Kan du lita på din data?

Inledning

Mitra:

Varmt välkomna till Syntra och vårt andra avsnitt! Idag ska vi prata om informationskvalitet, tillit, ansvar och datapussel. Hur hänger de här bitarna ihop? Det ska vi djupdyka i tillsammans med Glenn Svanberg, som ni fick träffa i vårt första avsnitt. Kul att du är tillbaka!

Glenn:

Kul att vara här igen. Jättespännande ska det bli!

Mitra:

Och idag har vi även fått med oss Martin Vollrathson. Vem är du, Martin?

Martin:

Ja, vem är jag? Jag är systemutvecklare här på Fiwe, med en bakgrund inom e-handel och produktdata sedan 20 år tillbaka. Så jag hoppas jag har någonting vettigt att bidra med.

Mitra:

Det tror jag nog med all säkerhet. Och för dig som inte har lyssnat tidigare: det här är podden för dig som driver din funktion framåt och vill förstå hur samspelet mellan system och användare påverkar vårt arbetssätt. Vi delar med oss av insikter om hur nya tekniska möjligheter transformerar hur vi arbetar och interagerar med teknik. Med det sagt börjar vi med frågan: vad menar vi egentligen med informationskvalitet?

Vad är skillnaden mellan datakvalitet och informationskvalitet?

Glenn:

Det är en jättespännande term! Men innan vi svarar på den frågan vill jag prata om skillnaden mellan data och information. Vi har pratat om datakvalitet länge, och när jag tänker på data handlar det om en enstaka datapunkt. Det är en del i ett informationspussel. Först när du sätter samman flera datapunkter skapar du faktiskt mening och kommunicerar någonting.

Tar vi ett konkret exempel: datakvalitet handlar om att du ska ha en färg registrerad på en artikel. Det är jätteviktigt. Har du färg på alla artiklar och det lyser grönt på 100 procent, då har du bra datakvalitet. Men informationskvalitet handlar om något mer. Är det rätt färg på den specifika artikeln? En bild kan visa vitt medan det i fältet står "grön t-shirt". Då har du kanske hundraprocentig datakvalitet, men i princip ingen informationskvalitet.

Martin:

Jag har ett bra exempel jag hittade online, en kakelplatta. Läser man de tekniska attributen står det "placering: vägg eller golv" och "yta: matt". Men tittar man på bilden ser kakel rena verkligen blankt ut. Läser man dessutom beskrivningen framgår det att den rekommenderas enbart för vägg, eftersom kakel är sprödare än klinker. Så det finns uppenbara motsägelser i den publicerade informationen.

Glenn:

Den typen av exempel kan man hitta nästan överallt. Jag tror att problemet länge har ignorerats för att det inte riktigt funnits sätt att hantera det. Vi ser ju att det tillkommer mer och mer data hela tiden. Vi kopplar på nya källor, hämtar in externa dataflöden. Men vi har inte haft tid att granska alla datafält, och ändå sätter vi ihop allt till ett informationspussel i slutändan.

Martin:

Precis. När man hade 1 000 eller 10 000 artiklar var det hanterbart. Någon kunde ha grepp om vilken information som faktiskt publicerades. Men med 100 000 artiklar, 500 fält per artikel och krav på snabb time to market, hur ska man kunna veta om varje artikel är korrekt?

Glenn:

Då landar man i att man bara litar på det och trycker ut informationen. Och sådana här exempel hittar man sedan överallt.

Vilka konsekvenser får dålig informationskvalitet?

Glenn:

Konsekvenserna är rätt kraftiga. Dels vågar kunden inte genomföra köpet om informationen är oklar eller motsägelsefull. Vet jag inte om jag får en röd eller vit t-shirt, givet att bilden och texten säger olika saker, kanske jag går vidare till en annan aktör. Men det skadar också ert varumärke. Vad kommunicerar det om er kontroll och er professionalism att trycka ut felaktig information?

Martin:

Och rent ekonomiska konsekvenser tillkommer: returer ökar när leveransen inte stämmer överens med beskrivningen. Jag tror att vi idag lägger mycket av granskningsansvaret på slutkunden. Den som ska köpa något är medveten, åtminstone undermedveten, om att det kan vara fel. Hittar man en produkt man vill ha börjar man kolla på andra handlare för att dubbelkolla att informationen faktiskt stämmer. Om vi kan avlasta kunden det ansvaret och leverera bättre information, det måste vara en konkurrensfördel.

