People, proces, technology
0. Het draait niet alleen om de techniek
Data gedreven werken draait om een mindset of een besef dat jouw keuzes altijd invloed hebben op de lange termijn. Als je jouw data goed opslaat, kun je deze keuzes baseren op alle kennis die in jouw bedrijf aanwezig is. Zo bespaar je jezelf en jouw medewerkers veel tijd en frustratie om informatie te vergaren. Binnen je bedrijf ga je data dus als waardevol zien.
Alle data die je nu niet gebruikt, kan wel gebruikt worden voor mogelijk toekomstige doelen, uitdagingen of problemen. Het draait bij data gedreven werken dus om het creëren van een procesmatige mindsetbinnen de organisatie, waarbij continu gekeken wordt naar verbeterpunten op het gebied van digitalisering. Heldere processen en de juiste technologie ondersteunen jouw mensen bij een data gedreven mindset.
Het “mappen” van de huidige situatie
1. Hoe staat jouw bedrijf er écht voor?
Wil jij met succes gebruik maken van de schat aan informatie binnen jouw bedrijf? Zorg dan dat je eerst jouw doelen helder hebt en maak dit vervolgens zo SMART mogelijk.
Om tot SMART doelstellingen te komen, heb je zakelijk inzicht nodig. Vanuit deze “business understanding” ga je onderzoeken welke specifieke data je nodig hebt voor je doelen en uitdagingen én hoe je van plan bent dit te gaan verzamelen.
Let op: je kan niet zomaar alle data verzamelen, denk bijvoorbeeld aan persoonlijke data. Vanuit de AVG wet zijn hier beperkingen opgelegd. Zorg dat je AVG compliant bent.
Wij adviseren om goed na te denken over welke data je nu hebt, welke aanvullende data je nog nodig hebt én waar je die data vandaan kunt halen. Het is vervolgens erg belangrijk om de gevonden data op een gecentraliseerde manier op te slaan, zodat je toegankelijke data creëert.
Zorg dat alle data gecentraliseerd wordt opgeslagen. Hiermee kun je informatie later eenvoudig vinden en gebruiken.
The GAP
Na het inventariseren van de huidige situatie van jouw organisatie, ga je de doelstellingen verder formuleren. Wat is de gewenste situatie voor jouw data gedreven bedrijf?
Na het identificeren van de huidige en gewenste situatie maak je de GAP duidelijk. Waar staan we nu en wat missen we nog om tot de gewenste situatie te komen? Met de volgende stappen verklein je jouw GAP.
Het Data Vitality Assessment geeft je dus de mogelijkheid om de GAP volledig te identificeren.
Wat als de huidige situatie duidelijk is?
2. Collection and preparation
Grote kans dat je data van lage kwaliteit gaat aantreffen als je start met data verzameling. De datakwaliteit is van belang voor de bruikbaarheid bij je uiteindelijke analyse. Maar wat bedoelen we met data van lage kwaliteit?
Staat een formulier het bijvoorbeeld toe om een postcode in te voeren met maar drie cijfers? Kan iemand aangeven dat hij/zij 400 jaar oud is? Wordt een emailadres getest of het een echt emailadres is? Dit alles resulteert in data van lage kwaliteit. Als je zorgt dat je alles vooraf goed ingesteld hebt, scheelt dat later veel kostbare tijd.
Beoordeel je jouw datakwaliteit dus vooraf, dan ben je goed op weg met je data mindset.
Quick win
- Gebruik drop down menu’s in formulieren waarbij een keuze gemaakt kan worden uit voorgeselecteerde opties. Voorgeselecteerde opties zijn voor een computer makkelijker te lezen en is dus gebruiksvriendelijk. Hierdoor worden fouten vermeden en blijft jouw data schoon.
Waar moet ik mijn data vervolgens bewaren? Het is noodzaak om je data opgeschoond en gestandaardiseerd bij elkaar te zetten. Hierdoor is je data toegankelijker voor gebruik. Deze data is in de toekomst dan eenvoudiger aan elkaar te koppelen, waardoor je dus veel tijd en geld bespaart in het proces. Dus zorg dat de basis goed is!
