Problemet er ikke at I mangler viden. Det er at hver analyse ligger for sig selv, så år to starter forfra i stedet for at bygge videre. En knowledge graph forbinder konklusionerne, så en ny analyse automatisk får den kontekst der er relevant for netop den.
I år et analyserer I markedet. Fem vigtige konklusioner kommer ud. De bliver skrevet ned.
I år to skal det samme marked analyseres igen. I starter forfra og håber nogen kan huske hvad der stod.
Det er det klassiske problem. Hver analyse er en ø. I finder noget vigtigt, og så ligger det i en mappe ingen åbner igen.
Hvad en knowledge graph er
Forestil jer at analyser, beslutninger, markedsdata og konkurrentindsigter ligger i én sammenhængende struktur i stedet for i hver sin fil.
Ikke hierarkisk, ikke som en mappestruktur. Et net, hvor hvert stykke viden er forbundet til det det påvirker.
En knude kunne være at netsalget i jeres branche voksede tydeligt sidste år. En anden er at en konkurrent lancerede et onlineprodukt i tredje kvartal. En tredje er at I besluttede at holde fast i de fysiske kanaler.
Hver for sig er de tre ting bare noter. Forbundet er de en forklaring, og næste gang nogen skal analysere markedet, kommer hele sammenhængen med.
I starter ikke forfra. I starter herfra.
Hvordan det virker
En analyse har input og output. Input er det den arbejder på, output er det den finder.
I en knowledge graph bliver output fra én analyse til input i den næste. Hver gang en analyse kører, gemmes konklusionerne som knuder med forbindelser til det de handler om. Når nogen senere analyserer samme område, hentes den relevante kontekst automatisk.
Forskellen i praksis er hvad analysen har at gå ud fra. Uden konteksten arbejder den på et isoleret datasæt. Med konteksten ved den også hvad I fandt sidst, og kan forholde sig til hvad der har ændret sig.
Det gør to ting: analysen bliver dybere, og den bliver hurtigere, fordi grundlaget ikke skal forklares forfra hver gang.
Hvorfor det betyder noget
De fleste mindre virksomheder har det samme forløb.
År et. I bruger tre måneder på strategi. Der kommer et dusin analyser ud. De bliver dokumenteret, mødet holdes, beslutningerne træffes.
År to. Strategien skal revideres. Dokumenterne ligger et sted, måske i en fælles mappe, måske i en mailtråd. I starter i praksis forfra, og bestiller nogle af de samme analyser igen.
År tre til fem. Ingen kan længere huske præcis hvad der blev besluttet i år et, eller hvorfor. Så I analyserer igen uden at vide om I allerede havde svaret.
Det er ikke fordi nogen er dårlige til at søge. Det er fordi viden ligger spredt, og fordi ingen ved hvad de skal søge efter.
Med en struktur der forbinder tingene, behøver I ikke søge. En konkurrentanalyse i år to indeholder af sig selv at konkurrenten åbnede en ny kanal året før, og hvad den kanal gjorde ved jeres position. I skrev det ned dengang. Nu dukker det op netop dér hvor det skal bruges.
Værdien vokser med tiden
Det er her det bliver interessant, og det er også derfor det er svært at få øje på i starten.
År et er første gennemgang. I finder et antal ting.
År to bygger på år et. I finder færre nye ting, men de er skarpere, fordi I nu kan se hvad der har flyttet sig frem for kun hvad der er.
År tre har kontekst fra to fulde runder. Nu bliver mønstre synlige som ikke kunne ses før, fordi de først viser sig over tid: et segment der langsomt bliver mindre lønsomt, en antagelse I har gentaget tre år i træk uden at efterprøve den, en konkurrent der bevæger sig konsekvent i én retning.
Det er ikke at systemet bliver bedre til at levere data. Det er at det bliver bedre til at forbinde dem.
Forskellen på en database og en graf
En database gemmer dokumenter. En graf gemmer sammenhænge.
Gemmer I en rapport i en database, kan I søge på ordet margin og finde alle rapporter der nævner margin. Det er nyttigt.
I en graf er spørgsmålet et andet: I analyserede margin i sammenhæng med et bestemt kundesegment, I analyserede senere det segment igen, og her er hvad ændringen betyder for marginen.
Det er ikke den samme information hentet hurtigere. Det er en sammenhæng der ikke fandtes i nogen af dokumenterne hver for sig.
Sådan kommer I i gang
I behøver ikke fem års data for at begynde.
- Vælg tre områder. Typisk marked, konkurrenter og egne kapabiliteter.
- Skriv konklusionerne ned som konklusioner. Ikke som referater. Én linje der kan stå alene: hvad fandt vi, og hvad byggede det på.
- Notér hvad I ikke vidste. Det er dét der gør næste analyse skarp, fordi den ved hvor hullet var.
- Gentag om tre måneder. Første gang mærker I ingen forskel. Anden gang gør I.
Punkt tre er det der oftest springes over, og det er det mest værdifulde. En konklusion uden sin usikkerhed kan ikke efterprøves senere.
Derfor er grafen bygget ind i analysen hos os
En vidensstruktur der kræver at nogen husker at vedligeholde den, bliver ikke vedligeholdt.
I 360° Sprint er noderne på boardet forbundet, og forbindelserne bestemmer den rækkefølge analysen kører i. En node får sin kontekst fra dem der ligger opstrøms via knowledge graph, så konkurrentanalysen faktisk kender konklusionen fra markedsanalysen. Resultaterne samles i Insights med kørselshistorik, så to analyser af samme område kan holdes op mod hinanden over tid.
Det er ikke noget nogen skal huske at gøre. Det er en konsekvens af at analyserne er forbundet i stedet for at ligge ved siden af hinanden.
Hvorfor det overhovedet er afgørende at kunne vende tilbage til grundlaget, står i strategisk intelligens som arbejdsmetode, og hvordan faserne i arbejdet hænger sammen, står i strategikæden.
Den egentlige gevinst er ikke at I ved hvad I vidste. Det er at ny viden automatisk bygger på den gamle, i stedet for at erstatte den.
Selve forløbet det indgår i, står i strategisk planlægning for SMV-ejere.