Datadashboards vol cijfers, grafieken en tabellen zijn in te veel organisaties een eindstation in plaats van een vertrekpunt. Data-inzichten moeten leiden tot concrete acties. Dat lukt alleen als organisaties dataskills combineren met diepe sectorkennis. De business consultants van Möbius overbruggen die kloof, legt associate partner en data-expert Peter Debaere uit. “Cultuur en strategie zijn vaak grotere uitdagingen dan technologie. De hele organisatie moet datagericht werken, de juiste data-inzichten moeten doorstromen naar de business.”
Data zijn de voorbije jaren ook bij Möbius een steeds grotere rol gaan spelen, vertelt Peter Debaere. “We zijn al lang niet meer de klassieke business consultants. Vandaag bestaat ongeveer een vijfde van ons 100-koppige team uit data-analisten. We combineren diepe sectorkennis en data skills. Bij veel organisaties vloeien de data-inzichten nog onvoldoende door naar de business. Wij bouwen de bruggen tussen die twee eilanden.”
Debaere haalt de Vlaamse vaccinatiestrategie tegen COVID-19 als voorbeeld aan. “Een van de pijlers van die strategie was de allocatie van de vaccins aan de vaccinatiecentra, de ziekenhuizen, de woonzorgcentra, … Zeker in het begin van de vaccinatiecampagne, toen er nog niet veel vaccins waren, was het heel belangrijk dat de beschikbare vaccins snel en efficiënt verdeeld werden over heel Vlaanderen. Het was natuurlijk niet de bedoeling dat Antwerpen voor Gent gevaccineerd was, of de ene groep voor de andere.”
“Een vaccinatiecampagne van die schaal was totaal nieuw voor Vlaanderen. Wij hebben op korte tijd een datamodel ontwikkeld voor die massavaccinatie. Dat lukte alleen maar omdat we naast de dataskills ook het ziekenhuislandschap kennen, en weten hoe een logistieke ketting in elkaar zit en werkt. Die sectorkennis is cruciaal om de juiste data te verzamelen en er de juiste dingen mee te doen.”
Orde in de datachaos
De beschikbaarheid van data is niet het grootste probleem waar organisaties mee worstelen, merkt Debaere. “Ze hebben vaak net te véél data. Ze meten 1001 dingen, waardoor ze een lawine aan data over zich heen krijgen. Wij beginnen met het filteren van die data. Wat zijn nuttige en relevante data? Welke data moet je zeker bijhouden en welke data hebben weinig toegevoegde waarde en leren je eigenlijk niets?”
“Organisaties beginnen soms in het wilde weg data te verzamelen, om daarna te kijken wat ze daar allemaal mee kunnen doen. Die redenering moet je omdraaien. Kijk eerst welk probleem je wil oplossen, en kijk dan pas welke data je daarvoor nodig hebt”, aldus Debaere.
“Als organisaties de nuttige, relevante data hebben geselecteerd, kunnen we kijken naar de data die ze nog niet capteren. Welke data ontbreken nog om het probleem te kunnen oplossen? Meestal beginnen we met kleine experimenten. Je moet er niet meteen grote investeringen tegenaan gooien, met eenvoudige no-code applicaties kan je heel gericht kijken of je erin slaagt om de juiste data te pakken te krijgen.”
"Kijk eerst welk probleem je wil oplossen, en kijk dan pas welke data je daarvoor nodig hebt"
“De volgende stap is dat je de inzichten die je uit data haalt ook koppelt aan concrete acties. Contactcenters volgen typisch op hoeveel inkomende calls er niet beantwoord werden. Dat kan je in tabellen en grafieken gieten, maar stap één is om die tien inkomende calls die je niet beantwoordt de volgende dag prioritair op te volgen. Daarom is het zo belangrijk dat de data-inzichten doorstromen tot bij de juiste mensen, die er meteen acties aan kunnen koppelen. Daar knelt het schoentje nog vaak.”
Schokken in de supply chain
“De supply chain is een goede illustratie van die kloof”, vindt Debaere. “De wereldwijde logistieke keten is heel gevoelig voor onverwachte schokken. Denk maar aan de pandemie, het containerschip dat het Suezkanaal blokkeerde of de oorlog in Oekraïne. Als zo’n schok zich voordoet, is het heel belangrijk dat de supply chain veerkrachtig genoeg is. Dus wat doen bedrijven? Ze volgen alle mogelijke data op om die hele keten in beeld te brengen. Maar als je niet focust en geen hiërarchie in die massa data brengt, krijg je niet de juiste data op het juiste moment te zien.”