Alle goede data verzameld? Way to go!
3. Verbanden leggen en implementeren
Je data is nu centraal opgeslagen en gestandaardiseerd. Let’s make connections. Zie je al verbanden in je verzamelde data? En kan je hier iets mee voor de doelstellingen van jouw gewenste situatie? Het antwoord op deze vragen helpt je te concluderen of je op de juiste weg zit, of niet...
Tijd om te relativeren
Weten waar je staat en waar je naar toe wilt is cruciaal.
Heb je inzicht en zie je verbanden in de data die je helpen jouw probleem op te lossen? Hebben deze vooral te maken met de huidige situatie? Dan ben je meer gericht op dashboarding.
Óf heb je doelen en uitdagingen al geformuleerd voor jouw gewenste situatie? Wil je gaan voorspellen wat er kan gaan gebeuren in de toekomst? Dit doe je aan de hand van de data die je hebt over het verleden en gebruik je Artificial Intelligence voor jouw toekomstige voorspellingen.
Dashboarding versus Artificial Intelligence
- Wat is mijn meest winstgevende product? Dit ontdek je door reporting & dashboarding.
- Welke maand is het meest winstgevend voor mijn organisatie? Dashboarding it is.
- Wat wordt mijn budget voor volgens jaar? Wat moet mijn voorraad zijn voor volgend jaar en kan ik dit bepalen aan de hand van mijn beschikbare data? Lost dit mijn uitdagingen van dit moment op? Artificial Intelligence is your friend.
De vervolgstap is om de statistieken toe te passen op je data. Die magische bol die de toekomst voorspelt is verleden tijd. Jouw data voorspelt de uitkomst, zodat jouw intuïtieve besluiten vanaf nu gegrond genomen worden door ze te beargumenteren met data.
Dan naar de stap waar je de échte resultaten gaat zien!
4. Implementatie van jouw statistics!
Er zijn enorm veel modellen die gebruikt kunnen worden. Maar, welk model je het beste kunt gebruiken, hangt altijd af van de context. Bij veel gevallen heeft je bedrijf niet de expertise om direct te zeggen welke modellen er gebruikt dienen te worden. Weten welk model bij jouw organisatie past, is echt een kwestie van expertise.
De handigste manier om je model uit te gaan werken is om bij de basis te beginnen. Begin met een basisfunctionaliteit en voeg daarna iteratief opties toe aan het model of door middel van een ander model.
Hierdoor krijg je opbouwend steeds meer informatie en kun je nagenoeg zeker zijn dat de data elke keer correct is. Dit komt omdat je specifiek data blijft toevoegen.
Het gehele proces is eigenlijk een oneindig proces van bijstellen en evalueren. Zo kun je nieuwe variabelen toe blijven voegen om meer informatie uit de data te halen. Hiermee los je op de lange termijn veel meer doelen, uitdagingen en problemen op.
“Kies je model aan de hand van je doelen, uitdagingen of problemen, niet ieder model past op ieder probleem.”
De 5 stappen voor data gedreven werken doorgevoerd?
5. Evaluatie van het proces
Na de uitvoering van de 5 stappen om data gedreven te werken, is het uiteraard tijd voor de evaluatie van het proces. Hierbij kijk je naar de resultaten van het model, of wel heeft het model gedaan wat jij verwachtte. Presteert het model bijvoorbeeld ook op onvoorziene situaties?
Hierbij blijf je wederom bijstellen en vergaar je meer en meer data die nuttig is voor jouw doelen, uitdagingen of problemen.
“Wees je bewust dat ieder model met aannames komt en de keuzes die jij maakt invloed hebben op de betrouwbaarheid die je gaat zien.”
We helpen je graag verder!
Heb je een vraag over dit onderwerp?
Neem contact met ons op.