De Novius datavisie en aanpak in de praktijk

De afgelopen maanden hebben mijn collega’s en ik regelmatig geschreven of verteld over onze visie en aanpak rondom datagedreven werken. Hoe kun je als organisatie waarde uit data halen? Hoe ziet een continu proces voor datamanagement eruit? Wat heb je nodig om succesvol gebruik te maken van data-analyse? Welke ondersteunende data-competenties heb je nodig? In deze blog neem ik je mee in een praktijkcase. Hoe kun je nu écht starten?

Beginnen in de praktijk

Aan de hand van een concrete praktijkcase wil ik je meenemen in een mogelijke start. Dit is natuurlijk niet de enige manier, er zijn uiteraard meer wegen die naar Rome leiden. Novius helpt, samen met andere partijen, een groot internationaal zaadveredelingsbedrijf om meer waarde uit data te halen. Door de combinatie van het aanbieden van gewilde producten en de sterke ondernemersgeest, is dit bedrijf de afgelopen jaren enorm gegroeid in binnen- en buitenland. Mede door deze snelle organische groei, heeft de organisatie op het gebied van effectief en efficiënt datamanagement nog stappen te zetten. Zo is er bijvoorbeeld nog geen eenduidige, gemeenschappelijke, taal met definities ontwikkeld. De organisatie begint nu hinder te ondervinden van deze achterstand. Dit bemoeilijkt bijvoorbeeld het verkrijgen van goede managementinformatie over de landen heen doordat data uit verschillende landen en dochterondernemingen verschillende definities en variabelen hanteren. Daar waar wel geconsolideerde rapportages zijn, worden de uitkomsten niet altijd vertrouwd. De organisatie erkent deze vraagstukken én ziet de enorme potentie van data door voorbeelden, resultaten & ervaringen bij andere bedrijven.

Voor deze organisatie redenen genoeg om te beginnen. Het is helder welke businesswaarde er op korte termijn gerealiseerd kan worden. Betere inzichten in de operatie (dus beter kunnen sturen). Meer kennis over klant en markt. Meer vertrouwen in de data, wat leidt tot minder onzekerheid en dubbelchecken’ van beslissingen.

Uitvoeren datamanagement & analyse

Om bovenstaande waarde te realiseren, is er gestart met zowel het uitwerken, implementeren en uitvoeren van een simpel datamanagementproces én wordt er meer nadruk gelegd op data-analyse. Dit datamanagementproces is gebaseerd op het continue proces zoals opgenomen in de Novius aanpak. Deze is afgestemd op het huidige volwassenheidsniveau:

Er is een continu proces gestart om data te definiëren, zowel de business als de technische definitie, zodat er een eenduidig begrip en gezamenlijke taal ontstaat;
Er is een eenvoudig proces opgesteld en gestart om gewenste datakwaliteit te bepalen, te meten en vervolgens (continu) te verbeteren;
Er is een proces opgesteld en gestart om de oorzaak van een kwaliteitsprobleem te achterhalen en op te lossen.

Al deze processen zijn gelijk voor wat betreft de verschillende datadomeinen en herhaalbaar. Er is dus voor gekozen om klein te starten, maar wel meteen met structurele processen die continu moeten worden uitgevoerd. In het begin is dit veel werk, maar naarmate de tijd vordert en de bekendheid met deze manier van werken groeit bij mensen, verbetert de datakwaliteit ook structureel en blijvend. Anders dan bij de uitvoering van een eenmalig project, waarbij na verloop van tijd de opgeschoonde data (vaak) weer vertroebelt. Op basis van ervaring kunnen we later stapsgewijs het proces verder uitbreiden en professionaliseren.

Om te bepalen waar de bovenstaande datamanagementprocessen als eerste moeten worden toegepast, worden concrete ‘rapportage use cases’ gebruikt. Diverse afdelingen hebben aangegeven een rapportage te willen ontvangen, om zo meer inzicht(en) te krijgen. De concepten die in het rapport komen, moeten natuurlijk eenduidig zijn gedefinieerd. De kwaliteit moeten duidelijk zijn, zodat de betrouwbaarheid van het rapport kan worden bepaald. Door het datamanagementproces te koppelen aan het rapport, is het voor de betrokken belanghebbende duidelijk wat de uiteindelijke waarde is die wordt gerealiseerd. De nut en noodzaak van een eenduidige definitie op zichzelf is niet altijd direct duidelijk. ‘Wij weten hier prima wat we ermee bedoelen, waarom zou ik het opschrijven’. Wanneer duidelijk wordt dat er verschillende definities worden gebruikt en men een regio overstijgend rapport wil, is het belang van een eenduidige definitie ineens evident. Datamanagement wordt steeds meer gezien als een combinatie van logische stappen om te komen tot een rapport met belangrijke inzichten voor de organisatie.

