1. No category

“Det är lite som tonårssex. Många snackar om det, men det är få som faktiskt sysslar med det.” Svenska mediebyråers relation till Big Data
Simon Häggblom & Joakim Jörlander Handledare: Mikael Andéhn Marknadskommunikationsprogrammet, IHR Stockholms universitet Kandidatuppsats, 15 hp Sommaren 2015 Abstract As a collective term for large data sets that can be aggregated, stored, anlysed and communicated, Big Data is a disruptive force that is paving the way for new markets and business innovations. Thus, it inherently challenges established practices and potentially creates a divide between those who embrace it and those who do not. This thesis sets out to contribute to existing theories within the field of disruptive innovations by answering whether Big Data is conceived as a relevant phenomenon within media agencies in Sweden. It does so through qualitative interviews with informants from seven different agencies. The results include that whereas the literature’s definitions of Big Data certainly can be viewed as relevant, the term itself is not feasible in this particular context. Big Data som ett samlingsnamn för enorma mängder data som kan samlas, lagras, analyseras och kommuniceras är en banbrytande kraft som bereder väg för nya marknader och affärsinnovationer. Möjligheterna med Big Data utmanar etablerade tillvägagångssätt och skapar potentiellt en splittring mellan dem som anammar det och de som inte gör det. Denna uppsats avser att bidra till nuvarande teorier inom forskningsområdet disruptive innnovations genom att svara på frågan om fenomenet Big Data uppfattas som relevant hos mediebyråer i Sverige. Undersökningen består av kvalitativa intervjuer med informanter från sju olika mediebyråer. Resultaten visar bland annat att litteraturens definitioner av Big Data uppfattas som relevanta, men att själva termen inte är applicerbar i denna kontext. 1 Innehållsförteckning I​
nledning
2. Teori
2.1 Fenomenet Big Data
2.2 Tillämpning av Big Data
3
4
4
6
2.2.1 Möjligheter
2.2.2 Utmaningar och riske​
r
2.2.3 Etiska implikationer
7
8
10
2.3 Big Data som Disruptive Innovation
2.4 Problemformulering
3. Metod
3.1 Studiedeltagare
3.2 Intervjuerna
3.3 Datainsamling
3.4 Bearbetning och analys
4. Resultat
4.1 Synen på insiktsinsamling
11
14
15
16
16
17
18
21
21
4.1.1 Metoder för insiktsinsamling idag
4.1.2 Kundens frågeställning avgör
4.1.3 Utmaningar och möjligheter med insiktsinsamling
4.2 Big Data - ett diffust men innehållsrikt buzzword
4.2.1 Big Data ur ett mediebyråperspektiv
4.2.2 Alternativa benämningar
4.3 Nya konkurrensutmaningar
21
22
22
23
24
24
25
4.3.2 Konkurrens från andra branscher
4.3.1 Från ekonomi till data
4.4 Kompetenskrav i byråbranschen
4.4.1 Kompetensen idag
4.4.2 Förändrade kompetenskrav
25
25
26
26
27
4.5 Sammanfattning av resultat
5. Diskussion
5.1 Begränsingar
5.2 Förslag till vidare forskning
5.3 Konklusion
Referenser
Tryckta källor
Otryckta källor
Bilaga 1 - intervjuguide
27
28
32
33
33
34
34
36
38
2 Inledning Det är lite som tonårssex, många snackar om det men det är få som faktiskt sysslar med det. Så beskrev professor Dan Ariely ​
Big Data i ett flitigt delat facebookinlägg från januari 2013 (Ariely, 2013). Begreppet Big Data såg allmänhetens ljus för första gången i februari 2010 när The Economist skrev om de ständigt ökande informationsmängderna som skapas i det digitala samhället: “Effekterna av den nya informationstätheten börjar märkas överallt, i alla branscher, ett fenomen som av experter fått namnet Big Data​
” (Cukier, 2010). Med datorer, smartphones, surfplattor och andra digitala enheter har den moderna människan tillgång till en aldrig sinande källa av data på ett sätt som tidigare generationer knappast kunnat föreställa sig. Den ökade digitaliseringen har lett till en revolutionerande utveckling, inte minst i företagsvärlden. Biljoner bytes av information samlas idag upp av företag om konsumenter i de dataströmmar som uppstår när information skickas mellan olika enheter och plattformar (Manyika et al., 2011). Enligt en rapport från Business Insider (2014) kommer 65 procent av all digital data som sparas i databaser under år 2015 att skapas av konsumenter. Big Data som samlingsnamn för enorma mängder data som kan lagras, kommuniceras, aggregeras och analyseras har kommit att bli en viktig beståndsdel i varje sektor och funktion i den globala ekonomin (Manyika et al., 2011). Den växande användningen av Big Data, analysverktyg, sociala medier och nya teknologiska innovationer har drastiskt förändrat mängder av marknader världen över (Harmon & Demirkan, 2015) och företag som lyckas tillämpa informationsteknologi på ett innovativt och intelligent sätt för att skapa ökat värde för verksamheten och kunden drar ifrån dem som inte gör det (Ashurst et al., 2012). Det finns en mängd studier som belyser hur Big Data påverkar olika branscher. Exempelvis påvisar Chen, Mao och Liu (2014) att 97 procent av alla företag med en omsättning på över hundra miljoner dollar nu sammanställer och jämför massiva data för att förbättra sina affärsmodeller, effektivisera verksamheten och förutse risker. Inom hälso­ och sjukvården kombineras stora datamängder mellan vårdorganisationer och sjukhusnätverk för att upptäcka sjukdomar i ett tidigt stadium när de kan behandlas enklare och mer effektivt (Burghard, 2012), investeringar i finansvärlden görs av datastyrda algoritmer (Chen et al., 2014) och IT­bolag anpassar sina produkter baserat på realtidsdata från användarna (Marz & Warren, 2015). Det är väldokumenterat hur Big Data har spelat en central roll för framväxten av nya generationens IT­bolag som exempelvis Uber, AirBnb (Helbing, 2014; Riemer, Gal, Hamann, Gilchriest & Teixeira, 2015) och Spotify (Lerman, 2013). Dessa aktörer har omkullkastat etablerade affärsmodeller och skapat helt nya marknader genom 3 banbrytande innovationer av den typen som litteraturen kallar ​
disruptive innovations (Christensen, 1995). I korthet handlar disrupive innovations om innovationer som bidrar till att skapa nya marknader och praktiker, som i sin tur etablerar sig till den grad att de förändrar existerande marknader och ersätter tidigare teknologier (Christensen, 1997), vilket Big Data alltså har gjort för en mängd företag och branscher. Flera tidigare studier diskuterar också Big Data ur ett epistemologiskt perspektiv och hur det ger nya förutsättningar för hur kunskap kan uppnås (Anderson, 2008; Floridi, 2012; Kitchin, 2014; Mayer­Schonberger & Cukier, 2013). I relation till kunskapsinhämtning reflekterar Bollier och Firestone (2010) att Big Data även är relevant inom reklam­ och mediebranschen. Istället för att fråga folk hur de konsumerar och vad de tycker och tänker om olika varumärken, går det att se i makroperspektiv vad de faktiskt gör. Felmarginalen minimeras till noll när datan omfattar en hel population, den kan genereras och studeras i realtid och kräver dessutom mindre resurser än annan datainsamling då den vanligtvis är automatiserad. Därför, menar författarna, kan användning av Big Data ersätta traditionella kundundersökningar såsom fokusgrupper och frågeformulär (Bollier & Firestone, 2010). I nästkommande kapitel redogörs för teorier kring de beståndsdelar som Big Data innefattar, följt av hur och varför begreppet nu är ett mycket omskrivet fenomen. Vidare beskrivs möjligheter och fördelar med Big Data som har lyfts fram av tidigare forskning, följt av utmaningar, risker och etiska implikationer. Den andra delen av teorikapitlet kopplar samman Big Data med litteratur om disruptive innovations, som är det teoretiska område denna studie avser bidra till. Dessa sätts sedan i en mediebyråkontext som leder fram till forskningsfrågan. 2. Teori 2.1 Fenomenet Big Data Trots att begreppet etablerades för flera år sedan är den egentliga innebörden av Big Data fortfarande omtvistad. Kitchin (2014) påvisar att Big Data både har definierats och operationaliserats på flera olika sätt samt att det inte finns någon fastställd definition vare sig inom akademin eller näringslivet. Vissa menar att Big Data kan vara all data som inte får plats i ett excel­ark (Ström, 2012, refererat i Kitchin, 2014) medan andra lägger fram mer uttömmande beskrivningar. Tre olika källor (Boyd & Crawford, 2012; Mayer­Schönberger & Cukier, 2013; Kitchin, 2013) använder sig av snarlika definitioner som gemensamt stipulerar att Big Data är: ● Enorma volymer data​
­ terabyte (1000 gigabyte) eller petabyte (100 000 gigabyte); 4 ● Skapas nära eller i realtid​
; ● Varierad​
; ● Omfattande​
­ mycket större urvalsstorlek än vad som används vid traditionella datastudier; ● Detaljerad​
; ● Relationell​
­ möjlig att föra samman med andra data; ● Flexibel ​
­ kan tillföras kategorier och är skalbar. Ett flertal andra forskare (Bhatia, 2013; Dumbill, 2012; Ohlhost 2013; Russom, 2011) förklarar Big Data med de så kallade tre V:na ­ Volym, Velocitet, Variation (eng. Volume, Velocity, Variety). ​
Samtliga av dessa källor är överens om att ​
volym är den primära dimensionen av Big Data, som går att kvantifiera dels i enorma datavolymer som terabytes, petabytes och zettabytes och dels i form av antal filer, tabeller och transaktioner av data. Med ​
velocitet menas hastigheten av datagenering och frekvensen av datahämtning (Rossum, 2011). Det tredje V:et i modellen, ​
variation​
, syftar på hur Big Data utgörs av en blandning av strukturerad (databaser, tabeller), semistrukturerad (delvis strukturerad men behöver ett sammanhang för att kunna analyseras) samt ostrukturerad data (ord, bilder och filmer) (Dumbill, 2012; Rossum, 2011). För att nå ökad förståelse för människors beteende, attityder och uppfattningar har företag, statliga institutioner och den akademiska världen producerat data under lång tid, genom exempelvis nationella undersökningar, fältstudier och fokusgrupper. Men i och med kostnaderna och svårigheterna att generera, processera och analysera dessa data har det gjorts med urvalstekniker som är begränsade i omfattning, tid och storlek (Miller, 2010). Även om strävan alltid varit att skapa fullständig och uttömmande data om olika fenomen har undersökningar och andra typer av datagenerering i regel varit stickprov, med syftet att representera helheten (Kitchin, 2014). Big Data står i kontrast till detta då den genereras kontinuerligt och är därmed inte begränsad till en specifik tidpunkt (Kitchin, 2014). Den är skalbar och innehåller ofta detaljerad information som med hjälp av datapunkter går att sammanföra med andra data. Den har också möjlighet att täcka stora delar av, eller till och med hela, populationer (Kitchin, 2014). Exempel på hur Big Data kan produceras inkluderar: transaktioner och interaktion mellan olika digitala nätverk som email, internetköp eller telefonsamtal (Chen, et al., 2014); digitala enheter (såsom smartphones) som själva registrerar och kommunicerar användningshistorik; webbplatser och appar som registrerar klick och navigering (Manyika, et al., 2011); sensormätningar i objekt och miljöer (som bil­ och kollektivtrafik)(Kitchin, 2013); sökhistorik på Google och andra söktjänster; och olika typer av användarinformation i sociala medier (Oboler, Welsh & Cruz, 2012). 5 2.2 Tillämpning av Big Data Även om data har producerats i flertalet domäner (se föregående stycke) under en längre tid analyseras inte majoriteten av all världens data idag (Lohr, 2012). Detta är däremot påväg att förändras. I de internetbaserade domänerna inkorporeras Big Data som en bärande del av affärsverksamheten för de stora aktörerna, där Google och Facebook innehar en särställning. Dessa digitala giganter har idag ojämförbar tillgång till ostrukturerad data om människors sociala beteenden i det digitala rummet från realtidsgenererad data genom sina respektive konglomerat. De ligger också i framkant när det gäller att profitera på att sälja vidare data om sina användare till tredje part och tillhandahåller dessutom lättnavigerade mjukvaror som Google Analytics och Facebook Topic Data till företagskunder så att de kan erhålla data om sina målgrupper utan att investera stora pengar i egna analyssystem. Med tanke på den typ av data som genereras, dess omfattning, snabbhet, variation och tillgänlighet, är dessa aktörer särskilt relevanta att förhålla sig till för mediebyråer som söker insikter om människors beteenden, attityder och åsikter. I sociala medier är exempel på strukturerad och semistrukturerad data sådant som ålder, yrke, hemort och “gillningar”. En rapport från Business Insider (2014) visar emellertid att hela 90 procent av all data som genereras på sociala medier är ostrukturerad och består av ord, bilder och filmer. Det är först på senare år som den teknologiska utvecklingen har gjort det möjligt att hantera och analysera dessa typer av ostrukturerad data i vidare utsträckning (Kitchin, 2013). Mjukvaror för att analysera enorma datamängder som ​
