Data analyse is echt één van de mooiste vakgebieden die er bestaat! Vooral omdat je, soms in heel korte tijd, geweldige nieuwe inzichten kunt geven waar bedrijven direct hun voordeel mee kunnen doen. Dat leidt niet alleen tot betere besluiten, maar ook tot veel snéllere besluitvorming. En de opbrengsten of kostenbesparingen zijn vaak heel expliciet te maken. Bovendien leidt slimme analyse van data regelmatig tot de ontwikkeling van nieuwe producten en diensten. Je staat daarmee aan de basis van belangrijke bedrijfsinnovaties.

Opportunisme

Door de enorme hype rondom advanced analytics en self service BI, gaan veel bedrijven nogal opportunistisch aan de slag met de implementatie van een analyse en/of visualisatie tool. Vaak met enorm hoge verwachtingen over de opbrengsten. Helaas is de praktijk weerbarstiger dan de theorie en de teleurstelling dan ook groot als de resultaten uitblijven. Want hoe laagdrempelig de huidige generatie data analyse tools ook is, er is meer nodig dan een software product om ‘self service analytics’ tot een succes te maken!

Vier aspecten

Als ik nadenk over de mogelijkheden van data analyse voor een organisatie, kijk ik altijd naar het hele spectrum van data, verwerking, analyse en governance. Om de enorme potentie van je data te gelde te maken, zijn er vier aspecten waar je je op moet ontwikkelen:

Data analysis model

In mijn vorige blog post heb ik het gehad over het menselijke aspect. Welke competenties heeft een goede data scientist nodig? Maar dan wel gebaseerd op degelijk Europees wetenschappelijk onderzoek… Dat gaat dus over het kwadrant rechtsonder. Het kwadrant linksonder gaat over de inzet van technologie voor het ontsluiten van (big) data en tools als Tableau, Alteryx, Qlik of Board. Ook daarover is al genoeg gezegd en geschreven. Wat minstens zo interessant is, zijn de bovenste kwadranten.

Bewustwording

Veel bedrijven zijn er door schade en schande achter gekomen dat je met alleen tools en competente mensen nog geen datagedreven organisatie bent. Zij verleggen hun aandacht meer en meer naar het ontwikkelen van een concrete visie en strategie m.b.t. data analyse die gedragen wordt op het hoogste directieniveau. En ze besteden aandacht aan het aanpassen van hun organisatie en bedrijfsprocessen om smart analytics veel beter te accommoderen. Schrik niet, dat betekent echt niet meteen dat er enorme projecten worden opgestart. Het gaat dan vooral om het bewustwordingsproces hoe je data analyse op een betekenisvolle en gestructureerde manier in de haarvaten van je organisatie belegt en hoe je dat organiseert.
Ik heb een groot aantal van dit soort trajecten begeleid en dat heeft me een aantal ervaringen opgeleverd…

Data voor iedereen

‘Data is de nieuwe olie’. Een populaire vergelijking die te pas en te onpas wordt gemaakt. Ook ik heb die analogie gebruikt om de waarde van data te duiden, maar ik ben er al een tijdje mee gestopt. Olie is schaars en uitputtelijk, data is er in overvloed en de hoeveelheid neemt explosief toe. Daarnaast heeft data op zichzelf geen toegevoegde waarde voor je organisatie. Alleen oppompen is niet genoeg, om in de analogie met olie te blijven. Het wordt hier nog eens leuk uitgelegd: “It’s not the data that makes the difference, it’s what you do with it”.

En wie kan er beter wat met data doen dan de mensen die het dichtst bij het vuur zitten? Het uitoefenen van bijna iedere functie binnen een organisatie valt of staat tegenwoordig met de kwaliteit en tijdigheid van beschikbare informatie en inzichten. De meeste functietitels kunnen eigenlijk wel de prullenbak in, omdat 80% van de medewerkers in feite data analist aan het worden is. Een data analist met functionele expertise dus. Door medewerkers met business kennis in staat te stellen zelfstandig, zonder tussenkomst van IT experts, de benodigde inzichten te genereren, kunnen zij simpelweg hun werk veel beter doen.

