procent, men för användarna pressas priserna hela tiden neråt — det blir billigare och billigare att använda molnet. Exempelvis har lagringskostnaderna i Microsoft Azure sjunkit med 98 procent på några år, skriver författaren.

Kanske känner du igen de förkortningar som brukar användas för olika sätt som företag och organisationer kan dra nytta av molnet:

  • IaaS (Infrastructure as a Service): Data­ och lagringskraft i molnet att köpa vid behov, exempelvis Amazons EC2.
  • PaaS (Platform as a Service): Utvecklarplattformar i molnet. Allt som behövs för att utveckla, testa och lansera appar, exempelvis Google App Engine.
  • SaaS (Software as a Service): Mjukvara i molnet som ofta säljs med årsvisa licenser. Kommunikationsplattformen Slack och CRM­plattformen Salesforce är två exempel.

Fördelarna med att använda sig av denna typ av tjänster är framför allt kostnads­ och tidsbesparingar och tjänsternas flexibilitet, men det finns också annat värt att ta upp:

  1. Inga resurser behöver läggas på uppdateringar och underhåll.
  2. Nästan hundraprocentig tillgänglighet (strömavbrott i ett fysiskt datacenter är inte längre en risk).
  3. Hög nivå av säkerhet eftersom man kan dra nytta av molntjänsternas enorma investeringar i detta.
  4. Framtidssäkrat då ständiga och gradvisa uppdateringar sker.
  5. Möjlighet att lägga krutet på affärsutveckling i stället för it.

 

Big data

När det blivit billigare att lagra och hantera stora mängder data finns möjligheten att ta sig an enorma datamängder. All data vi genererar kan analyseras och lagras, oavsett källa och format. Dessa stora dataset kan sedan kombineras och matas in i sofistikerade AI­algoritmer som ger oss information man tidigare bara kunnat drömma om. Men vilka datamängder handlar det om när man pratar om ”big data”? Här hjälper det med en liten repetition av hur datalagring brukar mätas:

  • 1 byte är 8 bits.
  • Tusen bytes är en kilobyte.
  • En miljon bytes är en megabyte.
  • En miljard bytes är en gigabyte.
  • En biljon bytes är en terabyte.
  • En kvadriljon bytes är en petabyte.
  • En kvintiljon bytes är en exabyte.

Det fortsätter, men vi kan stanna där. När ”big data” nämns är det vanligen nivån peta­ eller exabyte som avses. Poängen är att med den utveckling som skett i lagrings­ och processorkapacitet har vi i dag i princip obegränsad lagrings­ och processorkraft till låga och sjunkande kostnader.

Big data gör att vi kan lösa problem som tidigare inte gick att lösa. Medan man historiskt har förlitat sig på att sampla en liten mängd data och dra statistiska slutsatser utifrån det, kan man nu ta in all data. Det skulle kunna handla om en sådan sak som genuppsättning eller vårdhistorik för alla invånare i ett land. Utvecklingen på ”big data”­området fortsätter i en rasande takt, och på tre olika sätt:

  1. STORLEK: Den mängd data som genereras i världen har ökat lavinartat de senaste 25 åren och kommer att fortsätta göra det. Ett genomsnittligt företag lagrade ungefär 350 terabyte data 2016, och året därpå hade den siffran ökat med 52 procent. All denna data kan i sin tur matas in i datahungriga AI­algoritmer som gör allt bättre förutsägelser om företagets kunder, marknader eller vad det nu kan handla om.
  2. HASTIGHET: När allt fler prylar och tekniska verktyg i den fysiska världen kopplas upp (sakernas internet) genereras data i allt högre hastighet. Säg att en motor skickar information om hur den mår en gång per sekund. Det ger 60 gånger så mycket information som om den hade skickat information en gång per minut. Och det ger då en AI­algoritm inriktad på underhåll möjlighet att fatta beslut med mycket bättre precision.
  3. FORM: Data kommer i dag i en mångfald av former. Det kan handla om allt från tweets till excel­filer, till mejl, till telefonsamtal, till kundtjänst — och de kan alla vara relevanta för ditt företag. Big data i kombination med AI gör det för första gången möjligt att hantera stora mängder av sådan ostrukturerad information, som gamla tiders databaser inte kan hantera.

Hur kan då big data användas i praktiken av dig som chef, av din verksamhet?

