Data Driven Decision Making by Improven

Data Driven Decision Making

Data Driven Decision Making (DDDM) “Daar moeten we iets mee”, een veel gehoorde uitspraak als het over data analytics gaat. Veel organisaties acteren voornamelijk uit angst om de boot niet te missen – niet vanuit intrinsieke motivatie, maar vanwege de druk van buitenaf! Zodra organisaties dan aan de slag gaan met data, worden deze vooral gebruikt om naar het verleden te kijken. Het beeld over de toekomst wordt gevormd op basis van onderbuikgevoel of enkele aan elkaar geplakte Excels. Dit kan anders! Het is immers uitstekend mogelijk te forecasten op basis van data. Dát is de toekomst, maar waar te beginnen? Wij nemen je mee. Data. We beschikken met elkaar al over oneindig veel data en ook de toename is exponentieel. Ondanks dat er altijd wel iets bruikbaars tussen zit, kunnen veel ondernemingen de snelle toename van data niet aan. Toch is het bekend dat er grote voordelen mee behaald kunnen worden, bijvoorbeeld door data driven decision making (DDDM) toe te passen. Onder data driven decision making verstaan we 'het gebruik maken van feiten, statistieken en data als leidraad voor strategische zakelijke besluiten die overeenstemmen met je doelstellingen en initiatieven'. Veel organisaties vragen zich nog af waarom DDDM noodzakelijk is. Anderen zijn al verder, maar worstelen met de vraag hoe DDDM praktisch toe te passen in de organisatie. Eerst de ‘waaromvraag’. Wat is nou de toegevoegde waarde van DDDM? Het antwoord is simpel. Je kunt betere beslissingen nemen door (slimmer) gebruik te maken van de beschikbare data en meer data te verzamelen

“Most of the world will make decisions by either guessing or using their gut. They will be either lucky or wrong.” - Suhail Doshi 1 3

Een voorbeeld uit de praktijk. Een marketing team van een handelsorganisatie verzorgt periodiek mailingacties om hun producten onder de aandacht te brengen. Het eerste doel van deze acties is uiteraard potentiële klanten naar de website te lokken en het tweede doel is daarmee de verkoop te stimuleren. Welke rol kan data in dit voorbeeld spelen?

• Geen rol - de effectiviteit van de marketingcampagne wordt niet gemeten • De impact van de campagne wordt gemeten door het aantal bezoekers van de website in

•

kaart te brengen en te kijken welke invloed de campagne heeft gehad op de verkopen van producten - dus (slimmer) gebruik maken van reeds beschikbare data (websitebezoekers en omzet) De impact op aantal bezoekers en omzetten worden geanalyseerd en daar bovenop wordt met A/B testen geanalyseerd welke inhoud van de mailing het meest succesvol is, zodat hieruit lessen kunnen worden geleerd en welke in de toekomst toegepast worden – dus meer data verzamelen.

Het zal duidelijk zijn. In het eerste geval wordt vertrouwd op intuïtie, onderbuikgevoel en geluk. In het derde geval, wordt op basis van data een inhoudelijke analyse gemaakt over welke campagne het meest effect heeft. Er wordt geleerd. De kosten van de mailingactie worden ongetwijfeld terugverdiend door de extra gegenereerde omzet, maar zelfs dat kan eenvoudig worden gemeten. Als je al overtuigd bent van de toegevoegde waarde van DDDM, hoe pas je dit dan succesvol toe? Dat is een vraag die velen bezighoudt. Immers, er kan veel mis gaan… • verkeerde of irrelevante data verzamelen en analyseren leidt tot het uitblijven van of foutieve resultaten; • er moet voldaan worden aan complexe privacy wetgeving (AVG); • er bestaan risico’s op datalekken en/of imagoschade; • algoritmes kunnen discrimineren of etnisch profileren; • het is lastig te bepalen of investeringen zich terugverdienen doordat er soms niet direct tastbare resultaten volgen. Zorgvuldigheid is dus geboden. Daarbij is er meer nodig dan een team met slimme data scientists – al dan niet ingehuurd. Maar wat dan? 3

