Hyttetur kl 14:30 eller produktivitetsvekst?

Produktivitetskommisjonen har belyst at Norge er middelmådig uten oljen og at vår fremtidige velstand og velferd forutsetter at produktiviteten fortsetter å vokse. Men hva gjør vi for å komme dit? Og er det bare det at vi må bli mer effektive, eller må vi rett og slett legge inn noen ekstra arbeidstimer hver uke?

4 kjappe OECD-fakta om Norge
Hentet ut fra OECD Better Life Index

  1. I Norge er gjennomsnittlig netto disponibel inntekt per capita USD 32 093 I året, mer enn gjennomsnittet I OECD som ligger på23 938 USD i året.
  2. 76% i alderen 15-64 i Norge i betalt arbeid. Det er høyere enn gjennomsnittet i OECD som ligger på 65%.
  3. I Norge har 82% av alle voksne mellom 25-64 år gjennomfør videregående eller tilsvarende utdanning. Det er høyere enn OECD gjennomsnittet på 75 %. Det gjelder både kvinner og menn.
  4. Nordmenn jobber 1 420 timer i året, mindre enn OECD-gjennomsnittet som ligger på 1 765 timer.

En nasjon av oljeavhengige
Norge sliter med avhengighet. Oljeavhengighet. Vi avsluttet fjoråret med å smake på hvordan det blir når oljeinntekten forsvinner, og det ga nok en bitter smak hos mange i Norges langstrakte land. Vi må ta til oss fjorårets utvikling, og ta det som et varselskudd. Nå må noe endres.

Jeg mener at endringen som må til er knyttet opp i mot den fallende produktivitetsveksten i Norge. Trond-Morten Lindberg, Trond Mohn, og Herbjørn Hansson mener at vi preges av latskap og at vi må jobbe hardere, og mer.

Ser vi på statistikken fra OECD som viser at vi i Norge jobber 345 timer mindre i året enn hva som er snittet i OECD-landene, er det en indikasjon på at arbeidstiden er i en slik forfatning at vi bør reflektere over «latskapsargumentet». Vi må ta en debatt for å belyse hva som er problematikken med at det er rushtid ut av Oslo kl 14:30 hver eneste fredag. Det gjelder spesielt i disse dager når oljeprisen er lav og ser ut til å forbli lavere enn hva som har vært tidligere i «Det norske oljeeventyret». Men det er selvfølgelig også flere faktorer enn «latskap» som spiller inn når vi skal ta tak i produktivitetsveksten. Hele poenget med å øke produktiviteten er at hver input enhet må yte mer. Da må vi må jobbe smartere, ikke nødvendeigvis mer.

Produktivitetsnedgang
«Fra 1970 til 2005 steg verdiskapingen per arbeidet time i fastlandsøkonomien om lag på linje med utviklingen i Tyskland og Storbritannia, men klart raskere enn i USA og Sverige. De siste årene har imidlertid veksten i produktiviteten vært svak. Selv om dette er et trekk vi også finner i en del andre land, er det bekymringsfullt for framtidig inntekts- og velstandsutvikling i Norge.» Det sier Produktivitetskommisjonen om rikets tilstand. Under ser man hvorfor det er grunn til bekymring: Et stort sprik mellom reallønn og produktivitetsnivået.

PRoduktivitets og reallønnsvekst graph

Før vi setter i gang med en diskusjon om Norges produktivitet vil jeg sette parameterne. Når økonomer diskuterer produktivitet er det snakk om forholdet mellom ressursene man setter inn i produksjonen (input) og det som kommer ut av produksjonen (output). Det handler også om hvor godt du utnytter ressursene, og hvor mye hver «enhet» produserer per time. Og til syvende sist handler hele produktivitetsdiskusjonen om verdiskapning, som er verdien på omsetningen når man trekker fra kostnader knyttet til bruk av kjøpte varer og tjenester.

