Gebruik data-analyse als concurrentiewapen
Waarom vinden organisaties het zo lastig om hun data consequent en consistent te analyseren? Is eenoog koning in het land der blinden? Hoe voer je eigenlijk een degelijke data-analyse uit? En hoe kun je data-analyse gebruiken als concurrentiewapen? Van Beek en Abramse laten hun licht schijnen over deze brandende kwesties.
Thomas Abramse trapt af. “Je kunt BI doodverklaren en vervangen door AI, maar dan verzand je al snel in een definitiediscussie waar de klant niets mee opschiet.” Investeren in BI heeft volgens hem alleen maar zin als je in staat bent data te transformeren in bruikbare informatie en nieuwe inzichten te gebruiken voor acties die jouw business versterken. Data-analyse speelt in dit hele verhaal een cruciale hoofdrol. “Twee ton investeren in een datawarehouse heeft geen zin als daar uiteindelijk geen concrete continue verbeteracties uit voortvloeien.”
Data-analyse als het kloppende hart
Daan van Beek zit op dezelfde golflengte. Data-analyse vormt volgens hem het kloppende hart van Business Intelligence. “Dat is altijd al zo geweest. Haal je dat eruit, dan vloeit alle levenskracht en energie in één keer weg.” In de praktijk ziet hij mensen naar hun dashboard staren, zonder dat ze de cijfers achter de grafieken begrijpen of kunnen verklaren. “Stel, je bent hypotheekverstrekker en ziet op het dashboard dat de instroom van nieuwe hypotheekaanvragen al twee maanden 10% lager is dan dezelfde periode vorig jaar. Welke acties ga je ondernemen? Onder druk kiezen organisaties al snel voor paniekvoetbal. Flexibele krachten worden ontslagen en ondoordachte marketingacties versneld uitgevoerd. Maar dat kan contraproductief zijn en een selffulfilling prophecy in gang zetten.”
Ga op zoek naar de root cause
Van Beek: “De enige juiste actie is om op zoek te gaan naar de root cause (analysis) van de slinkende hypotheekaanvragen. Voor hetzelfde geld is er bij de recente upgrade van de website iets misgegaan waardoor de conversie hapert. Kortom: je hebt data-analyse nodig om te achterhalen waar exact het probleem zit en aan welke knoppen je precies kunt draaien.”
Van Beek geeft nog een concreet voorbeeld. “Het coronadashboard laat zien dat het aantal covid-besmettingen de laatste weken weer exponentieel stijgt. De neiging is dan groot om direct weer terug te grijpen op grove maatregelen. Met een gedegen root cause analyse kun je echter veel fijnmaziger te werk gaan. Zonder die fijnmazigheid faalt het beleid op alle fronten, omdat iedereen over één kam wordt geschoren. De kwetsbare groepen worden onvoldoende beschermd, terwijl de meerderheid onnodig forse schade oploopt”, zo stelt Van Beek.
Aan mijn lijf geen polonaise
Maar waarom zouden professionals en beleidsmakers die noodzakelijke data-analyse dan toch zomaar overslaan? Zowel Van Beek als Abramse kunnen vanuit hun jarenlange ervaring wel enkele plausibele redenen hiervoor aandragen. Abramse: “Professionals die in ons vakgebied werkzaam zijn blijven liever in hun comfortzone. Data kan namelijk best wel confronterend zijn.
Uit een data-analyse kan blijken dat de oude vertrouwde manier van werken inmiddels achterhaald is.
Data kan heilige huisjes omverschoppen. Daarnaast is een deel van de huidige leidinggevende managers gewoonweg niet datageletterd genoeg. De oudere generatie heeft soms zelfs helemaal geen affiniteit met data en redeneert in de trant van “aan mijn lijf geen polonaise.”
Verwacht geen wonderen
Van Beek signaleert naast hele praktische oorzaken zoals tijdgebrek en luiheid, ook emotionele blokkades zoals desinteresse en echte betrokkenheid bij de zaak, angst voor de waarheid en weerstand tegen verandering. Nog te veel leidinggevenden onderschatten volgens hem het grote belang van data-analyse. Ze missen de analytische blik en de vaardigheden. En zo geven ze professionals ook niet de tijd en ruimte om data grondig te analyseren.
Van het inhuren van een data analist verwachten organisaties bovendien wonderen, terwijl een data analist per definitie aan de zijlijn staat. Hij of zij heeft vaak onvoldoende domein- en proceskennis om goede analyses te doen. “Affiniteit met data kweek je pas door iedere medewerker in duoverband wekelijks zo’n 4 uur met datasets te laten oefenen. Teams houden elkaar zo scherp en zo bouw je gestaag kennis op. Zo voorkom je ook overbodig werk en zorg je dat de juiste prioriteiten worden gesteld. Dit vraagt inderdaad wel om datageletterde medewerkers.”