Hadoop​
, ​
MapReduce och ​
Apache Spark ​
utvecklas snabbt och blir alltmer avancerade (White, 2012). Medan traditionella tekniker för dataanalys är designade för att extrahera insikter från knapp, statisk data och dessutom förutsätter en specifik och förutbestämd fråga att utgå ifrån (Miller, 2010) gör dessa program det omvända. De samlar flera olika datakällor på ett och samma ställe som kan fyllas på i realtid. Istället för hypoteser och vetenskapliga antaganden innehåller de högdefinierad information om vilka olika data som finns tillgänglig, tillsammans med verktyg för att analysera datan (Mitchell, 2014). Dessa nya tekniker gör det nu möjligt för datorer att omvandla ostrukturerad data till strukturerad data och automatiskt upptäcka mönster och förutsäga effekter och konsekvenser av olika slag (Han et al., 2011; Hastie et al., 2009). Med andra ord öppnar Big Data upp för helt nya sätt att erhålla kunskap då dataanalysen kan göras genom att insikter ​
föds ur datan, ​
snarare än att testa teorier utifrån data som från början anses relevant (Kelling et al., 2009). Samtidigt står Big Data i sig inte i konflikt med klassisk vetenskaplig datainsamling, utan kan tvärtom möjliggöra för företagare och andra att applicera vetenskapliga metoder i sina beslutsprocesser. Om man har tillgång till en stor mängd data och kan manipulera omständigheterna under vilka datan genereras går det att formulera 6 hypoteser och genomföra experiment med kontrollgrupper, för att sedan analysera de kvantitativa resultaten innan ett beslut fattas (Manyika et al., 2011). 2.2.1 Möjligheter Manyika et al. (2011) identifierar fem områden där appliceringen av Big Data har stor transformativ potential i hur organisationer utformas, organiseras och drivs. Det första området handlar om att skapa ​
transparens, ​
vilket innebär att data kan och bör göras tillgängligt för fler intressenter, och integrera data från olika avdelningar inom organisationer och potentiellt mellan olika företag. Likt open source­mjukvaror som utvecklas kollektivt av ett stort antal individer och där källkoden är öppen, kan olika Big Data­källor sammanställas för att bidra till effektivisering och utveckling både inom företag och i hela branscher om den tillgängliggörs (Manyika et al., 2011). Det andra området som författarna tar upp är möjligheten till ​
empirisk beslutsfattning. Även om ambitionen är att ta välgrundade beslut är det många företag som i praktiken tar beslut ad hoc och applicerar en såkallad "HiPPO" ­ highest paid person's opinion­metod. En data­driven organisation kan ta beslut baserade på empirisk grund och med hjälp av Big Data göra kvantitativa undersökningar, komparativa studier och testa hypoteser innan beslut fattas. Detta görs redan på flera håll, exempelvis inom hälso­ och sjukvården där data från hela befolkningar sammanställs för att identifiera och förstå effekten från olika typer av behandlingar vid sjukdomstillstånd (Burghard, 2012), och inom retail (både online och offline) där Big Data används som underlag för prissättning och riktad marknadsföring (Manyika et al., 2011). Segmentera populationer och skräddarsy lösningar ​
är den tredje möjligheten som Manyika et al. (2011) identifierar i sin studie. För konsumentinriktade företag är segmentering genom attribut som demografi, beteende och attityd redan väletablerat. Idag finns det emellertid teknologiska förutsättningar att individualisera segmenteringen baserat på betydligt större datamängder, i när­ eller realtid, än tidigare. Ett exempel på hur detta har satts i praktik är Facebooks Topic Data, en tjänst som lanserades i mars 2015 för företagskunder som vill rikta sin marknadsföring på det sociala nätverket och "göra den mer relevant för mottagarna och mer effektiv för marknadsförarna" (Facebook, 2015). Facebook analyserar vad användarna säger om evenemang, varumärken, ämnen och aktiviteter, alltså så kallad ostrukturerad data (Dumbill, 2012; Rossum, 2011), och en näringsidkare som exempelvis säljer hårprodukter och betalar för att använda Topic Data kan se detaljerad demografisk data på personer som pratar om hårprodukter för att på så sätt få ökad förståelse för sin målgrupp (Facebook, 2015). Utöver att fungera som underlag för beslutsfattning kan Big Data också bidra till automatisk beslutsfattning​
. Algoritmer framtagna från Big Data kan göra sofistikerade 7 analyser och förbättra beslutsfattning, minimera risker och avtäcka värdefulla insikter som annars hade gått förlorade (Manyika et al., 2011). De kan också inkludera maskin­inlärningsteknik såsom neurala nätverk, som gör att algoritmerna blir smartare och mer sofistikerade över tid. Bereda väg för nyskapande affärsmodeller, produkter och tjänster är den femte möjligheten med Big Data som Manyika et al. (2011) presenterar. Realtidsgenererade prisjämförelser baserade på Big Data, av typen som finns på sajter som Prisjakt.nu och Pricerunner.se, erbjuder konsumenter transparent prisinformation och ger en väsentlig fördel jämfört med tidigare. Big Data är också en grundläggande komponent för en ny generation IT­bolag som har vuxit fram och blivit dominerande i sina respektive branscher. Boendeförmedlaren AirBnB, som förser privatpersoner med en plattform för att hyra ut sina lägenheter, använder Big Data och maskin­inlärning för att bland annat föreslå prissättning baserat på en mängd sammanslagna datapunkter såsom geografiskt läge, nyckelord i annonserna, datum, och om det är något stort evenemang i närheten (Huet, 2015). Taxitjänsten Uber har med sin nyskapande affärsmodell tagit över marknaden i flera stora städer runt om i världen. Genom sin mobilapp kan företaget samla realtidsinformation om var deras kunder befinner sig, hur de rör sig och anpassa sina tjänster och resurser därefter (Marr, 2015). Möjligheterna med Big Data är också betingade i det faktum att insamling och lagring av data blir allt billigare, enklare och snabbare. De senaste tio åren har snittkostnaden för att lagra data gått från $0.72 per gigabyte (augusti 2005) till $0.03 (mars 2014) (Mkomo.com, 2015) ­ ett kostnadsras på nästan 96 procent. Internethastigheten dubbleras i sin tur var tredje år (Topline Strategy Group, 2015) och utvecklingen av ultrasnabba nätverksuppkopplingar gör att generering och insamling av data ökar exponentiellt (Chen et al., 2012). Framväxten av tjänster som Google Analytics och Facebook Topic Data tillgängliggör verktyg för vem som helst med en digital hemvist att ta del av användar­ och besöksdata lättöverskådligt och kostnadsanpassat. Dessa omständigheter har lett till att Big Data inte bara är relevant för storföretag, utan även små till medelstora företag och organisationer har nu möjlighet att utnyttja fördelarna med Big Data. Chen et al. (2012) beskriver vidare hur ​
cookiedata och serverloggar har blivit en guldgruva för företagen när det kommer till att förstå kundernas behov, köpmönster och intressen. 2.2.2 Utmaningar och risker En utmaning som lyfts av flera forskare (Kitchin, 2014; Porway, 2013; Strasser, 2012) är att det i dagsläget krävs väldigt hög kompetens för att kunna analysera Big Data. Brown, Chui och Manyika (2011) visar i sin forskning att personer med djupa analytiska färdigheter i Big Data, inklusive maskininlärning och avancerad analys av 8 statistik, efterfrågas av marknaden i USA i en sådan grad att det bara räcker för att möta 50­60 procent av behovet. År 2018 kommer det dessutom att behövas uppemot 1,5 miljoner så kallade ​
data scientists​
, analytiker med skarp förståelse för hur Big Data ska tillämpas, enligt studien. Den som analyserar Big Data måste interagera med själva datan genom att extrahera, manipulera och strukturera den, och detta kräver högt kunnande och kreativa färdigheter inom IT. Dessa individer behöver vara i nära kontakt med produkter och processer inom organisationen för att analysarbetet ska vara så effektivt som möjligt, och det i sin tur förutsätter interna omstruktureringar för de företag som implementerar Big Data i sin verksamhet (Davenport et al., 2013). Samtidigt höjer Porway (2013) ett varningens finger för att de personer som förväntas kunna analysera data och är kunniga inom själva hantverket dataanalys inte nödvändigtvis har all kunskap som behövs inom det område som de faktiskt analyserar: “As data scientists, we are well equipped to explain the ‘what’ of data, but rarely should we touch the question of ‘why’ on matters we are not experts in” (Porway, 2013:3), och betonar vidare att detta är särskilt viktigt att ta i beaktning vid hanteringen av data om mänskligt beteende. På samma tema presenterar Kitchin (2014) exempel på hur ett antal fysiker tagit sig friheten att tillämpa Big Data­analys som underlag för att planera sociala och spatiala områden i städer, och därmed avsiktligen struntat i ett par hundra år av lärdom inom samhällsvetenskap och beteendevetenskap. Sådan kontextbefriad tolkning av data är anemisk eftersom den saknar koppling till värdefull kunskap och debatt från andra områden, menar Kitchin (2014). Ett annat exempel på när Big Data har applicerats med mindre lyckat resultat diskuteras av Lazer, Kennedy, King och Vespignani (2014) i fallstudien The Parable of Google Flu: Traps in Big Data Analysis. Google Flu Trends (GFT) är en tjänst som använder aggregerad sökdata från Google för att estimera risken för influensautbrott i olika geografiska områden (Google, 2015). GFT framhålls ofta som ett exemplariskt sätt att använda Big Data (McAfee, 2012; Goel et al., 2010, refererat i Lazer et al., 2014), men författarna påvisar att tjänsten, i januari 2013, förutspådde dubbelt så hög risk för influensa i USA som den statliga myndighet som hade till uppgift att övervaka spridningen, samt att felmarginalen i estimeringarna hade varit betydande i 100 av 108 veckor mellan 2011 och 2013. Problemet i det här fallet går att härleda till två orsaker, menar författarna. Dels berodde det på att Big Data antogs vara ett fullvärdigt substitut till traditionell datainsamling trots att den skapas och analyseras med verktyg som inte är designade för vetenskapligt grundad analys vad det gäller validitet och reliabilitet. Den andra problemorsaken enligt Lazer et al. (2014) var att algoritmerna som använts av Google för att göra dessa beräkningar är dynamiska och förändras kontinuerligt, vilket troligtvis påverkade GFTs estimeringar. 