Glenn:

Absolut. När jag köper något väljer jag den aktör jag litar mest på, den som har bäst information. Och jag kommer tillbaka om och om igen, för jag vet vad jag faktiskt köper. Det är ett tydligt säljargument.

Martin:

Och den tilliten färgar av sig på resten. Kan man lita på informationen som publiceras, skapas en automatisk förväntan att man också kan lita på logistiken och returhanteringen.

Vad har tillit med informationskvalitet att göra?

Mitra:

Ni nämner hur det påverkar varumärket och förtroendet för ett bolag. Om vi gräver djupare i just begreppet tillit, hur hänger det ihop med informationskvalitet?

Glenn:

Man kan ha tillit till ett företag, ett varumärke eller en person, och de är ofta knutna till varandra. Jag litar på en person på ett bolag och därför litar jag på bolaget. Utåt sett är det kundens uppfattning av er som bolag som spelar roll. Men inuti finns det alltid någon som tar ansvar och som gör att bolaget förtjänar den tilliten. För att någon ska kunna ta ansvar måste de lita på sina interna processer och verktyg. Tillit går igenom på flera nivåer.

Martin:

Vi pratade innan om huruvida man ska ange att en text är framtagen med hjälp av AI. Jag tänker att vad man egentligen borde publicera tillsammans med sin information är valideringsramverket. Man förklarar vilka kriterier informationen har validerats mot. Då kan kunden avgöra om processen verkar tillförlitlig. Jag tror det är mer förtroendeingivande att visa hur man har granskat informationen, oavsett om den är AI-genererad eller mänskligt producerad.

Mitra:

Tillit är ett spännande begrepp. Jag litar blint på dig Glenn och på dig Martin. Säger du att du åt köttbullar till lunch behöver jag inte verifiera det. Jag var inte i lunchrummet, men jag tror på dig ändå. Men varför litar jag inte lika starkt på ett system?

Martin:

Precis. Och det är en bra fråga. Jag kanske faktiskt åt köttbullar dagen innan och blandat ihop dagarna. Det är min process för att ta fram informationen som var felaktig, inte min avsikt att ljuga.

Glenn:

Tillit byggs över tid. Du litar på Martin för att han brukar vara ärlig om den typen av saker. Han har byggt upp det förtroendet. Jag tror man behöver förhålla sig till system och processer på samma sätt: du kan växa in i tilliten om du faktiskt verifierar kontinuerligt och ser att processen fungerar över tid. Men skillnaden mellan system och människa är intressant här. En del i varför vi litar mer på en människa är att ett system inte kan ta ansvar. Det finns alltid en människa som är den slutgiltiga ansvarstagaren, och det kan vi inte överlåta till maskiner.

Hur ser arbetet med informationskvalitet ut idag?

Mitra:

Finns det bra processer idag? Hur ser det ut ute hos bolagen konkret?

Martin:

Jag tror att det är en väldigt reaktiv process. Man får feedback från kunder via returer eller direkta frågor. Men att jobba proaktivt med det, nej, det tror jag inte är vanligt. Den holistiska utvärderingen saknas.

Glenn:

Jag har inte hittat något ställe där man faktiskt arbetar systematiskt och proaktivt med informationskvalitet. Datakvalitet har man jobbat med länge och man har koll på att fälten är ifyllda. Men informationskvalitet, alltså om informationen faktiskt är korrekt i sitt sammanhang, det är alltid reaktivt. Och ofta får man feedbacken allra sist, när informationen nått kunden. Då har man redan tappat förtroendet, och vägen tillbaka för att rätta felet är lång, genom långa mejlkedjor från kund till leverantör. Enormt mycket tid försvinner bara för att det inte finns en systematiserad process.

Martin:

Vi saknar den inbyggda feedbackloopen. Den som vi driver själva, utan att vara beroende av kundernas reaktioner.

Glenn:

Den finns inte. Och om man väl har tryckt ut ett sortiment kan det ligga kvar med felaktig information i ett år tills någon råkar märka det.

