Magma
29.03.2023
SAMMENDRAG Teori og praksis innen økonomistyring har endret seg som følge av teknologisk utvikling og nye digitale verktøy.
I denne artikkelen utvikler vi diskusjonen gjennom å undersøke to sentrale konsept og verktøy i norske virksomheter: balansert målstyring og business intelligence. Basert på en spørreundersøkelse beskriver vi spredning, utforming og bruk av de to verktøyene. Resultatene viser at begge konsept har stor utbredelse i norske virksomheter. Undersøkelsen indikerer at de ofte brukes side om side. Det fører videre til en diskusjon om interaksjonen mellom balansert målstyring og business intelligence-systemer.1 Innledning
1.1 Formål og bidrag
Balansert målstyring (BMS) er et av de mest kjente og brukte ledelseskonseptene innen økonomi- og virksomhetsstyring (Rigby & Bilodeau, 2018) og feirer i skrivende stund 30-årsjubileum (Tawse & Tabesh, 2022). BMS har endret seg betydelig siden det ble introdusert, og det har gått fra å være et flerdimensjonalt prestasjonsmålesystem til å utvikle seg i retning av et strategisk ledelseskonsept (Hoque, 2014; Stemsrudhagen, 2003). Denne utviklingen skjer i takt med den digitale transformasjonen, hvorav business intelligence (BI), business analytics og big data er konsept som i dag tiltrekker seg mye oppmerksomhet (Verhoef et al., 2021). I tråd med den digitale transformasjonen har forskere internasjonalt foreslått tilpasninger av Kaplan og Norton (1992) sitt konsept for å utnytte mulighetene for mer omfattende prestasjonsmålinger ved bruk av BI-systemer (Appelbaum et al., 2017; Cokins, 2014; Raffoni et al., 2018; Silvi et al., 2010).
Formålet med artikkelen er å beskrive utviklingen i spredning, utforming og bruk av både BI og BMS. Vi legger stor vekt på koblingen og samspillet mellom BI og BMS siden det kan gi et viktig bidrag til den voksende litteraturen om interaksjonen mellom digitale verktøy og praksis innenfor økonomistyring (f.eks. Andreassen, 2020; Andreassen & Berg, 2020; Appelbaum et al., 2017; Elbashir et al., 2021; Knudsen, 2020; Rom & Rohde, 2007).
1.2 Oppbygning av artikkelen
Artikkelen går først gjennom sentral forskning om BI og BMS. Deretter beskriver vi innsamlingen av data fra norske virksomheter. I del fire og fem beskriver vi data og analyserer disse i lys av økonomistyringslitteraturen. I del seks konkluderer vi og gir forslag til videre forskning.
2 Litteraturgjennomgang
I takt med den digitale transformasjonen og mer globalisering har konkurranseintensiteten økt. Andreassen og Bjørnenak (2018) argumenterer for at planlegging, koordinering og evne til å raskt omstille virksomheten blir enda viktigere ved økt konkurranse. Økonomistyringen kan trekke veksler på nye og mer avanserte analysemetoder som gir beslutningstakere tilstrekkelig støtte for å håndtere usikkerhet og kompleksitet (Knudsen, 2020; Schläfke et al., 2013).
2.1 Business intelligence
Minst like viktig som tilgangen til store mengder data er evnen til å utnytte potensialet i dataene (Appelbaum et al., 2017; Arnaboldi et al., 2017). For å utnytte potensialet i dataene har flere tilhengere av BMS begynt å tilpasse konseptet ved å inkludere bruk av BI (Appelbaum et al., 2017; Cokins, 2014; Nielsen, 2015; Raffoni et al., 2018; Silvi et al., 2010). Ved bruk av BI-systemer kan virksomheter samle inn, lagre, tilgjengeliggjøre og gjennomføre avanserte analyser av big data fra virksomhetens drift og omgivelser (Appelbaum et al., 2017). Dette muliggjør en mer sanntidsoppdatert og fremtidsrettet rapportering som kan berike strategisk og operativ planlegging (Raffoni et al., 2018).
