De kern in het kort
- Analytics beweegt zich over een continuüm van zes stadia: onderbuikgevoel en Excel-rapportage, descriptive, diagnostic, predictive, prescriptive en cognitive analytics.
- Hoe verder op het continuüm, hoe meer voorspellende kracht, complexiteit en rekenkracht ermee gemoeid zijn.
- Strategy dynamics simuleert vooraf wat een strategische keuze betekent voor elke discipline, inclusief leereffecten.
- Kiezen voor datacratisch werken betekent overal PDCA-cirkels installeren: delegatie van invloed en van besluitvorming.
- De leidinggevende krijgt twee rollen: architect tijdens de bouw, daarna teamcoach en regisseur van de keten.
Waarom handmatige analyse tekortschiet
Wie met lange lijsten in spreadsheets werkt, weet één ding zeker: je kunt vaak maar enkele selectievariabelen scherp op je netvlies houden. Een woningzoeker selecteert een huis op prijs of ligging, of op de score van het energielabel. Een combinatie kan, maar bij meer variabelen raakt het menselijk brein snel overbelast. ‘Handmatig’ bereik je nooit op alle kenmerken tegelijk het perfecte optimum. Juist door verschillende factoren gelijktijdig en dynamisch te combineren ontstaan de overlapgebieden waar de waardevolle informatie zit, wat je kunt visualiseren met Venn-diagrammen. Een mooi startpunt, maar analytics smaakt naar meer.
Het continuüm: van Excel tot deep learning
Analytics en datagebruik bewegen zich over een continuüm van eenvoudig of zelfs prehistorisch naar geavanceerd en zelfs futuristisch, gebaseerd op het Analytic Ascendancy Model van Gartner (Laney & Kart, 2012):

- Onderbuikgevoel en Excel-rapportage. Er gebeurt iets, maar de vinger erop leggen lukt niet.
- Descriptive analytics. Beantwoordt de vraag wat er gebeurt. De wereld van eenvoudige dashboards en automatische rapporten.
- Diagnostic analytics. Beantwoordt de vraag waarom iets gebeurt. Gekenmerkt door proactieve alerts; visualisaties ondersteunen de diagnose en de eerste causale verbanden zijn te leggen.
- Predictive analytics. Geeft inzicht in wat er staat te gebeuren, op basis van patroonherkenning, en kan daardoor een goede inschatting maken van toekomstige ontwikkelingen en trends.
- Prescriptive analytics. De vraag is hoe we iets kunnen laten gebeuren. De wereld van simulaties: de juiste optimalisatie van een veelheid aan factoren vinden in plaats van goed gokken.
- Cognitive analytics. Hoe kunnen we dynamisch en blijvend leren? Waar prescriptive analytics naar één recept toewerkt, vormt cognitive analytics de hele apotheek. Hier komen artificial intelligence (AI) en deep learning om de hoek kijken.
Naarmate je verder opschuift op het continuüm en meer voorspellende kracht ontwikkelt, nemen de moeilijkheid en complexiteit van de analyses toe, is er meer rekenkracht nodig en zijn steeds geavanceerdere vormen van leren, zoals neurale netwerken, vereist.
De zes stadia van analytics
Elk stadium beantwoordt een andere vraag.
Centrale vraag
Typisch middel
Onderbuikgevoel
Wat vermoed ik?
Lijsten in spreadsheets
Descriptive
Wat gebeurt er?
Dashboards en rapporten
Diagnostic
Waarom gebeurt het?
Alerts en visualisaties
Predictive
Wat gaat er gebeuren?
Patroonherkenning
Prescriptive
Hoe laten we het gebeuren?
Simulatie en optimalisatie
Cognitive
Hoe blijven we leren?
AI en deep learning
Start met automated learning en pas waar mogelijk machine learning toe
Zet waar mogelijk de eerste stappen in machine learning of automated learning. De sensoren waarmee Veiligheidsregio Noord-Holland Noord patiënten in de ambulance uitrust zijn een voorbeeld: de dataverzameling gebeurt automatisch. Investeren in software die algoritmes en de inzet van A/B-testen optimaliseert helpt om tot een verbeterde versie van de toekomstige werkelijkheid te komen. Zelflerende software, neurale netwerken en robots die bepaald werk beter doen dan mensen zijn de realiteit van vandaag.
Koppel datacratisch werken aan strategische veranderingen
Hoe manage je je missie en strategie door de tijd heen, gegeven alle dynamische ontwikkelingen? Hier komt strategy dynamics van Kim Warren om de hoek kijken. Het maakt het mogelijk continu, realtime, voor het totale systeem en gekwantificeerd bij te houden welke impact een strategische verandering heeft. In datacratische omgevingen, waar veel data al automatisch wordt geregistreerd, zijn de strategy dynamics in simulaties weer te geven, zodat de werkelijkheid goed te voorspellen is en alle implicaties van een nieuwe strategische keuze in één oogopslag zichtbaar worden.
Praktijkvoorbeeld: een supermarktketen
- Stel dat een supermarktketen overweegt volgend jaar vijf, tien of twintig nieuwe filialen te openen. Per scenario zie je direct wat dit betekent voor investeringen, kosten en omzet, maar ook de gevolgen voor personeel, logistiek en marketing.
- HR-managers weten hoeveel nieuw personeel ze moeten aannemen en waar carrièrekansen ontstaan. Financemanagers krijgen inzicht in afschrijvingen, koop-versus-huurvraagstukken, opstartkosten, schaalvoordelen en liquiditeit. Logistiek managers zien de gevolgen voor vastgoed, voorraadbeheer en operatie, en waar de kantelpunten liggen: bij welk aantal nieuwe winkels loop je tegen de grenzen van het huidige logistieke proces aan?
