Veel organisaties grijpen de huidige coronacrisis aan om hun bedrijfsvoering efficiënter en digitaler te maken en zo kosten te besparen. Datagedreven werken blijkt daarvoor in veel gevallen het beoogde middel. Niet verwonderlijk als je ziet waar datagedreven werken toe kan leiden.
Organisaties die beslissingen zoveel mogelijk nemen op basis van feiten en cijfers, zijn goed in staat om een brug te slaan tussen de behoefte van de klant en activiteiten als R&D, marketing & sales, en maintenance. Het slim benutten van kwalitatief goede data leidt tot meer en betere inzichten, en daarmee tot mogelijk betere besluiten en prestaties.
Data verzamelen en analyseren
Grofweg kunnen we binnen datagedreven werken drie opeenvolgende stadia van complexiteit onderscheiden: descriptive, predictive en prescriptive. De descriptive datagedreven organisatie verzamelt structureel data over tal van zaken. Hoeveel klantcontacten hebben we? Over welke onderwerpen treden klanten met ons in contact? Hoeveel mensen bezoeken onze website? Hoeveel transacties levert dat op?
De descriptieve datagedreven organisatie verzamelt en analyseert deze en tal van andere data. Via een dashboard heeft de organisatie zo goed zicht op bijvoorbeeld doorlooptijden, voorraden en de klanttevredenheid. Op die manier leert de organisatie al sturen op basis van (historische) feiten.
Voorspellen
In de volgende, ‘predictive’ fase gebruikt het bedrijf deze data daarnaast om te voorspellen wat er gaat gebeuren. Een voorbeeld: een grote verzekeraar met een telefonische klantenservice weet, op basis van historische en realtime data, steeds nauwkeuriger te voorspellen met welke vragen klanten die dag zullen bellen.
Die informatie gebruikt het bedrijf vervolgens om zijn processen stukken efficiënter te maken. Zodra de telefoon gaat, weet de telefonist vaak al met welke vraag een klant belt. Daardoor heeft de medewerker meteen de juiste informatie voor zich en kan hij de klant veel sneller helpen. Het gevolg: een tevreden klant, een kortere afhandelingstijd, en daardoor lagere kosten.
Downtime voorkomen
Een ander voorbeeld is een machinebouwer, die voortdurend de prestaties van ‘zijn’ machines in het veld meet. Slimme sensoren meten 24/7 zaken als temperatuur, drukverschillen en slijtage. Daardoor kan de fabrikant steeds beter voorspellen wanneer een machine stuk gaat.
Blijkt uit de voorspellende algoritmes dat een bepaald onderdeel waarschijnlijk aan vervanging of revisie toe is? Dan kan de serviceafdeling proactief ingrijpen en zo onnodige (en dure) downtime bij de klant voorkomen.
Webinar: Ga jij aan de slag met de Scrum Game?
Realiseer een betere samenwerking en meer klantwaarde doordat je effectiever leert scrummen. Het doel van het webinar is om jou een uitgebreider beeld te geven van wat je mag verwachten als deelnemer aan de Scrum Game.
lees verder
Aanbiedingen
In de derde en laatste fase gaat de datagedreven organisatie niet alleen verzamelen, analyseren en voorspellen, maar gaat ze ook op een ‘prescriptive’ wijze met data aan de slag. Daarbij worden algoritmes actief ingezet om het beleid van de organisatie mede vorm te geven. Ze geven als het ware suggesties voor beslissingsopties. Op die manier kan de organisatie profiteren van resultaten uit de descriptive en predictive analyses.
Een voorbeeld is de manager die de bezetting van het team afstemt op de voorspelde drukte van komende maand. Het algoritme ‘adviseert’ de manager daarbij meteen om extra capaciteit in te huren, ter grootte van 1,5 fte, vanaf een bepaalde datum en bij een specifiek bureau. Op die manier is de teambezetting altijd optimaal.
Feedbackloop
Al met al komt datagedreven werken erop neer dat je minder stuurt op intuïtie en onderbuikgevoel, en meer op transparante en meetbare feiten. Meer en betere data leiden tot snellere en betere inzichten, en daarmee tot snellere en betere (geautomatiseerde) besluiten.
Datagedreven organisaties maken daarbij bovendien goed gebruik van hun feedbackloop: ze nemen beslissingen op basis van data, evalueren hun beslissingen voortdurend, en stellen op basis van die data hun beslissingen weer bij. Was het goed wat ik deed? En wat kan ik volgende keer nog beter doen? Op die manier leidt datagedreven werken tot voortdurende aanscherping en verbetering.
Onbenut potentieel
Tegelijkertijd lopen veel organisaties nog tegen de nodige obstakels aan bij het goed implementeren van datagedreven werken. Zo blijkt er in de praktijk nog vaak een behoorlijke kloof te gapen tussen de ‘technische’ analytics-afdeling aan de ene, en de businessafdelingen aan de andere kant. Doordat deze medewerkers vaak andere verwachtingen koesteren en net niet dezelfde taal spreken, blijft veel datapotentieel in de praktijk onbenut.
Slim samenwerken
Datagedreven werken begint dan ook met slim samenwerken en investeren in een datagedreven cultuur. Op die manier wordt de kans een stuk groter dat je de beloften van datagedreven werken daadwerkelijk waarmaakt.
En leidt de omslag naar een insight driven business daadwerkelijk tot een verbeterde klantervaring, meer winstgevendheid en een betere dienstverlening. Zeker in deze onzekere economische tijden geen overbodige luxe.
Dit artikel is onderdeel van het dossier ‘Performance Verbeteren’ op MT.nl. Dit dossier wordt mede mogelijk gemaakt door House of Performance. House of Performance is specialist in het radicaal verbeteren van prestaties op de werkvloer, onder andere door datagedreven te werken.