BI er et paraplybegrep for de prosessene og metodene der store datamengder omsettes i verdifull innsikt for å understøtte forretningsforståelse og beslutninger (Rud, 2009). Det inkluderer innsamling, lagring, tilgjengeliggjøring og avanserte analyser av data fra virksomhetens drift og omgivelser. Systemene forenkler denne prosessen og muliggjør en fremstilling av relevant informasjon i rapporter og dashboards. Power BI, SAP, SAS og Tableau er eksempler på programvare som kan brukes til slike formål (Appelbaum et al., 2017).
2.2 Big data
Forskerne har ikke blitt enige om hvordan begrepet big data skal defineres, og det finnes dermed flere definisjoner. I utgangspunktet ble big data kjennetegnet ved følgende tre V-er: volume (volum), velocity (hastighet) og variety (variasjon). Dette fremkommer også i definisjonen til De Mauro et al. (2016), hvor big data beskrives som «informasjonsressurser preget av stort volum, høy hastighet og bred variasjon som krever spesifikke teknologier og analytiske metoder for å omdannes til noe som har verdi». I ettertid er imidlertid flere v-er lagt til, som veracity (troverdighet), value (verdi), variability (variabilitet) og visualization (visualisering), som til sammen utgjør syv v-er. Dette gjør at det finnes ulike tolkninger av begrepet (Ylijoki & Porras, 2016).
Økte datamengder krever ny kunnskap og nye verktøy med høy prosesseringshastighet og lagringskapasitet for å kunne håndtere store datamengder (Andreassen & Bjørnenak, 2018; De Mauro et al., 2016; Klatt et al., 2011; Schläfke et al., 2013). For å kunne utnytte potensialet som ligger i big data, må virksomheter samle inn, prosessere og til slutt analysere datamengden. Data innhentet internt i virksomheten er gjerne strukturerte data som i mindre grad krever videre behandling. Det kan være ansattlister, timelister, salgstall og produksjonstall. Data innhentet eksternt er gjerne ustrukturerte og krever mer behandling før de tolkes og anvendes. Viktige eksterne datakilder er blant annet offentlige registre, nyheter, sosiale medier og nettfora (Appelbaum et al., 2017).
2.3 Business analytics
Metoder for å håndtere big data betegnes som business analytics (Sivarajah et al., 2017). Business analytics (BA) kan defineres som «bruk av data, informasjonsteknologi, statistisk analyse, kvantitative metoder og matematiske eller datadrevne modeller for å hjelpe ledere med å få bedre innsikt i driften og ta bedre, faktabaserte beslutninger» (Appelbaum et al., 2017, s. 32). I motsetning til tradisjonelle analysemetoder som antar stabilitet i omgivelsene og dreier seg om å rapportere finansielle nøkkeltall, anerkjenner BA en kontinuerlig endring i omgivelsene ved å basere seg på sanntidsoppdaterte data og fremoverskuende analyser. BA legger dermed til rette for at virksomheter skal kunne tilpasse seg endringer og reagere raskt (Segarra et al., 2016).
Det skilles vanligvis mellom tre typer analyseteknikker: deskriptive, prediktive og preskriptive analyser (Appelbaum et al., 2017; Davenport & Kim, 2013; Sivarajah et al., 2017). Valget av analysemetode er avhengig av analysens formål og tilgjengelige data i en organisasjon.
2.4 Analysebasert prestasjonsmåling
Gjennom en økt mengde data vil BA potensielt gi bedre innsikt i virksomheters prosesser og avdekke hva som driver finansiell prestasjon (Schläfke et al., 2013). Flere forskere har fremstilt implementeringen av BA i prestasjonsmålingen i egne rammeverk (Appelbaum et al., 2017; Raffoni et al., 2018; Schläfke et al., 2013; Segarra et al., 2016).
En studie av Appelbaum et al. (2017) tar for seg deskriptive, prediktive og preskriptive analyser og presenterer et rammeverk som illustrerer hvordan BA kan implementeres i de fire målekortperspektivene fra konseptet til Kaplan og Norton. Ulike dataanalyser må inkluderes i de ulike perspektivene for å oppnå en omfattende måling. Videre diskuterer litteraturen potensialet i BA for å identifisere drivere til strategiske resultater i sammenhenger mellom årsak og virkning, evaluere strategiske mål og utvikle måleparametere som er forankret i virksomhetens strategi (Appelbaum et al., 2017; Cokins, 2013; Ittner & Larcker, 2005; Silvestro, 2016).