Ga alvast zelf aan de slag
Zouden organisaties nog voordat ze met de data-analyse beginnen contact moeten opnemen met de data-specialisten van Passionned Group, of eerst zelf moeten gaan experimenteren? Abramse: “Zoals met zoveel veranderingen is zelf aan de slag gaan met data en vlieguren maken noodzakelijk om met data te leren omgaan. Dat geldt in principe voor elke medewerker.”
Van Beek valt bij: “Maar wij kunnen wel het verschil maken op een aantal vlakken. Zo kunnen we medewerkers trainen en coachen, of het nu gaat om Tableau software, Power BI, Qlik Sense of andere tools. We zijn leveranciersonafhankelijk. We stomen medewerkers klaar voor een datageletterde vervolgcarrière. Van die kennis en vaardigheden profiteren zij ook in het normale dagelijkse leven. Bedrijfsmatig heb je waarschijnlijk ook een solide data-infrastructuur nodig, inclusief datamodellen, kubussen, datalakes of een datawarehouse om goede analyses te kunnen maken. Wij geven daarin objectief advies en helpen bij het bouwen ervan. Daarnaast brengen we heel praktisch de strategie, KPI’s, processen en beslissingen in kaart, zodat je veel gerichter data-analyses kan uitvoeren. Daar zit misschien wel de grootste winst.”
Het PDCA-handboek 'Datacratisch werken'
In dit complete PDCA-boek (genomineerd voor de titel 'Managementboek van het Jaar') komt het hele spectrum van datacratisch werken aan bod. Dit is een splinternieuwe, veelbelovende manier van werken. De auteur gaat uitgebreid in op de basisprincipes van PDCA, continu verbeteren en leerprocessen in organisaties. Hij beschrijft ook het hele proces van data-analyse tot en met de root cause analysis.
Herken de talenten
Maar wat maakt iemand dan tot een goede data analist of zo je wilt een data scientist? Iemand die incidenteel met Power BI een dashboard in elkaar heeft gedraaid is dat volgens Abramse niet. “Een goede data analist is iemand die op regelmatige basis relevante nieuwe inzichten verschaft. Die inzichten zijn gebaseerd op betrouwbare data, zijn snel toepasbaar en gericht op verbetering of versnelling van processen of verhoging van de winst of de kwaliteit. Een goede data scientist legt bloot wat voor iedereen onzichtbaar is, maar wel heel belangrijk om te weten, zoals bijvoorbeeld patronen, causale relaties en correlaties.”
Herken de zwakke broeders
Sommigen beweren dat eenoog koning is in het land der blinden. Klanten valt volgens beide heren niets te verwijten. Zij willen ook gewoon iets met BI, AI of big data gaan doen, een (bi) roadmap maken of een cool dashboard bouwen. Die behoefte is legitiem en die respecteren wij ook. Van Beek: “Organisaties hebben soms teleurstellende ervaringen opgedaan met BI en data-analyses. De zwakke broeders, die je overigens in elk vak tegenkomt, zijn medeverantwoordelijk voor het idee dat BI te weinig rendement oplevert. Daarom denk ik dat wij onze BI consultants, BI managers en business managers veel beter moeten opleiden en voeden met inspirerende ideeën. In die zin dragen wij een zware verantwoordelijkheid, die we echter niet als zodanig ervaren.”
Vermijd de valkuil van vooringenomenheid
Hoe voer je dan een degelijke data-analyse uit, een aanpak die je bovendien kunt verantwoorden? Abramse: “Je gaat eenvoudig gezegd verschillende databronnen koppelen aan de verschillende typen business-vragen en daar zoek je dan een data-analyse techniek bij die het beste werkt. Dat klinkt simpel, maar in werkelijkheid is het een continu proces van convergeren en divergeren langs verschillende assen. Vergelijk het met de vorm van een geslepen diamant. Het is hierbij zaak om niet te snel naar de oplossing toe te werken. Mensen hebben vaak al een oplossing in hun hoofd en zoeken daar vervolgens dan de data bij. Ze zoeken slechts naar bevestiging. Vooringenomenheid is een grote valkuil.”
