Winkelmand

Geen producten in je winkelmand.

Stappenplan voor een goede datastrategie

In samenwerking met Tableau - Onderzoek toont aan dat een goede datastrategie alleen werkt wanneer het management volledig meewerkt. Dat betekent strategische en financiële betrokkenheid van de hele organisatie. Hoe krijg je dat voor elkaar? Een stappenplan.

plan voor datastrategie
Je leest nu: Stappenplan voor een goede datastrategie

Wil je een succesvolle datastrategie uitrollen, dan zul je eerst een aantal stakeholders voor je plan moeten winnen. Vooral directie en IT moeten goedkeuring geven aan je datastrategieplan. Reden? De directie moet aan iedereen binnen de organisatie het waarom van de keuze voor het plan goed kunnen uitleggen. En IT moet uiteindelijk helpen de nodige veranderingen te realiseren.


Wat houdt de ondersteuning van IT concreet in?

  • Samenwerken met leidinggevenden om te begrijpen hoe bedrijfsteams data gebruiken
  • Meewerken aan een visie op moderne analyse binnen de organisatie
  • Prioriteiten stellen bij keuze databronnen op grond van gebruikersgrootte en behoefte
  • Installeren, instellen en onderhouden van een analyse-instrument
  • Het beïnvloeden van beleid, richtlijnen en verantwoordelijkheden m.b.t. de toegang tot data, contentbeheer en het opvolgen van regels.

Wil je de stakeholders voor je winnen met een succesvol plan voor datastrategie? Dan zijn de volgende stappen van belang voor het verkrijgen van zo veel mogelijk impact.

Stap 1. Definieer heldere zakelijke doelen

We gaan ervan uit dat er binnen je organisatie heldere zakelijke doelstellingen bestaan. Evenals inzicht in de uitvoerende taken en kortetermijndoelen. Beiden zijn een vereiste bij het identificeren van KPI’s (key performance indicators) en statistieken die van invloed zijn op beslissingen, die op basis van gegevens worden genomen. Ze geven ook aan welke gegevensbronnen moeten worden samengesteld en geanalyseerd.

Uit onderzoek van McKinsey blijkt dat slechts een klein percentage bedrijven zich onderscheidt door het zo breed mogelijk toepassen van analyses. Daar zijn diverse redenen voor. Een daarvan is het gebruik van geavanceerde analysemethoden bij het leggen van een basis voor data, technologie én mensen. Die bedrijven testen voortdurend de kwaliteit en prestaties van hun analysemodellen door bestaande gegevensbronnen en algoritmen te vergelijken met nieuwe en mogelijk betere alternatieven.

Stap 2. Leg de juiste gegevens vast om je doelstellingen te ondersteunen

Je bedrijf verzamelt – als het goed is – natuurlijk al gegevens. De vraag die je je vervolgens moet stellen is of die gegevensbronnen zijn opgeschoond (geen dubbelingen in NAW-gegevens?) en gecertificeerd (goedgekeurd door sitebeheerders en projectleiders)?

Is dat niet het geval, dan kan je net zo goed naar een speld in een hooiberg gaan zoeken. Oftewel, het wordt dan erg lastig om  gegevens te vinden die verschillende gebruiksscenario’s ondersteunen en de bedrijfsdoelstellingen bevorderen.

Het begint dus met het verzamelen en opschonen van de juiste gegevens. Direct daarachteraan komt de vraag voor welke datastrategie je kiest. Uit een praktijkonderzoek blijkt dat succesvolle bedrijven zowel voor een defensieve als offensieve datastrategie kiezen, die ‘klantgerichte bedrijfsfuncties’ en ‘juridische, financiële, compliance, en IT-belangen ondersteunt’.

Het praktijkonderzoek betrof een datastrategiekader van DalleMule en Davenport dat werd toegepast bij een grote verzekeraar en nog een half dozijn andere bedrijven. DalleMule en Davenport wilden met hun kader voor een datastrategie twee belangrijke zaken aanpakken: een duidelijke beschrijving formuleren van het doel van data én een gids zijn in strategisch datamanagement.

Offensieve en defensieve datastrategie

In tegenstelling tot andere datastrategieën, vereist het kader van DalleMule en Davenport dat bedrijven weloverwogen een afweging maken tussen ‘defensief’ en ‘offensief’ gebruik van gegevens en tussen controle en flexibiliteit bij het gebruik. Zie de tabel hieronder. Bedrijven hebben beiden nodig, maar het gaat erom de juiste balans te vinden tussen die twee.

