Business Intelligence opzetten zonder data science superhero team

Door Daniël van der Krans | 6 februari 2019
Datagedreven

Elke dag lezen we waartoe de zogenaamde FAANG-bedrijven (Facebook, Apple, Amazon, Netflix en Google) allemaal niet in staat zijn met hun data en business intelligence. De belangrijkste voorsprong van deze en vele andere tech-giganten is natuurlijk dat ze datagedreven werken in hun DNA hebben. Ook overheden zijn, mede dankzij forse investeringen, steeds vaker en beter in staat om data te combineren. En steeds vaker pakt dit ook voor de burger voordeliger en efficiënter uit. Maar hoe zit het met de ontwikkeling van business intelligence bij minder tech-gedreven organisaties? Ook voor hen is er een groeiende noodzaak om groei en productiviteitsverbeteringen te realiseren door toenemende concurrentie en maatschappelijke veranderingen.

Toch is het bij de meer traditionele organisaties en bij kleinere organisaties met minder middelen vaak nog een hele uitdaging om de transitie naar datagedreven werken te maken. Als je nu begint als startup, is het een stuk eenvoudiger om het in één keer goed en helemaal van deze tijd te doen. Maar wat nu als je met een legacy te maken hebt van bestaande afdelingen, vastgeroeste mindsets en oude gewoontes? Ook dan is het heel goed mogelijk om business intelligence op te zetten, als je maar weet waar je moet beginnen en waar je aan moet denken.

1. Begin met de vraag: waartoe is mijn bedrijf op de wereld?

Hoe vaak sta je er eigenlijk bij stil wat nu écht de basis is van de dienstverlening, die je aan je klanten levert? Regelmatig zie ik kleinere bedrijven starten met een goed idee en dit fanatiek in de markt zetten. Maar na verloop van tijd hebben ze vooral heel veel non-core business gecreëerd. Dat heeft alles te maken met focus. Of liever nog: met het gebrek eraan. Het behouden van je focus is typisch niet een activiteit voor het strategische 3 tot 5 jarenplan, maar juist iets wat periodiek herijkt moet worden. Een geschikt model hiervoor is het Business Model Canvas, waarmee je businessmodellen kan beschrijven, analyseren en ontwerpen. Door alles goed in kaart brengen, wordt het een stuk eenvoudiger om inzicht te krijgen in je informatiebehoefte.

Het behouden van je focus is typisch niet een activiteit voor het strategische 3 tot 5 jarenplan, maar juist iets wat periodiek herijkt moet worden.

Het Business Model Canvas dwingt je om goed na te denken over wat je businessmodel is, voor wie je het doet en op welke manier. Daarnaast geeft het je ook duidelijkheid over wat de belangrijkste processen en kanalen zijn. Als je dat hebt gedaan, visualiseer je het model en zorg dat je het regelmatig tegenkomt.

2. Verken je huidige data footprint

Tegenwoordig verzamelt ieder bedrijf in meer of mindere mate data. De AVG-wetgeving heeft duidelijk gemaakt dat het gebruik en de opslag van data een doel moet hebben en om goedkeuring vraagt van de klant. Of het nu gaat om orders, facturen, betalingen, websitebezoekers, afspraken of productinformatie, dit zijn allemaal stukken die deel uitmaken van je huidige data footprint.

Om verder te komen met business intelligence en het vormgeven van een datastrategie, is het belangrijk om op zoek te gaan naar de antwoorden op onderstaande vragen:

  • Welke data is beschikbaar?
  • Met welke frequentie?
  • In wat voor systemen?
  • Wie is de eigenaar of beheerder van deze data?
  • In hoeverre mag ik deze data gebruiken voor analysedoeleinden?

Master data management

Omdat er meestal geen ‘one-size-fits-all’ systeem is, zijn er vaak meerdere administraties en systemen die allemaal een stukje van de data footprint bevatten. Zonder hiervoor onmiddellijk een data warehouse-project voor op te zetten, is het wel belangrijk om hier bij stil te staan. Een stukje jargon in dit verband – omdat we er niet aan ontkomen – is vervolgens ‘master data management’. Een voorbeeld hiervan is om te bepalen in hoeverre de afzonderlijke systemen met elkaar gekoppeld zijn. Kan ik Klant X in systeem A koppelen aan een willekeurige contactpersoon van diezelfde klant X maar dan in systeem B, die aangaf interesse te hebben in onze nieuwsbrieven?

business intelligence

Externe bronnen

Waarschijnlijk ligt er al wel een rapportagebasis vanuit de verplichtingen om achteraf te rapporteren over de administratie in de vorm van omzetaangiftes en jaarstukken. Breng naast de intern gegenereerde gegevens ook in kaart in hoeverre gebruik wordt gemaakt van externe bronnen. En vraag je af of je naast gestructureerde data ook gebruik maakt van (ongestructureerde) big data? In hoeverre wordt er gebruik gemaakt van open data van bijvoorbeeld de overheid, CBS of Google? Wordt dit misschien qua opslag van elkaar gescheiden, terwijl dit in analyses gekoppeld kan worden?

Toegang tot data

Een laatste element van het bepalen van de huidige data footprint gaat over de toegang tot de data. Wellicht is er wel een overkoepelende (reporting) database, waarop ook analyses gedaan kunnen worden. In hoeverre is er tooling beschikbaar, waarmee eenvoudig data geanalyseerd en gepresenteerd kan worden? In het kader van minimum viable is het handig om te kiezen voor tools, die weinig grote eenmalige investeringen vergen, maar liever een klein bedrag in de vorm van een abonnement.

