Att mäta det vi bryr oss om eller bry oss om det vi mäter

Har du en stegräknare i din mobil? Använder du en app för att sätta mål för och följa upp din träning? Tittar du på hur en vara eller tjänst rankats innan du klickar köp? Har du och din chef satt upp mätbara mål för ditt arbete under året, mål som kanske är löne- eller bonusgrundande? Många av oss är närmast besatta av att mäta, betygsätta och följa upp, både i vårt privatliv och i vårt arbetsliv. Cecilia Unell, verksamhetsutvecklare och -arkitekt på Combitech, reflekterar i detta inlägg kring konsten att mäta.

När Ny Teknik i mars 2019 intervjuade Chris Dancy, som ofta kallas världens mest uppkopplade man, berättar Dancy hur han samlar data om både sig själv och sin omgivning. Det är allt från hjärtfrekvens och blodtryck, planerade och genomförda aktiviteter till omgivande ljud- och ljusnivåer. All data Dancy samlar in samlas ihop och sammanställs till ett ”internet of Chris Dancy” och automatiseras så att han får meddelanden om när olika gränsvärden passeras, till exempel om han inte rört på sig tillräckligt.

Under intervjun snuddar Dancy vid det faktum att vi ibland kan fastna i mätningen som sådan; att vi mäter och följer upp utan att egentligen veta om vi mäter något som är viktigt eller inte. Dancy fångar detta i en enda mening: ”Vi har inte lärt oss att mäta det vi bryr oss om, så istället bryr vi oss bara om det vi mäter”. (Se länk till artikeln i Ny Teknik i slutet av blogginlägget, artikeln är öppen för prenumeranter.)

Filosofen Jonna Bornemark är inne på samma tema i sin bok ”Det omätbaras renässans – en uppgörelse med pedanternas världsherravälde”. Hon resonerar där kring hur mätning och uppföljning i sig ibland tycks viktigare än den verklighet vi faktiskt mäter. I boken finns exempel från bland annat vård och omsorg där nitisk mätning samt slavisk efterlevnad och uppföljning av beslutade processer och rutiner riskerar att ge sämre, inte bättre vård.

Direkt och indirekt mätning

Min upplevelse är att det i arbetslivet ofta råder en managementkultur som är i det närmaste besatt av att mäta och följa upp. SMARTa mål (se förklaring under blogginlägget) , nyckeltal, KPI:er (se förklaring under blogginlägget) och Scorecards – listan är oändlig. Det är lätt att förstå denna önskan att mäta; det är svårt att komma dit vi vill utan att sätta mål och knivigt att veta om vi kommit fram om vi inte kan mäta och följa upp målet. Problemet är bara att det ibland är svårt att mäta det vi egentligen vill och då får vi nöja oss med att mäta något som lättare låter sig kontrolleras; något som är relaterat till det vi egentligen vill mäta. Vi talar här om direkta respektive indirekta mätmetoder.

Det viktigaste traditionella nyckeltalet för ett företag är dess vinst. Detta är ett bra exempel på en direkt mätmetod. De flesta företag vill även säkra framtida vinst genom att vara bra på att innovera – att utveckla nya omvälvande tjänster, produkter, affärsmodeller och så vidare. Hur kan vi då mäta och följa upp innovation? Här behöver vi indirekta mätmetoder.

Kan vi mäta vår innovationskraft genom antalet idéer som glada medarbetare lägger i förslagslådan - det måste ju vara grunden för vår innovationskraft? Det kan stämma, men hur mycket ger denna mätning om det visar sig att hälften av idéerna är irrelevanta för företaget? Kanske är det bättre att mäta antalet innovationer vi får ut till marknaden per år? Eller kanske snarare antalet lyckade (vinstgivande?) innovationer per år? Frågan är dock om vi redan efter ett år vet om en nydanande innovation är lyckad eller inte… Och hur mäter vi bäst det lärande som genomsyrar hela innovationsprocessen, alldeles oavsett om den resulterande innovationen i sig anses lyckad eller inte? 

