Zonder data-analyse is BI een zinloze zaak

Gebruik data-analyse als concurrentiewapen

Waarom vinden organisaties het zo lastig om hun data consequent te analyseren? Thomas Abramse: ‘Je kunt BI doodverklaren en vervangen door AI, maar dan verzand je al snel in een definitiediscussie waar de klant niets mee opschiet.’ Investeren in BI heeft alleen zin als je in staat bent data te transformeren in bruikbare informatie en nieuwe inzichten te gebruiken voor acties die je business versterken. Data-analyse speelt daarin de hoofdrol. ‘Twee ton investeren in een datawarehouse heeft geen zin als daar uiteindelijk geen concrete continue verbeteracties uit voortvloeien.’

Data-analyse als het kloppende hart

Data-analyse is het kloppende hart van business intelligence. Dat is altijd al zo geweest. Haal je dat eruit, dan vloeit alle levenskracht en energie in één keer weg.

Daan van Beek ziet mensen naar hun dashboard staren zonder dat ze de cijfers achter de grafieken begrijpen of kunnen verklaren. ‘Stel, je bent hypotheekverstrekker en ziet dat de instroom van nieuwe aanvragen al twee maanden 10% lager is dan in dezelfde periode vorig jaar. Welke acties onderneem je? Onder druk kiezen organisaties al snel voor paniekvoetbal. Flexibele krachten worden ontslagen en ondoordachte marketingacties versneld uitgevoerd. Dat kan contraproductief zijn en een selffulfilling prophecy in gang zetten.’

Ga op zoek naar de root cause

‘De enige juiste actie is op zoek gaan naar de root cause van de slinkende aanvragen. Voor hetzelfde geld is er bij de recente upgrade van de website iets misgegaan waardoor de conversie hapert. Je hebt data-analyse nodig om te achterhalen waar het probleem precies zit en aan welke knoppen je kunt draaien.’ Een tweede voorbeeld: als op een pandemiedashboard de besmettingen stijgen, is de neiging groot om naar grove maatregelen te grijpen. ‘Met een gedegen root cause analysis kun je veel fijnmaziger te werk gaan. Zonder wordt iedereen over één kam geschoren: kwetsbare groepen worden onvoldoende beschermd terwijl de meerderheid onnodig schade oploopt.’

Waarom data-analyse wordt overgeslagen

Abramse: ‘Professionals blijven liever in hun comfortzone. Data kan best confronterend zijn. Uit een analyse kan blijken dat de oude vertrouwde manier van werken inmiddels achterhaald is. Daarnaast is een deel van de huidige leidinggevenden gewoonweg niet datageletterd genoeg.’ Van Beek ziet naast praktische oorzaken zoals tijdgebrek ook emotionele blokkades: desinteresse, angst voor de waarheid en weerstand tegen verandering. Te veel leidinggevenden onderschatten het belang van data-analyse, missen de analytische blik en de vaardigheden, en geven professionals dus ook niet de tijd en ruimte om data grondig te analyseren.

Organisaties verwachten bovendien wonderen van een ingehuurde data-analist, terwijl een analist per definitie aan de zijlijn staat en vaak onvoldoende domein- en proceskennis heeft. ‘Affiniteit met data kweek je pas door iedere medewerker in duoverband wekelijks zo’n vier uur met datasets te laten oefenen. Teams houden elkaar scherp en je bouwt gestaag kennis op. Zo voorkom je ook overbodig werk en zorg je dat de juiste prioriteiten worden gesteld.’

Ga zelf aan de slag

Moeten organisaties eerst specialisten inschakelen of zelf experimenteren? Abramse: ‘Zoals bij zoveel veranderingen is zelf aan de slag gaan met data en vlieguren maken noodzakelijk om met data te leren omgaan. Dat geldt voor elke medewerker.’ Van Beek: ‘Maar adviseurs kunnen op een aantal vlakken het verschil maken: medewerkers trainen en coachen, leveranciersonafhankelijk, en objectief adviseren over een solide data-infrastructuur. Daarnaast kun je door de strategie, KPI’s, processen en beslissingen heel praktisch in kaart te brengen veel gerichter data-analyses uitvoeren. Daar zit misschien wel de grootste winst.’

Wat maakt een goede data-analist?

