Innovatie & Strategie

Procesmanagement
data

Kosten besparen met data

Datagedreven werken helpt processen te optimaliseren 

24 oktober 2019

Datagedreven werken helpt processen te optimaliseren 

Meer datagedreven werken kan fors in de kosten schelen én tot extra rendement leiden. Door data en processminingtools en kennis over de bedrijfsprocessen te combineren, kunnen volgens Christian Verhagen processen heel sterk worden geoptimaliseerd.

De razendsnelle ontwikkelingen op het gebied van datatechnologie en kunstmatige intelligentie bieden kansen om organisaties slimmer en meer datagedreven te maken. Er wordt dan ook veel geïnvesteerd in innovatieve dataprojecten. De disruptieve kracht van deze projecten is vaak groot: diensten worden op een totaal nieuwe manier aangeboden, de klant komt radicaal centraal te staan of de manier van interactie met de organisatie is totaal anders. De scope van dit soort projecten is echter vaak beperkt. Het overgrote deel van de processen in de organisatie wordt niet geraakt. Bovendien blijven de projecten vaak hangen in de experimentele sfeer en zien bestuurders het vooral als showcases of gimmicks naast de reguliere bedrijfsvoering. Dit terwijl de potentiële winst van datagedreven werken juist zit in het optimaliseren of kantelen van de bedrijfsvoering en processen in de organisatie.

Om de investeringen in datagedreven werken op grote(re) schaal te laten renderen, moet vooraf worden nagedacht over de businesscase. De businesscase van datagedreven werken zit in het effectiever en efficiënter uitvoeren van de werkzaamheden van de organisatie. De investeringen zijn vaak beperkt: besparingen zijn al mogelijk door beschikbare data (beter) te gebruiken. Door data te vertalen naar nieuwe inzichten, kunnen tal van baten worden gerealiseerd. In dit artikel beschrijven wij op basis van ervaringen uit onze adviespraktijk hoe data-analyse helpt bij procesoptimalisatie en de effectieve inzet van schaarse middelen.

Processen optimaliseren met behulp van process mining

Over processen wordt een schat aan data vastgelegd. Denk aan de automatische logging van zaak- of cliëntvolgsystemen van gemeenten of in de zorg, en aan IT-servicemanagementsystemen. Deze logging verraadt het verloop van het proces: van iedere handeling wordt vastgelegd wie deze heeft uitgevoerd en wanneer. Met behulp van zogenaamde processminingtools kunnen deze loggingbestanden snel geanalyseerd worden.

Figuur 1

Figuur 1 Analyse van loggingdata biedt inzicht in bottlenecks

De analyse van loggingdata geeft een aantal aanknopingspunten voor procesoptimalisatie:

  • Bottlenecks in processen worden zichtbaar: het wordt duidelijk waar werk zich ophoopt. Op deze plek is de werkdruk waarschijnlijk hoog en daarmee het risico op verzuim en verloop groter. Met een aantal gerichte interventies kunnen bottlenecks en de problemen die daarmee samenhangen worden aangepakt. Dit zorgt tevens voor minder wachttijd elders in het proces.
  • Het wordt duidelijk of (wettelijke) doorlooptijden worden gehaald. In delen van het proces waar dit niet geval is, kunnen interventies worden gedaan, bijvoorbeeld het tijdelijk toevoegen van extra capaciteit of het doorvoeren van verdere automatisering.
  • Loops in het proces worden zichtbaar: waar wordt herstelwerk (rework) gedaan? Acties gericht op het verbeteren van de output van een processtap kunnen met dit inzicht effectief worden ingezet.
  • Onnodige verspilling van talent wordt zichtbaar: zijn professionals betrokken bij processtappen waar hun expertise eigenlijk niet bij nodig is? Taken en verantwoordelijkheden kunnen worden aangepast op basis van dit inzicht.
  • Overbodige processtappen kunnen worden verwijderd. Wanneer een processtap niet voorkomt of meteen met een voorgaande stap wordt afgehandeld, is deze waarschijnlijk overbodig. De software waarmee het proces wordt ondersteund, kan tevens worden geoptimaliseerd.
  • De variatie in het proces – verschillende wijzen waarop het proces doorlopen wordt – worden helder. Hiermee wordt duidelijk welke afwijkingen er zijn van de standaard en hoeveel dit er zijn. Dit biedt handvatten om het proces meer in lijn te brengen met het beleid.