Dat is precies de reden waarom analyse en visualisatie van data niet beperkt moet blijven tot een beperkte groep experts binnen je organisatie. Data – en hulpmiddelen om die data te analyseren – moeten voor iedereen beschikbaar zijn om maximale waarde te creëren. Van beter en sneller werken tot geheel nieuwe producten en diensten. Data wordt daarmee zelfs de enabler voor nieuwe manieren van organiseren en leidinggeven (lees hier meer over Agile leadership).

Denken in rollen

Je kunt van self service analytics – en wie wat precies met data moet doen – een heel principiële discussie maken. Veel makkelijker is het om in afgebakende rollen te denken en iedere rol duidelijk te definiëren en beleggen (en organiseren) waar die thuishoort. Voorbeelden van veel voorkomende uitvoerende analytics rollen zijn (onderverdeeld in groepen):

Voorbeelden van veel voorkomende uitvoerende analytics rollen

Al deze rollen leveren een bijdrage om te zorgen dat de juiste inzichten op het juiste moment beschikbaar zijn. Maar voor self service analytics zijn eigenlijk alleen de groep Analist en Ontwikkelaar relevant. En zelfs daarbinnen is nog sprake van een tweedeling. Zo zijn de rollen van Rapport Ontwikkelaar of Business Analist geschikt om breed te beleggen binnen je organisatie, maar die van Data Engineer of Data Scientist juist weer niet. Dat is immers werk dat je centraal wil beleggen omdat het (vooralsnog) zeer specialistisch is. Door je bewust te zijn van deze nuance wordt het organiseren een stuk eenvoudiger.

Datademocratie organiseren

Het uitgangspunt om data vrijelijk en breed beschikbaar te stellen binnen je organisatie wordt vaak aangeduid met Datademocratisering. In tegenstelling tot een aanpak waarbij alle data, datamanipulatie, analyse en rapportage gecentraliseerd plaatsvindt. Een zeer toepasselijke definitie, niet te verwarren met een data anarchie! Want zonder duidelijke visie, strategie en processen voor het vrijgeven van data, is dat wel waar het snel in uitmondt. Net als in een ‘echte’ democratie zijn er wel degelijk structureren en regels nodig om orde aan te brengen. Binnen die regels is iedereen vrij om te doen en laten wat hij of zij wil. Ook in een datademocratie hebben we een Tweede Kamer nodig om wetten vast te stellen, een Eerste Kamer om wetten te toetsen voor de definitieve implementatie en een Ministerie van Veiligheid en Justitie voor de controle op deze wetten. Deze instanties bepalen de speelruimte om als (data)samenleving goed te functioneren.

Een ACE

De analogie met een democratie kun je prima toepassen op je eigen organisatie. Mijn voorstel is om daarbij een ACE te introduceren. Een Analytics Center of Excellence, als spin in het web voor alles met betrekking tot het ontsluiten van data. Vanuit het ACE wordt een groot aantal van de bovengenoemde uitvoerende rollen in jouw organisatie geborgd, centraal of decentraal, aangevuld met een aantal besturende rollen. Een ACE kan op veel manieren worden vormgegeven, als de vorm maar aansluit op de visie & strategie van je organisatie. Stel jezelf daarbij wel altijd de volgende twee essentiële vragen:

  1. Op welke plek in de organisatie plaatsen we het ACE? Was dit voorheen vaak de IT afdeling, tegenwoordig denken we eerder aan een plek onder de CFO of Chief Information Officer.
  2. Organiseren we dit team centraal of decentraal? Steeds vaker wordt ervoor gekozen een ACE zoveel mogelijk samen te stellen uit decentraal belegde rollen. Maar niet alle rollen lenen zich voor een decentrale aanpak. Specialistische rollen beleg je beter centraal en rollen als Rapport Ontwikkelaar of Business Analist zoveel mogelijk bij de afdelingen. Zo ontstaat een virtueel team met zogenaamde embedded analists of key users.