De basis: dataverzameling met datakwaliteit Starten met dataverzameling lijkt een logische en goede keuze, maar dit is niet voldoende. Een kwalitatief goede datalaag is namelijk het fundament van een data driven organisatie. Het aloude adagium 'garbage in, garbage out' is onverminderd van toepassing. Het is niet eenvoudig om de datakwaliteit naar een hoger plan te brengen. Er zijn veel verschillende knoppen om aan te draaien zoals toegankelijkheid, accuratesse, coherentie, compleetheid, consistentie, definitiebepaling, relevantie, betrouwbaarheid en tijdigheid. Goed datamanagement is bijzonder belangrijk en wordt helaas regelmatig ondergewaardeerd. Dat is jammer, want datamanagement kan worden gebruikt om grote hoeveelheden data op een veilige, betrouwbare en efficiënte manier te beheren en beschikbaar te stellen aan de organisatie. Een bekend framework op het gebied van datamanagement is DAMA Data Management Body of Knowledge (DAMA DMBOK). Dit framework bestaat uit een verzameling van datamanagementconcepten en -methoden, waarbij data governance centraal staat. Aan de hand van verschillende datamanagementdisciplines die door data governance met elkaar verbonden worden, kan de stand van zaken binnen een organisatie bepaald worden. Hierbij zijn omgevingsfactoren van invloed, zoals gebruikte technieken, de organisatiecultuur, actuele werkwijzen en procedures. Een alomvattend framework, zoals DAMA DMBOK kan dan helpen om de datakwaliteit naar een hoger plan te brengen.

“If you don’t have timely, relevant, and trustworthy data, decision makers have no alternative other then to make decisions by gut. Data quality is key.” - Carl Anderson 2 4

Deze stap wordt als succesvol ervaren. Sterker nog, in de mate van succes schuilt veelal het probleem. Het is namelijk moeilijk genoeg om verzamelde data te ontsluiten en in mooie BI dashboards te presenteren aan management en stakeholders. Met deze output is de organisatie vaak al erg tevreden, maar dit is niet DDDM. Deze stap is dus niet verkeerd, maar ook niet afdoende. Daarbij zien we veelvuldig het bijkomend risico dat de data uit het dashboard gedownload worden en via allerlei bewerkingen in Excel nadien een eigen leven leiden.

“However, a data culture isn’t just about deploying technology alone, it’s about changing culture so that every organization, every team and every individual is empowered to do great things because of the data at their fingertips”. - Satya Nadella 3

ATA DRIVE

The next step: Business Intelligence (BI) Aansluitend op de eerste stap (of parallel daaraan) volgt data ontsluiting met BI tooling. Dat is uitdagender en meer zichtbaar dan datamanagement. Grotere organisaties hebben tegenwoordig vrij regelmatig een BI-afdeling ingericht, waar data ontsluiting met tooling wordt belegd. Toch krijgen vaak enkel de controllers een training Power BI en dat is het dan. In het beste geval wordt een aantal mooie dashboards gemaakt als stuurinformatie. Deze dashboards zijn meestal niet veel meer dan een interactieve versie (met extra grafieken) van de 'good old' Excelrapportage.

Relevante stap: Data Awareness en een Data Driven cultuur Dus aan de slag met dataverzameling, datakwaliteit, data analytics maar ook, of misschien wel ‘juist’, data awareness! Een data driven cultuur is het meest belangrijk, maar ook het meest lastig te creëren. De gehele organisatie moet bottom-up en top-down doordrenkt worden met het nieuwe data driven gedachtengoed. Datakwaliteit is dan bijvoorbeeld niet alleen meer de verantwoordelijkheid van medewerker databeheer of data entry, maar van iedereen. Hier is dus een flinke bijdrage van change management vereist. Daarnaast herken je een data driven organisatie aan: bereidwilligheid op het delen en samenbrengen van data over de afdelingen; een positief kritische houding ten aanzien van data, KPI's en cijfers in het algemeen; continu verzamelen van data; bijeenbrengen van de juiste data en op de juiste gestructureerde wijze; regelmatig testen; de wens tot continu verbeteren; predictive modelling, forecasting en lerend vermogen met terugkoppeling van foutieve voorspellingen in het model.