Met als enige ingrediënten bestaande loggingbestanden, een processminingtool en kennis over de processen in de organisatie, kunnen vergaande procesoptimalisaties worden doorgevoerd.

Schaarse middelen effectiever inzetten met behulp van profiling

Profiling door data-analyse biedt eveneens veel kansen om kosten te besparen, bijvoorbeeld bij overheden met een handhavingstaak. Bij de politie en inspecties is handhaven en inspecteren een kerntaak, maar ook gemeenten, provincies en waterschappen voeren tal van inspecties uit op diverse domeinen. Inspecteren kost tijd: het gaat vaak gepaard met een fysiek bezoek aan een bedrijf of locatie door een of meerdere inspecteurs. Aangezien inspecteurs verstand moeten hebben van de geldende wet- en regelgeving en inhoudelijke kennis van het domein in kwestie, zijn dit vaak professionals met een hoog expertiseniveau. Dit maakt de inzet van inspecteurs kostbaar. De inzet van deze professionals moet dus zo effectief mogelijk zijn. Effectieve inzet betekent: zo veel mogelijk misstanden signaleren tijdens inspecties.

Om effectieve inzet van inspecteurs te bevorderen, dienen zij bedrijven, locaties et cetera te bezoeken met een hoog risico op een overtreding. Statistische analyse van historische data geeft inzicht in welke factoren of kenmerken samenhangen met overtredingen. Bijvoorbeeld bedrijven met een bepaalde omvang, bepaalde omzet en gelegen in bepaalde gebieden hebben een grotere kans op overtredingen van de arbeidstijdenwet. Er worden als het ware 'risicoprofielen' gemaakt op basis van objectieve kenmerken. De bedrijven met het hoogste risico worden vaker geïnspecteerd dan bedrijven met een middelhoog of laag risico. Op deze wijze wordt gewaarborgd dat inspecteurs zo veel mogelijk overtreders pakken. Bovendien gaat van een verhoogde pakkans een preventieve werking uit.

Een ander voorbeeld uit onze adviespraktijk waarbij data-analyse heeft geholpen om schaarse middelen effectiever in te zetten, komt uit het hoger onderwijs. Een belangrijke doelstelling van hogescholen en universiteiten is studiesucces: zo veel mogelijk studenten moeten, bij voorkeur nominaal, hun diploma halen. Studenten verschillen echter van elkaar: ze hebben verschillende achtergronden, talenten, manieren van leren, behoeftes etc. Op basis van analyses van studentendata over kenmerken en studiesucces kunnen profielen worden gemaakt van studenten. Op deze wijze kan het onderwijs worden aangeboden aan studenten op de wijze die bij hen past (digitaal, klassikaal, in groepsverband et cetera) en de ondersteuning worden geboden die nodig is voor een zo hoog mogelijk studieresultaat. Dit zorgt ervoor dat docenten hun tijd kunnen besteden aan onderwijsvormen waar het meeste behoefte aan is en ondersteuning bieden aan studenten die deze het meest nodig hebben.

De belofte van data analyse vervuld: meer doen met minder middelen

Het inzetten op data-analyse is dus niet voorbehouden aan innovatieve pilots. Juist in de bedrijfsvoering en de kernprocessen liggen kansen om waarde te creëren met data. Het optimaliseren van processen en het effectiever inzetten van resources en medewerkers blijkt al snel te realiseren, zonder enorme investeringen in de techniek.

