Je hebt data, waarom neem je nog steeds beslissingen op gevoel?

“We willen iets met data.” Het is een zin die Ralph, analytics engineer en competence lead Power BI bij Creates, regelmatig hoort. Van organisaties in allerlei sectoren, in allerlei groeifases. Ze willen iets met data. Alleen: wat precies, dat weten ze vaak nog niet. En juist daar gaat het mis.

"Als je echt puur afgaat op 'we willen iets met data', is het eerst goed om te achterhalen wat je daar dan mee wilt. En wat je hoopt te bereiken." Dat klinkt eenvoudig, maar het is precies dit eerste gesprek waar veel trajecten al scheef gaan. Organisaties stappen in met een oplossing in gedachten, een dashboard, een platform, een tool, zonder scherp te hebben welk probleem ze eigenlijk oplossen. Het gevolg is een BI-oplossing die er staat maar niet gebruikt wordt. Die stof verzamelt, zoals Ralph het zelf noemt.

De informatiebehoefte is daarin de sleutel. "Als die niet duidelijk was op het moment dat iets gebouwd werd, zie je dat direct terug in het gebruik. Als die er wel is, vertaalt dat zich vanzelf naar een oplossing die zichtbare meerwaarde biedt." De eerste vraag die een organisatie zichzelf moet stellen is dus niet technisch. Het is strategisch: welke knelpunten wil je oplossen, en welk doel je uiteindelijk bereiken?

 

Signalen dat je organisatie nog niet klaar is voor een dataplatform

Ralph heeft door de jaren heen een scherp oog ontwikkeld voor organisaties die nog aan het begin staan van hun datavolwassenheid. De signalen zijn herkenbaar: rapportages worden bijgehouden in Excel, er is geen duidelijk overzicht van wie welke informatie mag zien, en intern bestaat geen gedeeld beeld van wat de informatiebehoefte eigenlijk is. "Als je niet weet wat de informatiebehoefte binnen de organisatie is, is dat al een signaal dat je daar nog niet volwassen in bent." Dat zijn geen technische problemen. Het zijn organisatorische. En juist daarom los je ze niet op met een tool.

Stel dat de rapportages er wel zijn, dat de dashboards kloppen en de informatiebehoefte helder is. Wat is dan de volgende drempel? Volgens Ralph zit die in vertrouwen. "Dan moet je de switch maken van beslissingen nemen op onderbuikgevoel naar beslissingen nemen op basis van je data." Niet het vertrouwen in de technologie, maar in de data zelf. En dat bouw je niet in één sprint. Organisaties die die stap wél zetten merken het verschil concreet: keuzes kunnen worden onderbouwd, strategische beslissingen worden feitelijker en waar nodig kan er sneller geschakeld worden.

 

Datagedreven werken mislukt zelden door de techniek

Zelfs met goede data, scherpe rapportages en een management dat datagedreven wil werken, loopt het soms toch vast. De oorzaak zit zelden in de techniek. "Er zijn altijd medewerkers in een organisatie die sceptisch zijn over een oplossing. Als het management datagedreven wil werken, maar dat vertaalt zich niet door naar andere lagen van de organisatie, dan heeft het geen effect." Datagedreven werken is geen IT-project. Het is een verandertraject, en verandering vraagt draagvlak op alle niveaus, niet alleen aan de top.

Die realiteit kleurt ook hoe Ralph naar zijn eigen rol kijkt. Een BI-oplossing bouwen is één ding. Maar uitleggen wat er achter de schermen gebeurt, en waarom een ogenschijnlijk kleine wijziging soms veel meer werk vraagt dan verwacht, is minstens zo belangrijk. "Een kleine wijziging kan voor de business er simpel uitzien, maar om daar te komen is soms heel veel werk nodig. Dat uitleggen is soms lastig, maar wel belangrijk."

 

Wat er op orde moet zijn voordat een AI data-agent zinvol wordt

Data-agents, AI die communiceert met je data, de mogelijkheden zijn er en de interesse groeit. Maar Ralph is helder over wat er eerst moet staan. "Het is vooral zinvol als er binnen een organisatie veel ad-hoc vragen zijn waar nog geen rapportages voor zijn." Denk aan snelle vragen als: wat is de omzet dit jaar ten opzichte van vorig jaar? Dat soort vragen kan een data-agent goed en snel beantwoorden, maar alleen als het fundament klopt.

Dat fundament begint bij het semantische model. Tabellen, kolommen en measures moeten consistent benoemd en duidelijk beschreven zijn. Synoniemen helpen de agent begrijpen dat "Winst" en "Resultaat" hetzelfde zijn. En het model mag niet onnodig complex zijn, want een agent die verdwaalt in een rommelig model geeft rommelige antwoorden. Tot slot moet row level security zijn ingericht als niet iedereen toegang mag hebben tot alle data. "Die werkt door in het gebruik van een data-agent. Wie normaal geen toegang heeft tot bepaalde data, krijgt die via een agent ook niet." AI versterkt wat er al staat. Het repareert niet wat er nog ontbreekt.

 

Hoe Creates organisaties begeleidt van datafase naar datagedreven werken

Creates begeleidt organisaties met een roadmap van een vroege datafase naar datagedreven werken. Maar wat in de praktijk misschien nog meer verschil maakt, is de manier waarop teams samenwerken. Op projecten werken altijd een data-engineer en een analytics engineer samen. Daardoor zijn de lijnen kort. "Als een analytics engineer een informatiebehoefte heeft opgehaald, kan die even afstemmen met de data-engineer over wat de mogelijkheden zijn." Geen lange escalatieroutes, geen vertraging, gewoon snel schakelen op basis van kennis en ervaring.

Datagedreven werken is geen schakelaar die je omzet. Het is een weg die begint met één eerlijke vraag: wat wil je eigenlijk bereiken? Wie die vraag serieus neemt en bereid is de antwoorden te laten leiden, zet de eerste en belangrijkste stap.

 

Ralph is analytics engineer en competence lead Power BI bij Creates. Hij werkt dagelijks aan BI-landschappen die organisaties helpen van data naar beslissing. Dit artikel is geschreven in samenwerking met Jesper Oskam, marketeer bij Creates.