Laat altijd ruimte voor tegenbewijs
Van Beek valt bij: “Het begint met de selectie van kwalitatief goede data. Combineer altijd meerdere databronnen. Verder moet je je altijd bewust zijn van mogelijke biases en bereid zijn je eigen overtuigingen opzij te zetten. Zelf heb ik veel profijt gehad van de falsificatietheorie van Karl Popper. Ga ook altijd op zoek naar tegenbewijs. Er zijn overigens twee soorten data-analyses: gerichte data-analyse waarbij je zoekt naar iets concreets, of vrije data exploratie. Abramse: “Data-analyse kan ook heel misleidend zijn. Vraag je daarom altijd af hoe de data-analyse is uitgevoerd. Enerzijds liggen biases altijd op de loer, anderzijds kun je ook niet van iedere data-analyse een compleet wetenschappelijk onderzoek maken. Data-analyse vindt bijna altijd onder grote tijdsdruk plaats. Het is een creatief proces dat je niet even op een dinsdagmiddag tussen je reguliere werkzaamheden door doet. Ga altijd op zoek naar de vraag achter de businessvraag. Daar hebben wij speciale interviewtechnieken voor ontwikkeld.”
De onwetendheid overheerst
Van Beek: “Goed toegepast is data-analyse een heel krachtig wapen in de concurrentiestrijd. Ik beschouw het als het allerbelangrijkste onderdeel van het vakgebied Business Intelligence. Intelligente, datagedreven organisaties analyseren hun data dagelijks waardoor ze continu verbeteringen in hun proces kunnen aanbrengen. De rest rommelt maar wat aan. Dit is niet oneerbiedig bedoeld, maar de realiteit. Haal je data-analyse weg uit BI of veronachtzaam je het, dan stelt BI niks meer voor en kun je er beter mee stoppen.” Ook Abramse ervaart de kracht van data-analyse dagelijks in zijn contacten met klanten. “Omdat er nog veel onwetendheid is, bereik je al snel een voorsprong als je investeert in data-analyse en de datageletterdheid van je mensen. Betere producten en diensten én beter opgeleide medewerkers zorgen dan voor een competitive advantage.”
Hoe selecteer je de juiste data-analyse software?
In het verleden is er veel aandacht geweest voor het selectietraject van data-analyse software. Abramse heeft echter de indruk dat tools tegenwoordig niet echt meer het verschil maken. Verder heeft hij goede ervaring opgedaan met Google Data Studio, een gratis online tool waarmee je ook een heel eind kunnen komen. Je kunt de tijd en energie volgens hem beter investeren in andere belangrijke zaken zoals de datageletterdheid van je medewerkers.
Van Beek: “Bovendien hebben wij met onze online gidsen (de BI & Analytics Guide en de ETL en Data-integratie Guide, red.), het hele proces van leveranciersselectie inzichtelijk gemaakt, waardoor je veel tijd kunt besparen. Ik wijs in dit verband graag op de thema’s Data discovery en Self-service BI.”
Met stip op 1: de ad hoc analyse
“Er bestaan enkele tientallen technieken voor de data-analyse. Met stip op 1 staat wat mij betreft de ad hoc analyse”, zo verklapt Abramse. “Dat is een must. Hiermee kun je relatief snel de meeste winst boeken, zonder natuurlijk concessies te doen aan de degelijkheid. Want zoals gezegd, elke data-analyse (ook de ad hoc) verdient alle tijd en aandacht. Daarnaast heb ik goede ervaringen opgedaan met churn analyses bij SaaS-bedrijven. Wie wil nu niet begrijpen waarom klanten weglopen en belangrijker nog, hoe je dit kunt voorkomen. Daarbij moet elke BI-professional ook standaard een correlatieanalyse in de gereedschapskist hebben en natuurlijk de eerdergenoemde root cause analyse, de godfather van alle beschikbare data-analyse technieken.”
Laat je verrassen door zero data
Van Beek op zijn beurt is erg gecharmeerd van de zogenoemde zero data-analyse die gebaseerd is op data die niet in je database zit. “Zoek uit waarom klanten een goedlopend product bij jou niet kochten, terwijl ze het wel elders aanschaften. Vergelijk die segmenten met elkaar en voilà je hebt een vrijwel kant-en-klaar actieplan voor je account managers. Ik heb daar hele goede ervaringen mee. Ook binnen het domein van Artificial Intelligence stuit ik op data-analyse technieken die zeer krachtig zijn.
Met AI kun je de analysefunctie in je organisatie grotendeels wegautomatiseren.
Dan komen bijvoorbeeld ensemble learning, het random forest algoritme, neurale netwerken en technieken als stacking, bagging en boosting in beeld. Een razend interessante ontwikkeling. Overigens heb je dan nog steeds databewuste medewerkers nodig. Laat daarover geen misverstand bestaan. Maar de zware opgave om iedere werknemer datageletterd te maken, voelt dan wel meteen een stuk lichter aan.”
