Från siffror till beslut: vad gör du med det du vet?

Dashboarden är perfekt.

Alla metrics ni bestämde er för att följa finns där. Real-time. Uppdateras varje timme. Vackra grafer, tydliga trender, färgkodade varningar när något ser konstigt ut.

Folk tittar på den varje vecka. Nickar. Säger “intressant”.

Men ingenting händer.

För den metric som sjunkit i tre månader? “Vi behöver ge den lite mer tid.”

Den feature som 4% använder? “Folk måste vänja sig.”

Den kund-segment som försvinner? “Det är säsongsvariationer.”

Ni har all data ni behöver. Men ni gör ingenting med den.

Välkommen till klyftan mellan att veta och att göra.

⸻

Datagravkyrkogården

Jag har sett det så många gånger.

Team som har investerat månader i att bygga mätsystem. Dashboards med alla rätt metrics. Veckovisa rapporter som mejlas till hela teamet.

Och ingen gör ett jävla skit.

Konkret exempel:

Ett produktteam jag jobbade med hade en perfekt översikt över feature-användning.

De kunde se exakt:

• Vilka features som användes mest
• Vilka som öppnades men aldrig användes
• Vilka som folk försökte använda men gav upp på
• Vilka som ingen ens hittade

Varje måndag gick de igenom siffrorna. Och varje måndag sa produktchefen:

“Bra. Vi håller koll.”

Men när jag frågade: Har ni skrotat något baserat på det här?

“Nej, vi behöver ge det mer tid.”

Har ni förbättrat något?

“Vi diskuterar det.”

Har ni ändrat roadmap:en?

“Nej, det är redan planerat.”

De hade siffror. De hade insikter. De hade kunskap.

Men de gjorde samma saker som innan.

Det är skillnaden mellan att ha data och att använda data.

⸻

Varför klyftan finns

Det är inte för att folk är dumma. Eller lata. Eller dataskygga.

Det är för att det är jävligt svårt att agera på data.

För det innebär att erkänna att du haft fel

Den feature du byggde i tre månader? Data säger att ingen använder den.

Men att skrota den betyder att erkänna:

• Vi slösade tid
• Vi läste marknaden fel
• Våra antaganden var bullshit

Och det är mycket enklare att säga “folk behöver vänja sig” än att erkänna att ni byggde fel sak.

För det innebär politiska strider

Siffrorna säger att ni ska satsa på segment A. Men VD:ns favoritkund är i segment B.

Data säger att kampanjen inte fungerar. Men marketing la fem veckor på den.

Data säger att det här teamet är en flaskhals. Men teamleadn är golfkompis med chefen.

Att följa data innebär att säga emot människor med makt. Och det är inte alltid karriärsmart.

För det innebär döda älsklingsdjur

Alla organisationer har dem. Projekt som “alltid har funnits”. Satsningar som “är viktiga för företaget”.

Ingen vet riktigt varför de finns kvar. Men ingen vågar döda dem.

Och när data säger “det här funkar inte” - då svarar folk: “Ja, men det är mer komplext än så.”

För att döda något baserat på data kräver mod. Och det är enklare att låta det fortsätta i bakgrunden.

För det innebär faktiska förändringar

Att titta på siffror är bekvämt. Trygt. Intellektuellt stimulerande.

Men att agera på dem? Det betyder omprioriteringar. Svåra samtal. Omorganiseringar.

Det betyder att säga nej till saker folk vill göra. Det betyder att säga ja till saker som känns riskabla.

Så folk väljer statusquo. För det är det minst jobbiga alternativet.

⸻

När data kolliderar med åsikter

Det är där det blir riktigt besvärligt.

När siffrorna säger en sak. Men människor säger något annat.

Konkret exempel:

Ett team lanserade en ny användarupplevelse för sin app. De var stolta. Designen var snygg. Teamet älskade den.

Men efter två veckor visade siffrorna:

• Conversion ner med 18%
• Time-to-completion upp med 40%
• Support-ärenden om “hur funkar det här?” fördubblades

Tydligt misslyckande, eller hur?

Men på mötet sa designern: “Folk måste vänja sig. Det är alltid så med förändringar.”

Produktchefen sa: “Vi har fått bra feedback från några användare.”