9 2.2.3 Etiska implikationer All data som handlar om mänskliga subjekt väcker frågor om etik och personlig integritet (Berry, 2011). När det gäller Big Data finns det väldigt lite förståelse om de etiska implikationerna (Boyd & Crawford, 2012). Företag utnyttjar användardata i allt större utsträckning för att spåra beteendemönster hos konsumenter, för att förbättra sina erbjudanden och optimera sin marknadsföring. Men vad betyder det för någon att bli analyserad utan att veta om det, frågar sig Boyd och Crawford, och fortsätter: vem är ansvarig för att säkerställa att individer och grupper skyddas och vad kan räknas som informerad delgivning (eng. informed consent)? Svaren på dessa frågor är långt ifrån självklara och är föremål för ständig diskussion och utredning. Facebook, Google och Apple är exempel på aktörer med extremt stark ställning inom digital konsumtion och som upprepade gånger har varit i blåsväder för sitt sätt att övervaka och samla in information om sina användare (Fidler, 2015; Rosenfeld, 2014; Whitney, 2012). När en person skapar ett konto eller köper en produkt av något av dessa företag accepterar den också att data samlas in, men skälen till insamlingen och vad det kan få för betydelse för den enskilde beskrivs sällan på ett koncist och lättförståeligt sätt. Forskare på Carnegie Mellon har fastslagit att det skulle ta genomsnittsamerikanen 76 dagar att läsa igenom alla integritetspolicies som hen accepterade på olika webbplatser varje år (Scherker, 2014). Men långt ifrån all data som samlas in av företag på internet föregås av ett medgivande från användaren. I stort sett alla webbplatser använder idag cookies, små kodsträngar som placeras på besökarens dator och registrerar IP­adress, var besökaren befinner sig fysiskt, hur länge och vilka sidor som besöks på webbplatsen eller i appen, och annan dylik information (Beal, 2015). Sedan 2011 måste alla svenska webbplatser informera besökaren om att cookies används, men lagen anses av kritiker vara verkningslös då användandet är så utbrett att det praktiskt taget är omöjligt för folk att använda internet utan att besöka sidor med cookies (Carlsson, 2011). Det finns också signifikanta frågetecken kring sanning, kontroll och makt gällande fenomenet Big Data, i och med att företagen har verktygen och tillgången, medan enskilda människor inte har det. Vidare är användarna i regel inte fullt medvetna om de användningsområden, inkomster och andra fördelar som kommer från informationen de matar företagen med (Boyd & Crawford, 2012). Även om informationen som samlas in i en specifik kontext sägs vara anonymiserad vid eventuell analys gör detaljrikedomen i datan och potentiell sammankoppling och aggregering av multipla datakällor att innehavaren kan få fram finkornig information om en enskild persons aktiviteter, beteendemönster, och geografiska rörelsemönster (Cavoukian & Jonas, 2012). Exempelvis bevisade forskare på Stanford och Cambridge tidigare i år att en dator som analyserade olika personers Facebook­likes kunde återge en mer precis bild av testdeltagarnas personlighet än deras egna familjemedlemmar (Park, 2015). Ett annat färskt bidrag till denna debatt är diskussionen kring Microsofts nya operativsystem, 10 Windows 10, som lanserades i juli 2015. Bolaget fick direkt massiv kritik för att de satt upp en struktur för att kunna samla in enorma mängder användardata genom programmet, “såsom din enhets plats, data från din kalender, apparna du använder, data från dina mejl och textmeddelanden, vem du ringer, dina kontakter och hur ofta du interagerar med dem på din enhet” (Nygårds, 2015). David Lindahl, IT­säkerhetsforskare vid totalförsvarets forksningsinstitut, FOI, säger till Svenska Dagbladet att Microsoft tar sig rätten att övervaka folk till en nivå som få är medvetna om, och Daniel Westman, doktorand i rättsinformatik vid Stockholms universitet, menar att Microsofts datainsamling i viss mån är tecken på en problematisk utveckling i förhållande till regler om personuppgiftsbehandling (Nygårds, 2015). Den digitala utvecklingen ångar på i sådan hastighet att lagstiftningar och institutioner ibland har svårt att hänga med. Vissa branscher är snabba på att anamma ny teknologi, medan andra hamnar på efterkälken när de etablerade arbetssätten är så djupt rotade att förändringar bara sker gradvis. Big Data är ett fenomen som vänder upp och ner på tidigare antaganden om vad datainsamling innebär och skapar helt nya förutsättningar för hur företag och organisationer, däribland mediebyråer, kan verka. Därför har det en ofrånkomlig potential att vara det som i litteraturen har kommit att kallas för en disruptive innovation. 2.3 Big Data som Disruptive Innovation Teknikerna och verktygen för att analysera data utvecklas och anammas i en sådan hastighet att det inte går att ignorera. Mediebyråer måste på ett eller annat sätt förhålla sig till de digitala och teknologiska strömningar som letar sig längre och längre in människors tillvaro. För att öka förståelsen för fenomenet Big Data i förhållande till mediebyråer går det därför att dra lärdom från de inflytelserika teorier om ​
disruptive innovations som Clayton Christensen etablerade i en serie vetenskapliga artiklar i mitten av nittiotalet (Christensen & Rosenbloom, 1995; Bower & Christensen, 1995). Disruptive innovations handlar förenklat om innovationer som bidrar till att skapa nya marknader och praktiker, som i sin tur etablerar sig till den grad att de förändrar existerande marknader och ersätter tidigare teknologier (Christensen, 1997). I den ursprungliga teorin förklarar Christensen och Bower (1995) hur ledande företag ofta drabbas av en oförmåga att hålla sig kvar i toppen av sin bransch när teknologi eller marknader förändras. Deras forskning visar att de flesta välskötta, etablerade företagen är enastående på att utveckla och kommersialisera nya teknologier, så länge teknologierna möter deras kunders behov. Däremot är samma företag sällan först med att kommersialisera nya teknologier som inte möter de stora kundernas behov och appellerar till små eller gryende marknader. De teknologiska förändringarna som skadar 11 etablerade företag har vanligtvis två viktiga karaktäristika: för det första innebär de typiskt sett nya eller annorlunda arbetssätt. För det andra utvecklas de så snabbt att de tids nog invaderar etablerade teknologier och marknader (Bower & Christensen, 1995). För att upptäcka och kultivera disruptiva teknologier föreslår Bower och Christensen en metod som består av tre steg. Det första steget är att avgöra vilka typer av teknologier som är disruptiva, och utav dem, vilka som utgör direkta hot mot den rådande ordningen. Ett sätt att göra detta på är enligt Bower och Christensen att utforska interna stridigheter gällande nya teknologier ­ vilka driver frågorna och vilka motsätter sig dem? Exempelvis brukar marknadsförings­ och ekonomiavdelningar sällan stödja disruptiva innovationer på grund av deras finansiella incitament, medan teknisk personal har en tendens att vara väldigt intresserad av nya teknologiska möjligheter. Om det finns uttalade meningsskiljaktigheter internt kan det signalera en ​
disruptive teknologi som Bower och Christensens råder företagsledare att undersöka. Det andra steget är att definiera den strategiska signifikansen av den disruptiva teknologin eller innovationen. Detta görs bäst genom att ställa rätt frågor till rätt personer. Disruptiva teknologier har en tendens att inte framträda som ett tydligt alternativ i strategiska utvärderingar eftersom företagsledare antingen ställer fel frågor till rätt folk eller rätt frågor till fel folk. Ett vanligt exempel är att företaget utgår från sina stora kunder för att avgöra vilken strategi som är mest lönsam. Dessa är vanligtvis pålitliga källor för att estimera den största potentialen i ​
nuvarande ​
teknologiska metoder, men inte för att upptäcka ​
disruptiva teknologier. När det så har fastslagits att en ny teknologi är disruptiv och strategiskt viktig att beakta är nästa steg att bestämma vilka marknader eller vilka kunder som teknologin ska testas och utvecklas för. Ett sätt att göra detta, åtminstone för större bolag, är att antingen starta eller finansiera start­ups som med en liten och flexibel organisationstruktur kan experimentera med mindre kunder och marknader för att bryta ny mark, menar Bower och Christensen (1995). I efterkommande forskning om disruptive innovations uvecklar Christensen och Overdorf (2000) föregående resonemang. Eftersom disruptiva innovationer alltid kräver förändringar måste berörda företag utvärdera om de har de resurser som krävs för att kunna implementera dem framgångsrikt. Därefter måste organisationen fråga sig om den har de processer och värderingar den behöver för att lyckas i denna nya situation. Frågan kan vara obekväm att konfrontera och kommer inte alltid naturligt eftersom existerande processer har tagit företaget dit det är idag och värderingarna som väglett medarbetare i sin beslutsfattning har varit bärande i företagskulturen som skapats (Christensen & Overdorf, 2000). Christensen gör ingen tydlig distinktion mellan disruptiva ​
teknologier och disruptiva innovationer​
, något som uppmärksammas och kritiseras av Markides (2006). Han ​
håller med om att alla de exempel som Christensen belyser går att beteckna som disruptive 12 innovations, men det är enligt honom felaktigt att behandla dem alla som ett och samma fenomen. Markides menar att detta till och med upplevs som förvirrande. En ​
disruptive technological innovation ​
skiljer sig fundamentalt som fenomen från en disruptive business­model innovation eller en disruptive ​
radical product ​
innovation. Dessa innovationer uppstår på olika sätt, har olika konkurrenseffekter och kräver olika svar (Markides, 2006). Ett flertal nypublicerade studier om disruptive innovations kopplar samman begreppet med en Big Data­kontext. Chae (2015) presenterar Big Data som en disruptive innovation inom IT och framhåller hur nya generationens företag nu kombinerar olika Big Data­relaterade resurser såsom processorteknologier och avancerade algoritmer med analysexperter från olika discipliner, som exempelvis marknad, teknologi och sociologi. På det här sättet kan de hitta mönster och relationer för att förutsäga framtida beteenden och händelser och på så sätt utvärdera och förnya sin verksamhet med betydande precision. Nya teknologier och verktyg utvecklas emellertid ständigt och i rasande fart inom det digitala ekosystemet. Detta gör att teknologiskt drivna affärsinnovationer är både komplexa och disruptiva till sin natur och kräver en hel investeringar i form av tid och resurser av de organisationer som vill följa med i utvecklingen (Harmon & Demirkan, 2015). Riemer et al. (2015) talar om ​
digital disruption ​
