Hoe kunnen bedrijven meer data-driven worden? 3 experts aan het woord

Lees ook: 7 stappen om data-analytics een boost te geven

Volgens Sander Klous, hoogleraar Big Data Ecosystems for Business and Society aan de Universiteit van Amsterdam en Managing Director Big Data Analytics bij KPMG, is ‘big data’ een containerbegrip geworden. “Bedrijven en instellingen roepen dat ze aan de slag willen met big data, maar waar hebben ze het dan over? In de praktijk kunnen ze dat meestal niet concreet maken. Maar big data gaat over gedrag, het begrijpen ervan en er proactief op reageren.”

Big data-driven worden is dus meer dan gewoon wat slimmer gebruik maken van de gegevens die je al hebt. Een compleet andere mindset én bedrijfscultuur is daarvoor nodig, vindt ook Koen Penders, ‎Strategy Consultant Advanced Analytics bij ABN Amro. “Als management moet je je realiseren dat je investeert in het onbekende. Resultaat is niet gegarandeerd. Je kunt een prachtig idee hebben en na twee maanden kan blijken dat het toch niks oplevert. Het zijn geen projecten met een kop en een staart, zoals het traditioneel het geval is, maar het is een ontdekkingstocht”

“Vaak ontbreekt er een visie op wat je allemaal met data kunt doen”, vult Frans Feldberg, hoogleraar Data-Driven Business Innovation aan de Vrije Universiteit Amsterdam en directeur van het Amsterdam Center for Business Analytics, aan. “Er is vaak geen plan, soms ontbreekt zelfs het besef, hoe je met big data kunt innoveren. Meestal wordt er alleen gepoogd om bestaande processen efficiënter  te laten verlopen en laat men kansen liggen om nieuwe op data en analytics gebaseerde producten en diensten te ontwikkelen. Het business model te innoveren ”.

Ga zo snel mogelijk aan de gang

De juiste mindset bij het management is dus een randvoorwaarde om als bedrijf aan de slag te kunnen gaan met big data. Maar hoe haal je uit zo’n berg data de juiste informatie? De berg is vaak zo groot dat het lijkt of je een speld in een hooiberg zoekt. Klous: “Bedrijven moeten eerst nadenken over waar hun grootste uitdagingen zitten. Welke beslissingen zijn suboptimaal en kun je die data driven maken? Dat is een eerste stap naar concreetheid.” 

Maar in veel gevallen moet je data scientists ook simpelweg op pad sturen in het databos, vindt Feldberg: “Niet elk project levert onmiddellijk een sluitende business case op, maar je moet ergens starten, het is een reis. Zoek vanuit een visie die verder gaat dan alleen verbetering ook naar partners met wie je wilt samenwerken om de tocht te maken.”

Sander Klous (links) en Koen Penders

In tegenstelling tot wat de afgelopen decennia het devies was, raadt Klous het ten zeerste af om data vooraf te gaan ordenen in data warehouses. Dat is een verspilling van tijd. “Voordat je data in een warehouse stopt moet je goed nadenken over de structuur. Over hoe je definities vastlegt, er komen allerlei kwaliteitseisen bij kijken en het duurt dus lang voor je ermee aan de slag kunt. In datalakes worden alle data bij elkaar gezet. Dat is uiteraard lastiger zoeken, maar het kost wel veel minder tijd om ermee aan de slag te gaan. Bedrijven denken vaak dat ze alle data correct en op orde moeten hebben om er relevante informatie uit te halen maar dat is in eerste instantie niet zo. Vaak haal je de grote lijnen er wel uit.”

Big data analytics in het mkb

Wat kleine bedrijven nodig hebben om die kansen te kunnen benutten zijn data scientists, vult Penders aan. “Als klein bedrijf moet je zeker niet investeren in tooling. Of bedrijven inhuren die data op orde brengen. Ook al heb je slechte data en archaïsche systemen, een goede data scientist downloadt z’n eigen tools en kan de belangrijkste zaken eruit krijgen.”

Voor veel bedrijven is het lastig in te schatten wat de mogelijkheden zijn. Wat zijn realistische verwachtingen? Dit houdt veel bedrijven in de praktijk nog tegen, maar ook daar kunnen data scientists uitkomst bieden. Penders: “Haal ze bij wijze van spreken 20 dagen over de vloer en laat ze verkennen wat er is. Ik heb nog nooit meegemaakt dat ergens de conclusie was dat de datakwaliteit te slecht was voor predictive analytics of segmentering. Het is nooit perfect, maar wel al gauw een verbetering van de huidige situatie, dus is het risico vrij klein.”

“Het is een tweetraps systeem”, vult Klous aan. “Samen met BI-analisten, die dichter tegen de business aanzitten dan data scientists. Als dat samenkomt en je laat ze experimenten en feedback organiseert van andere afdelingen, ontstaat er iets.”

Risico’s bundelen en agile worden

Aan de slag gaan is dus het devies, maar waar mogelijk moet je ook risico’s spreiden en krachten bundelen, vindt Feldberg. Dat kan zeker ook voor wat kleinere bedrijven een mogelijkheid zijn om met de onzekerheden die bij big data komen kijken te dealen. 

Frans Feldberg: “Vaak ontbreekt er een visie op wat je allemaal met data kunt doen”

“Veranderingen en ontwikkelingen zijn er continu ze hebben steeds grotere impact op wat er in potentie mogelijk is. Organisaties moeten die absorberen en ik zie weinig organisaties die dat individueel kunnen. Dus creëren ze ecosystemen met partners waarbij je de krachten bundelt. In de toekomst zal je zien dat organisaties die zulke netwerken en ecosystemen goed organiseren succesvolle organisaties worden. Als individuele organisatie ben je niet meer in staat alles wat er op je afkomt en relevant voor je is te kunnen managen. Daar komt bij dat ontwikkelingen niet lineair zijn, waardoor het heel moeilijk is in te schatten of iets wat nu werkt over een paar jaar ook nog werkt. Kijk naar de manier waarop Airbnb is opgekomen. Vijf jaar geleden zag het Hilton dat tijdens hun strategiesessie bij wijze van spreken nog niet als concurrent. Het kan ontzettend snel gaan.”

De belangrijkste valkuil, vat Klous het samen, is dat bedrijven vaak met een te brede visie in het big data-onderwerp duiken. “Informatiegestuurd werken begint het bepalen van welke beslissingen je op dit moment suboptimaal neemt. Neem daar de top 3 van die je met datagedreven oplossingen aan kunt pakken. Nog belangrijker is dat je moet accepteren dat je big data niet als instrument moet zien om grotere efficiëntie te bereiken, maar dat het je gaat om het vergroten van flexibiliteit. Om agile te worden in kortcyclische projecten. Dat betekent dat sommige trajecten mislukken en dat je soms moet accepteren dat het wiel opnieuw wordt uitgevonden.”

Lees ook: 7 stappen om data-analytics een boost te geven