For at et målekort skal være komplett, bør det omfatte svar på årsakssammenhenger mellom måleparametere (Kaplan & Norton, 1992). I et målekort kobler måleparametere sammen operasjonelle handlinger og virksomhetens overordnede mål. Ved å koble måleparametere sammen i årsak-virkning-sammenhenger tar man hensyn til den viktige tidsdimensjonen. Målekortet vil derfor inneholde både lead- og lagindikatorer.
I motsetning til tradisjonelle analysemetoder som antar stabilitet i omgivelsene og dreier seg om å rapportere finansielle nøkkeltall, anerkjenner BA en kontinuerlig endring i omgivelsene ved å basere seg på sanntidsoppdaterte data og fremoverskuende analyser.
Nye datakilder kombinert med avanserte analysemetoder gir flere muligheter for å utforske sammenhenger mellom årsak og virkning på tvers av måleparametere (Appelbaum et al., 2017; Klatt et al., 2011). Med korrelasjonsanalyser kan det undersøkes i hvilken grad en leadindikator påvirker en lagindikator. Årsakssammenhenger kan for eksempel visualiseres gjennom tykkelsen på en pil mellom to måleparametere, hvor tykkelsen på pilen gjenspeiler forklaringsevnen (Cokins, 2013). Appelbaum et al. (2017) påpeker imidlertid at resultatene fra en korrelasjonsanalyse må tolkes kritisk, siden korrelasjoner mellom ulike måleparametere ikke nødvendigvis påviser kausalitet. Dersom en benytter indikatorer basert på ukorrekte antakelser om kausalitet, risikerer man at måleparameterne utløser tiltak som svekker verdiskapingen (Andreassen & Bjørnenak, 2018).
2.5 Fremstilling og rapportering
Ny teknologi gir muligheter for bedre tilgang til og fremstilling av oppdatert informasjon, som igjen kan bidra til en tettere oppfølging av prestasjoner og prosesser (Ho et al., 2014). Ved å innhente data både fra interne og eksterne kilder får man bedre datakvalitet og mer detaljert og helhetlige rapporter (Al-Htaybat & von Alberti-Alhtaybat, 2017). BI-systemer muliggjør deskriptive analyser og kontinuerlig
Gå til mediet1.1 Formål og bidrag
Balansert målstyring (BMS) er et av de mest kjente og brukte ledelseskonseptene innen økonomi- og virksomhetsstyring (Rigby & Bilodeau, 2018) og feirer i skrivende stund 30-årsjubileum (Tawse & Tabesh, 2022). BMS har endret seg betydelig siden det ble introdusert, og det har gått fra å være et flerdimensjonalt prestasjonsmålesystem til å utvikle seg i retning av et strategisk ledelseskonsept (Hoque, 2014; Stemsrudhagen, 2003). Denne utviklingen skjer i takt med den digitale transformasjonen, hvorav business intelligence (BI), business analytics og big data er konsept som i dag tiltrekker seg mye oppmerksomhet (Verhoef et al., 2021). I tråd med den digitale transformasjonen har forskere internasjonalt foreslått tilpasninger av Kaplan og Norton (1992) sitt konsept for å utnytte mulighetene for mer omfattende prestasjonsmålinger ved bruk av BI-systemer (Appelbaum et al., 2017; Cokins, 2014; Raffoni et al., 2018; Silvi et al., 2010).
Formålet med artikkelen er å beskrive utviklingen i spredning, utforming og bruk av både BI og BMS. Vi legger stor vekt på koblingen og samspillet mellom BI og BMS siden det kan gi et viktig bidrag til den voksende litteraturen om interaksjonen mellom digitale verktøy og praksis innenfor økonomistyring (f.eks. Andreassen, 2020; Andreassen & Berg, 2020; Appelbaum et al., 2017; Elbashir et al., 2021; Knudsen, 2020; Rom & Rohde, 2007).
