Chr. Hansen - Data giver automatiseringsgevinster

Stig Yding Sørensen

Jeg er din kontaktperson

Skriv til mig

Indtast venligst et validt navn
Eller dit telefonnummer
Sender besked
Tak for din besked
Vi beklager

På grund af en teknisk fejl kan din henvendelse desværre ikke modtages i øjeblikket. Du er velkommen til at skrive en mail til Send e-mail eller ringe til +45 72202704

Chr. Hansen - Data giver automatiseringsgevinster

Gennem konkrete use cases har man i Chr. Hansen løbende opbygget virksomhedens Big data-kapacitet og samtidig skabt forretningsmæssige resultater. Visionen er at favne alle data i og uden for virksomheden. 

Om virksomheden
Chr. Hansen blev grundlagt helt tilbage i 1874 og er global leder inden for udvikling og produktion af bakterier og enzymer til mejeriprodukter og andre fødevarer. Virksomheden opererer på B2B-markedet og beskæftiger omkring 2500 medarbejdere, som er fordelt på 30 lande. Produktionen samt R&D er hovedsageligt placeret i Europa og i Syd- og Nordamerika, men man har såkaldte applikationscentre fordelt over hele verden. Her har man mulighed for at arbejde sammen med kunderne om deres produktudvikling og derved sikre et tættere samarbejde med kunder og et bedre lokalkendskab.

Big data-programmet er forankret i Danmark og personificeret ved Morten Meldgaard fra R&D-afdelingen og Kåre Buch Petersen fra IT-afdelingen. Til formålet er der etableret en Big data-enhed, som inklusive Morten og Kåre udgøres af to personer med en forretningsmæssig vinkel fra R&D og af fire personer fra en nyetableret IT-funktion. I dag er Big data-teamet gået fra blot at være et program til at være en organisatorisk enhed.

Udvikling i dataanvendelse
Gennem årene har Chr. Hansen altid udnyttet ny teknologi til at bringe ny viden og knowhow ind i deres produkter, og derfor var det også naturligt for virksomheden at give sig i kast med at anvende Big data. Det første store ’digitaliseringsskridt’ blev taget tilbage i 2011, da man gik fra papirbaserede laboratoriebøger, hvor forskeren noterer forsøgsparametre- og resultater, til elektroniske laboratoriebøger. Det gjorde det muligt at finde og dele informationer fra laboratorieforsøg.

I bestræbelserne på at blive mere datadreven stillede man sig selv følgende spørgsmål: Hvordan kan man i Chr. Hansen vride mere værdi ud af alle de data, som skabes i og uden for virksomheden? Det spørgsmål blev rejst i ledelseskredse i sommeren 2012, og i starten af 2013 begyndte man så konkret at arbejde med Big data-teknologi. Fra ledelsens side var man meget opmærksom på, at et Big data-program skulle realiseres i et partnerskab mellem selve forretningen og IT. Derfor blev det bestemt, at projektet indledningsvis skulle have afsæt i R&D-afdelingen. Det var nemlig her man kunne se den største umiddelbare gevinst ved at tage den nye teknologi til sig. Herfra tages det skridt for skridt, og visionen er da også helt klar. Chr. Hansens Big data-setup skal på sigt kunne favne alle data både i og uden for virksomheden.

I en stor organisation som Chr. Hansen, som generer ufattelige mængder data, er det først og fremmest nødvendigt at have en fælles datastruktur. Indledningsvis er det da også dette, som man har brugt mest tid på. Løsningen fandt man gennem Hadoop, som er en teknologiplatform, der bruges til at håndtere Big data. Kun ved at have en fælles dataplatform er det muligt at brede anvendelsen af Big data ud til hele organisationen.