Iemand die incidenteel een dashboard in elkaar heeft gedraaid is dat niet, zegt Abramse. ‘Een goede data-analist verschaft op regelmatige basis relevante nieuwe inzichten. Die inzichten zijn gebaseerd op betrouwbare data, snel toepasbaar en gericht op verbetering of versnelling van processen of verhoging van de winst of de kwaliteit. Een goede datascientist legt bloot wat voor iedereen onzichtbaar is maar heel belangrijk om te weten: patronen, causale relaties en correlaties.’ Volgens Van Beek zijn zwakke broeders, die je in elk vak tegenkomt, medeverantwoordelijk voor het idee dat BI te weinig oplevert. ‘Daarom moeten we BI-consultants, BI-managers en businessmanagers veel beter opleiden en voeden met inspirerende ideeën.’

Vermijd de valkuil van vooringenomenheid

Hoe voer je een degelijke, verantwoorde data-analyse uit? Abramse: ‘Eenvoudig gezegd koppel je verschillende databronnen aan de verschillende typen businessvragen en zoek je daar de analysetechniek bij die het beste werkt. In werkelijkheid is het een continu proces van convergeren en divergeren langs verschillende assen. Vergelijk het met de vorm van een geslepen diamant. Het is zaak niet te snel naar de oplossing toe te werken. Mensen hebben vaak al een oplossing in hun hoofd en zoeken daar de data bij. Ze zoeken slechts bevestiging. Vooringenomenheid is een grote valkuil.’

Van Beek: ‘Het begint met de selectie van kwalitatief goede data. Combineer altijd meerdere databronnen. Wees je bewust van mogelijke biases en wees bereid je eigen overtuigingen opzij te zetten. Ik heb veel profijt gehad van de falsificatietheorie van Karl Popper: ga altijd op zoek naar tegenbewijs.’ Er zijn twee soorten analyses: gerichte analyse, waarbij je naar iets concreets zoekt, en vrije data-exploratie. Abramse: ‘Data-analyse kan ook heel misleidend zijn, dus vraag je altijd af hoe ze is uitgevoerd. Het is een creatief proces dat je niet even op een dinsdagmiddag tussen je reguliere werk door doet. Ga altijd op zoek naar de vraag achter de businessvraag.’

De technieken die elke professional moet beheersen

Van Beek: ‘Goed toegepast is data-analyse een heel krachtig wapen in de concurrentiestrijd. Intelligente, datagedreven organisaties analyseren hun data dagelijks, waardoor ze continu verbeteringen in hun proces kunnen aanbrengen. De rest rommelt maar wat aan.’ Abramse: ‘Omdat er nog veel onwetendheid is, bereik je al snel een voorsprong als je investeert in data-analyse en in de datageletterdheid van je mensen.’ Tools maken volgens hem niet echt meer het verschil: tijd en energie kun je beter investeren in datageletterdheid.

Vijf analysetechnieken uit het interview

Er bestaan tientallen technieken; dit zijn de favorieten van beide geïnterviewden.

Abramse zet de ad-hocanalyse met stip op één: ‘Dat is een must. Je kunt er relatief snel de meeste winst mee boeken, zonder concessies aan de degelijkheid.’ Root cause analysis noemt hij de godfather van alle technieken. Van Beek is gecharmeerd van de zero-data-analyse, gebaseerd op data die niet in je database zit: ‘Zoek uit waarom klanten een goedlopend product niet bij jou kochten terwijl ze het wel elders aanschaften. Vergelijk die segmenten en je hebt een vrijwel kant-en-klaar actieplan voor je accountmanagers.’ Ook binnen artificial intelligence stuit hij op zeer krachtige technieken, zoals ensemble learning, random forests en neurale netwerken. ‘Met AI kun je de analysefunctie grotendeels wegautomatiseren. Je hebt dan nog steeds databewuste medewerkers nodig, laat daar geen misverstand over bestaan. Maar de zware opgave om iedere werknemer datageletterd te maken voelt dan wel een stuk lichter.’

Conclusie

Datawarehouses, data lakes en dashboards zijn middelen. De waarde ontstaat in de analyse: begrijpen waarom een cijfer afwijkt, de root cause vinden en ernaar handelen. Haal je data-analyse weg of veronachtzaam je die, dan stelt BI niets meer voor. Investeer je erin en in de datageletterdheid van je mensen, dan bereik je al snel een voorsprong.

Verder lezen

• Data-analyse
• Business intelligence
• Blog: Wat is root cause analysis?

Over de auteur

Eric van der Steen schrijft over datagedreven werken, data-architectuur, analytics en AI, en over hoe organisaties die verantwoord en praktisch kunnen toepassen.

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.