Een toelichting op de begrippen offensief en defensief maakt een en ander wat duidelijker.

  • Defensieve data gaat om het beperken van neerwaartse risico’s. Daaronder valt het nakomen van regelgeving (denk aan de AVG), analyses om fraude te ontdekken, systemen om diefstal te voorkomen.
    Defensieve inspanningen zorgen er ook voor dat de data waarmee de organisatie werkt, getest is op haar betrouwbaarheid en afkomstig is van gezaghebbende bronnen (bijvoorbeeld klant- en leveranciersinformatie of verkoopdata in ‘één bron van waarheid’).
  • Offensieve data is gericht op zakelijke doelen als het behalen van meer omzet, winstgevendheid en klanttevredenheid. Dit zijn data die inzicht geven in klantgedrag of zowel markt- als klantgegevens combineren, data die bestuurlijke beslissingen mogelijk maken (bijvoorbeeld met behulp van dashboards).
Elementen van een datastrategie
Defensief Offensief
Hoofddoelstellingen Zorg voor gegevensbeveiliging, privacy, integriteit data, kwaliteit, naleving van regelgeving en governance Verbeter de concurrentiepositie en winstgevendheid
Kernactiviteiten Optimaliseer gegevensverwerking, standaardisatie, opslag en toegang Optimaliseer data-analyse, modellering, visualisatie, transformatie en verrijking
Datamanagementoriëntatie Beheer Flexibiliteit
Data-architectuur mogelijk maken EBW (Eén bron van waarheid) MBW (Meerdere bronnen van waarheid)

Bron: Harvard Business Review

Hoewel er enorm veel informatie is over bedrijfsgegevensbeheer, is veel ervan technisch en gericht op governance, best practices, tools en dergelijke. Het kader van DalleMulle en Davenport is een van de weinigen die bedrijfsgericht is. Het bevordert niet alleen het efficiënte gebruik van data en de toewijzing van middelen, maar helpt bedrijven ook bij het opzetten van hun datamanagementactiviteiten ter ondersteuning van hun algehele strategie.

Stap 3. Moderniseer je data-architectuur

Het is belangrijk om in dit verband een onderscheid te maken tussen informatie en data én tussen informatie-architectuur en data-architectuur. Managementconsultant Peter Drucker zei ooit: ‘informatie is data, voorzien van belang en doel.’ Ruwe data, zoals het aantal terugkerende klanten, verkoopcijfers en voorraadkosten, is van beperkte waarde, zolang het niet wordt geïntegreerd met andere data en omgezet kan worden in data die tot besluitvorming leidt.

  • De data-architectuur van een bedrijf beschrijft hoe data wordt verzameld, opgeslagen, verwerkt, verspreid en gebruikt. Het omvat de regels voor zaken als databases en bestandssystemen. Ook de systemen om gegevens te verbinden met de bedrijfsprocessen die de data verwerken, vallen onder de data-architectuur.
  • De informatie-architectuur regelt de processen en voorschriften die data omzetten in bruikbare informatie.
    Voorbeeld: de data-architectuur kan dagelijks ruwe reclame- en verkoopgegevens invoeren in informatie-architectuursystemen, zoals marketingdashboards.

Tot slot: volgens DalleMulle en Davenport is een gecentraliseerde, sterk gecontroleerde aanpak van data- en informatiearchitectuur niet aan te bevelen. Naar hun mening heeft een flexibele en realistische benadering de voorkeur, waarbij gewerkt wordt met zowel één bron van waarheid (EBW) als meerdere bronnen van waarheid (MBW).

Voorbeeld: het concept van één enkele versie van de waarheid – bijvoorbeeld één onbetwistbare primaire bron van omzetgegevens – wordt volledig begrepen en geaccepteerd door IT en het hele bedrijf. Het idee dat een enkele bron meerdere versies van de waarheid kan opleveren (zoals omzetcijfers die verschillen naargelang de behoeften van de gebruikers) wordt echter niet goed begrepen, algemeen verwoord of, in het algemeen, correct uitgevoerd.

De belangrijkste innovatie van hun kader is: flexibele data- en informatie-architectuur, die zowel EBW als MBW mogelijk maakt om een defensieve-offensieve datastrategie te ondersteunen.

Lees ook: