Lang leve self service BI

Twee kanten van de medaille

In meerdere rapporten presenteert onderzoeks- en analistenbureau Gartner toekomstverwachtingen over de potentie van selfservice business intelligence. Maar zoals altijd zijn er twee kanten van de medaille. Enerzijds verwacht Gartner dat er meer data wordt geanalyseerd via self service BI-projecten dan via Data Science (betekenis). Anderzijds zijn de onderzoekers pessimistisch over de slagingskans. Zij voorspelden namelijk al eerder dat waarschijnlijk slechts 1 op de 10 projecten goed genoeg wordt opgezet. De meeste BI self-service projecten lopen stuk op data-inconsistenties, die je te allen tijde wilt vermijden omdat deze de managementbeslissingen op een negatieve manier beïnvloeden. Het managen van de data-chaos als gevolg van self service BI of Analytics kan een dagtaak zijn, zo waarschuwt Gartner. De veiligheid van de data en de kans op datalekken zorgen eveneens voor een grote uitdaging.

Vier praktische problemen bij self service BI

Behalve de data-chaos speelt er ook een aantal hardnekkige, praktische problemen bij self service Business Intelligence. Ik noem er hier vier; ze zijn gebaseerd op mijn eigen ervaring en op literatuurstudies.

1. Inconsistente definities

Meer mensen krijgen zelf toegang tot de brondata. Daarom kunnen zij zelf hun berekeningen maken. Dit leidt ertoe dat iedereen zijn eigen definities erop nahoudt. Zeker als bepaalde definities in het voordeel werken van de rapporteur! Deze definities worden bovendien vaak niet getoond in de rapportage. Dat is jammer, omdat je immers streeft naar één versie van de waarheid.

2. Verkeerde interpretaties

Meerdere definities leiden ook tot verkeerde interpretaties. Helemaal als de data complexer wordt en snelheid een belangrijke factor is. Bij self service BI is het daardoor ook waarschijnlijk dat de rapporteur niet overal rekening mee houdt bij zijn of haar berekeningen. Toen in de Eerste Wereldoorlog de Britten voor het eerst helmen gingen dragen, schoot het aantal geregistreerde hoofdwonden omhoog. Als je dit cijfer verkeerd interpreteert, zou je kunnen concluderen dat je de helmen beter kunt afschaffen.

Het managen van de data-chaos als gevolg van self service Analytics kan een dagtaak zijn.

Bij ons langlopende project in Gemeente Rotterdam hebben wij meer dan eens ervaren dat de complexiteit van de data zorgt voor verkeerde interpretaties. Als je burgers die een bijstandsuitkering aanvragen vanaf een eerste intakegesprek voortaan intensief gaat begeleiden door scholingsalternatieven en andere opties aan te bieden, verwacht je commitment van die burgers.

Toch liet de data op het eerste gezicht het tegendeel zien. Zo bleek dat bij de pilot drie keer zoveel burgers “afhaakten” en niet meer kwamen opdagen voor vervolggesprekken in vergelijking met de traditionele aanpak! Dit hoge percentage afhakers werd in eerste instantie als “slecht” ervaren, totdat uit een nadere analyse bleek dat de nieuwe aanpak er juist toe leidde dat uiteindelijk veel minder burgers zich nog genoodzaakt voelden een uitkering aan te vragen, omdat ze weer op weg waren geholpen. De definitie van de berekende cijfers en de interpretatie daarvan lagen hier dus ver uit elkaar.

De BI & Analytics Guide™ 2024 De BI & Analytics Guide™ 2024 is een gids waarmee je snel BI leveranciers en tools kunt vergelijken op 250+ criteria. Een van de belangrijkere categorieën waar je op kunt selecteren is selfservice business intelligence. Daarnaast spijker je met de gids snel je kennis bij over het vakgebied.Beoordeel tools op BI self service met de BI gids

3. Wildgroei aan triviale KPI’s

Managers zijn dol op meten. Als de data zo voor het oprapen ligt, kunnen zij de hele organisatie doorrekenen. Dit zorgt ervoor dat zij meestal ontzettend veel KPI’s ontwikkelen. Alles wat gemeten kan worden, wordt gebruikt om te sturen.

Concentreer je op de “vital few” KPI’s en niet op de “trivial many KPI’s.

Wie de opleiding Performance Management en KPI’s van Leo Kerklaan heeft gevolgd, weet dat dit niet de bedoeling kan zijn. Niet alles wat gemeten kan worden, is relevant uit oogpunt van stuurinformatie. Het moet gaan om de “vital few” KPI’s en niet om de “trivial many”.

4. Inconsistente data

Zoals eerder gezegd, speelt snelheid een belangrijke rol bij self service BI. De manager wil niet weken wachten op IT voordat cijfers beschikbaar zijn. Snelheid wint het hier van zuiverheid. Als de data beschikbaar is, kan hij of zij zelf direct aan het rekenen slaan.

Er doemt hier echter nog een verraderlijke valkuil op waar je makkelijk in kan stappen: de aanname dat de data klopt en dat de manager de data begrijpt.

Het is vele jaren de tendens geweest om iedereen maar zoveel mogelijk te laten registreren, zonder te kijken of de data ook echt nodig was. Tot voor kort moesten alle medewerkers in de zorg bijvoorbeeld iedere 5 minuten een dagboek bijhouden met alle gebeurtenissen, zoals de Volkskrant beschreef. Aan deze bureaucratische ellende heeft de toenmalige minister van Volksgezondheid De Jonge met zijn Kamerbrief gelukkig een einde gemaakt. Aangezien degene die in de zorg gegevens registreert vaak helemaal geen (directe) baat bij die data heeft, is de kans zeer groot dat er inconsistenties in de data zitten en op zijn minst dat data op de verkeerde manier geregistreerd is.

Volg de 6 stappen op weg naar beheersbare self service BI

Hoe kun je deze praktische problemen en valkuilen nu voorkomen? Dat vraagt om een strakke methodologie bij het opzetten van self service BI. Om een project te laten slagen, is het essentieel om goede afspraken met elkaar te maken én deze ook te handhaven. Dit kun je bereiken met de hieronder voorgestelde methodiek.

Figuur 1: De verbetermethodiek voor self service Business Intelligence in 6 stappen

De voorgestelde proces verbetermethode omvat het traject van bedenken, berekenen, valideren én tonen van gegevens. Dit zorgt voor een snelle en zuivere manier van uitvoeren van self service BI. De verschillende rollen en verantwoordelijkheden zijn hierin goed vastgelegd. Dit is een belangrijke voorwaarde om de meeste van de bovenstaande problemen te kunnen ondervangen.

1. Bestaande inzichten. De cyclus begint altijd vanuit de bestaande, gevalideerde inzichten. Deze inzichten zorgen steeds weer voor nieuwe vragen. Met andere woorden: we volgen een organisch ontwikkeltraject waarin we pas nieuwe stappen zetten als de vorige versie goed werkt.
2. Voorstel nieuw datapunt. Deze nieuwe vragen moet je concreet maken (bijvoorbeeld door een praktijkvoorbeeld). Daardoor is het voor iedereen duidelijk wat de vraag exact inhoudt. Het is belangrijk dat je met alle betrokkenen overeenstemming bereikt over de op te lossen vraag. Zo interpreteert iedereen later de data op de juiste manier. Dit maakt de volgende stap ook gemakkelijker.
3. Definitie opstellen. De vraag moet je omzetten naar een definitie. In eerste instantie zou je zeggen dat dit hetzelfde is, maar dat is niet waar. In de definitie moet je namelijk rekening houden met de vraag welke data er allemaal beschikbaar is en hoe deze is geregistreerd. Deze definitie bevat bijvoorbeeld de exacte namen van de tabellen en kolommen waar gegevens uit worden gebruikt en hoe je deze met elkaar moet verwerken. Dit is belangrijk, omdat in grote organisaties dezelfde soort data op meerdere plekken in het (enterprise) datawarehouse beschikbaar kunnen zijn, maar met een aantal kleine verschillen op cruciale plekken. Het is hierbij ook belangrijk dat je de definitie weer aan de betrokkenen van stap 2 terugkoppelt. Er moet dan weer overeenstemming worden bereikt. Zo voorkom je ook hier weer verkeerde interpretaties.
4. Berekening maken. Als de definitie klaar is, kun je deze doorrekenen in de daarvoor beschikbare BI tools.
5. Datapunt valideren. Zoals eerder gezegd, kun je niet zonder meer aannemen dat een datawarehouse zuivere data bevat. Je kunt ook niet aannemen dat de data op de plek staat waar je die in eerste instantie had verwacht. Je moet de data dus valideren voordat je de berekende data vrijgeeft. Dit kun je bijvoorbeeld laten doen door degenen die de data hebben geregistreerd. Deze stap is cruciaal, aangezien de data na dit moment als de waarheid wordt gezien. Het gebeurt overigens ook vaak dat mensen de data niet als waarheid zien, zeker als de cijfers tegenvallen. Positieve cijfers daarentegen worden, al dan niet terecht, juist wél als de waarheid gezien. Als je deze stap goed inricht, vermijd je de discussie tijdens de vergadering over de oorsprong en geloofwaardigheid van de cijfers. Dat scheelt zo de helft van de tijd!
6. Toevoegen aan rapportages. Uiteindelijk kun je de berekening weer toevoegen aan de rapportage en begint de cyclus weer opnieuw.

Conclusie selfservice Business Intelligence

De hierboven beschreven verbetermethodiek kun je inzetten op verschillende self service business intelligence niveaus. Het is mogelijk om alle rollen voor de genoemde zes stappen zelf in te vullen. Uiteraard kun je deze methodiek ook in een iets traditionelere organisatie gebruiken. Een BI-team kan de definitie, berekening en validatie bijvoorbeeld oppakken.

TIP: De definitie- en validatiefasen zijn cruciaal, sla deze stappen dus nooit over.

De business intelligence manager verwerkt dan vervolgens de berekende data in de rapportages. Het zorgt er verder voor dat managers die snelheid prefereren, niet langer de cruciale stappen, zoals definitie en validatie, kunnen overslaan. Om de handhaving van dit principe zeker te stellen, is het wel nodig dat je een verantwoordelijke voor iedere rol aanwijst. Met een goede implementatie zorgt deze methode zo voor een gedegen fundering van een beheersbaar self service BI-proces.

Meer weten?

Wil je meer weten over self-service BI? Neem vrijblijvend contact op voor bijvoorbeeld een goed gesprek. Bekijk ook onze opleidingen en interim-diensten, zoals het inhuren van een BI consultant.