Hadoop-platformen gør det samtidig muligt at trække data direkte fra maskiner, apparater og andre devices, som findes rundt om i Chr. Hansen. Forskerne har altid skullet bruge en masse tid på behandling af forsøgsdata – eksempelvis i regneark opbygget til specifikke formål af forskerne selv. Men ved at lade maskiner kommunikere direkte med hadoop-platformen er man i stand til at skære dette led væk. Således undgår man, at der kommer en menneskelig hånd på dataene tidligt i forløbet, og man eliminerer risikoen for, at der bliver lavet snævre fortolkninger, udelukket data, skabt unødig kompleksitet og introduceret eventuelle fejl.

På den måde har man sikret, at data ligger samlet et sted i sin reneste form og er frit tilgængelige på en hvilken som helst måde, en given forsker kunne ønske det. Indtil videre har Big data-enheden lavet alle løsninger – hovedsageligt i form af standardrapporteringer på foranledning af forskeren. Men på sigt er det planen, at den enkelte forsker selv tager data ned fra ’hylden’, når vedkommende har brug for det. Hele forberedelsen af data er lavet, så forskeren kan komme hurtigere frem til resultater på det bedst mulige datagrundlag.

”Man kan se det som et ’digitalt laboratorie’. På samme måde som man i vores fysiske laboratorier kan blande de rene kemikalier og skabe nye produkter, så kan man i det ’digitale laboratorie’ finde data i deres rene form og eksperimentere med dem”. Morten Meldgaard, Programleder, Chr. Hansen.

Implementeringsstrategien for Big data-programmet har fra starten været klar. I stedet for at tænke store tanker og forsøge at implementere hele visionen på én gang, så implementerer man visionen bottom-up. Man har fra start taget fat i konkrete use cases, som er opstået ude i de forskellige afdelinger, når man har set en mulighed for at skabe værdi ved brug af data. Sideløbende har programteamet haft mulighed for at bygge på det konceptuelle design, efterhånden som man har mødt udfordringer eller fået ny læring fra allerede løste use cases. Hver enkelt use case har altid haft en konkret forretningsmæssig leverance, så selve forretningen ser, at Big data-programmet løbende skaber værdi. På den måde har programmet været i stand til at bibringe løbende værdi til forretningen samtidig med, at man har opbygget kompetencer og kapacitet på området. Ud fra eget udsagn beskæftiger 80 pct. af projekterne under Big data-programmet sig med at støtte de omtalte use cases, mens de resterende 20 pct. af projekterne beskæftiger sig med løbende kapacitetsopbygning på området.

Man har i Big data-programmet efterhånden nået et niveau, hvor grundarkitekturen for brugen af Big data er ved at være på plads. Man har løbende fået opbygget en solid Big data-kapacitet, og fremadrettet skal det så besluttes sammen med ledelsen, hvor man fremadrettet ønsker at bruge denne kapacitet. Som det ser ud nu, er det blot et spørgsmål om prioritering i forhold til hvor, hvordan og med hvilke typer data, man vil arbejde. Selvom programmet på nuværende tidspunkt er forankret i R&D-afdelingen, har man allerede lavet løsninger på enkelte use cases fra salgsafdelingen. Og på sigt er visionen som sagt, at setuppet går på tværs af hele organisationen.

Gevinster og konsekvenser
Big data-enheden er indirekte med til at skabe stor merværdi i form af at frisætte data. Men det er i bund og grund op til andre forretningsområder at realisere dataets fulde værdipotentiale. Derfor sætter man i Big data-enheden ikke kroner og ører på realiserede gevinster. Selvom det er muligt at udvikle services på baggrund af enhedens arbejde, som i sig selv kan give en ekstra indtægt til forretningen, er det ikke der, hovedfokus er lige nu.

En ting er sikkert, og det er, at de videnskabelige medarbejdere spares for en masse ’uproduktiv’ tid. Big data-enheden har fået mange tilkendegivelser fra forskere om, at enhedens arbejde har sparet dem utrolig mange ressourcer, der tidligere blev brugt på databehandling. Samtidig har Big data-setuppet den positive konsekvens, at forskerens indsats flyttes til at fortolke data og opbygge ny viden, og at forskeren har det bedst mulige datagrundlag at arbejde med.