Het is vervolgens slim om niet alleen die handige analist of doorgegroeide financial of systeembeheerder toegang te verlenen, maar veel meer mensen die wat aan de data zouden kunnen hebben.

3. Ga op zoek naar het potentieel aan inzicht en verbetering op basis van data

Way to go! Het is tijd om je licht te laten schijnen over de combinatie tussen je businessmodel en je huidige data footprint. De uitkomst van het Business Model Canvas geeft duidelijkheid over wat de belangrijkste datagebieden zouden moeten zijn en de footprint geeft aan wat hiervan beschikbaar en bruikbaar is. Als het goed is, maken voorgaande stappen duidelijk op welke punten je wel en nog niet goed de kern van je bedrijf hebt gekoppeld aan de beschikbare data. Het helpt als dit zo concreet mogelijk gemaakt wordt.

De uitkomst van het Business Model Canvas geeft duidelijkheid over wat de belangrijkste datagebieden zouden moeten zijn en de footprint geeft aan wat hiervan beschikbaar en bruikbaar is.

Hieronder geef ik je enkele praktijkvoorbeelden van mogelijk verbeterpotentieel:

Voorbeeld 1: Hoe maak je voorspellingen voor het nieuwe jaar?

Tegen het einde van het jaar, met een uitloop naar Q1, worden vaak plannen gesmeed voor het nieuwe jaar en verder. Deze bevatten doorgaans ook prognoses en ramingen. Vaak wordt gekeken naar de cijfers van de afgelopen jaren en daarna volgt de kunst van extrapolatie. Dat kan uiteraard, maar een beter onderbouwde aanpak is om te bepalen welke data je nodig zou hebben om de driver van deze cijfers te beïnvloeden.

De vraag naar zorg in een regio kan bepaald worden door de demografische samenstelling en eventuele bouwplannen naast de zorgbehoefte van de afgelopen jaren. Kortom: wat voor data gebruik je voor je forecasts? Er zijn goede mogelijkheden om gebruik te maken van open data van het CBS, de overheid of andere geprepareerde sets.

business intelligence

Voorbeeld 2: Welke processen zijn belangrijk maar arbeidsintensief?

Welke activiteiten zijn cruciaal voor je bedrijf, maar vergen eigenlijk nog teveel kostbare tijd van medewerkers? Er zijn diverse manieren om administratieve of workflow-achtige taken te vergemakkelijken. In Microsoft Flow en Power Apps kun je bepaalde taken automatisch laten uitvoeren, zoals bijvoorbeeld data uit een database of een Sharepointlijst halen, notificaties instellen of berichten automatisch opslaan.

Afhankelijk van de branche waarin je actief bent, kunnen ook controles belangrijk zijn. Er zijn data mining tools die veel sneller dan mensen patronen halen uit de data en bijzonderheden kunnen voorleggen, zodat het bedrijf zich kan blijven focussen op de grote lijn.

Wil je snel – zonder de voorgaande twee stappen – toch een breed beeld van jouw datapotentieel? Dat kan, via de Data Maturity Scan.

4. Vorm een datastrategie

Nu je een beeld hebt van welke onderdelen nog potentieel bieden, is het hoog tijd om een datastrategie te maken. Dit kan zich uiten in het verder uitwerken van een bepaald onderdeel van je bedrijfsvoering, dat nog onderbelicht is qua data. Denk met het leidinggevende team eens na over de ambities om datagedreven te werken of om meer te gaan sturen en voorspellen met data. De datastrategie zou met name antwoorden moeten geven op de vragen:

  • Waar gaan we aan werken?
  • Waarom pakken we specifiek deze elementen (prioritering)?
  • En hoe gaan we dit aanpakken?

Heb je wat meer inspiratie nodig voor een succesvolle datastrategie, raadpleeg dan eens deze blog.

5. Bouwen, meten en leren & again: business intelligence als ongoing process

Maak een soort ‘datawaarde backlog’ en start iteratief door te gaan bouwen om data beter toe te passen in het eerste onderdeel. Bekijk vervolgens of deze inspanningen inderdaad effect sorteren. Wordt de data extra gebruikt? En heeft het zin gehad om meer aandacht voor een bepaald proces te hebben door data beter toe te passen? Kun je dit meten in termen van resultaten en wat kunnen we hiervan leren? Zowel van het proces als van het resultaat. Deze lessen neem je mee in het oppakken van de volgende onderdelen.

Wees vooral niet bang om hulp in te roepen en bekijk dan kritisch of je een persoon nodig hebt of juist een product / abonnement of dashboards. Toepassing van data kan je bedrijf verbeteren of veranderen, maar begin niet zonder een duidelijk doel met data te verzamelen.

Met het doorlopen van bovenstaande stappen geef je business intelligence doelgericht (weer) nieuw elan! Met focus op de business want het is geen doel op zich maar draait om het ondersteunen van het business model met behulp van data. Of het nu gaat om een nieuwe afdeling, product, startup of MKB-bedrijf. Tot slot; wat zeker ook kan helpen voor snelle acceptatie in het bedrijf van business intelligence zijn goede dashboards. Lees hier meer over het opzetten hiervan.

Daniël van der Krans

Consultant

+31(0)30 7670350

Over Daniël van der Krans

Daniël van der Krans is data consultant bij Mobilee. Hij heeft jarenlange ervaring met het opzetten, begeleiden en managen van projecten op het gebied van datagedreven werken.

Lees ook:


Verdieping

Dashboards: waar moet je op letten om impact te maken met data?

Door Elise Blanken | 21 november 2018
Verdieping

Doe de Mobilee Data Maturity Scan

Door Dick Beekhuizen | 4 oktober 2018

Meld je aan voor de Mobilee nieuwsbrief

Aanmelden