1.2 Oppbygning av artikkelen
Artikkelen går først gjennom sentral forskning om BI og BMS. Deretter beskriver vi innsamlingen av data fra norske virksomheter. I del fire og fem beskriver vi data og analyserer disse i lys av økonomistyringslitteraturen. I del seks konkluderer vi og gir forslag til videre forskning.
2 Litteraturgjennomgang
I takt med den digitale transformasjonen og mer globalisering har konkurranseintensiteten økt. Andreassen og Bjørnenak (2018) argumenterer for at planlegging, koordinering og evne til å raskt omstille virksomheten blir enda viktigere ved økt konkurranse. Økonomistyringen kan trekke veksler på nye og mer avanserte analysemetoder som gir beslutningstakere tilstrekkelig støtte for å håndtere usikkerhet og kompleksitet (Knudsen, 2020; Schläfke et al., 2013).
2.1 Business intelligence
Minst like viktig som tilgangen til store mengder data er evnen til å utnytte potensialet i dataene (Appelbaum et al., 2017; Arnaboldi et al., 2017). For å utnytte potensialet i dataene har flere tilhengere av BMS begynt å tilpasse konseptet ved å inkludere bruk av BI (Appelbaum et al., 2017; Cokins, 2014; Nielsen, 2015; Raffoni et al., 2018; Silvi et al., 2010). Ved bruk av BI-systemer kan virksomheter samle inn, lagre, tilgjengeliggjøre og gjennomføre avanserte analyser av big data fra virksomhetens drift og omgivelser (Appelbaum et al., 2017). Dette muliggjør en mer sanntidsoppdatert og fremtidsrettet rapportering som kan berike strategisk og operativ planlegging (Raffoni et al., 2018).
BI er et paraplybegrep for de prosessene og metodene der store datamengder omsettes i verdifull innsikt for å understøtte forretningsforståelse og beslutninger (Rud, 2009). Det inkluderer innsamling, lagring, tilgjengeliggjøring og avanserte analyser av data fra virksomhetens drift og omgivelser. Systemene forenkler denne prosessen og muliggjør en fremstilling av relevant informasjon i rapporter og dashboards. Power BI, SAP, SAS og Tableau er eksempler på programvare som kan brukes til slike formål (Appelbaum et al., 2017).
2.2 Big data
Forskerne har ikke blitt enige om hvordan begrepet big data skal defineres, og det finnes dermed flere definisjoner. I utgangspunktet ble big data kjennetegnet ved følgende tre V-er: volume (volum), velocity (hastighet) og variety (variasjon). Dette fremkommer også i definisjonen til De Mauro et al. (2016), hvor big data beskrives som «informasjonsressurser preget av stort volum, høy hastighet og bred variasjon som krever spesifikke teknologier og analytiske metoder for å omdannes til noe som har verdi». I ettertid er imidlertid flere v-er lagt til, som veracity (troverdighet), value (verdi), variability (variabilitet) og visualization (visualisering), som til sammen utgjør syv v-er. Dette gjør at det finnes ulike tolkninger av begrepet (Ylijoki & Porras, 2016).
Økte datamengder krever ny kunnskap og nye verktøy med høy prosesseringshastighet og lagringskapasitet for å kunne håndtere store datamengder (Andreassen & Bjørnenak, 2018; De Mauro et al., 2016; Klatt et al., 2011; Schläfke et al., 2013). For å kunne utnytte potensialet som ligger i big data, må virksomheter samle inn, prosessere og til slutt analysere datamengden. Data innhentet internt i virksomheten er gjerne strukturerte data som i mindre grad krever videre behandling. Det kan være ansattlister, timelister, salgstall og produksjonstall. Data innhentet eksternt er gjerne ustrukturerte og krever mer behandling før de tolkes og anvendes. Viktige eksterne datakilder er blant annet offentlige registre, nyheter, sosiale medier og nettfora (Appelbaum et al., 2017).