De businesscase van innovatieve dataprojecten

Bij innovatieve projecten kan het lastig zijn van tevoren een goede inschatting te maken van kosten en baten. Dit betekent niet dat alle innovaties zonder een businesscase kunnen worden gestart en bestuurd. Wel is het zo dat een formele businesscase niet altijd passend is.

Businesscases voor innovatieve dataprojecten zijn bijzonder in hun soort. Voor innovatie is de nodige creativiteit nodig en het vermogen om grove ideeën om te zetten naar concrete proposities. Dus buiten de bestaande kaders denken, en anders kijken naar de waarde van de organisatie, klanten en onderliggende activiteiten. De businesscasemethodiek opleggen kan dan soms averechts werken, wat resulteert in géén innovatie of een sterke vertraging in het proces. Besteed in de businesscase dan ook niet alleen aandacht aan de financiële aspecten, maar werk de waardepropositie uit. Beschrijf zo concreet mogelijk de waarde die het project moet creëren en knip indien dat kan het project op in kleine stukjes. Hiermee houd je grip op de innovatie zonder deze direct af te rekenen op de financiële onzekerheden.

Soms moet een idee echter gewoon de ruimte krijgen wanneer de organisatie erin gelooft, door innovatieve projecten te financieren vanuit een apart innovatiebudget. Het is hoe dan ook belangrijk dat een organisatie keuzes voor een investering inzichtelijk maakt en een heldere redeneerlijn heeft voor het aangaan van investeringen.

Optimaliseren van het onderwijsproces met learning analytics

Onderwijsinstellingen – waaronder universiteiten – kampen met een toenemende werkdruk. Het aantal studenten groeit en de rijksbijdrage per student daalt. Als gevolg daarvan zoeken universiteiten naar een balans tussen kwaliteit en toegankelijkheid. Onlangs adviseerden wij een universiteit over learning analytics als middel om deze balans te vinden. Learning analytics is het verzamelen, analyseren en interpreteren van data over studenten en leergedrag om tot nieuwe inzichten te komen en het leerproces te optimaliseren. Er zijn twee niveaus waar optimalisaties kunnen plaatsvinden.

Organisatieniveau (big data)

Door data over onder andere vooropleiding, achtergrond, instroom, doorstroom en uitstroom te analyseren, ontstaat een beter beeld van de studentenpopulatie. Optimalisaties zitten vervolgens bijvoorbeeld in het slim vormgeven, in voorlichting en in werving van studenten. Ook het logistieke proces, zoals roostering, kan met data worden geoptimaliseerd waardoor er minder sprake is van over- of ondercapaciteit van lokalen en collegezalen. Ook sluit dit niveau aan op de ontwikkeling van de smart campus: slimme ‘dingen’ overal op de campus die de beleving van de campus verbeteren en kosten helpen besparen.

Studentniveau (onderwijskundig)

Op het niveau van de individuele student liggen de besparingen vooral op het gerichter inzetten van interventies en begeleiden door docenten/tutoren. Studiedata uit digitale leeromgevingen bieden inzichten in hoe studenten de stof tot zich nemen en of aanvullende begeleiding nodig is. Docenten/tutoren kunnen daardoor op basis van de data hun tijd en aandacht besteden aan de studenten die daar het meest behoefte aan hebben en daarmee het onderwijsproces optimaliseren.

Op beide niveaus biedt learning analytics mogelijkheden om tijd en kosten te besparen en tegelijkertijd de kwaliteit van onderwijs te verbeteren.

Magazine AG Connect

Dit artikel is ook gepubliceerd in het magazine van AG Connect (oktobernummer 2019). Wil je alle artikelen uit dit nummer lezen, klik dan hier voor de inhoudsopgave.

Lees meer over Innovatie & Strategie OP AG Intelligence
Reactie toevoegen
De inhoud van dit veld is privé en zal niet openbaar worden gemaakt.