Data competenties

Om bovenstaande processen uit te voeren zijn diverse data capabilities nodig. In dit geval is gestart met het introduceren van drie rollen, die veelal zijn toegewezen aan bestaande medewerkers. De data-eigenaar, de data steward en de business stakeholder (proceseigenaar). De data steward heeft een leidende rol bij de uitvoering van de datamanagementprocessen. Het opstellen en vastleggen van de definities, het faciliteren van de discussie met belanghebbenden, het voorstellen van datakwaliteitscontroles, het bewaken van de uitkomsten en het onderzoeken van oorzaken van matige datakwaliteit. De data-eigenaar is eindverantwoordelijk. Deze zorgt ervoor dat de data steward zijn werk kan doen en keurt de definities en kwaliteitsregels goed. De business stakeholder geeft aan wat de uitkomsten van het bedrijfsproces moeten zijn. Deze geeft ook aan wat er in een rapport moet worden opgenomen. Hij voert hierover het gesprek met de data-eigenaar.

Ook is geïnvesteerd in technologie. Er is bijvoorbeeld een ‘smart dataplatform’ in ontwikkeling. De data zit momenteel ‘verstopt’ in vele systemen en veel data wordt opgeslagen in (verschillende) (Excel)-bestanden. De komst van het dataplatform maakt het mogelijk om data te combineren en eenvoudig te ontsluiten. Dit wordt onder andere gebruikt bij het opstellen van rapportages. Het platform wordt gebruikt als centrale bron en maakt het mogelijk de data te ontsluiten. Een belangrijke voorwaarde is dat de definities eenduidig zijn en zijn opgenomen in een lexicon, voordat deze worden gekopieerd. Dit zorgt ervoor dat wildgroei in definities wordt voorkomen en de betekenis van rapporten helder is. De rapporten worden gemaakt in Microsoft PowerBI. Ook de datakwaliteitsdashboards worden gekoppeld aan het dataplatform en worden gebouwd in PowerBI. Deze technologieën dragen eraan bij dat op een snelle manier interactieve rapportages kunnen worden opgeleverd, maar leiden natuurlijk ook tot andere toepassingen. Deze ontwikkeling heeft dan ook een langere doorlooptijd en is dan ook niet enkel gekoppeld aan het opleveren van rapportages.

Uiteraard zijn kennis en vaardigheden over data een andere vereiste. Omdat de data stewards in beginsel vooroplopen bij de uitvoering, worden zij als eerste getraind. Het gaat niet alleen over (theoretische) kennis van bijvoorbeeld datakwaliteit, maar ook over praktische vaardigheden. Hoe breng je belanghebbenden bij elkaar die allemaal anders denken over een bepaalde definitie? Hoe ga je om met mensen die de nut en noodzaak (nog) niet zien? De data stewards brengen die kennis in praktijk en dragen deze uit naar andere stakeholders, waardoor kruisbestuiving ontstaat en bewustwording ook bij andere rollen groeit.

Resultaten

De beschreven interventies leiden nu al tot de eerste tastbare resultaten. Vooralsnog zijn deze vooral kwalitatief van aard, zoals effectievere besluitvorming doordat rapporten direct op een eenduidige manier worden geïnterpreteerd. Naarmate de volwassenheid groeit en er meer wordt gemeten, kan er ook meer worden gekwantificeerd. Denk aan een daling van de operationele kosten door reductie van handmatige werkzaamheden en gedreven door betere datakwaliteit.

Tot slot

De bovenstaande aanpak werkt goed in de praktijk. Door ‘net genoeg’ te doen, worden investeringen doelgericht ingezet en lopen ze niet vooruit op de kosten (??). Men ziet ook sneller de toegevoegde waarde in de praktijk. De toegevoegde waarde wordt bereikt in kleine stappen. Denk aan een rapport dat inzicht geeft voor efficiëntere vergaderingen omdat er een eenduidig begrippenkader is. Wat ons betreft is dit effectiever dan een belofte van veel toegevoegde waarde die constant uitblijft. Door concreet te starten, worden prioriteiten en behoeftes snel duidelijk en komen deze vanuit de mensen in de organisatie. Zo vragen de data stewards zelf om training. Daarnaast wordt duidelijk dat je dit werk er niet ‘even’ naast doet, wat de mogelijkheid geeft tot het aannemen van een paar toegewijde data professionals. Dit biedt dan ook direct de mogelijkheid om meer kennis in huis te halen, wat weer als katalysator kan werken op de kennis en vaardigheden van bestaande medewerkers. Cruciaal is ook de samenhang tussen alle activiteiten. Men ziet bijvoorbeeld de toegevoegde waarde van het smart dataplatform, doordat er ook wordt gewerkt aan concrete toepassingen. De drie toegewezen datarollen zijn in staat om toepassingen te bedenken en operationeel te krijgen (ondersteund door een aantal technische consultants). Langzaam komt nu de behoefte op voor een data-architect. Want waar staat eigenlijk alle data waar ik als eigenaar verantwoordelijk voor ben en hoe ‘stroomt’ deze data door de organisatie?

Wil je meer weten over hoe Novius dit aanpakt? Of wil je eens sparren over een toegespitste aanpak voor jouw organisatie? Neem dan gerust contact op! Pim Roessink, Senior Business Consultant, 06 518 32 180