Till att börja med gör big data att i stort sett allt som händer i företaget får ett värde. Data från varje interaktion med en kund, varje jobbansökan, varje samtal till kundtjänst kan matas in, lagras, bearbetas och användas i beslutsfattande. Författaren lyfter en rad exempel på detta. Försäkringsbolag använder till exempel sensorer på anställda i gruvbolag för att upptäcka och kartlägga samband mellan rörelsemönster och skador och bättre förutsäga hur risker kan undvikas. Amerikanska flygvapnet sparar och processar all underhållsdata från de senaste sju åren för att med hjälp av AI bättre kunna utföra underhåll och förutse olyckor. Många organisationer tar också in data från annat håll än den egna verksamheten — det kan handla om sådant som recensioner i tjänster som Yelp, temperaturdata eller trafikrapporter.

Att hantera big data är dock inte lätt. Komplexiteten gör att många försöker men misslyckas. Författaren listar fem utmaningar som företag står inför på big data­området:

  1. Mängder med olika it-system. Ett genomsnittligt storföretag har åtminstone några hundra it­system inom allt från lönehantering till CRM. Att integrera data från dessa system kan kräva en storutvecklarinsats.
  2. Viss data är bara meningsfull i kombination med annan data. Säg att det handlar om avgastemperatur på en oljerigg, som bara är meningsfull i kombination med en rad andra mätningar, exempelvis av temperatur. Det kan kräva komplicerade system.
  3. Att arbeta med ”data-träsk”. Även om det finns ramverk och tekniska möjligheter att samla ostrukturerad data i ett filsystem, innebär det inte att dess komplexitet automatiskt blir mindre än om den hade funnits i en massa separata system.
  4. Hur och när data ska uppdateras som grund för affärsbeslut. Om en teleoperatör exempelvis ska försöka förutsäga risken för att en kund säger upp sitt abonnemang, baseras det på en rad datapunkter — som antal samtal, täckning i samband med uppringda samtal, och antal avbrutna samtal. Vissa av dessa data kan vara fördröjda och inaktuella och ha ”felaktig vikt” i analysen.
  5. Ny teknik och kunskap för anställda. Att använda big data innebär att anställda behöver lära sig att använda nya tekniska analysverktyg. Om en analytiker i en verksamhet tidigare rapporterat vad analysverktyget sa om försäljningen, behöver hen nu jobba med verktyg som förutsäger hur försäljningen ska gå. Vidare behövs kunskap för att hantera stora datamängder — på många håll i organisationen.

 

AI-renässansen

Molntjänster och big data representerar infrastrukturen respektive råvaran i den digitala transformationen. I detta avsnitt och det nästföljande handlar det om två teknologier som ger molntjänster och big data den kraftfulla hävstång som krävs för att bli en verkligt samhällsomvandlande kraft. Det handlar om AI (och i nästa avsnitt sakernas internet).

AI, artificiell intelligens, har tagit enorma kliv på bara några år. Det går faktiskt inte att överskatta hur stor betydelse AI kan ha för att driva på stegvisa förbättringar i vilken affärsprocess som helst. Med det sagt är AI komplext att integrera i sin verksamhet, och de flesta företag får räkna med att ta in konsulter som hjälper dem att komma igång. Men att helt bortse från AI som verktyg är att ge sig själv en rejäl nackdel i kommande års konkurrens.

Traditionella logikbaserade algoritmer som dominerat datavetenskapen så länge den funnits som disciplin är bra på mycket. Men de kan vara riktigt dåliga på sådant som är ganska enkelt för människor. Ta en sådan sak som att identifiera en katt. En tvååring klarar detta lätt, men med traditionella logikbaserade algoritmer krävs ett väldigt komplicerat program som kodar in alla möjliga variationer av djuret katt. Ansiktsigenkänning eller att förstå tal hamnar i samma kategori.

AI­algoritmer har en helt annan approach. I stället för att logiskt avgöra vad som är en katt lär sig algoritmen genom att studera ett stort antal kattbilder, något som ligger närmare hur en människa lär sig. Där det finns en stor tillgång till data finns också möjlighet att ”träna” AI­algoritmer att analysera denna data — det som kallas maskininlärning.

AI påverkar redan allas våra liv i viss omfattning. Google använder exempelvis AI storskaligt och i alla delar av verksamheten. Till exempel när du använder sökfunktionen, som drivs av enormt sofistikerade AI­algoritmer. Netflix använder AI för att rekommendera filmer och serier, och Amazon för att rekommendera andra produkter och få dig att e­handla mer.

AI används eller är på väg att omvandla en lång rad branscher — exempelvis för att upptäcka bedrägerier i bank­ och finanssektorn, för att bedöma kreditvärdighet, i medicinsk diagnostik, i lagerhante­ring och så vidare, och listan kan göras betydligt längre.