”Der er gevinster på to fronter. Der er automatiseringsgevinster, og så sørger vi samtidig for, at forskerne har det bedst mulige datagrundlag at lave analyserne på”. Kåre Buch Petersen, Teamleder for Innovation IT, Chr. Hansen.

Samtidig har man også observeret en afledt konsekvens af Big data-programmet. Allerede nu kan Morten og Kåre se, at enhedens arbejde har fået nedbrudt en masse ’siloer’ rundt om i organisationen. Det er ikke kun ’datasiloer’, der er tale om, men også organisatoriske siloer, da de i flere tilfælde har været med til at facilitere samarbejde på tværs af videnskabelige discipliner.

Barrierer og udfordringer
Først og fremmest lå der en stor barriere i dét, at hver forsker førhen fungerede som sin egen lille ’datasilo’, da der ikke var nogen fælles overordnet datastruktur. Det betød, at forskerne hver især havde opbygget deres egen måde at afrapportere og gemme forsøgsdata på, og de sad ofte med deres resultater på egen harddisk og netværksdrev. I bedste fald var der en form for ensretning for hver enkelt gruppe af forskere, men i værste fald varierede det fra person til person. Helt konkret kunne det betyde, at eksempelvis en nyudviklet bakteriekultur hos Chr. Hansens forskningscenter i Danmark, som navngives med et unikt ID-nummer, alligevel kunne ende med at have samme ID-nummer som et andet nyudviklet produkt hos Chr. Hansens forskningscenter i Frankrig. Derfor var det indledningsvis helt essentielt, at man fik nedbrudt denne barriere og skabt en såkaldt fælles Master data.

Det var dog ikke nok bare at skabe en fælles datastruktur. Det krævede samtidig en ændring i mindsettet og en forandringsparathed blandt forskere og andre medarbejdere, som før har været vant til, at gøre tingene på en bestemt måde. Samtidig var det også en udfordring at gøre medarbejderne bevidste om, at teknologien nu er til stede, og hvordan de kan få gavn af den. Det var en reel udfordring, som er blevet løst ved, at der har været en høj grad af medarbejderinvolvering i de konkrete use cases.

Derudover har man også måttet tackle de udfordringer, som følger med, når man har med en ung og kompliceret teknologi at gøre. Ligeledes er der stadig et stykke vej til, at man hos Chr. Hansen har fået alle devices på netværket. Dels er det en meget stor investering, og dels skal man på tværs af organisationen komme til en erkendelse af, at det ikke kun er en computer, men eksempelvis også frysere og ph-målere, der genererer en masse værdifulde data.

Gode råd og erfaringer
Det enstemmige råd fra Morten og Kåre lyder på, at man skal starte med noget konkret og gribe det an gennem use cases. Det kan både være foranlediget af en idé og af et behov, man som virksomhed har. Men man bør starte der, hvor man kan se den umiddelbare gevinst. På den måde bliver man relativt hurtigt i stand til at realisere resultater. Det har været en af hovedfaktorerne til Big data-succesen i Chr. Hansen, og det vil ligeledes være den rigtige måde at gribe det an på i en hvilken som helst anden virksomhed – uanset størrelse. Et råd til mindre virksomheder er samtidig, at man skal være varsom med at investere en masse penge i teknologi, som ens data alligevel ikke er modne nok til, men hellere tage det skridt for skridt. Det kan være vanskeligt for en mindre virksomhed at vide, hvad det er for nogle data, man kan skabe den store forskel med. Det er netop derfor, at use case-tilgangen er den bedste måde at gribe det an på, hvis man som virksomhed vil arbejde på at blive mere datadrevet.

Chr. Hansen er blandt Teknologisk Instituts 10 cases om danske virksomheder, der på forskellig vis har anvendt data. Læs de øvrige cases her.