Innovatie & Strategie

Dit is een bijdrage van Itility
Datamanagement
Waarde bewijs je met data

Waarde bewijs je met data

Haal in je organisatie waarde uit data om productkwaliteit te voorspellen, preventief onderhoud uit te voeren, of je productie perfect aan te laten sluiten op de vraag in de markt

21 november 2019
Door: Itility, partner

Haal in je organisatie waarde uit data om productkwaliteit te voorspellen, preventief onderhoud uit te voeren, of je productie perfect aan te laten sluiten op de vraag in de markt

Data kan helpen in het voorspellen van de vraag naar je product of dienst, de kwaliteit van je product of het voorkomen van onnodig onderhoud. Je kunt deze waarde alleen uit je data halen vanuit een gestructureerd proces om de waarde aan te tonen van je datatransformatie. 

In een van mijn vorige blogs heb ik al besproken waarom je niet met een dataplatform moet beginnen. Maar waar dan wel? Onze overtuiging (en ervaring) is dat het belangrijk is te beginnen met een klein maar écht experiment. We noemen dit de ‘Proof of Value’. In een nieuwe reeks blogs zetten we onze aanpak uiteen en delen we wat we hebben geleerd om te voorkomen dat je in dezelfde valkuilen stapt. 

De eerste uitdaging bij het starten van je datatransformatie is op welk project je gaat inzetten om de waarde van de data in je organisatie te laten zien. Lees verder over hoe te beginnen, welke manieren te gebruiken om data-initiatieven te onderzoeken en waar je als eerste energie stopt. 

Leer de waarde kennen
Je start met inzicht krijgen in de kansen die binnen de organisatie aanwezig zijn. Heb je een data- of IT-achtergrond, dan moet je op zoek naar de juiste mensen binnen de organisatie die de zakelijke uitdagingen, prioriteiten en kansen begrijpen: domeinexperts. Over het algemeen betekent dit praten met de teams die dicht bij de klanten staan, of diegene die betrokken zijn bij de logistiek, support of productontwikkeling. 

Een goede eerste vraag aan collega’s is waar zij ruimte zien voor verbetering. Begin niet direct bij de data, maar probeer eerst te begrijpen waar ze tegenaan lopen in hun dagelijkse werkzaamheden. Wat doen ze zelf al om hun manier van werken en de kwaliteit te verbeteren, of de downtime van klanten te verminderen? Je hoeft nu alleen nog maar te luisteren en door te vragen. Deze aanpak lijkt misschien heel willekeurig, maar zo kom je er het snelste achter dat er veel mogelijkheden tot slimme data toepassingen in je organisatie aanwezig zijn.  

Scoor de data-initiatieven
De volgende uitdaging is om het initiatief te kiezen waarmee je het grootste verschil kunt maken (meeste waar voor je geld). Je kunt nou eenmaal niet met alle initiatieven tegelijk starten. In onze aanpak gebruiken we een scoringsmatrix op basis van zes verschillende criteria om data-initiatieven te rangschikken.

1. Druk waarde uit in harde cijfers
We beginnen altijd met de toegevoegde waarde voor de organisatie. Dus je moet een manier vinden om de waarde van een nieuw initiatief vast te leggen. Belangrijk bij het definiëren van de waarde is om weg te blijven van algemene termen zoals kwaliteit of snelheid. Wees zo nauwkeurig mogelijk. Kun je de downtime voor de klant verminderen? Bepaal dan hoeveel dat is. Welk percentage machinestoringen had je vorig jaar kunnen voorkomen? Hoeveel geld bespaart dat? Hoeveel meer tijd hadden collega's voor ander werk? Voor dit criteria is het belangrijk om naar concrete waarde te kijken. Dit helpt later in het proces tijdens het vergelijken van de waarde van de diverse initiatieven.

2. Rechtvaardig inzet van data engineering en data science 
Een belangrijke graadmeter om te toetsen of het initiatief binnen je datatransformatie past, is de geschatte waarde die data engineering of data science toevoegt. Aan het bouwen van een data-oplossing zijn namelijk kosten verbonden; de waarde die een dergelijke oplossing creëert moet dus wel opwegen tegen de kosten. Is het inzetten van datatechnieken voor dit initiatief realistisch? Sommige initiatieven zullen van nature eenmalig zijn (adviesfunctie) en scoren lager op dit criteria. Initiatieven met nieuwe technieken en een oplossing die herhaaldelijk inzicht biedt in bedrijfsprocessen zullen hoger scoren.

Op dezelfde manier toetsen we ook de geschatte waarde die toegevoegd wordt door data science-technieken. Is het noodzakelijk om algoritmen te onderzoeken die helpen bij het vraagstuk, of gaat het initiatief ‘slechts’ over het inzichtelijk maken van informatie binnen de organisatie. Dit helpt niet alleen bij het rangschikken, maar ook bij het bepalen welke experts voor een project ingezet zullen worden.  

