De største feilene man gjør for å bli datadrevet handler ikke om data!
- Linn-Tove Vindsnes
- 8. aug. 2025
- 4 min lesing
Er det bare meg, eller er det flere som blir litt irritert hver gang noen snakker om å bli datadrevet?
Misforstå meg rett – det er viktig at bedrifter blir flinkere til å bruke data. Men begrepet datadrevet skaper en slags avstand til det vi faktisk må fokusere på: mennesker og adferd.
For datadrevet handler faktisk ganske lite om data. Det handler om drevet – altså om atferdsendring. Og likevel er det sjelden det vi starter med. I stedet kaster vi oss over ny teknologi, ny datainfrastruktur og nye KPI’er. Er vi heldige nevnes “datakultur” – men den kommer alltid sist.
Og så forventer vi at resten av organisasjonen skal flyte sømløst inn i en hverdag hvor data brukes intuitivt til å ta gode valg.
Spoiler: det skjer ikke. Derimot er det veldig lett å gå i disse fellene:
1. Vi fokuserer på teknologi fremfor mennesker
Teknologi er spennende – og vi elsker det som er nytt. Men vi overvurderer hvor lett det er å ta i bruk noe nytt bare fordi det skal være “brukervennlig”.
Når folk ikke bruker det som forventet, får teknologien skylda. Eller selgerne.
Men vi glemmer at: Alt vi ikke kan, er vanskelig – helt til vi kan det.
Derfor må vi spørre:
– Er dette riktig verktøy for de riktige folkene i de riktige rollene?
– Er dette et verktøy som faktisk hører hjemme i kjernen av det de gjør hver dag?
Hvis svaret er nei, kommer det alltid til å være vanskelig – uansett hvor “enkelt” det sies å være.
🔍 Bias knyttet til denne fellen:
Curse of knowledge – vi glemmer at det som virker lett for oss, ikke nødvendigvis er det for andre.
Planning fallacy - vi undervurderer hvor mye tid og innsats som kreves for å lære noe nytt, spesielt når vi ikke kjenner læringskurven.
2. Vi fokuserer på teknologi fremfor problemet
Det er fristende å kjøpe nytt før vi har definert hva vi faktisk trenger å løse.
For mange organisasjoner blir teknologivalg en slags erstatning for problembeskrivelse. Veien fremover er teknologi, og ethvert strategisk kart må inneholde den nyeste teknologien.
Resultatet? Vi løper i gang med dyre verktøy som ikke gir verdi – fordi vi aldri stoppet opp og spurte: Hva er problemet vi egentlig skal løse?
🔍 Bias knyttet til denne fellen:
Maslow’s hammer – når du har en hammer, ser alt ut som en spiker. Er det et verktøy vi kan spesielt godt, eller som er prioritert har vi en tendens til å bruke det til å løse alt, selv når det finnes bedre alternativ.
Bandwagon effect – vi gjør som alle andre, uten å stille de riktige spørsmålene.
Sunk cost fallacy – vi holder fast ved løsninger vi allerede har investert i, selv om de ikke passer.
3. Vi måler alt – men lærer ingenting
Vi starter med KPI-lister og dashboards – ofte før vi har stilt ett eneste spørsmål.
Vi bruker de tallene vi har, eller alltid har brukt, ikke nødvendigvis de vi trenger.
Og når tallene ikke gir innsikt, er det lett å tenke at løsningen er flere tall.
Et dashboard fullt av KPI-er gir en falsk trygghet.
Når 25 ulike metrikker stirrer deg i fjeset, er det vanskelig å se hva som faktisk betyr noe.
Du ser ikke lenger skogen for bare trær – og handlingslammelsen kommer snikende.
Men kanskje vi heller burde spurt:
Hva prøver vi å forstå?
Hva trenger vi å vite for å ta et valg?
🔍 Bias knyttet til denne fellen:
Metric fixation – vi tror at det som kan måles, automatisk er viktig.
Information bias – vi tror at mer informasjon alltid fører til bedre beslutninger.
Analysis paralysis – vi blir passive fordi vi ikke klarer å velge hva som betyr noe.
4. Vi går rett til data – uten et læringsmål
Det føles produktivt å “dykke i data”. De fleste forventer at en skattejakt ender med å finne gull.
Men uten tydelige spørsmål, leter vi etter det som bekrefter det vi allerede tror –
eller vi ender opp med masse grafer uten å vite hva vi faktisk skal bruke dem til.
Ofte tolker vi det vi ser inn i en fortelling vi allerede har i hodet – ikke fordi dataen nødvendigvis sier det, men fordi vi ønsker at det skal gi mening.
Vi finner noe interessant, og antar at det betyr noe viktig. Men det er ikke læring før det skaper forståelse eller endring.
Og uten spørsmål i forkant, glemmer vi ofte å spørre hvorfor – ikke bare hva.
Vi risikerer å tolke tegn – uten kontekst.
Resultatet? Mye aktivitet. Lite faktisk læring.
🔍 Bias knyttet til denne fellen:
Confirmation bias – vi ser etter det som bekrefter det vi allerede tror.
Storytelling bias – vi lager fortellinger av data, også der det ikke finnes en årsak.
5. Vi overfokuserer på datakvalitet - men bruker ikke dataen
Vi bruker måneder på å forbedre datakvalitet. Lager strukturer, etablerer ansvar, kjøper verktøy, utvikler monitoreringsløsninger – alt for å sikre at vi har “gode data”.
Og ja – datakvalitet er viktig.
Men hvis vi blir så opptatt av å forbedre data at vi aldri faktisk bruker den – da kommer vi ingen vei.
Motivasjonen for å sikre god datakvalitet øker først når folk opplever konsekvensen av dårlig data. Når du kjenner “vondten” i kroppen – da bryr du deg. Og det skjer først når du faktisk har brukt data til noe viktig.
🔍 Bias knyttet til denne fellen:
Overjustification effect – vi investerer så mye i ett aspekt (f.eks. kvalitet) at vi mister helhetsperspektivet.
Effort justification – jo mer vi investerer, jo vanskeligere blir det å stille spørsmål ved om vi jobber med riktig ting.
Bruker din organisasjon masse ressurser på data og verktøy, uten å se de resultatene dere forventer?
Det er ikke tilfeldig, men det kan løses.
Hint: det starter med å stille ett enkelt spørsmål:
Hva trenger du egentlig å lære – for å komme videre nå?
Vil du vite hvordan det funker i praksis?
Finn et tidspunkt i kalenderen min – så tar vi en uforpliktende kaffeprat om hvordan dere kan jobbe smartere med data og læring.
Eller bare send meg en e-post på hei@luminari.no. Jeg håper å høre fra deg.
📚 Kilde:
Biasene som nevnes er hentet fra The Decision Lab’s Bias Index – en åpen og forskningsbasert oversikt over menneskelige tenkemønstre og hvordan de påvirker beslutninger. Les mer om de her:
Kommentarer