Så kallad ”maskininlärning” är den underkategori till AI där den mest spännande utvecklingen sker. Därför fokuserar författaren på denna del av AI i det här avsnittet. Maskininlärning är helt enkelt idén att datorer kan lära sig från data utan att de explicit programmerats för det. Maskininlärningsalgoritmer använder sig av olika statistiska tekniker för att dra slutsatser om datan de ställs inför. Algoritmerna blir allt bättre ju mer data de matas med, och när slutsatserna de dragit löpande antingen bekräftas eller förkastas — till exempel om en algoritm som ska förutsäga bankbedrägerier får bekräftelse på när den korrekt identifierat bedrägeri och inte. När inlärningen går till på det sättet säger man att den är ”övervakad” (supervised) — övervakningen kan en människa stå för eller så sker bekräftelsen på om algoritmen gjort rätt automatiskt, som när en motor slutar fungera.

 

Den andra huvudsakliga kategorin av maskininlärning är så kallad regressionsteknik. Där handlar det om att förutsäga värden, exempelvis försäljning nästa vecka. För ett oljeföretag skulle det kunna handla om att processa data som historisk försäljning, väder och bnp­tillväxt. Maskininlärning med regressionsteknik letar mönster i sin data och lär sig utifrån dem.

Så kallade neurala nätverk, eller ”deep learning”, är ytterligare en kategori av maskininlärning. Helt kort handlar det om olika ”lager” i ett maskininlärningsnätverk, som alla drar slutsatser om olika aspekter av data. Deep learning har visat mycket lovande resultat, till exempel har det utklassat andra typer av system i en tävling som handlade om att korrekt identifiera hundraser.

Alla företag och organisationer som använder sig av molntjänster som nämns ovan får del av dessa leverantörers utveckling inom AI. Men de flesta företag har mycket att vinna på att också använda AI skräddarsydd för de egna behoven — och behöver sannolikt ta in hjälp utifrån för att lyckas med detta.

Följande steg är det viktigt att bemästra för att framgångsrikt använda AI i sin organisation:

STEG 1

Allra först måste man identifiera vad som är relevant data, och sedan samla in den på ett sätt som gör den användbar för maskininlärning. Eftersom data kommer från många olika typer av källor och mjukvara måste datakvalitet granskas och åtgärdas — till exempel när data felaktigt upprepas, saknas eller kommer i fel ordning.

STEG 2

I nästa steg behöver man bestämma sig för vilka resultat eller ”signaler” i datan som är relevanta för att lösa problemet. På engelska kallas detta ”feature engineering”. Exempelvis, i AI för att beräkna underhåll för motorer, kan det vara mätningar av motorstopp i perioder om 7, 14 och 21 dagar.

STEG 3

Därefter behöver man bestämma hur man ska kategorisera de resultat som datan ska förutsäga, exempelvis när en maskin stannar. För den originaldata som används har inte definierats med AI i åtanke.

STEG 4

Steget efter handlar om att organisera data så att AI tränas på ett relevant sätt. Här kan det handla om att rensa bort irrelevant historisk data som kan störa statistisk analys.

STEG 5

Därefter handlar det om att välja AI­algoritm och sätta igång träningen. Det finns ett stort antal algoritmer att välja bland, vissa tillgängliga som så kallad open source.

STEG 6

I sjätte steget ska AI:n sättas i arbete och generera värde. Här kopplas den till befintlig mjukvara och används i beslutsfattande. Till exempel om hur maskiner bäst ska underhållas.

STEG 7

Slutligen måste AI också underhållas — om exempelvis marknaden eller affärsmålen förändras behöver AI tränas på nytt.

Författaren argumenterar för att AI inte bara kommer att vara en konkurrensfördel i näringslivet, utan något existentiellt — en överlevnadsfaktor. AI spås i alla prognoser ge ofattbara effektivitetsvinster de kommande decennierna, men de dystra spådomar som också kopplats till AI vill författaren tona ner. Någon risk för att det ska utvecklas ”generell artificiell intelligens”, som är bättre än oss människor på allt, är inget vi ens behöver börja fundera på under de kommande decennierna. AI kommer fortfarande att vara beroende av en mänsklig hand. Tom Siebel tror inte heller att AI är ett hot mot sysselsättningen totalt sett. Även om många jobb kommer att försvinna, kommer ännu fler att skapas — på samma sätt som internet skapade mängder med nya jobb som webbdesigner och social media manager. I en prognos från PWC som författaren hänvisar till spås AI ta bort 1,8 miljoner jobb år 2020, men samtidigt tillföra 2,3 miljoner nya.