3. Data data data
De volgende stap is de beschikbaarheid van data. Zonder echte data om een model en continue data-oplossing te bouwen, heeft het geen zin om te beginnen. Natuurlijk is een gebrek hieraan niet altijd een probleem bij het rangschikken van een initiatief, want als je eenmaal weet dat je gegevens nodig hebt, kun je eraan werken om het beschikbaar te maken. Maar als je snel wilt beginnen, moet bepaalde data beschikbaar zijn. 

We meten daarnaast ook de kwaliteit van de datastroom. Want als deze niet compleet en consistent is, kan het bouwen van een succes- en waardevolle oplossing die dagelijks draait een behoorlijke uitdaging worden. Je kunt je voorstellen dat het dagelijks ophalen van ongestructureerde Excel-bestanden uit iemands e-mail op korte termijn geen stabiele (en daarom geen waardevolle) oplossing gaat opleveren. 

4. Beschikbaarheid van een domeinexpert
Wij zijn overtuigd van de meerwaarde om op een snelle en intensieve manier te werk te gaan: de snelkookpan. Succesvolle implementatie heeft te maken met het in kleine teams werken, met een duidelijk doel en een uitdagende deadline. Dit is zowel belangrijk binnen het team (het creëert focus en een motivatie om te slagen), als buiten het team (het geeft een gevoel van erkenning en houdt mensen geïnteresseerd in de daadwerkelijke resultaten). 

Daarom is het vierde criteria ‘de beschikbaarheid van een domeinexpert’. Wanneer je op zo’n korte en intensieve manier samenwerkt met een klein team, is het belangrijk dat je makkelijk toegang hebt tot de domeinexpert. De enige manier om snel resultaten te boeken is om direct je vragen te stellen, samen de data te begrijpen en gezamenlijk analyseresultaten te beoordelen. We zien daarom de domeinexpert ook als onderdeel van het team. 

Dit leidt vaak tot een hoge score van lokale initiatieven met hoge beschikbaarheid – zelfs al is de waarde van andere initiatieven hoger.

5. Stel realistische doelen
Een ander criterium bij het rangschikken is de haalbaarheid van de implementatie. En hier moet het team betrokken worden, zij moeten namelijk geloven in de snelkookpan-aanpak. Als er te veel hindernissen zijn om snel resultaten te laten zien, is dat een belangrijke maatstaf voor de (on)tevredenheid van het team. Want als de uitdaging te groot is zal, ondanks de hoge toegevoegde waarde van het initiatief, het enthousiasme en motivatie van het team snel verdwijnen. 

Een ander risico is dat er geen toegevoegde waarde aangetoond kan worden als het initiatief niet haalbaar is. Daarmee worden namelijk kostbare uren van het team voor niets ingezet, en dat wil je voorkomen.

6. Operationaliseren
Ten slotte gaat het laatste criterium over vooruitkijken na een succesvolle implementatie: biedt het operationaliseren van de data-oplossing meerwaarde? Een eenmalige inspanning is leuk, maar het is nog beter om deze toegevoegde waarde dagelijks terug te laten komen als onderdeel van een (primair) bedrijfsproces. Om deze reden gebruiken we hoe goed een data-initiatief geoperationaliseerd kan worden in de organisatie als onderdeel van onze rangschikking. Het lijkt vanzelfsprekend, maar er zijn genoeg initiatieven die maar een eenmalige data-analyse nodig hebben. Het werken aan een solide datastrategie betekent een werkwijze waarbij continu en herhaaldelijk problemen opgelost worden. Het voorspellen van benodigd onderhoud bijvoorbeeld, is iets dat je elke dag wilt doen. Hetzelfde geldt voor het voorspellen van de productkwaliteit op basis van verschillende parameters. Met dit soort succesvolle voorbeelden verkoopt de datastrategie zichzelf binnen je bedrijf. 

Het eindoordeel
Data-initiatieven kunnen nu op basis van bovenstaande criteria beoordeeld worden binnen het team. Wij doen dit in PowerPoint of Excel, zoals in de matrix hieronder.

rangschikmatrix voor data-initiatieven

Voorbeeld van een scoringsmatrix voor data-initiatieven  

Elke datatransformatie is een continue proces en de organisatie past zich gedurende de reis mogelijk aan op basis van resultaten. Daarom is het belangrijk om deze matrix te toetsen bij jouw belanghebbenden. En creëer nog meer betrokkenheid door hun voorkeuren voor initiatieven mee te nemen in het overzicht. Op deze manier zijn de juiste personen bij de besluitvorming betrokken, wat vervolgens resulteert in een data-initiatief met voldoende steun en draagvlak binnen de organisatie.

Door gebruik te maken van deze aanpak zet je een belangrijke eerste stap in je datatransformatie. De volgende stap is om het daadwerkelijk uit te voeren en de waarde aan te tonen. Hoe je dit aanpakt, en wat wij hebben geleerd delen we in de volgende blog. We leiden je door een agile aanpak, teamsamenstelling en hoe je de snelkookpan tot in perfectie kunt laten koken. 

Lees meer van onze blogs over data, data-transformatie en de data factory.

Reactie toevoegen