Och VD:n sa: “Jag tycker det ser mycket bättre ut nu.”

Och siffrorna? De ignorerades.

För när data säger något folk inte vill höra - då hittar folk anledningar att inte lyssna.

“Datan är inte tillförlitlig ännu.” “Vi måste ge det mer tid.” “Det är bara en liten dipp.”

Och den nya designen blev kvar. Trots att användarna hatade den.

Det är inte alltid fel att ignorera data

Ibland ÄR det rätt att gå emot siffrorna.

Om du lanserar något radikalt nytt - kanske användarna behöver tid. Om du testar något långsiktigt - kanske kortvarig nedgång är okej. Om data säger “optimera för klick” men du vet att det förstör upplevelsen - då ska du inte följa data blint.

Men då behöver du kunna förklara VARFÖR.

Inte: “Vi tycker det är bra.” Utan: “Vi accepterar kortsiktigt sämre siffror för att [tydlig långsiktig anledning].”

Och sen måste du bevisa det. Med data. Inom en tydlig tidsram.

Annars är det inte strategi. Det är bara ego.

⸻

Så skapar du beslutande runt data

Om din data inte leder till handling - då har du två alternativ:

1. Sluta samla in den (för den är värdelös)
2. Förändra hur ni använder den

Här är hur du gör det andra.

Skapa en beslutsritual

Inte “vi tittar på siffrorna varje vecka”. Utan: “Vi fattar ETT beslut baserat på siffrorna varje vecka.”

Konkret exempel:

Ett SaaS-team jag jobbar med gör såhär varje måndag:

1. De tittar på sina 5 viktigaste metrics
2. De väljer EN som ska leda till handling den här veckan
3. De bestämmer: vad testar vi för att påverka den?
4. Nästa måndag: fungerade det? Vad gör vi sen?

Ingen måndagsmöte tar slut utan ett konkret beslut.

Inte: “Det ser intressant ut, vi håller koll.” Utan: “Vi testar X den här veckan. Nästa måndag vet vi om det funkade.”

Varje metricmöte måste sluta med handling. Annars är det teater.

Ha “kill criteria” innan du bygger något

Innan du startar ett projekt. Innan du lanserar en feature. Innan du kör en kampanj.

Bestäm: Vid vilka siffror dödar vi det här?

“Om aktivering är under 20% efter 4 veckor - skrotar vi featuren.” “Om kostnad per lead är över X - stoppar vi kampanjen.” “Om ingen från målgruppen använder det - lägger vi ner projektet.”

Skriv ner det. Innan ni startar.

För när siffrorna sen säger “det fungerar inte” - då har ni redan bestämt vad ni ska göra.

Det är ingen överraskning. Det är ingen strid. Det var beslutet från början.

Konkret exempel:

Ett team lanserade en ny funktion med tydliga kill criteria:

“Om mindre än 15% av aktiva användare testar den inom 2 veckor - gör vi den mer synlig. Om mindre än 30% av de som testar fortsätter använda den - bygger vi om den. Om mindre än 10% fortsätter använda efter 4 veckor - skrotar vi den.”

Efter 4 veckor: 8% fortsatt användning.

Skrotad. Utan diskussion. Utan ego. Utan politiska strider.

För beslutet var redan fattat.

Separera “information” från “handling”

Alla metrics behöver inte leda till beslut varje vecka.

Men då måste du veta skillnaden:

Information-metrics: Saker du följer för kontext. De är bra att veta. Men de kräver sällan handling.

Handlings-metrics: Saker som MÅSTE leda till förändring om de rör sig åt fel håll.

Och du måste behandla dem olika.

Information-metrics: Kolla en gång i månaden. Diskutera trender. Inget beslut krävs.

Handlings-metrics: Kolla varje vecka. Om de rör sig fel - GÖR NÅGOT.

Problemet är när folk behandlar handlings-metrics som information. “Oj, den gick ner. Intressant. Nästa punkt.”

Nej. Om det är en handlings-metric - AGERA.

⸻

Modet att döda saker

Det är här det blir jobbigt.

För att använda data innebär att du ibland måste:

• Skrota saker folk jobbat hårt på
• Säga nej till saker chefen vill göra
• Erkänna att ni hade fel
• Ändra riktning mitt i

Och det kräver mod.

