“Sturen op deliverables en resultaten werkt niet bij big data en advanced analytics”

Koen Penders, ‎Strategy Consultant Advanced Analytics bij ABN AMRO, was voordat hij bij de grootbank in dienst trad jaren actief als data scientist en big data-consultant bij verschillende grote Nederlandse bedrijven. Zo kreeg hij een goed beeld van de problemen waar veel bedrijven die met big data aan de slag gaan mee worstelen. In eerste instantie ontbrak vaak een heldere visie op hoe men big data concreet kon maken. “Wat ik veel meemaakte bij bedrijven die nog niks deden met data, was dat ik als consultant het verzoek kreeg: ‘We hebben heel veel data en zitten op een goudmijn, zou je dat voor ons willen verzilveren? Succes ermee!’”

Lees ook: 7 stappen om data-analytics een boost te geven
 
Penders hielp bedrijven om de mogelijkheden van big data grijpbaarder te maken. “Het eerste wat je moet doen is een betere vraag stellen. Een businessvraag waar het je van pas komt. Bij je marketing bijvoorbeeld, kun je het gebruiken om veel beter te targeten. Bij een fashion retailer waar ik een project deed zeiden ze: ‘onze modale klant is een vrouw van 27’. Uit de data bleek: het is een vrouw van 42 die in een nieuwbouwwijk woonde. De eerste reactie was ‘dit kan niet’. Maar wat bleek: de klantenkaart was veelal van de moeder die online kleding kocht voor hun dochter. Met zulke gegevens kun je uiteindelijk veel effectiever een marketingcampagne gaan draaien.”
 
Klantkennis zit dus niet alleen in data, beaamt Penders, maar ook in mensen. “Juist om die data goed te interpreteren is mensenkennis nodig. Bij een grote internetaanbieder zagen we bijvoorbeeld dat klanten vaak eerst online selfservice-items bekijken en vervolgens bellen naar de klantenservice. Wij zochten uit waar de klant naar zocht en waar die vervolgens over belde. Als je een medewerker van de klantenservice het zoekpad liet zien snapte die al heel snel wat er aan de hand is. Zo van: ‘Oh, dat is een 60 plusser die de resetknop van z’n router niet kan vinden’. Dat kon je eenvoudig oplossen door een foto van die knop te maken en dat scheelde een hele hoop belletjes. Dat zijn op het oog kleine operationele verbeteringen, maar die tellen onder aan de streep flink mee.”
 
Resultaat niet gegarandeerd

“Binnen de bank proberen we de kennis die in klantgegevens is opgesloten, te ontsluiten naar de relatiemanager en de klant”, vertelt Penders. “Onze data en en modellen vertellen veel over de risico´s en kansen voor een specifieke klant. Voorspellende modellen kunnen vervolgens passende oplossingen adviseren op het gebied van financieren en vermogensbeheer. Dit is een waardevol hulpmiddel voor de relatiemanager, die de dromen en ambities van de klant kent. Ook dit is zo’n gouden combinatie van klantkennis uit data en uit mensen.”
 
Resultaat is echter niet gegarandeerd, ook wanneer je (op het oog) goede nieuwe producten of diensten bedenkt op basis van big data. “Je kunt een prachtig idee hebben, waarmee je bijvoorbeeld op basis van social media data nog relevantere aanbiedingen kunt doen. Maar na twee maanden hard werken blijkt het niet te kunnen of levert het toch niks op.” Van de tien ideeën zal meer dan de helft waarschijnlijk niet goed werken, waarschuwt Penders. “Ik heb projecten gedaan waarbij er erg werd gestuurd op deliverables, resultaten. Dat werkt niet bij big data en advanced analytics. Het is een ontdekkingstocht, geen project met een kop en een staart. Bij ABN AMRO is het devies ‘be a columbus’. Net als Columbus gaat het om visie, durf, een doel voor ogen hebben (Indië), maar ook nieuwsgierig te blijven en bereid zijn om doelen bij te stellen.”

Voor de big data-starters bepleit Penders dan ook dat bedrijven – groot of klein – data scientists gebruiken om uit te zoeken waar de kansen liggen voor een bedrijf. Dat kost geld en de zekerheid dat het snel geld oplevert is er niet. “Het vereist inderdaad vertrouwen. Maar een ding weet ik zeker: als je het niet doet, loop je morgen een stukje verder achter dan vandaag.”
 
Van experimenteren naar incorporeren

Inmiddels zijn veel bedrijven druk doende met big data. Zo ook ABN AMRO, Penders huidige werkgever. Daar ziet hij dat de fase van experimenteren met data slechts de eerste stap is. Nu hij zelf medeverantwoordelijk is voor het big data en advanced analytics-beleid, ziet hij de interne uitdagingen waar veel organisaties voor staan. “Mijn functie bij de bank was een mooie kans om zogezegd eens op de stoel van de klant te mogen zitten. Onze afdeling is strategisch gepositioneerd en met een team leggen we het fundament voor de bank van de toekomst. Die is wendbaar en doet alles op basis van data. ABN AMRO is in zekere zin een technologiebedrijf met steeds meer intelligente systemen. Er gebeurt hier heel veel. De bank is een ecosysteem op zich waar data doorheen vloeit en we zorgen ervoor dat dit ecosysteem optimaal functioneert.”
 
Want dat is een belangrijke tweede stap die veel bedrijven moeten zetten: van experimenteren met big data naar het écht data driven worden als organisatie. “Op congressen hoor ik telkens presentaties waarin succesvolle experiment worden gepresenteerd. ‘In potentie kan het veel geld opleveren’, klinkt het dan. Maar het gaat erom dit ook werkelijkheid te maken.”
 
Veel bedrijven staan momenteel voor de uitdaging om die ‘tweede fase’ in te gaan. “Bedrijven zijn begonnen met big data teams en data scientists, en hebben ook de meerwaarde ervan wel aangetoond. Nu staan ze voor de uitdaging om dat ook in de uitvoering operationeel te maken.”
 
Het gaat er volgens Penders niet meer om dat het management en een clubje voorlopers big data hebben omarmd, maar ook de ‘gewone’ manager. “Je ziet vaak dat managers het vervelender vinden als een nieuwsbrief een week niet wordt verstuurd, dan wanneer hij naar de verkeerde mensen wordt gestuurd. Ook zij moeten de omslag maken en écht vanuit data gaan denken.” Dat vereist ook grotere aanpassingen in IT-systemen, aangezien de labsetting van waaruit de tests werden gedaan moeten worden geïmplementeerd in het hele bedrijf en zaken moeten worden geïntegreerd. “Daar zijn investeringen mee gemoeid. En data scientists moeten nauw samenwerken met de business om experimenten  te kunnen operationaliseren. Interne adviseurs kunnen daar een belangrijke rol in spelen. Om een echte data-driven organisatie te worden moet de hele organisatie immers worden meegenomen en daar komen ook verandermanagement  en stakeholdermanagement om de hoek kijken.”