- Het model houdt rekening met leren. Kost het een team de eerste keer 30 maanden om een winkel te openen, de tweede keer is dat 21 maanden en een derde filiaal gaat open in 15. Deze leercurve is van belang voor de prognose wanneer elke nieuwe winkel gaat renderen.
- Elke strategische keuze die je overweegt wordt vooraf doorgerekend, inclusief minder grijpbare factoren. Dat levert gevalideerde what-if-scenario’s op, waardoor het leren met PDCA-cirkels voorspelbaar, meetbaar en zichtbaar tot een nieuwe strategische businesscase kan leiden.
De kern van strategisch en dynamisch leren is het verschil tussen ‘waar nu’ en ‘hoe beter’ in beeld te krijgen en deze strategiekloof met datacratisch werken op te heffen (Warren, 2012; Kerklaan, 2016).
Consequenties van datacratisch werken
Een waarschuwing vooraf. Kiezen voor datacratisch werken betekent feitelijk dat je overal in je organisatie PDCA-cirkels installeert. Het is delegatie van invloed en daarmee van besluitvorming. Dat is geen lichtzinnige beslissing: leren en verbeteren komen voorop te staan.
Het kan heel confronterend zijn als prestatieverschillen open en bloot op tafel liggen.
Cijfers wijzen ineens onverbiddelijk aan waar winst te behalen is en wat precies de verschillen in rendement, omzet, kosten en winst zijn tussen klantmanagers met vergelijkbare functies in verschillende regio’s. In traditionele organisaties blijven veel verschillen in prestaties en klanttevredenheid onzichtbaar en worden allerlei werkwijzen getolereerd onder het mom van vrijheid. Wat als onmiskenbaar blijkt dat iemands persoonlijke stijl tot 10 procent minder omzet in een regio leidt, of dat iemand heel hard werkt zonder dat de prestaties in dat marktsegment verbeteren?
Er ontstaat een nieuwe verantwoordelijkheid: deze verschillen benoemen en op basis daarvan goede beslissingen nemen. Zichtbaar wordt wie echt een bonus verdient en wie moet worden aangesproken op zijn werkelijke effectiviteit. Medewerkers kunnen dit in toenemende mate onderling doen, terwijl de leidinggevende zich ontwikkelt tot coach.
Twee rollen: architect en coach
Een leidinggevende heeft in de datacratie twee belangrijke rollen. Tijdens de bouw is hij of zij de architect die ervoor zorgt dat toegewijde teams zich kunnen ontwikkelen. Is de architectuur er eenmaal, dan vervallen veel traditionele leidinggevende taken en wordt de leidinggevende steeds meer teamcoach, en de eerstverantwoordelijke voor het vormgeven van de ketenregie over afdelingen en soms over organisaties heen.
Hoe Diamond Decisions je helpt op te schuiven op het continuüm
Diamond Decisions bepaalt met je welk stadium van analytics bij welke beslissing past. Bij business modeling brengen we de strategische keuzes en hun dynamiek in kaart, met data-analyse bouwen we van descriptive naar predictive, en we bereiden beslissers voor op hun rol als architect en coach.
Conclusie
De leidinggevende in een datacratie is erop gericht een team tot grotere prestaties te stuwen door de afstand tussen medewerkers en data te verkleinen en uit te vragen wat medewerkers nodig hebben om te excelleren. Datagebruik en advanced analytics spelen daarbij een steeds crucialere rol.
Spreek de auteur
Daan van BeekDiamond Decisions
Bespreek je vraag met Daan
Vertel welke beslissing beter moet. In een vrijblijvend gesprek laten we zien waar jouw data het meeste oplevert.
Plan een kennismaking →Stap 3 van onze aanpak
Diamond Data Analytics
Een datawarehouse dat begint bij jouw belangrijkste beslissingen en klaar is voor conversational AI: al in 24 uur een werkend prototype.
Bekijk Data Analytics →Veelgestelde vragen
01
Wat zijn de stadia van analytics?
Zes: onderbuikgevoel en Excel-rapportage, descriptive analytics (wat gebeurt er), diagnostic analytics (waarom), predictive analytics (wat gaat er gebeuren), prescriptive analytics (hoe laten we het gebeuren) en cognitive analytics (hoe blijven we leren).
02
Wat is het verschil tussen predictive en prescriptive analytics?
Predictive analytics voorspelt op basis van patronen in data wat er waarschijnlijk gaat gebeuren. Prescriptive analytics gaat een stap verder en berekent via simulatie en optimalisatie wat je moet doen om een gewenste uitkomst te bereiken.
03
Wat is strategy dynamics?
Een benadering van Kim Warren die modelleert hoe de middelen en prestaties van een organisatie zich door de tijd ontwikkelen. Daarmee is vooraf te simuleren wat een strategische keuze betekent voor elke discipline, inclusief leereffecten en kantelpunten.
04
Bij welk stadium moet een mkb-bedrijf beginnen?
Bij betrouwbare descriptive analytics: één dashboard met afgesproken definities. Voeg daarna diagnose toe door te vragen waarom cijfers afwijken. Voorspellende modellen lonen pas als de data uit de eerste twee stadia op orde is.
Verder lezen
Bronnen
- Gartner, Analytic Ascendancy Model (Laney & Kart, 2012)
- Kim Warren, Strategic Management Dynamics (2008)
Over de auteur
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.


