“Hoe zorg ik er voor dat mijn organisatie komt van ruwe data tot inzicht, grip en handelen?“
Datagedreven werken is het verzamelen, analyseren en inzetten van data om keuzes te kunnen baseren op feiten.
Het start met een vraag, met een onzekerheid:
- voor welk type klant is dit een geschikt product?
- wat is het ideale moment om een nieuw huis te kopen?
- wat doe ik nu wat niet effectief is voor deze leerling?
- wat gebeurt er als deze maatschappelijke trend doorzet?
- is dit een uitzondering of komt het vaker voor?
Soms doe je een uitgebreid marktonderzoek of lees je relevante wetenschappelijke stukken, maar niet zelden is het een keuze op basis van ervaring of onderbuikgevoelens. Sommige van dergelijke keuzes zou je echter wel willen onderbouwen: om je middelen (tijd, energie of geld) effectief en efficiënt te besteden, om willekeur te voorkomen of om te voorkomen dat je meer doet dan noodzakelijk.
Maar hoe onderbouw je dergelijke keuzes? Hoe bepaal je wanneer je middelen effectief en efficiënt ingezet worden?
data, informatie en kennis
Je begint met het verzamelen van feiten (of data). Wat staat er vast? Data wordt informatie door het een context te geven, een doel. Het geeft antwoord op duidende vragen ( “wie”, “wat”, “waar”, “hoeveel”, “wanneer”). Daarvoor moet de data op het juiste moment bij de juiste persoon komen (of de juiste plek) komen. Het duiden van het antwoord (“waarom”, “hoe”, “met welk gevolg”) schept inzicht en de mogelijkheid tot handelen als het een mee zit.
Data is een set digitale kassabonnen
Informatie is betekenisgeving: wie kocht het, wat werd er gekocht, waar was dat, hoeveel keer werd er iets gekocht, wanneer was dat? Wat een organisatie met deze informatie doet is afhankelijk van de vraag die onderliggend wordt gesteld. Een verkoopafdeling kan hieruit opmaken welke klanten interessant zijn om te benaderen voor nieuwe producten. Marketing kan meten of de verkoop van product A ten koste ging aan de verkoop van product B. Terwijl een strategisch directeur wellicht ziet welke vestigingen zouden moeten sluiten vanwege tegenvallende verkoop. Dezelfde informatie kan gebruikt worden voor verschillende vragen en biedt verschillende inzichten.
het soort vraag bepaalt (mede) de analyse
Er is onderscheid te maken tussen het soort vragen dat je wilt beantwoorden en hoe data ingezet wordt in de organisatie.
Het model van Gartner onderscheidt 4 soorten analyse
- descriptive of beschrijvend (wat is er gebeurd?),
- diagnostic of onderzoekend (waarom gebeurde dat?),
- predictive of voorspellend (wat kan of gaat er gebeuren?),
- prescriptive of voorschrijvend (hoe organiseren we het effect wat we willen?)
Het model van Gartner suggereert dat de verschillende types van analyse elkaar opvolgen. Dat is niet altijd zo in de praktijk. De wat-vragen (wat gebeurde er en wat gaat er gebeuren) kunnen vaak beantwoord worden met bestaande data of projectie van de data naar de toekomst.
De onderzoekende fase (waarom gebeurde dit) is weliswaar gericht op het verleden, maar vraagt om uitgebreidere analyse door zelf dieper in de data te duiken of door dat middels algoritmes uit te zoeken. en de verschillende soorten vragen kunnen binnen een bedrijf of afdeling elkaar afwisselen en vaak gaan ze hand in hand. Hoe verhoudt dit model zich dan met het traditionele business intelligence domein of de technieken uit machine learning?
Beschrijvende en onderzoekende vragen maken veelal gebruik van BI-tools en methodieken, maar ook voor de doorsnee gebruiker worden steeds geavanceerdere methodes bereikbaar. De tijd van maandelijkse rapportages zijn we voorbij, het proces is inmiddels dynamischer en flexibeler. Niet alleen de data wordt continu aangevuld met de laatste gegevens, ook modellen worden continu verbeterd. Als je continu je model aanscherpt, het model traint en daarnaar ook handelt dan bevind je je op het snijvlak van business intelligence (inzicht) en machine learning.
een ontwikkelproces
Datagedreven werken is een ontwikkelproces. Om de waarde van data te benutten zijn er 4 aspecten waaraan invulling gegeven dient te worden:
- bedrijfscultuur & steun vanuit het management
- datakennis of geletterdheid
- tools
- data-architectuur
zelf aan de slag?
Heb je vragen hoe je zelf aan de slag kan? Neem dan contact op, dan kijken we of we elkaar kunnen helpen.