Produktivitetskommisjonen mottar en rekke innspill fra organisasjoner og virksomheter. En av disse rapportene kommer fra analyseselskapet Menon, med tittelen «Høyere utdanning som kilde til produktivitet og konkurranseevne: Hva sier tallene for Norge?». De hevder at verdiskapning i grove trekk kan økes på tre måter:

1. Ved å benytte mer input kan man skape mer output (større volumer)
Vi har hatt en enorm vekst innen IT de siste 20–30 årene, og har nytt godt av det frem til omtrent 2005. Deretter har produktivitetsveksten falt. Hvis grunnen til dette er at vi er mettet med produktivitetsfremmende IT-løsninger må vi vurdere hvilke andre faktorer vi kan øke eller endre for å stimulere økonomien. Her må jeg si meg enig med Mohn, Hansson og Lindberg som ønsker flere arbeidstimer. Dersom de som deltar i rushen kl 14:30 hver fredag venter til 16:30, får vi to timer mer med produksjon fra hver ansatte, og dermed en verdiskapning som er betydelig. Her må lederne gå foran som gode eksempler og vente med hytteturen til minst kl 16:00 på fredagen.

2. Ved å bli mer produktiv slik at man får mer ut av hver input-enhet
Vi må selvfølgelig også jobbe videre med punkt 2: Hvordan bli mer produktiv slik at vi får mer ut av hver input-enhet. Produktivitetskommisjonen har identifisert tre områder de skal gå videre med for å komme opp med politikkforslag:

  1. Teknologi, utvikling, innovasjon
  2. Bedre bruk av arbeidskraftsressursene
  3. Tiltak for økt produktivitet i offentlig sektor.

Jeg er enig, men det må gjøres i samsvar med punkt 1, altså at totale arbeidstimer må øke. For å få mer ut av hver input-enhet må vi utvikle gode integrasjons- og business intelligence (BI) systemer. Siden tidlig 90-tallet har vi implementert mange svære nyttige og effektiviserende IT-løsninger. Vi begynte med regnskapssystemer deretter lønnssystemer, CRM og e-post, før Internett virkelig ble stort i rundt 2000. Måten vi jobbet på ble betraktelig effektivisert med alle disse verktøyene. I tillegg ble det mulig å lage mange nye og bedre systemer, og bedriftene tok i bruk mange flere av disse. Men nå kan det se ut som markedet er i ferd med å bli mettet med IT-systemer. En bedrift skal jo tross alt bruke alle systemene også, ikke bare ha dem. Man blir ikke mer produktiv/effektiv av å kjøpe enda et system. Vi står altså overfor en ny type problemstilling. Vi har for mange systemer som ikke snakker sammen, vi blir overveldet og dermed mindre produktive.

Men hvis vi nå er mettet med IT-systemer, betyr det at vi ikke kan bli mer produktive enn det vi er i dag? Ikke nødvendigvis. Vi sitter nemlig med enorme mengder data, såkalte «store data», også kjent på engelsk som «big data». Dette er gull som kan gjøre oss langt mer produktive i arbeidsmetodikk, strategilegging og beslutningsprosesser. Det er den potensielle omdirigering av vår slake produktivitetskurve. Dessverre, grunnet motvilje eller manglende forståelse fra forretningsledere ser man en for lav implementering av BI-systemer hvilket resulterer i at vi ikke når neste nivå i arbeidseffektivisering og dermed produktivitetsvekst.

Med tanke på punkt 2 må vi også ta innover oss Menon-rapporten (s. 3) som identifiserer en tydelig positiv samvariasjon mellom veksten i næringenes akademikerandel og veksten i næringenes produktivitet. De viser også til et statistisk signifikant mønster der høy vekst i akademikerandel går sammen med lavere vekst i lønnskostnader per verdiskapningskrone, dvs. høyere konkurranseevne. Vi må altså fortsett å satse på høyere utdanning.

Menon graph

3. Ved at prisen på det man produserer stiger
Til slutt må vi vurdere prising av tjenestene våre. Men med en så høy lønnsvekst vi har sett de siste årene, bør vi i denne omgangen fokusere på punkt 1 og 2. Alternativt må vi akseptere en nedgang i lønn.

Produktivitetsmåling i offentlig sektor
Jeg blir bekymret når jeg leser i Menons rapport at de har begrunnet sitt valg om å kun se på konkurranseutsatt sektor som følger:

«Som diskutert i kapittel 4 ser vi kun på de næringene som inngår i konkurranseutsatt sektor når vi måler produktivitet og konkurranseevne. Begrunnelsen for dette når det gjelder produktivitet er følgende: I offentlig sektor er det vanskelig å beregne verdiskaping fordi dette ofte kun er en refleksjon av lønnskostnader. Da blir det vanskelig å beregne produktivitet når vi mangler et godt mål på verdiskaping.»