 

Sakernas internet

Med allt billigare, mer energieffektiva processorer och snabbare nätverk blir datoranvändning något som förekommer precis överallt. Superdatorer med AI­kapacitet behöver inte vara större än kreditkort och finns numera i drönare, bilar, övervakningskameror och i mängder av andra tekniska prylar.

Sakernas internet, som vanligen förkortas IoT (internet of things), började användas i industrin redan runt millennieskiftet, bland annat inom logistik för att spåra varor. Men ett bredare genombrott dröjde ytterligare ett decennium. Philips uppkopplade lampor Hue, Apples smarta klockor och ”smarta högtalare” som Amazon Echo och Google Home är några välkända exempel på genombrottsprodukter.

Men enligt författaren har vi knappt sett något av vad IoT är på väg att bli än. På bara några år kan vi räkna med att allt från glasögon till medicinförpackningar kopplas upp — och det ger oss möjligheter att lösa mängder av problem som tidigare var omöjliga att lösa. Det är exempelvis lätt att föreställa sig en helt revolutionerande förbättring av underhåll och förebyggande reparationer eller ersättningar av alla möjliga typer av tekniska föremål, komponenter och maskiner när AI kan förutse vad som behöver göras och när man behöver göra det. Några självklara kommande tillämpningar är på elnät som kan drivas mycket mer effektivt, och på självkörande bilar för ett smidigt flöde utan trafikköer.

Det finns tre anledningar till att IoT i grunden kommer att förändra näringslivet. Till att börja med är den mängd data som genereras när i stort sett allt — tänk exempelvis varenda komponent i ett elnät — kopplas upp. Denna datamängd saknar motstycke i hela mänsklighetens historia. För det andra är denna data användbar och värdefull. När data från IoT analyseras av AI innebär det i sin tur omvälvande effektiviseringar av sjukvård, försvar, transportsektorn, detaljhandeln och alla andra branscher som går att föreställa sig.

Slutligen ökar värdet av data exponentiellt ju fler system som kopplas upp — det som brukar kallas Metcalfes lag. Säg till exempel att du får data från en enda flygplansmotor, slutsatserna som kan dras från denna information är begränsad. När alla flygplansmotorer kopplas upp blir datan mer värdefull. När alla delar i alla flygplansmotorer kopplas upp blir förutsägelserna om reparation och underhåll betydligt bättre, och så vidare.

I praktiken kommer detta att få långtgående konsekvenser för det dagliga arbetet i organisationer och företag. Kombination av IoT och AI kommer att leda till att algoritmer har en del i så gott som alla affärsbeslut, oavsett om det handlar om vem som ska få ett banklån (med realtidsinformation om kreditvärdighet) eller hur fabriksgolvet ska skötas. Detta på bekostnad av tumregler, vad som ”känns rätt” och mänsklig expertis.

IoT innebär också en omfattande individualisering av produkter — smarta telefoner som tar hänsyn till hur användaren talar och skriver, smarta termostater som har koll på användarens preferenser och anpassar temperaturen därefter och så vidare. Denna närhet till konsumenterna innebär i praktiken en storskalig och ständigt pågående kundkontakt, som möjliggör en helt ny typ av produktutveckling.

Den automatisering som IoT innebär kommer att kosta många människor jobbet. Prognoserna spänner från 30 till 40 procent av arbetskraften. Men även här tror författaren att den nya tekniken kommer att skapa fler jobb än som försvinner.

För vilka branscher är det mest akut att lägga krut på IoT? Enligt Tom Siebel är det framför allt tre stycken — tillverkningsindustri, transport och samhällsservice. Det är också inom dessa områden som man i dag ser de största investeringarna där företag som Amazon och Fedex satsar stort på smarta transportflottor — i Amazons fall en flygande sådan.

Sakernas internet och AI är varsin sida av samma mynt. Tillsammans omformar de fyra megatrenderna snabbt den verklighet företag, organisationer och konsumenter befinner sig i. Och för den som är tidigt ute finns mycket att vinna.

Läs Chefboken i pdf-format:

 

Dags att logga in för fortsatt läsning!

Artikeln du vill läsa är låst. Logga in som Chefboken-prenumerant (eller bli prenumerant idag!) för att fortsätta läsa.

3 nr Chefboken
199 kr
Värde: 748 kr
Chefboken
Ny sammanfattning av aktuell ledarskapsbok varje månad
Digitalt bibliotek
Tillgång till över 100 titlar sammanfattade
Rabatt på Adlibris
Rabatt på månadens bok i sin helhet
Chefboken
Ny sammanfattning av aktuell ledarskapsbok varje månad
Digitalt bibliotek
Tillgång till över 100 titlar sammanfattade
Rabatt på Adlibris
Rabatt på månadens bok i sin helhet