Problemløsning – igen, igen. 4 cirkler kan inspirere til en enkel og brugbar model

RCA’er – Root Cause Analyser. Datadrevet problemløsning. Innovation. A3. Kært barn har mange navne. Opgaven er den samme. Noget driller. Nu skal der findes en løsning.

Mange organisationer er igen begyndt at fokusere på problemløsning. Komplekse produkter. Nye sammenhænge. Bedre data. Flere information. Større krav. Der er mange grunde til, at vi det i dag ser problemløsning som en fremtidig kernekompetence. Hos mange medarbejdere i mange forskellige funktioner. Ja, selv DJØF – Dansk Jurist og Økonomforbund kunne på forsiden af DJØF-bladet i september 2018 offentliggøre, at problemløsning og sociale kompetencer er to af de færdigheder, som der bliver større behov for fremover. 12 forskellige DJØF-profiltyper blev bedt om at nævne en kompetence, de mente, at fremtiden ville kræve. 5 af grupperne svarede ”problemløsning”.  At forskerne og analytikere nævner det, er naturligt – men toplederne pegede faktisk også på det.

Øget kompleksitet – men vores hjerne foretrækker stadig, at vi ”gør som vi plejer”

Stadig flere informationer i og om stadig flere komplicerede processer og produkter. Dataopsamling sker automatisk. Analyseværktøjer bliver stadig mere avancerede. Informationerne stadig mere tilgængelige. Det betyder også, at vi alle sammen på en eller anden måde bliver presset hen et sted, hvor den nye indsigt skal udnyttes – og hvor ny viden kan give nye og smartere måder at gøre tingene på. Og med ny viden og nye muligheder kommer også nye problemer. De skal også håndteres.

Så mange organisationer opbygger nu igen medarbejdernes kompetencer til at forstå de grundlæggende sammenhænge. Finde ”root causen”, så problemet vel for pokker kan løses en gang for alle. Og effektiviteten kan fastholdes eller øges.

Det synes let – men vores hjerner driller. Vi bliver jo fastholdt af vores egne forestillinger og erfaringer. De erfaringer, som hjælper os i dagligdagen. Og som betyder, at vi alt for sjældent er i stand til at se et problem har en helt anden vinkel. Konsekvensen er ofte, at vi meget ”symptombehandler” – og ikke får fundet den grundlæggende årsag. Og det suppleres yderligere af vores forsøg på at være effektive. Så vi springer nogle gange de lidt komplicerede overvejelser over – og tror på de antagelser, som vi alle har lært af mange år med de samme jobrutiner. Ingen gør det af ond vilje. Vores hjerne er skabt til at finde den lette vej – og har sjældent energi og tid nok til, at trække de store logiske sammenhænge helt hen til den situation, hvor den faktiske adfærdsændring også er blevet en ny vane.

Skal vi finde nye måder at problemløse på, så er vi også nødt til at presse os selv ind i at gøre det på andre måder. Vi skal presse os selv til at bruge de øgede informationsmuligheder – og udvise umådelig meget tålmodighed, så vi faktisk forstår sammenhængene på en objektiv og datadrevet måde. En måde, som er uafhængig af følelser, vaner og erfaringer. Det lyder enkelt. Det lyder måske lidt besværligt. Det er faktisk svært!

En øget kompleksitet kombineret med stadig flere tilgængelige datatyper giver nye muligheder for problemløsning

For ikke mange år siden brugte man energi på at få data ind i systemerne – og endnu mere tid, hvis man også gerne ville have data ud af systemerne. Ja, faktisk var det ikke unaturligt, at der blev joket om, at data kom ind – men aldrig ud af systemerne. De ressourcer, som kunne få data ud, sætte rapporter op eller lignende, var egentlige flaskehalse. Så opgav de – og brugte ”de sædvanlige data”, som også gav de sædvanlige analyser og dermed løsninger. Det er ikke udfordringen mere. Nu handler det meget oftere om at have de rette kompetencer til at analysere de store mængede af data, som produceres i det daglige. Til tider sidder man nu ofte med data, som på mange måder, er alt for overvældende – og der skabes et egentligt ”informations-overload”. Man bliver på mange måder beslutningslammet. Og så gør man, som man plejer.

Så hvad gør man så? Brug en simpel tænkemåde – og stol på, at data meget ofte faktisk kan være med til at give fornyet indsigt om hvor skoen trykker. Og dermed også en retning for hvordan problemet kan løses. Modellen og tankegangen er simpel. Sørg blot for at have de analytiske kompetencer på plads.

1. Forstå det praktiske problem. Beskriv problemet. Hvor opstår fejlen? Hvad er egentlig de krav og forventninger, som vi gerne så indfriet?
2. Beskriv det statistiske problem. Altså beskriv problemet med data. Hvor opstår det? Hvornår opstår det? Sørg for at dette er rette og relevante data, som bruges.
3. Find den statistiske løsning. Det sker med konkrete analyser. Søg efter mønstre og sammenhænge. Hvor opstår den variation, som kan drille? Hvornår synes performance at være væsentlig bedre? Og hvornår går det galt? Brug måske jeres allerede eksisterende erfaringer til at sætte hypoteser op – men lad data afgøre hvorvidt det er en myte eller om det rent faktisk kunne være en potentiel årsag. Alt afhængig af processens natur og modenhed kan data faktisk vise en del – og nok ofte også lidt mere end vi vil erkende.
4. Find den praktiske løsning. Når analyserne har hjulpet med at lede jer frem til en eller flere af de grundlæggende årsager, så skal vores menneskelige trang til problemløsning igen på banen. Det er nu, at erfaringer og følelser kan være med til at finde den praktiske løsning. Altså hvad der konkret skal gøres. Med data og grafer vil det også meget oftere være muligt at opnå en fælles holdning til den grundlæggende årsag – og dermed også fælles ide om løsningen. Det gør det væsentligt lettere at bringe løsningen til at virke i hverdagen.

Fidusen med den lille ”audi-model” er, at vi ikke helt så let ender med at lave en løsning, som faktisk ikke løser det grundlæggende problem. Vi slipper for de dyre og lidt for ubrugelige symptombehandlinger. Brug hellere energien på at forstå og diskutere problemet. Så er der sjældent langt til løsningen. Og en fælles forståelse af hvordan vi får bragt løsningen til at virke.

Einstein blev en gang spurgt hvad han ville gøre, hvis jorden var ved at gå under – og han kun havde en time til at løse problemet. Svaret var: ”Bruge 55 minutter på at forstå problemet. Når problemet er forstået, så kan løsningen findes på 5 minutter.”

Vi bruger ofte energien stik modsat 5 minutter til at forstå problemet og 55 minutter til at diskutere en løsning…. Uden måske nogensinde at finde den.

Tænk over 5 følgende spørgsmål, når I sidder og diskuterer:

1. Har vi en fælles operationel forståelse af problemet?
2. Hjælper vores data egentlig? Eller er det bare de lette data?
3. Bygger vi vores diskussion på tro og følelser? Eller er det reelle fakta?
4. Kan vi se den samme grundlæggende årsag?
5. Springer vi nu til en løsning? Har vi brugt 55 minutter på at forstå problemet?

Har du eller nogle af dine medarbejdere brug for at øge din kompetencer indenfor datadrevet problemløsning og udbygge dine analytiske færdigheder? Så kan du se lidt mere om mulighederne her.