• • • • • • •

Een integrale aanpak vergroot de kans op succes Een integrale, organisatie brede aanpak met datakwaliteit als stevig fundament vergroot de kans op succes. Van het (top) management wordt leadership gevraagd. Het management moet een voorbeeldfunctie vervullen als het gaat om het concept van DDDM. Het management moet DDDM volledig omarmen, ondersteunen en met trots en enthousiasme uitdragen. Bij voorkeur gaat het management ook nog op zoek gaan naar die gebieden waar met DDDM echt concurrentievoordeel behaald kan worden. Het is namelijk bijna niet mogelijk om direct en overal met alle afdelingen evenveel met data uit te blinken. Zelfs Google bereikte dit doel stapsgewijs. De organisatie zal daartoe keuzes moeten maken en specifieke doelstellingen moeten formuleren.

Een andere belangrijke factor is het aantrekken van human capital oftewel de analisten. Het is van belang dat een organisatie op zoek gaat naar een optimale mix van de juiste talenten op het gebied van data, zoals data scientists, data engineers en analisten. Zij dienen uiteraard de nodige technische skills, maar ook business kennis en voldoende sociale vaardigheden te hebben. Zij worden niet voor niets aangeduid als ‘unicorns’, want deze kwaliteiten zijn natuurlijk niet eenvoudig in één persoon te vinden.

Improven’s Data Analytics Maturity Scan meet de volwassenheid van organisaties op het gebied van DDDM door middel van de zeven elementen uit het DELTA plus model. De resultaten van de scan geven een helder beeld van de huidige situatie, afgezet tegen de gewenste situatie, met een heldere uiteenzetting van het verbeterpotentieel. Bovendien geeft Improven op basis van de scan een advies met stappenplan om tot de gewenste situatie te komen en daadwerkelijk data driven organisatie te worden.

Naast het aantrekken van talent in is het minstens net zo belangrijk de huidige werknemers verder te ontwikkelen op dit vlak. Medewerkers in alle lagen zullen meer 'data literate' moeten worden. De juiste technologische infrastructuur en de beschikbaarheid van analytische technieken voor bijvoorbeeld Artificial Intelligence en machine learning maken de benodigde randvoorwaarden voor een succesvolle integrale aanpak van DDDM compleet. DDDM volwassenheid: Data Analytics Maturity Scan Een organisatie die zijn beslissingen (volledig) op data baseert, het lijkt een onmogelijke uitdaging. Waar begin je? Met heel veel data? Of met slimme data scientists? Dat verschilt per organisatie. Samengevat zijn hierboven zeven belangrijke elementen beschreven, namelijk: data, enterprise, leadership, targets, analysts, technology en analytical techniques (4). Volgens het DELTA plus model boekt een organisatie de meeste voortgang op het gebied van DDDM als deze elementen met elkaar harmoniëren. Moeten al deze elementen dan in dezelfde mate aandacht krijgen en op dezelfde wijze doorontwikkeld worden? Nee, dat is gelukkig niet noodzakelijk. Voor sommige organisaties is de datakwaliteit goed op orde en de technologische infrastructuur uitstekend, maar vervult het management geen voorbeeldfunctie (leadership) of blijven de skills van de werknemers achter bij de ambities (analysts). Dan is het uiteraard raadzaam juist hier extra aandacht en geld aan te besteden. Dit is afhankelijk van de volwassenheid van de organisatie op de verschillende elementen. 8

Geciteerde werken 1. Fried, T. (2015, Mei 18). Tommorow's Advance Man. Retrieved from The New Yorker: www.newyorker.com/ magazine/2015/05/18/tomorrows-advance-man 2. Anderson, C. (2015). Creating a data-driven organization: Practical advice from the trenches. O'Reilly Media, Inc. 3. Nadella, S. (2014, April 15). A data culture for everyone. Retrieved from Official Microsoft Blog: https://blogs.microsoft.com/ blog/2014/04/15/a-data-culture-for-everyone/ 4. Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business Review Press.

Wilt u meer weten of eens klankborden over datakwaliteit, data analytics, BI of bijvoorbeeld change management op dit vlak? Neem dan contact op met Boudewijn van den Dool, Managing Consultant bij Improven in Data Quality, Analytics & Management Telefoon: 06 51 68 37 64 E-mail: boudewijn.van.den.dool@improven.nl

connected performance

info@improven.nl www.improven.nl