som framsteg i digitala teknologier som uppstår i en takt och en omfattning som stör etablerade sätt att skapa värde inom och mellan marknader och i sociala interaktioner. Men också på ett mer fundamentalt plan; hur vi som människor förstår och uppfattar världen, hur vi tänker och bildar mening. I linje med Christensens (1997) konstaterande om disruptiva innovationer menar författarna att digital disruption i grunden är en möjlighet, men trots det ofta betraktas som ett hot eftersom det ruckar på rådande affärsmodeller och ibland till och med gör dem förlegade. Författarna tar därmed Christensens och Markides resonemang vidare från ett marknads­ och produktinriktat perspektiv till en mer holistisk beskrivning av fenomenet: “Digital disruption does not simply change markets or present innovative business ideas (although these are important results of disruption)”[...]”as business practices change so does our understanding of what counts as meaningful, valuable, and the right way of performing these business practices.” (Riemer et al., 2015:7) Det finns idag en uppsjö av ledande företag med affärsmodeller som har uppstått från digital disruption och disruptive innovation. Riemer et al. (2015) tar upp e­butiker som ett exempel på en disruptiv affärsmodell som till en början erbjöd både sämre service och utbud än fysiska butiker. Men allt medan tekniken utvecklades och det började bli 13 möjligt att samla in och analysera data om besökarna i e­butiken blev det enkelt för butiksägarna att anpassa egenskaper, design och funktion efter kundernas beeende på ett sätt som aldrig var möjligt i den analoga världen. Amazon, som är en av världens största onlinebutiker, har i takt med nya digitala innovationer kunnat utvidga sitt erbjudande till att även innefatta lagerhållning, datalagring i molntjänster och e­commerce­lösningar till andra företag (Riemer et al., 2015). Uber, ett annat företag som nämnts tidigare, har på ett innovativt sätt tillvaratagit modern teknologi i en konkurrensutsatt bransch. De erbjuder kunder en överlägsen produkt, drar nytta av detaljerad realtidsdata, kan svara blixtsnabbt mot kundernas behov och har därmed lyckats förändra transportbranschen i grunden på bara några år (Isaac, 2014). När det gäller mediekonsumption har Youtube, Flickr och andra interaktiva delningssiter med ökande popularitet, synlighet och teknologisk kapacitet seglat upp som disruptiva krafter som på allvar konkurrerar med traditionella medieföretag (Riemer et al., 2015). Gemensamt för alla dessa exempel är också att de baserar sina affärsmodeller på enorma mängder analyserad användardata. För mediebyråer har Big Data alla förutsättningar att vara en disruptive innovation, precis som i de branscher som nämns ovan. Bollier och Firestones bidrag om Big Datas potential i reklam­ och mediebranschen, i kombination med Riemer et al:s påbyggnad av Christensens teoribildning om disruptive innovations föranleder därmed denna studie, som avser bidra med ytterligare insikter gällande disruptive innovations inom kontexten mediebyråer i Sverige. Mediebyråer finns till för att hjälpa uppdragsgivare att planera och optimera sin marknadsföring. Branschens hela existensberättigande hänger på att man vet mer om konsumenternas beteenden och medievanor än vad uppdragsgivarna själva gör. Flera svenska mediebyråer uppger på sina webbsidor att de använder enkäter, fokusgrupper och webbpaneler för att samla insikter om sina kunders målgrupper ­ det vill säga typiskt traditionella metoder. Detta trots att Sverige är ett av världens mest uppkopplade och digitaliserade länder (The Local, 2014). Baserat på antagandet att Big Data är en disruptive innovation ställer vi frågan hur fenomenet uppfattas hos mediebyråer och om de är redo att anpassa sig efter detta. 2.4 Problemformulering Studien är explorativ till sin karaktär och syftar till att skapa ökad förståelse för hur Big Data uppfattas hos mediebyråer i Sverige. Givet den potential som mediebranschen står inför när det gäller tillämpningen av Big Data för att effektivisera sin verksamhet och samla värdefulla insikter om sina kunders målgrupper ställs frågan som följer: ­
Uppfattas Big Data som ett relevant fenomen hos mediebyråer i Sverige? 14 3. Metod För att ta reda på hur fenomenet Big Data uppfattas hos mediebyråer i Sverige genomfördes kvalitativa intervjuer med representanter från sju svenska mediebyråer. Den kvalitativa intervjun låter intervjuare och informant utforska och förhandla om innebörden i det som sägs, och intervjuaren kan anpassa sin approach beroende på situationen (Lindlof & Taylor, 2002). ​
Då forskningsområdet var klarlagt på förhand valdes en intervju med semistrukturerad karaktär, vilket förordas av ​
Bryman (2012:416). Informanterna hade därmed möjlighet att resonera och utveckla sina tankar om ämnet (mer än i helt strukturerade intervjuer) utan att för den delen sväva ut i samtal om vad som helst (som kan vara fallet i ostrukturerade intervjuer) (Wengraf, 2001). I Tabell 1​
nedan, återges information om de informanter som deltog i studien. Tabell 1. Informant, byrå ­och intervjuinformation Informant Informantens funktion Informantens ålder Informantens kön Antal anställda (Sverige/globalt) Intervjutid (minuter) 1 Head of Business planning 30­40 M 50­60/6000+ 26 2 Vd 40­50 K 10­20 27 3 Analyschef 30­40 K 40­50/15000+ 28 4 Head of Science 30­40 M 5­10 24 t 5 Creative planner & Insight manager 25­35 M 100+/15000+ 32 6 Business development director 35­45 M 40­50/15000+ 43 7 Programmatic planner 25­35 M 10­20/15000+ 18 Anteckning. M=Man och K=Kvinna 15 *A 24 t, indikerar att intervjun tog 24 minuter och gjordes via telefon.
3.1 Studiedeltagare Ett strategiskt urval (Ekström & Larsson, 2010) tillämpades för att nå informanter med befogenhet att representera den byrå de var anställda på. Deltagarna hittades via den ideella föreningen Sveriges mediebyråers medlemslista (Sveriges mediebyråer, 2015), som bestod av trettiofem (35) byråer med kontaktperson till respektive byrå. Samtliga byråer kontaktades med en förfrågan om att delta i studien, då ett bortfall om minst 50 procent ansågs rimligt. Fjorton (14) återkom med svar, varav åtta (8) meddelade att de inte kunde medverka av olika anledningar, medan övriga sex bokades in för intervju. Två svarande byråer med säte i Göteborg respektive Malmö sammankopplade oss med medarbetare i Stockholm, varpå alla intervjupersoner var verksamma, samt intervjuades, i huvudstaden. Ytterligare en byrå som vi kände till sedan tidigare men inte var listad på Sveriges mediebyråers webbsida deltog i studien. Urvalet bedömdes således vara tillräckligt i den bemärkelsen att det utgjorde en ansenlig del av populationen (svenska mediebyråer), samt att ett större urval inte hade gett betydligt mer kunskap. Detta förfarande resulterade i ett representativt urval av svenska mediebyråer. I mailutskicket söktes den individ som av mottagaren ansågs vara bäst lämpad på byrån att svara på frågor angående Big Data och insamling av insikter. En viktig distinktion gjordes i att inte specifikt efterfråga någon med förkunskap i ämnet, då det skulle vara intressant i sig om det visade sig att den bäst lämpade inte var särskilt bekant med Big Data. Av de intervjuade individerna var det ingen som hade samma professionella funktion som någon annan (se sammanställning i ​
Tabell 1​
), vilket dels kan ses som en effekt av att byråerna själva valde vem som skulle delta, samt att både arbetssätt och titelsättning skiljer sig byråer emellan. Spridningen på informanternas yrkesmässiga bakgrund och arbetsuppgifter var därför varierad, vilket gav ökad bredd i infallsvinklar. Varje informant gavs alternativet att delta anonymt och eftersom flera av dem uttryckte en önskan om detta, anges inga personers eller byråers namn i denna rapport. Sett till antalet medarbetare var variationen stor mellan de deltagande byråerna. Den minsta byrån hade 5­10 (det exakta antalet anges inte på grund av önskan om anonymitet) och den största byrån hade över 100 medarbetare. Tre (3) av byråerna hade endast kontor i Sverige medan fyra (4) var del av större nätverk med kontor i flera länder (anges i Tabell 1 under “Sverige/globalt”). Sex (6) av byråerna hade kunder ifrån flera olika branscher medan en (1) endast var verksam inom kultursektorn. 3.2 Intervjuerna Undersökningen gjordes med en semistrukturerad intervjuguide bestående av tolv konkreta frågor samt ett antal förbestämda följdfrågor med relativt specifika teman som 16 skulle beröras. I enlighet med Bryman (2012:414) och Wengraf (2001) lämnades utrymme för oplanerade interventioner och frågor som inte fanns med i intervjuguiden, beroende på hur intervjun utvecklades. Frågorna i intervjuguiden utformandes så att de inte skulle vara ledande i sin karaktär och anpassades för att kunna ge svar på studiens frågeställning. Språkligt anpassades guiden för att vara begriplig för informanterna (Bryman, 2012:416). Då det var hur mediebyråerna uppfattade Big Data som var relevant för studien skapades breda och öppna frågor i intervjuguiden, för att inte styra informanterna, utan ge dem möjligheten att prata relativt fritt. För att parera eventuell obalans i maktförhållandet mellan intervjuare och intervjuobjekt genomfördes alla intervjuer på informantens arbetsplats, i en fysisk miljö där denne var bekväm och bekant med omgivningen. Alla möten inleddes med småprat följt av en genomgång av hur intervjun skulle gå till, utan att gå in på detaljer om ämnet. Eftersom informanternas perspektiv var det centrala i undersökningen var det viktigt att inte leda in dem i tankebanor som kunde påverka svaren (Kaijser & Öhlander, 2011). Därför lades omsorg på att inte delge någon förförståelse om ämnet, både inför och under själva intervjusituationen. Intervjuguiden utformades med syftet att ringa in ämnesområdet och ge informanten möjlighet att resonera och konceptualisera kring bland annat datainsamling, analysmetoder och framtidsutmaningar ur flera olika perspektiv. Nedan följer några exempelfrågor från den intervjuguide som användes (återfinns i sin helhet i bilaga 1). ­
Hur införskaffar ni insikter gällande människors beteenden, attityder och åsikter idag? ­
Ser ni några begränsningar med de metoder ni använder? ­
Känner ni till Big Data? ­ Om ja, hur uppfattar ni det? ­
Hur tror ni att ni hämtar insikter om fem till tio år? 3.3 Datainsamling Det empiriska underlaget i studien består av primärdata från intervjuerna som undersökningsledarna själva samlat in. Datainsamlingen genomfördes mellan den 15 och 30 juni 2015. En intervju gjordes via telefon på informantens begäran, medan övriga genomfördes i personliga möten på respektive byrå. Intervjuerna varade mellan mellan arton (18) och fyrtiotre (43) minuter och spelades in med varje informants samtycke. Transkriberingarna av intervjuerna, som diskuteras närmare i nästa stycke, utgör det totala underlaget som tolkats och analyserats i studien. För att undvika 17 medvetna och omedvetna förvanskningar av datamaterialet transkriberade undersökningsledarna varandras intervjuer. 3.4 Bearbetning och analys I tolkningsarbetet är det nödvändigt att kunna gå tillbaka till det insamlade datamaterialet (Starrin & Svensson, 1994), därför transkriberades varje intervjuinspelning ord för ord. Även ödemarkstillägg, pauser och betoningar dokumenterades, baserat på de utskriftskonventioner som anges av Kvale och Brinkmann (2013). Med Bryman (2012) som ledsagare lästes samtliga intervjuer igenom flera gånger och under denna process började olika teman att framträda ur intervjutexterna. För att det skulle bli tydligt vilka teman som avhandlades under intervjuerna tillämpandes ​
meningskoncentrering​
, som innebär att intervjupersonernas uttalanden delas upp i mindre stycken som sedan sammanfattas i korta formuleringar. Syftet med meningskoncentrering är att fånga centrala teman i det som sägs och på så sätt underlätta tolkning och teoretisk analys (Attride­Stirling, 2001; Kvale & Brinkmann, 2013). Intervjuerna kodades enligt både fördefinierade kategorier som bestämdes innan analysarbetet påbörjades, samt kategorier som framträdde under analysens gång. Processen skedde på grundval av forskningsfrågan eller teorin, eller på grundval av de båda. När själva koncentreringen av intervjuerna var klar abstraherades olika teman från den koncentrerade texten. Dessa teman som härrörde från intervjutexten monterades in i liknande sammanhängande grupperingar: teman om X, teman om Y, etcetera. Grupperna utgjorde sedan nätverket för analysen. Besluten om hur grupperingen av våra teman skulle gå till grundade sig på innehållet i texten och när så var lämpligt även på de teoretiska grunderna. Varje gruppering resulterade i ett specifikt övergripande tema (Attride­Stirling, 2001). Det förekom emellertid situationer där det var motiverat att tolka och analysera sådant som gick utöver det direkt sagda. I de fallen användes så kallad ​