Konkret exempel:

Ett team hade byggt en feature i 5 månader. Hela teamet var involverade. Det var den största satsningen på kvartalet.

Lansering: 3% användning efter 2 veckor. 1.5% efter 4 veckor.

Produktchefen sa: “Vi behöver marknadsföra den bättre.” Teamet sa: “Folk kanske inte förstår värdet än.”

Men datan sa: Folk testar den. Och sen slutar de använda den.

Det var inte ett marknadsföringsproblem. Det var ett värde-problem.

Och produktägaren, som var ny, sa: “Vi lägger ner den. Och bygger något annat.”

Tystnad.

“Men… vi la fem månader på den.” “Men… den är ju nästan klar klar.” “Men… vi kan inte bara ge upp.”

Jo. Det kunde de.

För att fortsätta investera i något som inte funkar är värre än att erkänna att ni hade fel.

Featuren skrotades. Teamet byggde något annat. Det funkade.

Men det krävde mod att fatta det beslutet.

Och det är det ingen pratar om när de säger “bli mer datadriven”.

⸻

När du inte litar på siffrorna

Ibland är problemet inte att folk ignorerar data.

Det är att de inte litar på den.

“Datan kan inte stämma.” “Det måste vara ett mätfel.” “Siffrorna ger inte hela bilden.”

Och ibland har de rätt.

Så gör såhär:

Om data säger något förvånande - kolla två saker:

1. Mäter vi rätt sak?

   • Är det här verkligen en signal på vad vi tror?
   • Kan det finnas andra förklaringar?
   • Vad säger folk som faktiskt använder produkten?

2. Har vi tillräckligt med data?

   • Är samplet stort nog för att vara säkra?
   • Har vi gett det tillräckligt med tid?
   • Är det en trend eller en anomali?

Men om du frågar de frågorna varje gång data säger något du inte gillar - då använder du dem som ursäkter.

Så lägg regeln:

Om datan pekar åt samma håll i [X veckor/launches/tester] - då agerar vi.

Även om vi inte är 100% säkra. Även om vi inte gillar svaret.

För att vänta på perfekt data är ett annat sätt att göra ingenting.

⸻

På måndag kan du göra det här

1. Lägg till en beslutspunkt i nästa metricmöte

Nästa gång ni går igenom siffror - avsluta inte mötet utan att ha fattat ETT beslut.

Inte diskuterat. Inte “håller koll”. Fattat ett konkret beslut.

“Vi testar X för att påverka Y.” “Vi skrotar Z för att siffrorna säger att det inte funkar.” “Vi fortsätter med A men kollar igen om 2 veckor.”

Om ni inte kan fatta ett beslut - fråga varför ni mäter detta.

2. Sätt kill criteria för något ni jobbar på nu

Välj ett pågående projekt. Och bestäm:

Vid vilka siffror lägger vi ner det?

Skriv ner det. Dela med teamet. Sätt en deadline för när ni kollar.

Och håll er till det.

3. Fråga om en metric ni ignorerat

Finns det en siffra som pekat åt fel håll i veckor - men ni inte gjort något åt?

Fråga teamet: Varför agerar vi inte på det här?

Om svaret är “vi måste ge det tid” - hur mycket tid? Sätt ett datum. Om svaret är “det är komplext” - vad skulle få oss att agera? Skriv ner det. Om svaret är “jag vet inte” - då vet ni att ni mäter för att mäta.

Och då kan ni antingen börja agera. Eller sluta mäta.

⸻

Värdet ligger i handlingen, inte i siffrorna

Du kan ha all data i världen.

Perfekta dashboards. Real-time metrics. A/B-tester. User research.

Men om du inte gör något med det - då är det värdelöst.

Värdet är inte i att veta att något är fel. Värdet är i att faktiskt göra något åt det.

Och det är svårt. För det innebär:

• Att erkänna misstag
• Att utmana makt
• Att döda älsklingsdjur
• Att faktiskt förändra

Men det är skillnaden mellan att “vara datadriven” och att leka datadriven.

Mellan att ha siffror på väggen - och att faktiskt använda dem för att bli bättre.

Nästa del: När mätbarhet blir kontraproduktivt - och hur man känner igen det.

Men först: sluta titta på siffror ni inte gör något med.