2.3 Business analytics
Metoder for å håndtere big data betegnes som business analytics (Sivarajah et al., 2017). Business analytics (BA) kan defineres som «bruk av data, informasjonsteknologi, statistisk analyse, kvantitative metoder og matematiske eller datadrevne modeller for å hjelpe ledere med å få bedre innsikt i driften og ta bedre, faktabaserte beslutninger» (Appelbaum et al., 2017, s. 32). I motsetning til tradisjonelle analysemetoder som antar stabilitet i omgivelsene og dreier seg om å rapportere finansielle nøkkeltall, anerkjenner BA en kontinuerlig endring i omgivelsene ved å basere seg på sanntidsoppdaterte data og fremoverskuende analyser. BA legger dermed til rette for at virksomheter skal kunne tilpasse seg endringer og reagere raskt (Segarra et al., 2016).
Det skilles vanligvis mellom tre typer analyseteknikker: deskriptive, prediktive og preskriptive analyser (Appelbaum et al., 2017; Davenport & Kim, 2013; Sivarajah et al., 2017). Valget av analysemetode er avhengig av analysens formål og tilgjengelige data i en organisasjon.
2.4 Analysebasert prestasjonsmåling
Gjennom en økt mengde data vil BA potensielt gi bedre innsikt i virksomheters prosesser og avdekke hva som driver finansiell prestasjon (Schläfke et al., 2013). Flere forskere har fremstilt implementeringen av BA i prestasjonsmålingen i egne rammeverk (Appelbaum et al., 2017; Raffoni et al., 2018; Schläfke et al., 2013; Segarra et al., 2016).
En studie av Appelbaum et al. (2017) tar for seg deskriptive, prediktive og preskriptive analyser og presenterer et rammeverk som illustrerer hvordan BA kan implementeres i de fire målekortperspektivene fra konseptet til Kaplan og Norton. Ulike dataanalyser må inkluderes i de ulike perspektivene for å oppnå en omfattende måling. Videre diskuterer litteraturen potensialet i BA for å identifisere drivere til strategiske resultater i sammenhenger mellom årsak og virkning, evaluere strategiske mål og utvikle måleparametere som er forankret i virksomhetens strategi (Appelbaum et al., 2017; Cokins, 2013; Ittner & Larcker, 2005; Silvestro, 2016).
For at et målekort skal være komplett, bør det omfatte svar på årsakssammenhenger mellom måleparametere (Kaplan & Norton, 1992). I et målekort kobler måleparametere sammen operasjonelle handlinger og virksomhetens overordnede mål. Ved å koble måleparametere sammen i årsak-virkning-sammenhenger tar man hensyn til den viktige tidsdimensjonen. Målekortet vil derfor inneholde både lead- og lagindikatorer.
I motsetning til tradisjonelle analysemetoder som antar stabilitet i omgivelsene og dreier seg om å rapportere finansielle nøkkeltall, anerkjenner BA en kontinuerlig endring i omgivelsene ved å basere seg på sanntidsoppdaterte data og fremoverskuende analyser.
Nye datakilder kombinert med avanserte analysemetoder gir flere muligheter for å utforske sammenhenger mellom årsak og virkning på tvers av måleparametere (Appelbaum et al., 2017; Klatt et al., 2011). Med korrelasjonsanalyser kan det undersøkes i hvilken grad en leadindikator påvirker en lagindikator. Årsakssammenhenger kan for eksempel visualiseres gjennom tykkelsen på en pil mellom to måleparametere, hvor tykkelsen på pilen gjenspeiler forklaringsevnen (Cokins, 2013). Appelbaum et al. (2017) påpeker imidlertid at resultatene fra en korrelasjonsanalyse må tolkes kritisk, siden korrelasjoner mellom ulike måleparametere ikke nødvendigvis påviser kausalitet. Dersom en benytter indikatorer basert på ukorrekte antakelser om kausalitet, risikerer man at måleparameterne utløser tiltak som svekker verdiskapingen (Andreassen & Bjørnenak, 2018).
2.5 Fremstilling og rapportering
Ny teknologi gir muligheter for bedre tilgang til og fremstilling av oppdatert informasjon, som igjen kan bidra til en tettere oppfølging av prestasjoner og prosesser (Ho et al., 2014). Ved å innhente data både fra interne og eksterne kilder får man bedre datakvalitet og mer detaljert og helhetlige rapporter (Al-Htaybat & von Alberti-Alhtaybat, 2017). BI-systemer muliggjør deskriptive analyser og kontinuerlig