Speelruimte

De antwoorden op bovenstaande vragen bepalen voor een groot deel de opzet en verantwoordelijkheden van een ACE. Als je bij de tweede vraag kiest voor een decentrale aanpak, gebaseerd op een datademocratie, dan zijn de belangrijkste taken voor het ACE coördinatie, het uitdragen van visie & strategie en programmamanagement. Andere activiteiten waar je in dat geval bij een ACE aan kunt denken zijn:

  • Data governance
  • Coaching en training
  • Thought analytics leadership
  • Best practices
  • Advies en consultancy
  • Technologie keuzes
  • Centraal beheer van de (big) data architectuur

Zie het ACE in die situatie maar als de Tweede Kamer, die de speelruimte voor de business bepaalt (met bijvoorbeeld een Analytics Board als Eerste Kamer). Het doel is maximale speelruimte, zonder dat je organisatie vervalt in een data anarchie. Het ACE is de aanjager van vernieuwing, maar ook verantwoordelijk voor de betrouwbaarheid, valuatie en beschikbaarheid van data. Je kunt je voorstellen dat dat best lastig is!

Toezicht versus flexibiliteit

Als we over big data analytics praten, lopen we al snel aan tegen twee tegengestelde belangen:

  1. Stabiliseren, renoveren en beheren om te zorgen voor betrouwbaarheid en voorspelbaarheid
  2. Innoveren en experimenteren om te zorgen voor vernieuwing en wendbaarheid van je organisatie

Gartner introduceerde daarvoor het begrip bimodal.  Een bimodal-benadering ziet deze twee belangen niet als strijdig maar probeert ze juist te verenigen. Want beide zijn essentieel om tot veranderingen te komen en coherent samen te werken. Er wordt veel gediscussieerd over deze bimodal benadering, vanuit verschillende standpunten. Vergelijk deze mening maar eens met deze. Als we het over data en data analyse hebben, is de discussie voor mij simpel. Ja, je wil snel en slim data analyseren om je concurrent slim af te zijn, maar zonder goede data governance die de betrouwbaarheid van je data garandeert, ontstaat een veel te groot afbreukrisico als er gebruik wordt gemaakt van incorrecte informatie. Nog los van wet- en regelgeving over datagebruik.

In dat opzicht is het ook interessant je te verdiepen in het pace layer model van Gartner. Dit model redeneert vanuit drie lagen, met de data zelf als uitgangspunt:

  • Systems of Record (run): verbeteren van de uitvoering
  • Systems of Differentiation (grow): differentiatie ten opzichte van de concurrentie
  • Systems of Innovation (transform): nieuwe ideeën

Rondom dit model is een aanpak opgesteld die ervoor zorgt dat deze lagen op elkaar aansluiten binnen een organisatie. Deze aanpak is in mijn ervaring praktisch goed toepasbaar.

No size fits all

Om als organisatie alles uit je data te halen wat erin zit, moet je dus verder kijken dan alleen de data en de tooling. Ik heb een aantal van mijn ervaringen geschetst, maar ik weet ook dat iedere situatie weer anders is. Alles wordt bepaald door de branche waarin je opereert, de strategie die je kiest en de doelen die je hebt met data analyse. Zoals James Kaplan recent het mooi verwoorde: “There’s no silver bullet”. Er is niet één snelle, magische oplossing om self service analytics perfect te implementeren. Het gaat er om dat je in staat bent technologieën te identificeren, de impact ervan begrijpt, ze kan combineren en slim besluit hoe je die technologieën gebruikt. En vooral: hoe je daar omheen operationele processen en organisatorische structuren bouwt.
We kunnen inmiddels heel goed uitleggen welke ingrediënten essentieel zijn om data analyse ook binnen jouw organisatie tot een succes te maken. In welke hoeveelheid en volgorde je die ingrediënten moet toevoegen en of ze ook allemaal relevant zijn is voor iedereen anders. Net als de beste inrichting van processen en organisatorische structuren. Het is en blijft in iedere situatie maatwerk, want geen organisatie is hetzelfde. En zoals bij elke vorm van maatwerk geldt: denk eerst na over je doelen en je aanpak, voordat je begint te bouwen!

Maar de belangrijkste vraag blijft: “ben jij in staat een data anarchie te voorkomen en een échte democratie te creëren?”