meningstolkning ​
(Kvale & Brinkmann, 2013:223). Oavsett forskningsmetod och vetenskaplig ansats är det ofrånkomligt att den insamlade datan går igenom flera steg av tolkning. Syftet med att ta ut teman är att tydligare kunna identifiera olika mönster i den data som forskarna samlat in (Braun & Clarke, 2006). Detta för att på detaljrikt sätt kunna sammanfatta, organisera och beskriva datan (Boyatzis, 1998). Enligt Bryman (2012) är teman och subteman ett resultat av att man noggrant läser igenom sina transkriberingar flertalet gånger. När ramverket sattes upp för hur analysen av de olika temana skulle gå till lades vikt vid punkterna som Ryan & Bernard (2003) förordar, att man skall hålla utkik efter: ● Repetitioner​
­ Återkommande teman 18 ● Lokala typologier eller kategorier​
­ Obekanta uttryck eller uttryck som används på ett ovanligt sätt. ● Metaforer och analogier ​
­ Hur informanterna återger sina tankar i termer av analogier eller metaforer. ● Övergångar​
­ Hur teman förändras i utskrifter och överigt material ● Likheter och skillnader​
­ Undersöka om informanterna diskuterar teman på olika sätt eller jämföra hela texter med varandra och se om och hur de skiljer sig. ● Lingvistik ​
­ Hur informanterna väljer att formulera sig. Exempelvis om det typiska negativa egenskaper förekommer färre gånger än de positiva. ● Saknad data​
­ Reflektera över data som inte finns med. Exempelvis vad det är som informanten inte tar med i sina svar. ● Teorirelaterat material​
­ Nyttjande av samhällsvetenskapliga begrepp som temautgångspunkt. Kodningen av intervjuerna genomgick flera steg inspirerade av Kvale och Brinkmann (2013). Först lästes materialet igenom noggrant flertalet gånger för att få en helhetsbild av det, sedan fastställdes meningsenheter så som de uttryckts av informanterna. Därefter identifierades dominerande teman i informanternas utsagor. Meningsenheterna vägdes sedan mot forskningsfrågans syfte för att avgöra vilka teman som var relevanta för studien. I sista steget av kodningen knöts de centrala temana samman vilket i sin tur genererade ett antal underteman (Kvale & Brinkmann, 2013). Delar av detta kodningsförvarande illustreras​
​
i Tabell 2­4. Tabell 2 visar ett utdrag från kodningsförfarandet, där meningskoncentreringen ledde till huvudtemat ​
synen på insiktsinsamling​
. 19 Tabell 3 visar ett utdrag från kodningsförfarandet, där meningskoncentreringen ledde till huvudtemat ​
Big Data ­ ett diffust men innehållsrikt buzzword​
. Tabell 4 visar ett utdrag från kodningsförfarandet, där meningskoncentreringen ledde till huvudtemat ​
Nya konkurrensutmaningar. 20 Ovanstående kodningsförfarfarande beredde möjligheten att dra direkta linjer mellan den insamlade datan och den forskningsfråga som studien avser svara på. Konkret resulterade kodningen i fyra huvudteman bestående av ett antal naturliga underteman som redogörs i resultatdelen nedan. 4. Resultat Ur det empiriska materialet från intervjuerna framträder fyra övergripande områden som tillsammans omfattar hur informanterna, i egenskap av sin professionella roll på respektive mediebyrå, uppfattar Big Data i relation till den teori som lagts fram om fenomenen Big Data och disruptive innovations. Dessa områden är: ​
Synen på insiktsinsamling​
, ​
Big Data ­ ett diffust men innehållsrikt buzzword​
, ​
Nya konkurrens­ utmaningar​
och ​
Kompetenskrav i byråbranschen​
. 4.1 Synen på insiktsinsamling I den insamlade datan framträder tydliga mönster i hur byråerna samlar in information gällande sina kunders målgrupper. Alla informanter utom en uppger att Orvesto/TNS Sifo är en viktig insiktskälla men att dessa vid behov kompletteras med egna undersökningar. En av informanterna (​
3​
) resonerar emellertid kring Orvesto/TNS Sifos förmåga att konkurrera med nya realtidsgenererade datakällor som nu används i allt större utsträckning, och en annan (​
6​
) nämner inte ens dessa under intervjun. Det finns en påtaglig skillnad mellan hur större och mindre byråer arbetar med nya digitala informationspooler och sociala medier. Det är framför allt byrå ​
1​
, ​
5​
, ​
6 och ​
7 som uppger att de nu börjat samla in och arbeta med stora mängder data från sociala medier och att de använder sig av andra större datapooler med realtidsdata. De större mediebyråerna i undersökningen har en ambition att röra sig bort från undersökningar som är baserade på konsumentens egna utsagor, då folk i regel tenderar att återge hur de önskar​
agera snarare än hur de ​
faktiskt​
agerar. 4.1.1 Metoder för insiktsinsamling idag Undersökningen visar att de insamlingsmetoder som används av mediebyråer idag är en resursfråga. Informanter från de två minsta mediebyråerna i studien (​
2 och ​
4​
) uppger att de inte jobbar med stora datapooler för insamling och analys av data. De förlitar sig i huvudsak på TNS Sifo­ och Orvesto­data när de gör sina konsumentundersökningar och i en del fall kompletteras dessa med undersökningar som byrån själv genomför. Informanter som företräder de större byråererna uppger att de idag börjat omorganisera 21 sig för att kunna arbeta med och aggregera data från olika datapooler i syfte att skapa sig en mer holistisk bild om exempelvis kundens målgrupp. ​
Informant 5​
säger: “Ja, vi investerar i egna trackingsystem och satsar på nya former av tracking. I de bästa fallen skulle vi kunna gå ifrån de sämsta postala undersökningarna, eller ”bespoken undersökningarna”, som inte ger så mycket, och snarare fokusera på det som är datadrivet och omedelbart.” (Creative planner & Insight manager, byrå 5) 4.1.2 Kundens frågeställning avgör Samtliga informanter uppger att det är kundens frågeställning som styr valet av metod för insiktsinsamling. ​
Informant 1 beskriver att det ibland kan vara frestande att utgå från den data man har snarare än att utgå från frågeställningen: “Man ska ju alltid börja med: vad är frågeställningen? Vilken metod är det som lämpar sig för att bevara den frågeställningen och sen genomföra det projektet. Nu när det liksom uppstår nya typer utav dataströmmar så lockas man ju hela tiden att fundera över; ‘vi har den här datan, vad finns det för typ utav frågeställningar som vi skulle skulle kunna besvara med den’. Det är ju inte rätt, men det sker ju med jämna mellanrum.” (Head of Business Planning, byrå 1) 4.1.3 Utmaningar och möjligheter med insiktsinsamling När det gäller den nya typen av metoder som framförallt informanterna från större mediebyråer uppger att de använder, är det tydligt att dessa metoder enligt dem ger en mer tillförlitlig bild av hur konsumenter faktiskt agerar eller vilka intressen som de faktiskt har. Vissa av informanterna från de större mediebyråerna menar att de nya metoderna som handlar om att samla in och analysera realtidsdata är mer resurskrävande än andra metoder och att de i och med det kan vara en nackdel att nyttja dessa metoder vid ett insiktsförfarande. Det blir helt enkelt inte ekonomiskt försvarbart att göra det, menar ​
informant 7​
. Andra svagheter som informanterna tar upp gällande digital data är att det finns olika blocking­program installerade på konsumenternas datorer och andra enheter vilket gör att data som samlas in via exempelvis cookies kan bli missvisande. Informanten från byrå 4, ​
som är en liten självstående byrå, menar dock att man tidigare inte kunde analysera och få ut några vettiga insikter ur det informanten kallar ​
small data​
. Han ställer sig skeptisk till att att man nu ska kunna utvinna relevanta insikter ur 22 Big Data och är mer inne på möjligheten att kombinera byråns nuvarande insamlingsmetoder: Fråga: “Om du skulle spekulera i alternativa metoder som ändå skulle vara genomförbara, vilka skulle det vara?” Svar: “Det kommer ju mer och mer sånt nu, att man kan ställa frågor till människor, enkätfrågor, och sen har man dom taggade så att man också kan kolla hur dom verkligen agerar. Så man liksom kombinerar ihop olika metoder. Jag tror inte, jag ser inte framför mig att det kommer någon ny supermetod som ersätter alla andra. Dom [insamlingsmetoderna] kompletterar varandra, men det blir alltmer intressant att koppla ihop dom.” (Head of Science, byrå 4) Att digitaliseringen gör det möjligt att koppla upp sig mot olika typer av datapooler skapar möjligheter att nå insikter om kundernas konsumenter som tidigare inte var möjlig. Att mediebyråer avråder sina kunder från att spara sin data i olika silos som bara kan ses av vissa enheter, istället för att göra informationen tillgänglig för fler, är också en trend som det insamlade materialet visar på. Det som informanterna menar är att fler avdelningar än marknadsavdelningen kan vara hjälpt av exempelvis försäljningsdatan för att optimera sin kommunikation. Fler informanter från större mediebyråer jobba just nu på att skapa automatiserade processer som ska samla in, analysera och identifiera relevant data från stora datapooler: “Momentet när man ska slå ihop tre datakällor som... tiden försvinner och då inser man att vi måste lägga fjorton timmar på det här för att komma till någon insikt. Och då börjar man räkna litegrann på det och den insikten kanske inte är värd fjorton timmar. Så jag tror att det kommer explodera när vi på byråsidan, eller när det kommer upp något program som simplifierar hur man slår ihop data så att det inte blir en process bara, att läsa av den, utan det ska vara enkelt bara, och gå att göra realtid.” (Programmatic Planner, byrå 7) 4.2 Big Data ­ ett diffust men innehållsrikt buzzword Samtliga informanter uppger att de känner till fenomenet Big Data men de uppfattar begreppet som ett modeord eller ett buzzword. Flertalet av informanterna för dock ett resonemang kring digitaliseringen respektive smart och relevant data som har direkta kopplingar till de definitioner av Big Data som anges i teoridelen. Det är uppenbart att 23 informanterna har svårta att på ett stringent sätt definiera Big Data. Definitionen av Big Data upplevs än så länge som lite luddig, vilket också teorin gällande själva fenomenet Big Data bekräftar. 4.2.1 Big Data ur ett mediebyråperspektiv Samtliga informanter ger uttryck för att själva begreppet Big Data är ett modeord som är aktuellt nu men som snart kommer att ersättas med nya ord som då betraktas som mer relevanta för det specifika användingsområdet, fast som kanske förklarar samma typ av fenomen eller delar av det som teorin tillskriver Big Data­begreppet. Det utkristaliserade sig tydligt i kodningsprocessen att flertalet informanter snabbt ville lämna diskussionen om vad Big Data är och istället gå in på det som de ansåg var mer centralt med fenomenet för dem som byrå, nämligen vilken typ av insikter som går att utvinna ur stora datamängder. Flera informanter från de större mediebyråerna uppger att Google och Facebook idag sitter på mer information än vad de själva gör och har mer insikt i exempelvis vilka målgrupper som gillar en viss sak eller vilken konsument som snart kommer att köpa katt. De större mediebyråernas svar på detta är att försöka investera i andra variabler för att inte vara lika beroende av Google och Facebook, när det kommer till användandet av dessa som datapooler. Potentiella datapooler eller företag som sitter på data som är av intresse för mediebyråer är exempelvis telefonbolag, menar en informant. “Genom Big Data, eller en större datauppsamling, så har vi möjligheten att kunna bli mycket, mycket mer specifik och relevant till våra målgrupper” (Creative Planner & Insight Manager, byrå 5) 4.2.2 Alternativa benämningar Merparten av informanterna menar att ​