För att mäta vår innovationskraft behöver vi alltså flera olika indirekta mätetal. Dessa behöver dessutom kombineras och viktas på ett genomtänkt sätt annars finns risk att vi lägger tid på att mäta sådant som egentligen inte är viktigt och att vi följer upp och styr efter mätetal som inte leder mot våra mål.

AI till undsättning i ett överflöd av mätdata?

Utöver att det är svårt att identifiera vad vi egentligen vill mäta och sedan styra efter mätningarna, har vi i digitaliseringens tidevarv ett överflödsproblem. Vi har oerhört stora möjligheter att mäta och samla in data utan större besvär eller tidsåtgång. Exempel på detta kan vara hur många ärenden en individ på kundtjänst hanterar dagligen, hur många produkter en maskin spottar ur sig per tidsenhet och så vidare.

Hur kan vi hantera och navigera i de stora datamängder våra mätningar resulterar i? Ett sätt är att ta hjälp av Artificiell Intelligens (AI) för att upptäcka mönster och relationer mellan olika mätpunkter, mönster vi skulle ha svårt att upptäcka på egen hand. Exempelvis har flera studier visat att AI är bättre än sjukvårdspersonal på att upptäcka olika typer av cancer. I dessa studier digitaliseras vävnadsprover och en AI tränas att se mönster som indikerar cancer i proverna.

Oavsett om man använder AI eller inte för att identifiera olika mönster är ett varningens finger på sin plats; att det finns ett mönster, ett samband, mellan olika data är inte samma sak som att det finns ett orsakssamband. Att de flesta ingenjörerna på ett företag är män innebär till exempel inte att män är mer lämpade för ingenjörsrollen än kvinnor. Det tydliga sambandet mellan kön och roll orsakas inte av könstillhörigheten i sig utan av andra faktorer.

Så hur gör du?

Hur gör man då för att mäta ”rätt”? Det finns tyvärr inget enkelt svar på den frågan, men väl några grundbultar:

  • Identifiera vad det är du egentligen vill mäta och varför. Om detta inte låter sig mätas direkt, fundera på vad du kan mäta istället och hur du kan vikta och kombinera dessa indirekta mätetal för att komma så nära det du egentligen vill mäta som möjligt.
  • Eftersom du kommer att följa upp och agera på det du mäter (annars är det meningslöst att mäta), behöver du fundera på om det finns sätt att ”lura systemet”. Låt oss exemplifiera med möjligheten att använda antalet idéer i förslagslådan som en del i att mäta innovationskraft. Vad händer om du mäter, följer upp och premierar dina medarbetare efter hur många idéer de lämnar in? Chansen är stor att du får in väldigt många fler idéer, men det finns också en uppenbar risk att kvaliteten på dem sjunker.
  • Till sist; I denna eufori över att kunna mäta nästan precis vad som helst – se till att inte fastna i att mäta oväsentligheter. Se till att inte bli så upptagen med att mäta att du inte har kraft att agera på mätningarna. Och kom ihåg att ibland är det faktiskt det som inte låter sig mätas som är det allra, allra viktigaste.

Förklaringar och referenser

SMART är en modell för att underlätta vid formulering av mål för projekt, försäljning, personlig utveckling och så vidare. Förkortningen står för Specific – Measurable - Accurate eller Approved – Realistic – Timebound (Wikipedia).

Key Performance Indicies. En mätmetod kan vara antingen direkt eller indirekt. I det förra fallet erhålls mätstorhetens värde utan mellanled. Den indirekta mätmetoden baseras på att mätstorhetens värde bestäms genom mätning av en eller flera storheter till. 

Ottsjö, Petter (2019) Ny Teknik, intervju med Chris Dancy, artikel är öppen för prenumeranter

Chris Dancys webbplats

Boken ”Det omätbaras renässans – en uppgörelse med pedanternas världsherravälde” , Jonna Bornemark, ISBN 9789188659170

Tucker, Ian (2018) The Guardian, “AI Cancer Detectors"  

Towers-Clark, Charles (2019), Forbes, "The Cutting-Edge Of AI Cancer Detection"