Tien feiten over Iceberg Reporting

Dit zijn de feiten van Iceberg Reporting en waarom dit de komende jaren het enige redmiddel is.
Want het wordt allemaal teveel! Het menselijk brein is fantastisch en als je erover nadenkt het belangrijkste kapitaal van de mens. Maar er komt een moment dat het allemaal teveel wordt. Wanneer, dat weet niemand. Een mens kan niet alles meer bevatten. Wanneer komt het moment dat hij durft te erkennen dat het allemaal teveel is en technieken als BI en AI niet meer voldoende soelaas bieden en je tot de conclusie komt dat je beter een data-analist kunt worden of een data-analist kunt inhuren?

Wat is Iceberg reporting?

Om snel aan het einde van een periode inzicht in data te krijgen wordt het topje van de data-ijsberg bewerkt en getoond aan de stakeholders. Boven de waterspiegel wordt gecomprimeerd gerapporteerd en onder de waterspiegel bevindt zich een enorme datamassa. Enkele typische voorbeelden van Iceberg Reporting zijn dashboards met dagelijks bijgewerkte KPI’s en de summiere eindemaand-managementsrapportages ‘op een A4’tje’.
Iceberg Reporting kun je zien als een combinatie van management-accounting en management-by-exception. Het is meer en tegelijk minder. Door Iceberg Reporting kan je sneller, efficiënter en effectiever rapporteren. Je moet helaas wel vertrouwen hebben dat de gepresenteerde gegevens kwalitatief goed (genoeg) zijn. Is vertrouwen goed genoeg als basis voor beslissingen?

Iceberg Reporting gebruiken voor management-beslissingen?

Nee, om een goede beslissing te kunnen nemen is de informatie op Iceberg-niveau te vluchtig en te beperkt. Er zijn organisaties die bezig zijn om daily close te onderzoeken en te implementeren. In het geval dat daily close wordt gerealiseerd, zijn de data dagelijks bijgewerkt, waardoor dit een kwaliteitsverbetering van de in de KPI’s gepresenteerde data kan geven, met de voorwaarde dat data en KPI synchroon lopen.
In dat geval zal je zeker op basis van deze informatie kunnen overwegen om bepaalde management-beslissingen te nemen. Er is immers sprake van een continue informatiestroom die regelmatig getoetst wordt door gedetailleerdere data te onderzoeken. Je ziet als het ware de data-omvang dagelijks groeien.

De oorzaak van datagroei

Datagroei wordt door onderzoeksbureau Gartner geschat op 50 procent per jaar. De groei wordt veroorzaakt door de autonome groei van de omzet van de bestaande klanten. Dat is bij gelijke omzetverdubbeling van de variabele mutaties aangevuld met de data van omzetten per nieuwe klant en de aanmaak van stamgegevens van nieuwe klanten en de informatie die elk jaar wordt aangevuld. Dat is dus een groei over vijf jaar 250 procent.

Hoe beheers je die enorme groei?

Dat kun je doen door metadata en andere technieken te gebruiken om data uniek te maken en te verwerken en andere invalshoeken om effecten van data inzichtelijk te maken. In feite moet je dus breken met het verleden om op een andere wijze naar je informatie te kijken.

AI

Met deep learning technieken worden suggesties voor de metadata van nieuwe ontvangen gegevens op basis van terugkerende patronen in de verzamelde data gedaan. Deze kunnen dan door computers of mensen worden overgenomen of afgewezen. Hoewel het nog geen volgroeide techniek is, maken veel bedrijven er al gebruik van.
Microsoft, Amazon, maar ook kleinere snelgroeiende bedrijven als Coolblue en Exact gebruiken kunstmatige intelligentie om efficiënt met de door hen en anderen gegenereerde data om te gaan.
Bij Exact online kun je bijvoorbeeld aan de automatisch ontvangen banktransacties denken. Deze worden automatisch voorzien van een voorkeurs-rekeningnummer, en als je in het verleden een soortgelijke transactie anders hebt gewerkt wordt de codering als alternatief getoond.
Als je de kans hebt Pieter Zwart van Coolblue te horen spreken, moet je die kans niet aan je voorbij laten gaan. Hij kan goed vertellen wat AI voor Coolblue betekent en hoe de inzet van data-analyses helpt om de omzetgroei te realiseren.

Metadata

Zonder metadata zijn gegevens eendimensionaal en kunnen ze niet worden geanalyseerd. Metadata zijn essentieel om de snelgroeiende data-ijsberg te beheersen. Niet om in control te houden, want dat is menselijk gezien onmogelijk. Metadata is in de kern niets anders dan labels toevoegen aan een bestaand object. Een object kan een ding of een mens zijn.

Van onformatie naar informatie

Om data, ‘onformatie’, om te zetten naar informatie kun je gebruik maken van tools, zoals Power BI. Deze tools zijn er om data met behulp van diezelfde metadata inzichtelijk te maken en alleen het topje van de ijsberg te tonen. Mensen die meer willen weten, kunnen doorklikken voor meer informatie.

BI en AI

De kwaliteit van de data kan verbeteren door toepassing van AI, maar menselijke interventie kan op beperkt schaal nodig zijn. De mèt en zonder AI gegenereerde datastromen kunnen gecontroleerd en geautomatiseerd in de BI-tools stromen. Met de BI-tools kunnen vervolgens de Iceberg Reports worden gedefinieerd en verdeeld.

KPI's

Om dagelijks inzicht te krijgen in de ter beschikking staande data, worden KPI’s gebruikt. Die worden op dashboards aan de gebruikers aangeboden. Er zijn organisaties die te veel KPI’s gebruiken er zijn andere die er te weinig van gebruiken. Het is de kunst om KPI’s die wel werken te benoemen. Zie het boek van Peter Geelen hierover.

Volledige controle, een begrip met een andere inhoud

Menselijkerwijs kan ons brein niet meer dan het topje van de data-iceberg zien. Het adagium dat we volledig in control moeten zijn, heeft een andere invulling gekregen, of moet een andere invulling krijgen. We zullen moeten zorgen dat we meer te weten komen over de samenstelling van de data-iceberg. Of door onszelf te scholen op het gebied van data-analyse of door data-analisten in te huren.

Dit was een deel in de serie: ‘Als het efficiënter kan, moet je het efficiënter doen’. Vorige afleveringen waren:

Tijdschrijven: ja of nee?

Ga je dit lezen?

6 nadelen van sneller werken

11 voordelen van sneller werken

Nieuw is niet altijd beter

7 voorbeelden van verborgen kosten

Kiss: ja, natuurlijk!

André Salomons is enthousiast over efficiency-verbeteringen. Iedere stroomlijning van processen draagt bij aan het realiseren van Fast Close. Hij is auteur van het boek Van Slow Close naar Fast Close, docent Fast Close bij Nive Opleidingen en IFBD, softwaremaker en blogger.