Big data är ett begrepp som inte säger så mycket om själva fenomenet. De uttrycker att det mer handlar om ​
relevant data eller ​
smart data, som enligt deras mening mer passar in på vad Big Data faktiskt handlar om för dem. En annan informant reflekterar kring hur man med hjälp av smart data kan ta bättre beslut. “För oss handlar Big Data istället liksom om ´right data´ eller ´relevant´ data liksom… för data finns det mängder av, så processorkraft är det enda vi alla behöver.” (Business Development Director, byrå 6) “Ja, det är ju att övergå från nåt slags kyrkligt perspektiv till ett mer vetenskapligt perspektiv. Sluta tro och börja veta, och därmed kunna ta bättre beslut.” (Vd, byrå 2) 24 4.3 Nya konkurrensutmaningar 4.3.2 Konkurrens från andra branscher Mediebyråer konkurrerar inte bara med andra byråer, utan även med aktörer från andra branscher. Informanterna från byrå ​
3​
, ​
5 och ​
6 namnger specifikt Facebook och Google som konkurrenter, med anledning av den enorma mängd information och de analysverktyg de besitter. Samtidigt måste mediebyråerna förhålla sig till att dessa bolag tillhandahåller värdefulla datakällor som de kan köpa och använda i sin egen verksamhet. Informanten från ​
byrå 5​
säger: “Till Google och Facebook hyser vi en hatkärlek. De ger oss verktyg och möjligheter att göra våra annonser bättre och mer relevanta. Men de håller också på att konkurrera ut funktionen mediebyrå. Om ett par år kan man säkert boka hela sin kampanj via Google istället för att använda oss. De har möjligheten att följa eller identifiera en person på alla plattformar som den besöker.” (Creative Planner & Insight Manager, byrå 5) 4.3.1 Från ekonomi till data Alla informanter återger en samstämmig uppfattning att medielandskapet håller på att förändras, både organisatoriskt och strategiskt. Informant ​
6 och ​
7 hävdar att gränserna mellan olika byråtyper är på väg att suddas ut eftersom alla säger sig kunna leverera i stort sett samma sak, men att mediebyråerna har en bra position inför framtiden jämfört med andra byråtyper. Flera informanter beskriver att den egna byrån flyttas in i en mer datadriven värld. En informant (​
1​
) menar att det framförallt är takten som har ökat på senare tid, och att det går snabbare att komma fram till en insikt, implementera den och utvärdera den. En annan (​
7​
) förklarar hur mediebyråerna går från att vara ekonomer till att vara datadrivna företag, medan en tredje (​
5​
) säger att mediebyråer tidigare brukade köpa upp webbyråer, men nu istället köper upp dataföretag. En av de mindre byråerna (​
4​
) utmärker sig genom att säga att just digitaliseringen inte innebär några större förändringar för dem eftersom de fokuserar på mänskligt beteende, och hjärnan har inte utvecklats så jättemycket. Samma informant medger emellertid att det säkert har väldigt stor påverkan för de byråer som jobbar mer kampanjtaktiskt, med exempelvis annonsering och konvertering. 25 4.4 Kompetenskrav i byråbranschen 4.4.1 Kompetensen idag Det finns stora skillnader i hur byårerna beskriver sina respektive styrkor när det gäller den nuvarande kompetensen. Informanten från ​
byrå 1​
, som är del av ett större internationellt nätverk, menar självkritiskt att organisationen har väldigt mycket bra folk men att byrån måste transformeras till att bli mer av ett teknikföretag, att de behöver sitta på system och strukturer som kan dra ut insikter från alla dataströmmar, men att de inte är där än. Informanten från ​
byrå 3 tycker att de absolut har kompetensen att ta in data och göra köp, men att hanteringen och analyseringen av data är den stora utmaningen. Byrå ​
5​
, ​
6 och ​
7 är mer datadrivna än övriga byråer i undersökningen och uppvisar större självsäkerhet i den egna kapaciteten på detta område. Det märks även på lingvistisk nivå, då frekvensen av data­relaterad terminologi är högre hos dessa informanter. ​
Informant 7​
, som är ansvarig för att ta fram automatiserade processer på sin byrå, säger: “Remarketing­affären har gått från att vara komplex till att de sista åren blivit ganska enkel för oss att göra. Förr gjorde andra denna process åt oss men nu kan vi göra den själv. Vi börjar nu kunna knyta ihop hela ekosystemet.” (Programmatic Planner, byrå 7) På tal om datatätheten i dagens samhälle beskriver informant 6​
, som är chef för affärsutveckling, byråns kompetens: Fråga:“Har ni idag kompetensen att analysera den här typen av data inne på byrån?” Svar: “Vi har en workbench där vi testa processorkraft för att analysera data. Det finns så mycket data att det blir svårt för kunden att kunna definiera KPI:er [...] därför aggregerar vi upp det i silos” [...] “Jag har anställt en hacker i huset som intelligence manager som har developing­kunskap och ett mind­set från vår bransch.” (Business Development Director, byrå 6) 26 4.4.2 Förändrade kompetenskrav Informanten från ​
byrå 7 ​
säger att analytiska färdigheter inte efterfrågades lika mycket tidigare, att det fanns mer hos IT­konsulter och på mediebyråsidan fanns det mer ekonomer, men nu har mediebyrån båda dessa kompetenser. ​
Byrå 5 har ändrat sin strategiska modell och organiserar sig för att bättre kunna jobba med datadrivna insikter. En av de stora byråerna (​
6​
) har infört löpande utbildning för personalen för att kunna hålla sig á jour med den digitala utvecklingen och utnyttja resurser så effektivt som möjligt. Samma byrå är del i ett globalt nätverk som utvecklar egna verktyg för att analysera stora datamängder. Informanten hävdar att de har den kompetens de behöver och har bra förutsättningar inför framtiden. För de mindre byråerna som inte har samma ekonomiska resurser som de större att investera i databaserade analysverktyg och internutbildningar blir det än viktigare att anstränga sig mer vid insamlingstillfället för att säkerställa att datan är relevant att analysera och jobba med. I dagsläget skulle ​
byrå 2​
, som är en av de minsta byråerna i undersökningen med 10­20 anställda, ta hjälp utifrån för att analysera stora mängder data. Informanten från ​
byrå 4 uttrycker skepsis angående den ökande datafokuseringen och menar att kompetenskraven för den egna byrån inte är under så stor förändring som man skulle kunna tro: Fråga: “Tror du att det kommer komma förändringar framöver, eller tror du att det kommer vara ganska oförändrat på den fronten [kompetensen], så att säga?” Svar: “Jag tror att mycket av det som är fundamentalt kommer fortfarande vara lika relevant. Förstå hur folk tänker, förstå hur dom agerar, vad dom har för drivkrafter. Och sen utveckla kommunikation som är intressant, och produkter som möter dom drivkrafterna. Mycket tror jag är fortfarande same same. Och det är väl lätt att dras med att allting är nytt och så... Men det tror jag främst är på en taktisk nivå. Men det är inget vi sysslar med.” (Head of Science, byrå 4) 4.5 Sammanfattning av resultat Informanter från alla byråer menar enhälligt att det är kundens frågeställning eller problem som avgör vilken metod som används för att samla insikter om målgruppen samt vilka data man sedan väljer att analysera. Alla utom en beskriver att de använder traditionella källor som Orvesto/TNS Sifo i sin datainsamling. När det gäller digitala informationspooler och sociala medier som insiktskällor framträder en tydlig skillnad mellan de större byråerna som tillhör internationella nätverk och de små, självständiga byråerna. De stora byråerna beskriver sig själva som datadrivna i hög grad och har 27 automatiserade processer för att identifiera, samla in och analysera data, medan de två små byråerna i undersökningen är mer fokuserade på att förfina beprövade metoder som redan används. Alla informanter säger sig känna till Big Data som begrepp men ingen har en konkret uppfattning om vad det innebär och hur det kan användas på ett relevant sätt i deras nuvarande kontext. Det framkommer emellertid att flera av informanterna är väl bekanta med saker som insamling, lagring och analysering av stora datamängder samt att de har en uppfattning av vilka utmaningar och möjligheter som detta innebär. Informanterna gör dock ingen distinkt koppling mellan dessa faktorer och begreppet Big Data, trots att litteraturen gör det. Mediebyråerna utsätts för konkurrens från nya aktörer som Google och Facebook ­ stora databolag som sitter på enorma mängder social data och dessutom har verktygen att analysera den. Samtidigt är de datadrivna byråerna beroende av dessa företag i sin egen insiktsinsamling. Det finns en ambition från de större byråerna att investera i databolag, teknik och analysverktyg för att få ökad kompetens och kontroll över relevanta datakällor. Tre byråer påstår sig ha den digitala kompetens och sturktur de behöver inför framtiden medan andra medger att de kan bli mer tekniskt vässade när det gäller digital insamling och analys. En av de mindre byråerna betonar vikten av att vara noggrann i insamlingsskedet när resurserna är små och att de i dagsläget skulle hämta in kompetens utifrån för att analysera stora datamängder. Byrån med minst antal anställda menar att de har kompetens för att göra det de vill, men att de inte påverkas av den ökade digitaliseringen i branschen. Resultaten visar sammanfattningsvis att branschen genomgår en transformation mot ökad automatisering och datorisering, att Big Data som fenomen spelar en betydande roll i detta, samt att det finns skillnader mellan hur stora och små byråer hanterar de disruptiva innovationer som just nu driver utvecklingen in i en föränderlig och datatät framtid. 5. Diskussion Resultaten från det empiriska materialet visar att Big Data uppfattas som ett relevant fenomen för mediebyråer i Sverige. Informanternas utsagor juxtaposerat till hur Big Data definieras i litteraturen indikerar att alla byråer som deltagit i studien berörs av fenomenet i stor utsträckning på ett eller annat sätt. Det tycks dock inte finnas någon egentlig användning för själva ​
termen ‘Big Data’. Informanterna använder istället ord som ​
relevant data och ​
smart data för att beskriva olika typer av data som är tillämpliga i den kontext de verkar. En övergripande lärdom från studien är att huvudfrågan för många mediebyråer är att aggregera och sammanföra olika datakällor och att processerna ska gå snabbare och bli mer automatiserade. ​
Programmatic ­ 28 automatiserade processer, framförallt gällande annonsköp ­ är särskilt relevant för flera av de datordrivna mediebyråerna i undersökningen. Möjligheterna med programmatic är framförallt betingade i ökad effektivitet och minimering av felbeslut, och är på så sätt en konkret applicering av den fjärde framträdande möjligheten med Big Data som diskuteras av Manyika et al. (2011). En av informanterna i undersökningen hade den specifika titeln Programmatic Planner, vilket indikerar att marknaden för programmatic nu är relativt mogen. Vid en tillbakablick på de olika teorierna om Big Data finns en enstämmighet om att ​
volym ​
är den centrala dimensionen (Boyd & Crawford, 2012; Mayer­Schönberger & Cukier, 2013; Kitchin, 2013). För mediebyråerna är det istället snabbhet, eller det som bland andra Russom (2011) och Bhatia (2013) refererar till som det andra V:et i Big Data, ​
velocitet​
