Data is onderhand een van de belangrijkste onderdelen van een bedrijf. Zeker nu je steeds makkelijker grote datasets kunt verwerken, krijg je meer inzicht in wat werk en wat niet. En dat inzicht leidt weer tot een efficiëntere bedrijfsvoering doordat je bijvoorbeeld de voorraden kunt verkleinen of gericht campagnes voert. Geen wonder dat termen als predictive maintenance en big data zeer populair zijn in de bestuurskamer. Hoe komt het dat desondanks de meeste bedrijven nog amper profiteren van deze goudmijn? 4 veelgemaakte fouten rondom big data op een rij.
Fout 1: niet op voorspellingen reageren
Hoe baat je de externe factoren zo goed mogelijk uit?
Vooral in de uitvoering schieten organisaties tekort. Reden? Bedrijven slagen er vaak wel in tot een voorspellend model te komen, maar gaan vervolgens op hun lauweren rusten, stelt Jacques de Swart, Partner Data Analytics bij PwC. ‘Als je het Gartner Analytic Framework erbij pakt, zijn er eigenlijk 4 stappen om alles uit big data te halen. Dat begint met Descriptive: wat is er gebeurd? Een stap verder is Diagnostic, dus waarom iets gebeurd is.’ Pas als je dat scherp hebt, kun je de stap zetten naar Predictive, waarbij de vraag wat er gaat gebeuren centraal staat. En dan komt het heikele punt, want veel bedrijven denken er dan al te zijn. Maar ze vergeten de laatste stap in het model: Prescriptive.
Waarde van de data
‘Prescriptive is hoe je op de voorspelling moet reageren, en daar zit uiteindelijk de waarde van de data’, zegt De Swart. ‘Predictive is een label voor mensen die allerlei mooie dingen willen, maar het niet voor elkaar krijgen omdat het allemaal zo passief is. Toch zijn er al succesvolle voorbeelden van prescriptive analytics. Denk bijvoorbeeld aan het boeken van een ticket op de site van KLM. ‘Het algoritme kijkt automatisch naar allerlei externe bronnen om de prijs te bepalen. Hetzelfde gebeurt bij de recommandaties op Netflix. Wel zijn dit veelal operationele beslissingen, niet zozeer strategische.’
Al snel krijg je te maken met de vraag hoe je de externe factoren goed kunt uitbaten. Oftewel je moet op strategisch niveau bepalen hoe je het beste kunt reageren op trends. Die vraag wordt nog te vaak vooruit geschoven. ‘Bij predictive blijf je vaak een beetje passief de wereld voorspellen.’
Fout 2: selectief zelf data verzamelen
Bij dataverzameling geldt ‘baat het niet dan schaadt het niet’
Een andere fout die veel managers maken, is dat ze nog te veel uitgaan van het klassieke model dat je een hypothese vormt en op basis daarvan data verzamelt. Het idee daarbij is dat het ene dataveld het gras voor de voeten wegmaait van een dataveld dat daar veel op lijkt. Daarom worden die gegevens vanuit een soort spaarzaamheidsprincipe weggelaten.
Maar volgens De Swart nemen technologieën voor machine learning dit obstakel steeds meer weg. ‘Het gaat daardoor met dataverzameling meer volgens het principe ‘baat het niet dan schaadt het niet’. Met machine learning kun je experimenteel kijken naar alles dat je hebt. Je haalt de wijsheid uit de data, in plaats van dat je data gebruikt om je eigen wijsheid te toetsen.’
Abonneren op datadiensten
Dat heeft ook consequenties voor het verzamelen zelf. In plaats van je eigen datawarehouse op te bouwen (voor de meeste bedrijven toch te duur om adequaat te doen), bouw je API’s naar databronnen toe. ‘In plaats van zelf verzamelen, abonneer je je op datadiensten zoals web scrapers.’ Je bent dan ook minder afhankelijk van je eigen kennis, die met de complexiteit van de meeste datasets van nu toch niet afdoende gaat zijn. ‘Als de computer kan uitrekenen wat je morgen moet doen, heeft dat ook waarde wanneer je het niet tot in de puntjes snapt.’
Fout 3: je niet bewust zijn van de beperkingen
Ook geavanceerde berekeningen zijn een beperkte weergave van de werkelijkheid
Met data-analyse wordt weliswaar steeds meer mogelijk, volgens De Swart zijn er twee beperkingen die inherent zijn aan big data waar je je bewust van moet zijn. ‘De eerste is het stellen van prioriteiten. Je kunt naar het financiële aspect kijken van een beslissing, maar bijvoorbeeld ook naar zaken als marktaandeel of klanttevredenheid. Die keuze moet je zelf maken.’ Hetzelfde geldt voor risicoacceptatie. ‘Zelfs de meest geavanceerde berekeningen zijn uiteindelijk een beperkte weergave van de werkelijkheid. Hoe je dat afweegt, moet je helemaal zelf bepalen. En dat houdt het ook wel leuk.’
Fout 4: uitkomsten niet durven accepteren
Het kan heel confronterend zijn voor bepaalde afdelingen
Een laatste waarschuwing van De Swart is dat een uitgebreid datamodel jouw organisatie ook een hele lelijke spiegel kan voorhouden en dingen toont die je achteraf liever niet had willen weten. Gevolg is dat de resultaten in een la verdwijnen en het datamodel uiteindelijk dus geen waarde genereert. ‘Vaak wringt de schoen dat er veel verborgen agenda’s zijn binnen de organisatie en niemand iets zegt omdat dat niet politiek correct is.’
‘Wij doen bijvoorbeeld onderzoek voor grote bedrijven met diversiteitsproblemen aan de top. Het is prima uit te rekenen hoe die problemen zijn ontstaan, maar het kan heel confronterend zijn voor bepaalde afdelingen. Als je alleen wil preachen zonder de practice, dan kan het ook zonder big data heel lang goed gaan. Maar als door data-analyse blijkt dat het op korte termijn anders moet, dan is dat voor veel mensen een hele grote stap.’
Conclusie: big data kan je wel degelijk veel opleveren, zolang je alle data op één centraal systeem binnen je organisatie laat binnenkomen, deze data analyseert en de trends in kaart brengt én ook echt iets doet met de voorspellingen die hieruit voortkomen, rekeninghoudend uiteraard met eventuele beperkingen.
Dit artikel is onderdeel van het dossier ‘Business Simpel Maken’ op mt.nl. Dit dossier wordt mede mogelijk gemaakt door Experis Ciber. Experis Ciber helpt bij een excellente, snelle uitvoering van simpel-werkbare oplossingen die resultaat opleveren.
Lees ook:
- Je time-to-market verkorten doe je zo
- Zo word je servicegericht
- Beter, sneller en goedkoper werken? Zo gaan je medewerkers overstag
- Zo slagen je innovaties wel