“Wij vertrekken van een andere insteek. Wat zijn extreme, maar toch realistische scenario’s? En waar is de supply chain het kwetsbaarst wanneer zich zo’n scenario voordoet? Die kritische punten moet je opvolgen. Het gaat dan bijvoorbeeld om producten die een groot aandeel van je omzet vertegenwoordigen, die onderdelen bevatten die via verschillende continenten ingevoerd worden, die een lead time van drie maanden hebben, … Die producten wil je van heel dichtbij opvolgen. Om die focus te bepalen, heb je een doorgedreven kennis van een onderneming, een markt en een hele industrie nodig. Dat kan je niet enkel en alleen met de bril van data scientist op.”
Employee engagement meten
De grootste uitdaging situeert zich volgens Debaere niet op het vlak van technologie, maar gaat eerder over cultuur en strategie. “De juiste data verzamelen en er de juiste inzichten uit halen, is stap één. Een organisatie moet daarnaast ook in staat zijn om datagericht te werken. De ene organisatie staat daar al verder in dan de andere. Wij merken dat datamaturiteit sectoren en industrieën overstijgt. Je hebt overal koplopers.”
“De laatste tijd schakelen veel organisaties ons in om te werken rond employee engagement. Dat is niet alleen de sleutel tot retentie van werknemers, tevreden en geëngageerde medewerkers zijn ook de motor voor een hoge customer engagement. Vandaag zien we tal van initiatieven rond 'het nieuwe werken', waardevol werk en talentbeheer.”
“Maar hoe kennen we de impact van deze initiatieven? Leiden ze tot het gewenste resultaat? In welke mate zijn deze initiatieven op elkaar afgestemd? Houden ze effectief employee churn laag en employer attractiveness hoog? Welke doelgroepen zijn meer ontvankelijk voor bepaalde maatregelen dan anderen? Te weinig organisaties hebben een strategie en meetsysteem om die cirkel te sluiten. Met het samenbrengen van bestaande HR-data uit verschillende silo's kunnen we veel doelgerichter employee engagement opkrikken.”
Schaalvoordeel voor een betere dienstverlening
Maakt het uit welke plaats data-analisten krijgen in een organisatie? “Kleinere organisaties die nog niet zo ver staan op het vlak van data en nog niet veel schaal hebben, kunnen best beginnen met een centraal datateam om zich niet te vergalopperen en de beschikbare mensen zo efficiënt mogelijk in te zetten”, verduidelijkt Debaere.
“Als die schaal er wel is, kan het toegevoegde waarde opleveren om de data scientists in decentrale teams in te zetten. Zo staan ze dichter bij de business, en kunnen ze sneller relevante data verzamelen en de business voeden met relevante inzichten. Dan leiden die inzichten sneller tot concrete actie. Maar je moet je organisatie niet van de ene dag op de andere omgooien. Begin met pilootprojecten om te ontdekken welke set-up het best werkt.”
“We evolueren ook steeds meer naar samenwerkingen die bedrijven en organisaties overstijgen. We zien dat bijvoorbeeld bij de overheid. Veel steden en gemeenten verzamelen dezelfde data over hun inwoners, hun verenigingen, hun bedrijven, … Alleen houden ze die data allemaal op andere manieren bij. Als ze dat op een uniforme manier doen en duidelijke afspraken maken over privacy en governance kunnen ze enorm veel leren van elkaars data.”
"Als ze hun eigen data kunnen combineren met data van hun partners, leveranciers, klanten of zelfs concurrenten worden ze alleen maar slimmer en doeltreffender"
“Dankzij dat schaalvoordeel en de uniformiteit kunnen ze de dienstverlening naar de burger versterken. Zo’n model waarbij we de data vanuit het perspectief van het ecosysteem aanvliegen. Niet alleen voor overheden, maar ook voor bedrijven of zorginstellingen. Als ze hun eigen data kunnen combineren met data van hun partners, leveranciers, klanten of zelfs concurrenten worden ze alleen maar slimmer en doeltreffender”, concludeert Peter Debaere.
Dit stuk werd geschreven door Jeroen Verelst en is een samenwerking tussen Bloovi Studio & Möbius. Het originele artikel is hier te vinden.