, som är mest relevant när det gäller datahantering. Det finns hur mycket data som helst, överallt, det är alla mediebyråer redan medvetna om. Man har vant sig vid volymen och omfattningen, därför pratas det istället om specifika metoder för att dra nytta av den data som finns för att finna insikter samt se mönster i hur konsumenter faktiskt handlar och agerar. När informanterna pratar om insiktsinsamling uppger samtliga att kundens frågeställning eller problem är avgörande för vilken metod som används. Beroende på vad kunden vill veta eller vilket problem som ska lösas anpassar alltså mediebyråerna sitt sätt att hämta och analysera konsumentdata. Vidare berättar alla utom en att Orvesto/TNS Sifo är centrala insiktskällor i dagsläget. När de senare beskriver svagheter med nuvarande metoder framkommer det att undersökningar där konsumenterna själva får redogöra för sina åsikter och beteenden aldrig är helt tillförlitliga. Sammantaget tyder detta på att även om kundens frågeställning är central, är den underordnad de verktyg som finns i mediebyråernas verktygslåda. Bollier och Firestone (2010) beskriver hur Big Data, korrekt använt, kan avslöja i makroperspektiv vad människor faktiskt gör istället för att förlita sig på ett litet urval med lägre reliabilitet. Dessutom kan Big Data genereras och studeras i realtid (Kitchin, 2014), vilket rimmar väl med mediebyråernas uttalade strävan att öka hastigheten i sina processer. En slutsats av detta är att Big Data är en disruptive innovation som ännu inte anammats fullt ut när det gäller insiktsinsamling i en svensk mediebyråkontext. En informant i studien påpekar också att när det kommer ett program som simplifierar hur man slår ihop realtidsdata kommer det att explodera som insiktsmetod på byråsidan. De bolag som inte sitter på lika mycket teknologisk kompetens kan däremot tänkas ha svårare att ta till sig innovativa teknologiska lösningar. Som Christensen förkunnar (1995) blir incitamenten för företag att stödja disruptive innovations ​
av naturliga skäl starkare om det finns personal som driver dessa frågor internt. Att Big Data är att betrakta som en disruptive innovation i mediebyråbranschen visar sig i att flera byråer är mitt i omorganisationer för att skapa nya processer, anställa mer 29 personal med datakompetens och göra verksamheten mer datadriven. Men som Christensen (1995; 1997; 2000) påvisar kännetecknas också disruptive innovations av att det finns ett inneboende motstånd att bryta etablerade praktiker. Detta motstånd finns också hos vissa aktörer och intressenter i mediebyråbranschen, gällande Big Data. En informant menar exempelvis att han inte har sett någon använda det ännu på ett effektivt sätt, och tror inte att det kommer innebära några större förändringar för hur hans byrå arbetar. En annan informant förklarar att kunden ibland vill hålla sig till den traditionella insiktsinsamling den är van vid. Etablerade kunder är vanligtvis pålitliga källor för att estimera den största potentialen i nuvarande teknologiska metoder, men inte för att upptäcka disruptiva teknologier (Christensen, 1995) ­ i det här fallet användningen av Big Data som insiktskälla. En reflektion är att när byrån då väljer att gå på kundens linje finns risken att man missar värdefulla möjligheter att utforska och ta tillvara på nya teknologiska innovationer som annars hade kunnat bidra till ökad kompetens och förbättrad konkurrenskraft. Eftersom disruptiva innovationer alltid kräver förändringar måste mediebyråer utvärdera om de har de resurser som krävs för att kunna implementera dem framgångsrikt. Därefter måste de fråga sig om den har de processer och värderingar den behöver för att lyckas. Frågan kan vara obekväm att konfrontera och kommer inte alltid naturligt eftersom existerande processer har tagit byrån dit det är idag och värderingarna som väglett medarbetare i sin beslutsfattning har varit bärande i företagskulturen som skapats (Christensen & Overdorf, 2000). Resultaten visar också att det finns flera skillnader mellan hur mindre och större mediebyråer uppfattar Big Data och hur de anser att Big Data idag påverkar deras organisation. De större byråerna har börjat förbereda organisationen och infrastrukturen i stort för att kunna samla in och arbeta med realtidsdata som bygger på hur deras kunders konsumenter faktiskt beter sig. De investerar i egna trackingsystem och köper upp dataföretag för att kunna samla och analysera så mycket data som möjligt för att på allvar kunna utmana IT­jättarna Google och Facebook. Några av dem har kontinuerliga internutbildningar för att säkerställa att medarbetarna håller sig uppdaterade med den senaste teknologin och är dessutom ute hos kunden och utbildar dem i datahantering, då det ligger i deras intresse att kunderna vet om hur de ska hantera sin egen användardata för att byrån i sin tur ska kunna utvinna så bra insikter som möjligt av den data de får tillgång till genom kunden. Detta kan leda till att flera intressenter i ekosystemet får ökad förståelse och driver frågor som berör Big Data och teknologiska innovationer. De större mediebyråera har insett att de behöver styra om sin affärsmodell gällande hur man införskaffar insikter för att kunna vara konkurrenskraftiga, vilket tyder på att de genomgår en ​
disruptive business innovation (Markides, 2006). Harmon och Demirkan (2015) konstaterar att en av utmaningarna med teknologiskt drivna affärsinnovationer är att de kräver en hel del investeringar av de organisationer som vill följa med i utvecklingen. Förmågan att hålla sig á jour med den digitala utvecklingen är därför att 30 betrakta som en resursfråga där de större byråerna kan antas ha en fördel. I en tid när verktygen för datainsamling och analysering ständigt förnyas och blir mer avancerade, ökar därför gapen mellan de byråer som följer med i denna utveckling och de som inte gör det. De mindre byråerna har av naturliga skäl inte samma resurser att göra detta i samma utsträckning som de stora mediebyråerna. De påverkas givetvis av Big Data och andra digitala disruptions, men står inför utmaningar och möjligheter av annan karaktär. Man kan resonera att ju mer datadriven branschen blir, desto svårare är det för de byråer som inte sitter på datakompetens och resurser att kunna automatisera köpprocesser och investera i egna trackingsystem. Men medan Facebook och Google utgör ett konkurrensmässigt hot mot de stora mediebyråerna, utgör de mer utav en möjlighet för de mindre byråerna som ändå inte kan konkurrera på de premisserna. Google Analytics och Facebook Topic Data är lättanvända mjukvaror som gör att de små byråerna kan erhålla detaljerade och värdefulla insikter om sina kunders målgrupper utan att behöva investera stora pengar i egen datakompetens eller avancerade analyssystem. Han et al. (2011) och Hastie et al. (2009) beskriver hur de nyaste programmen gör det möjligt att omvandla ostrukturerad data till strukturerad data och automatiskt upptäcka mönster och förutsäga effekter och konsekvenser av olika slag. Baserat på detta kan man spekulera att mindre byråer istället bör öka sin kompetens gällande ​
vilken data som är relevant att analysera och ​
hur datan på bästa sätt kan nyttjas för att leda till så skarpa insikter som möjligt. I en sådan situation blir förmågan att analysera och förstå data i förhållande till en social kontext avgörande faktorer ur konkurrenssynpunkt. Precis som Porway (2013) påpekar är dataanalytiker knappast dugliga till att analysera ​
varför­​
frågor när det handlar om mänskligt beteende. I kontrast till detta finns det i dagsläget en ivrighet hos många byråer att bli mer datadrivna, gå från att vara ekonomer till datatekniker och investera i ny teknik. Men eftersom mer och mer data görs tillgängligt med sökmotorernas och de sociala mediernas egna analysverktyg ser vi en möjlighet i att det nästa evolutionära steget för små och mellanstora mediebyråer kan bli att överlåta delar av själva datakompetensen till IT­bolagen, för att istället satsa på analytisk kompetens inom teknologi, marknad och sociologi, i linje med vad Chae (2015) förordar. På så sätt kan man syntetisera kunskap från olika discipliner och fokusera resurserna på det man faktiskt kan vara bäst på, utan att vara störst. Med det sagt tyder det mesta på att den framtida byråns framgång är starkt kopplat till förmågan att anpassa sig till den ständiga strömmen av disruptive innovations inom IT. För att fortsätta vara det bästa alternativet för kunder som vill veta mer om sina målgrupper och planera sin marknadsföring gäller det för byråerna att ha en struktur, en företagskultur och en värdegrund som ger utrymme för, och välkomnar, kontinuerlig förnyelse. 31 5.1 Begränsingar Informanterna i studien valdes ut baserat på deras befogenhet att representera sin byrå i en intervju om det givna forskningsområdet. Alla har olika titlar och ansvarsområden, vilket ger en bredd genom de olika infallsvinklarna. Det ska dock noteras att informanternas utsagor kan påverkas av dennes yrkesmässiga roll, då exempelvis den vd som deltar i studien har uppenbara anledningar att rationalisera kring de arbetsmetoder som används idag eftersom denne har det yttersta ansvaret för byråns verksamhet. Detta samtidigt som informanter med teknologiskt betingade ansvarsområden har givna incitament att förorda teknologiskt orienterade lösningar som kanske ännu inte implementerats på byrån. Eftersom undersökningen är genomförd med en kvalitativ metod, är det ett rimligt antagande att resultaten i någon mån hade blivit annorlunda med andra informanter eller av andra undersökningsledare. För att hantera dessa utmaningar har intervjuerna utgått från en intervjuguide. Men även om det är eftersträvansvärt att öka intervjuresultatets reliabilitet för att försöka kringgå godtycklighet och subjektivitet kan en allt för stor vikt på reliabilitet motverka variationsrikedom och kreativitet (Kvale & Brinkmann, 2012). Det är troligt att liknande studier skulle kunna genomföras under en annan tidpunkt och få liknande resultat, förutsatt att studien genomfördes under detta eller nästkommande år. Om samma studie görs i en avlägsnare framtid kan det tänkas att den teknologiska utvecklingen, marknadskrafter och andra omständigheter har förändrat förutsättningarna för mediebyråer i sådan grad att resultatet skulle se annorlunda ut eller att forskningsområdet i sig har utvecklats på ett sådant sätt att forskningsfrågan inte längre är pertinent. Eftersom denna studie är genomförd med en kvalitativ metod är det svårt att hävda att det går att generalisera studiens resultat och slutsatser till alla mediebyråer i Sverige. I kvalitativ forskning strävar forskaren främst efter en förståelse av beteenden, värderingar och åsikter i termer av den kontext som studien har genomförts i, vilket ligger helt i linje med denna studie (Bryman, 2013). För att uppnå transparens och validitet i studien transkriberades och kodades de genomförda intervjuerna grundligt. Exempel på kodningsförfarandet redovisas i tabell 2, 3 och 4. I resultatredovisningen presenteras även ytterligare utdrag från de noggrant transkriberade intervjuerna. 5.2 Förslag till vidare forskning Denna studie sätter disruptive innovations­teorier i relation till Big Data i en mediebyråkontext. Framtida forskning skulle kunna byta ut Big Data mot något av de angränsande eller innefattande fenomen som visat sig relevant för mediebyråer i denna studie. Ett exempel är ​