Martin:

Det värsta är ju den feedback vi aldrig får: kunden som tyst går någon annanstans.

Hur börjar man arbeta aktivt med informationskvalitet?

Mitra:

Om vi tittar på bolag som nu vill börja jobba mer aktivt med informationskvalitet, inte bara fylla på med mer data utan också säkerställa att det är rätt data. Hur börjar man?

Glenn:

Börja direkt. Det kan verka skrämmande att öppna den boxen och faktiskt mäta om informationen är korrekt, för man hittar fel. Men den boxen blir inte mindre om man väntar. Det känns bakvänt att vänta tills man lagt på ytterligare tre datakällor. Hellre titta på ett snävt sortiment nu. Till exempel:

• Kärnsortimentet
• De 10 procent bäst säljande artiklarna

Vad har ni för informationskvalitet där?

Martin:

Och i vilken ände ska man börja? Det är nog oundvikligt att man börjar med den information som redan är publicerad. Det ger en överskådlig bild av nuläget. På sikt arbetar man sig bakåt i kedjan, tidigare och tidigare i processen. Det är som att spilla mjölk på bordet. Mjölken rinner ner på golvet och man frestas att börja torka på golvet, för det är det synliga problemet. Men om man bara torkar golvet fortsätter det att rinna ner mer mjölk från bordet.

Mitra:

Bra bild. Och det är just det, felet upptäcks sist i kedjan, när kunden ska genomföra köpet. Det tar lång tid bara att reda ut var källan till problemet finns. Men finns det verktyg för att stötta arbetet?

Glenn:

Det här är ett väldigt nytt område. Vi har inte haft möjligheterna förr. Det var egentligen i och med ChatGPT-momentet 2023 som det began bli möjligt att göra den här typen av valideringar. Dessförinnan var det en mastodont uppgift. Jag ser att det börjar dyka upp verktyg, men ingen har riktigt tagit sig an uppgiften och löst den fullt ut. Martin jobbar på en lösning för just det.

Martin:

Precis. Vi håller på med en applikation som man matar med artikeldata, initialt den information som redan är publicerad på e-handeln. Sedan gör AI automatiskt en holistisk utvärdering per artikel:

• Är informationen motsägelsefull?
• Är måtten och enheterna rimliga för den här kategorin?
• Är det något som logiskt sett inte kan stämma?

Verktyget kan också automatiskt klustra artiklarna och visa samband. Alla artiklar av det här materialet verkar ha liknande fel på sin beskrivning. Alla artiklar från den här leverantören har en likartad typ av avvikelse. På det sättet kan man hitta felkällan och åtgärda den tidigt, även om man observerade felet sent.

Mitra:

Kan det vara skrämmande att ett verktyg plötsligt synliggör fel man inte tidigare såg?

Martin:

Absolut. När jag testar är det lätt att få resultatet "allt är fel". Men det beror på hur fint nät man använder. Fokuserar man på de viktigaste sakerna först kan man kanske hitta de åtta procent av artiklarna som har akuta problem och fixa dem först. Sen arbetar man sig djupare successivt. Det viktiga är att inte börja med en känsla av att ingenting går att fixa.

Glenn:

Och man är ganska sårbar om man har varit ansvarig för en kategori länge. Det finns en yrkesstolthet i arbetet. Att då få höra att 100 procent av artiklarna har fel är inte motiverande. Det är en skrämmande värld att kliva in i.

Summering

Mitra:

Nu har 30 minuter gått och tusen tack till er båda för att ni var med idag. Det har varit oerhört spännande, och vi hade nog kunnat fortsätta länge till.

Glenn:

Tack så mycket! Det var jättekul.

Martin:

Tack, tack!

Mitra:

Är du intresserad av att lyssna mer om validering och hur man kan få bättre information, finns det ett avsnitt från AI Sweden där Validio är en av gästerna. Grundaren medverkar och det är ett mycket bra avsnitt som jag kan rekommendera. Har ni tankar eller önskemål om ämnen som ni vill att vi lyfter i podden är ni mer än välkomna att höra av er. Annars säger vi tack för oss och hoppas att vi ses snart.

Du har lyssnat på Syntra, en podd från Fiwe.