Mohn sier til Dagens Næringsliv, «Produktiviteten må opp i offentlig sektor. Om 20 år vil det være nesten dobbelt så mange over 67 år som i dag. Det skaper store utfordringer og et voldsomt behov for arbeidskraft.» Jeg er enig. Og hvis det viser seg at produktivitetsnivået i offentlig sektor ikke en gang kan måles skikkelig, ja da må vi i hvert fall begynne der!

Avslutningsvis er det en ting som er sikkert: Sommertid i offentlig sektor bidrar nok ikke så veldig mye til økt produksjon i Norge…

Arild Spandow (1)
CEO Arild Spandow
Amesto Group
Twitter:
@CEOAmesto

Business Intelligence til folket!

BI Big data

I de kommende månedene skal vi utforske mulighetene innen Business Intelligence (BI). I det første innlegget skal vi lose deg gjennom BI-verden. Vi skal forklare hva buzzordet «Big Data» betyr og hva «Business Intelligence» innebærer. Til slutt skal vi overbevise deg om at tiden er inne for at du som forretningsaktør skal bry deg. I tillegg introduserer vi IBMs store helt: Watson.

Big Data
Big data, eller på godt norsk «store data», er buzzord vi kommer til å høre mye fremover. Det snakkes mye om, og det er etter hvert blitt en allmenn enighet om at Big Data kommer til å påvirke en rekke beslutninger i tiden fremover. La oss begynne med å definere hva som menes med denne terminologien.

CEO i Amesto Solutions, Jan Erik Kaasa forklarer begrepet som følger, «Big Data er et begrep som omfatter all tilgjengelig tenkbar informasjon i tillegg til de data man har i interne databaser i egen virksomhet / bedrift.»

Lars Rinnan, CEO i NextBridge følger opp med at, «Big Data er datasett som er så store, flyktige eller komplekse at det er vanskelig å analysere disse med vanlige dataprosesseringsverktøy. Disse ustrukturerte eller semistrukturerte dataene kommer hovedsakelig fra sosiale medier, sensorer eller «dingser» koblet til internett (Internet of Things)»

Det er fint nok med store data, men man bør nesten gjøre noe fornuftig med den også, ikke bare ruge på den. Så, hva gjør du med all denne informasjonen? Det er her «Business Intelligence» kommer inn i bildet.

Business Intelligence
Alle bedrifter sitter på store mengder informasjon som ligger i ERP-, HR- og CRM-systemene. Disse dataene, satt i riktig system, kan gi deg svar på hvordan du skal løse forretningsutfordringene i din virksomhet.

For å forklare hvem som bruker BI til hva, og hva potensialet er kan vi se på pyramiden under.

BIpyramiden2

På bunnen av pyramiden ser man at man har flest brukere. På dette nivået gjelder enterprise reporting. Analyser av denne type data ser på fortiden. Forretningsbrukere og ledere kan se hva som skjedde den siste måneden, eller det siste året. Man setter seg konkrete analyser, behandler dataene og finner svar på spørsmålene man stilte da man gikk inn i analysen.

I pyramidens mellomnivåer er det noen færre aktører. I dette segmentet monitorerer man nåtid. I tillegg foretar man ad-hoc analyser for å finne ut hvorfor noe skjedde.  Det produseres scorecards og dashboards som kan bistå i beslutningsprosesser. La oss ta et eksempel på hva man kan oppnå ved å investere i denne type BI:

Et norsk eiendomsfirma sliter per dags dato med salget. La oss kalle dem Bo Li Eiendom AS.  Det er stor variasjon blant selgernivået – noen selger for mange millioner mer enn andre. Ved å overføre all informasjonen fra Bo Li Eiendom AS’ systemer inn i BI-systemene kan man identifisere hvilke elementer som skiller de ti beste selgerne fra de andre selgerne. Er det at de har hatt mer opplæring? Lengre utdanning? Snakker mer enn ett språk? Har de beste selgerne hatt den samme sjefen på et eller annet tidspunkt? Når faktorene er identifisert kan man implementere tiltak for å øke nivået på de andre selgerne. La oss si det er 40 selgere, og man øker salget til 30 selgere med 10 prosent og firmaet omsetter for 700 millioner årlig… Ja, da kan man vel begynne å se konturene av en ganske betydelig return on investment (RoI) ved å investere i BI-systemer.