programmatic ­ automatiserade köpprocesser ­ och hur det uppfattas hos mediebyråer. För att bygga vidare på forskningsområdet skulle det även 32 vara intressant att göra en liknande studie i ett annat land, där bransch, konkurrens och teknologiska förutsättningar ser annorlunda ut. I och med att gränsdragningen mellan olika byråtyper är mer otydlig än någonsin tidigare skulle vidare forskning också kunna göras på andra byråtyper såsom webbyråer, reklambyråer och produktionsbyråer för att ge ökad föståelse för eventuella likheter och skillnader i hur Big Data uppfattas hos dessa aktörer jämfört med mediebyråer. 5.3 Konklusion Mediebyråer i Sverige uppfattar Big Data som ett relevant fenomen, eftersom de kan inkorporera det i sin affärsmodell och leda dem till insikter som tidigare inte var möjliga att nå. Fenomenet kan också klassificeras som en disruptive innovation i branschen då det onekligen tvingar fram nya arbetssätt, förändrade kompetenskrav och oprövade konkurrensmöjligheter. Även om själva termen Big Data inte har någon självklar plats i byråernas terminologilåda har den ständigt växande datafloran en fundamental betydelse för branschens fortsatta varande. Precis som titeln till denna uppsats antyder är Big Data fortfarande nytt, spännande och relativt outforskat. Riskerna och utmaningarna ska inte underskattas, men med rätt tillämpning är möjligheterna svindlande och ger i bästa fall upphov till nya innovationer. 33 Referenser Tryckta källor Anderson, C. (2008). ​
The end of theory: The data deluge makes the scientific method obsolete​
, 16­07. Ashurst, C., et al. (2012). ​
Exploring IT­Enabled Innovation: A New Paradigm​
. Int’l J. Information Management, vol. 32, pp. 326–336. Attride­Stirling, J. (2001).​
Thematic networks: an analytic tool for qualitative research.​
​
​
Qualitative research,​
​
1​
(3), 385­405. Berry, D. (2011). ​
The computational turn: thinking about the digital humanities. C
​ulture Machine, vol 12. Bollier, D., & Firestone, C. M. (2010). ​
The promise and peril of Big Data​
(​
p. 56)​
. Washington, DC, USA: Aspen Institute, Communications and Society Program. Boyd, D., & Crawford, K. (2012). ​
Critical questions for Big Data: Provocations for a cultural, technological, and scholarly phenomenon​
. Information, communication & society, ​
15​
(5), 662­679. Bower, J. L., & Christensen, C. M. (1995). ​
Disruptive technologies: catching the wave.​
(pp. 506­20). Harvard Business Review Video. Braun, V., & Clarke, V. (2006). ​
Using thematic analysis in psychology​
. Qualitative research in psychology,​
​
3​
(2), 77­101. Brown, B., Chui, M., & Manyika, J. (2011). ​
Are you ready for the era of ‘big data’​
. ​
McKinsey Quarterly​
, 4​
, 24­35. Bryman, A. (2012). ​
Social research methods​
. Oxford university press. Cavoukian, A., & Jonas, J. (2012). ​
Privacy by design in the age of big data. ​
Information and Privacy commissioner of Ontario, Canada. Chae, B. K. (2015). ​
Big Data and IT­Enabled Services: Ecosystem and Coevolution​
. IT Professional, 17(2), 20­25. Chen, H., Chiang, R. H., & Storey, V. C. (2012). ​
Business Intelligence and Analytics: From Big Data to Big Impact​
. MIS quarterly, 36(4), 1165­1188. Christensen, C. M., & Rosenbloom, R. S. (1995). ​
Explaining the attacker's advantage: Technological paradigms, organizational dynamics, and the value network​
. Research Policy, 24(2), 233­257. Christensen, C. M. (1997). ​
The Innovator's Dilemma: The Revolutionary Book that Will Change the Way You Do Business​
. (Collins Business Essentials). Christensen, C. M., & Overdorf, M. (2000).​
Meeting the challenge of disruptive change. Harvard business review​
. 78(2), 66­77. 34 Davenport, T. H., Barth, P., & Bean, R. (2013). ​
How ‘big data’is different​
. MIT Sloan Management Review, 54(1). Ekström, M., & Larsson, L. (2010). ​
Inledning​
. Lund: Studentlitteratur. Han J., Kamber, M., & Pei. (2011). ​
Data Mining: Concepts and Techniques​
. 3rd ed. Waltham: Morgan Kaufmann. Harmon, R. R., & Demirkan, H. (2015). ​
IT­Enabled Business Innovation​
[Guest editors' introduction]. IT Professional, 17(2), 14­18. Hastie, T., Tibshirani, R., & Friedman, J. (2009) ​
The Elements of Statistical Learning: Data Mining, Inference, and Prediction​
. 2nd ed. New York: Springer. Helbing, D. (2014). The world after Big Data: What the digital revolution means for us. Available at SSRN 2438957. Kaijser, L., & Öhlander, M. (2011). ​
Etnologiskt fältarbete.​
Studentlitteratur AB. Kelling S, Hochachka W, Fink D, et al. (2009). ​
Data­intensive Science: A new paradigm for biodiversity studies​
. BioScience 59(7): 613–620. Kitchin, R. (2014). ​
Big Data, new epistemologies and paradigm shifts​
. ​
Big Data & Society,​
​
1​
(1), 2053951714528481. Kitchin, R. (2014). ​
The real­time city? Big Data and smart urbanism. G
​eoJournal, 79(1), 1­14. Kvale, S., & Brinkmann, S. (2013).​
Interviews: Learning the craft of qualitative research interviewing​
. Sage. Lazer, D., Kennedy, R., King, G., & Vespignani, A. (2014). ​
The parable of Google Flu: traps in big data analysis​
. Science, 343(14 mars). Lerman, J. (2013). ​
Big data and its exclusions​
. Stanford Law Review Online, 66. Lindlof, T. R., & Taylor, B. C. (2010). ​
Qualitative communication research methods​
. Sage. Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). ​
Big data: The next frontier for innovation, competition, and productivity​
. Markides, C. (2006). ​
Disruptive innovation: In need of better theory*​
. Journal of product innovation management. ​
23​
(1), 19­25. Marz, N., & Warren, J. (2015). ​
Big Data: Principles and best practices of scalable realtime data systems. Manning Publications Co. Miller, HJ. (2010) ​
The data avalanche is here. Shouldn’t we be digging?​
Journal of Regional Science 50(1): 181–201. 35 Oboler, A., Welsh, K., & Cruz, L. (2012). ​
The danger of big data: Social media as computational social science​
. First Monday, 17(7). Riemer, K., Gal, U., Hamann, J., Gilchriest, B., & Teixeira, M. (2015). ​
Digital Disruptive Intermediaries: Finding new digital opportunities by disrupting existing business models​
. University of Sydney, Business School and Capgemini. Russom, P. (2011). ​
Big data analytics​
. TDWI Best Practices Report, Fourth Quarter. Ryan, G. W., & Bernard, H. R. (2003).​
Techniques to identify themes. Field methods, 15(1), 85­109. Starrin, B., & Svensson, P. G. (1994). ​
Kvalitativ metod och vetenskapsteori​
. Studentlitteratur AB. Strasser, BJ. (2012). ​
Data­driven sciences: From wonder cabinets to electronic databases​
. Studies in History and Philosophy of Biological and Biomedical Sciences 43: 85–87. Wengraf, T. (2001). ​
Qualitative research interviewing: Biographic narrative and semi­structured methods​
. Sage. White, Tom. (2012). ​
Hadoop: The definitive guide​
. O'Reilly Media, Inc. Otryckta källor Ariely, D. (2013). ​
Statusuppdatering​
. Facebook. Hämtad 12 augusti 2015 från https://www.facebook.com/dan.ariely/posts/904383595868 Beal, V. (2015). ​
Cookie ­ web cookies​
. Webopedia. Hämtad 6 augusti 2015 från http://www.webopedia.com/TERM/C/cookie.html Business Insider. (2014). ​
Research for the digital age​
. Hämtad 27 juli 2015 från http://www.businessinsider.com/social­medias­big­data­future­2014­2?IR=T Carlsson, T. (2011). ​
Ny lag om kakor verkningslös​
. Merafakta.nu. Hämtad 6 augusti 2015 från http://merafakta.nu/ny­lag­om­kakor­verkningslos/ Cisco. (2015). ​
The Zettabyte Era​
. Hämtad 22 juni 2015 från http://www.cisco.com/c/en/us/solutions/collateral/service­provider/visual­networking­index­vni/VNI_Hy
perconnectivity_WP.html Fidler, S. (2015). ​
Facebook policies taken to task in report for data­privacy issues​
. The Wallstreet Journal. Hämtad 6 augusti 2015 från http://www.wsj.com/articles/facebook­policies­taken­to­task­in­report­for­data­privacy­issues­142472590
2 Google. (2015). Google Flu trends. Hämtad 29 juli 2015 från ​
https://www.google.org/flutrends/se/#SE 36 Huet, E. (2015). ​
How AirBnb uses big data and machine learning to guide hosts to the perfect price​
. Forbes. Hämtad 9 augusti 2015 från http://www.forbes.com/sites/ellenhuet/2015/06/05/how­airbnb­uses­big­data­and­machine­learning­to­gui
de­hosts­to­the­perfect­price/ Isaac, E. (2014). ​
Disruptive Innovation: Risk­Shifting and Precarity in the Age of Uber​
. Berkely. Hämtad 13 augusti 2015 från http://www.brie.berkeley.edu/wp­content/uploads/2015/01/Disruptive­Innovation.pdf Lohr, S. (2012). ​
The age of big data​
. New York Times, 11. Hämtad 28 juli 2015 från http://wolfweb.unr.edu/homepage/ania/NYTFeb12.pdf Marr, B. (2015). ​
The amazing ways Uber is using big data. ​
Data Science Central. Hämtad 9 augusti 2015 från ​
http://www.datasciencecentral.com/profiles/blogs/the­amazing­ways­uber­is­using­big­data Mitchell, R., L. (2014). ​
Computer World. 8 big trends in big data analytics​
. Hämtad 28 juli 2015 från http://www.computerworld.com/article/2690856/big­data/8­big­trends­in­big­data­analytics.html Nygårds, O. (2015). ​
Nya Windows sågas för massiv datainsamling​
. Svenska Dagbladet. Hämtad 6 augusti från http://www.svd.se/nya­windows­sagas­for­massiv­datainsamling/om/naringsliv#xtor=AD­500­[svd]­[tf_h
uvudspalt_1508]­[integration]­[aftonbladet]­[ettan]­[29​
] Park, Alice. (2015). ​
Here’s proof that Facebook knows you better than your friends​
. Time. Hämtad 2 augusti 2015 från ​
http://news.stanford.edu/news/2015/january/personality­computer­knows­011215.html Pewinternet. (2007). ​
Digital footprints ­ Online identity management and search in the age of transparency​
. Hämtad 24 juni 2015 från http://www.pewinternet.org/files/old­media/Files/Reports/2007/PIP_Digital_Footprints.pdf.pdf Porway, J .(2013).​
You can’t just hack your way to social change​
. Harvard Business Review Blog, 7 mars 2013. Hämtad 28 juli 2015 från ​
https://hbr.org/2013/03/you­cant­just­hack­your­way­to/ Rosenfeld, S. (2014). ​
4 ways Google is destroying privacy and collecting your data​
. Salon. Hämtad 6 augusti 2015 från http://www.salon.com/2014/02/05/4_ways_google_is_destroying_privacy_and_collecting_your_data_par
tner/ Scherker, A. (2014). ​
Didn’t read the Facebook fine print? Here’s exactly what it says​
. Huffington Post. Hämtad 3 augusti 2015 från http://www.huffingtonpost.com/2014/07/21/facebook­terms­condition_n_5551965.html Sveriges mediebyråer. (2015). ​
Medlemmar i Sveriges mediebyråer​
. Hämtad 13 juni 2015 från http://www.sverigesmediebyraer.se/medlemmar/ Cukier, K. (2010). ​
The data deluge​
. The Economist. Hämtad 24 juni 2015 från http://www.economist.com/node/15579717 37 Whitney, L. (2012). ​
Congress not happy with Apple’s response on privacy concerns​
. CNET. Hämtad 6 augusti 2015 från http://www.cnet.com/news/congress­not­happy­with­apples­response­on­privacy­concerns/ 38 Bilaga 1 ­ intervjuguide Vilka insamlingsmetoder använder ni er av idag för att införskaffa insikter gällande människors beteenden, åsikter och attityder? KATEGORI: Insiktsinsamling idag / Använd Metod Vad är det som avgör vilken metod ni använder? KATEGORI: Insiktsinsamling idag / Avgörande faktor Ser ni några begränsningar med den metod ni använder? Om ja, ser ni några alternativa metoder? KATEGORI: Insiktsinsamling idag / Begränsningar Har ni sett några förändringar i och med den utbredda digitaliseringen? Om ja, på vilket sätt påverkar det er byrå? Vilka förändringar tror du att detta kommer leda till för er byrå i och med digitaliseringen? KATEGORI: Uppfattade förändringar pga digitaliseringen Känner ni till Big Data, Om ja, hur uppfattar ni det? Vilka möjligheter ser ni som byrå med Big Data? Vilka utmaningar ser ni som byrå med Big Data? Vilka risker ser ni som byrå med Big Data? KATEGORI: Uppfattning av Big Data Upplever du att Big Data påverkar/förändrar er byrå eller inte? Om ja, på vilket sätt? KATEGORI: Upplevd påverkan av Big Data Hur skulle ni kunna få tag på den Big Data som ni är intresserad av? KATEGORI: Big Data / Beredskap Har ni idag kompetens för att kunna analysera denna typ av data? KATEGORI: Big Data / Beredskap Vilka tror ni kommer vara huvudaktörerna i de olika leden gällande Big Data? (storage, överföring, tvättning av data och data mining) KATEGORI: Big Data / Beredskap Hur tror ni att ni hämtar insikter om 5­10 år? KATEGORI: Big Data / Beredskap Vilken byrå företräder du? 39