«Man vet ikke alltid hva man ser etter når man begynner å systematisere disse dataene, men det er i dette segmentet man kan finne gull.»

På det øverste nivået opererer de færreste. Det er synd, for det er her det begynner å bli virkelig spennende. Kort fortalt og for å tabloidisere: I dette segmentet kan man se inn i fremtiden. Her opererer man med løse hypoteser, og jobber med prediktiv analyse. Man vet ikke alltid hva man ser etter når man begynner å analysere disse dataene, men det er i dette segmentet man kan finne gull. BI-systemene kan for eksempel identifisere problemer man ikke visste man hadde eller se hvilke kunder som har høyest sannsynlighet for å respondere positivt på din kampanje.

Det er kanskje noen av dere som har kjøpt tilleggsprodukter hos Telenor det siste året? Telenor er en av de fremste innen prediktiv analyse. De identifiserer kundens behov og hvilke kunder som er mest tilbøyelig til å si ja til et nytt tilbud eller tilleggsprodukt og hva slags tilbud/produkt dette eventuelt måtte være. Så tar de kontakt med kunden og tilbyr deg noe du faktisk trenger. De får et salg, og du blir fornøyd.

Man kan også identifisere kunder som står i fare for å forlate ditt firma. Dersom man vet hvem som står i fare for å avslutte kundeforholdet står man mye sterkere med tanke på å igangsette proaktive tiltak for å unngå å miste kunden. Med dette som verktøy kan man altså beholde inntekten fra kunden, samt opprettholde sitt gode rykte ved å unngå misfornøyde kunder.

Men hvordan kan man gjøre denne prosessen enkel? Let us introduce Mr Watson.

Watson: Let’s finish «chicks dig me»
Supercomputeren Watson kan prosessere over 200 millioner sider i sekundet og kan i tillegg forstå og prosessere naturlig språk. Med sine superkrefter har den knust de dyktigste Jeopardy-spillerne og i tillegg begynt å diagnostisere sykdommer hos pasienter som ellers hadde måtte vente i mange måneder på riktig diagnostiseringen. Watson er selve symbolet på fremtiden og hvor beslutningsstøtte er på vei. Det kan godt tenkes at han ender opp på styrerom innen kort tid.

«Vår spådom er at å investere i en Watson, eller et tilsvarende verktøy blir en uunngåelig del av forretningsdriften»

Watson beviste sine evner da «han» deltok i det kjente TV-programmet Jeopardy. Med sin stakkato digitaliserte stemme konstaterer supercomputeren Watson, etter å ha vunnet nesten hele rekken med Jeopary-spørsmål, «Let’s finish “Chicks dig me”». Den fullsatte Jeopardy-salen humret godt. Om ikke Watson har en fremtid som standup komiker har han i det minste fremtid som din høyre hånd på styrerommet, sykehuset, finansinstitusjoner og stort sett alle andre bransjer man kan tenke seg. Vår spådom er at å investere i en Watson, eller et tilsvarende verktøy blir en uunngåelig del av forretningsdriften for de aller fleste mellomstore og store bedrifter på verdensbasis.

Vår spådom forankres nå når IBM har åpnet opp for at man kan leie Watson fra skyen i betaversjon. Skulle du ønske å være like smart som Watson er det nå altså mulig. Den en gang tidkrevende oppgaven med å forberede data, gjennomføre analyser, og sette sammen en visuell historiefortelling for forretningsaktører automatiseres med Watson. Det betyr at enorme mengder tid frigjøres og ditt firma kan effektiviseres betraktelig. Over 22 000 har allerede meldt seg opp til å bruke betaversjonen.

Fra «informasjonsrevolusjon» til «ansvarlighetsrevolusjonen»
Tiden er over da man en gang kunne si, «Jeg hadde ikke mulighet til å hente ut riktig informasjon fordi jeg manglet data.» Systemene er i ferd med å bli for bra, og du kan oppnå gevinster som er for store til å ignorere. Fra nå av og i fremtiden må du stå ansvarlig for valgene dine ved å kunne underbygge dem med kunnskap hentet ut fra store data som er analysert og endevendt. Det er opp til deg om du velger å benytte deg av moderne BI-systemer eller utdaterte unnskyldninger.

Hva velger du?

Signatur2