Dit doen data-driven bedrijven anders: 3 pijlers om te onthouden

 
Niet voor niets wordt data het nieuwe goud genoemd: kennis is macht. Toch wordt het waardevolle goed gedemocratiseerd. Iedereen, van salesverantwoordelijke tot marketingspecialist, kan een blik werpen op cijfers, dashboards en grafieken waarna ze uit de data nieuwe inzichten puren. Zogenoemde self-service analytics promoveert elke werknemer tot datascientist en doet bedrijven zichzelf de titel aanmeten van ‘data-driven organisatie’. Jargon of nieuw businessmodel: wat maakt een bedrijf nu net ‘gedreven door data’? En kan werkelijk iedereen aan de slag met self-service-tools?

 
We spreken met Emmanuel Vanderhaegen, regional director België en Luxemburg bij Qlik, een internationale vendor gespecialiseerd in datavisualisatiesoftware. Hij legt uit waarom de beweging naar een datacentrische strategie onvermijdelijk is.

Logische evolutie

“Er is ten eerste veel meer data beschikbaar dan vroeger, omdat er ook meer databronnen toegankelijk worden,” steekt Vanderhaegen van wal. Bedrijven kunnen nu niet alleen op hun eigen cijfers vertrouwen, maar ook relatief eenvoudige externe data betrekken in hun analyses door bijvoorbeeld cijfers te verzamelen van leveranciers, sociale media of machines die tot het Internet of Things behoren. De hoeveelheden data leiden tot een meer verspreid gebruik van de gegevens, vervolgt hij.
“Analytics behoort niet meer exclusief tot het domein van IT. Er komen meer en meer werknemers in contact met data, terwijl het maken van analyses voorheen een taak was voor de IT-afdeling. Zo evolueren bedrijven steeds vaker van een gecentraliseerde naar een gedistribueerde data-approach.”
[related_article id=”168013″]

3 pijlers van de data-driven organisatie

In data-driven organisaties – bedrijven die maximaal gebruik maken van data om hun beslissingen te sturen – ziet Vanderhaegen die evoluties terugkeren in de vorm van drie pijlers: meer mensen, meer data en meer experimenteren.
“Bedrijven die op de traditionele wijze een beroep doen op de IT-afdeling om rapporten en analyses te creëren, lopen een groot deel van hun potentiële werkkracht mis,” meent de specialist. “Je bereikt er slechts een kwart van je ‘knowledge workers’ mee.” Data-driven bedrijven gaan echter de overige 75 procent ontketenen: ze integreren analytics in hun dagdagelijkse werking en laten toe dat niet-technische gebruikers omgaan met data door middel van ‘self-service tools’. Het draagvlak om data te verwerken en mogelijk belangrijke analyses te gebruiken wordt dan plotsklaps driemaal groter.
 

 
Niet alleen werken meer werknemers met data, data-driven bedrijven hebben ook meer data ter beschikking en durven meer te experimenteren. “Ze beschouwen data als een asset,” legt Vanderhaegen uit. “Ook data buiten het eigen ecosysteem wordt verwerkt in de analyses, wat zorgt voor een verrijking van de beschikbare gegevens en mogelijke inzichten.”
 
De hoeveelheid aan data nodigt uit om er een nieuwe draai aan te geven, gaat hij verder. Datamodellen vergelijken, spelen met parameters, simulaties durven doen: de barrière van analytics als een voorrecht voor IT wordt definitief doorbroken. “In een framework waarin experimenteren door gebruikers wordt toegestaan, kunnen nieuwe dingen ontdekt worden. Correlaties waarvan je niet wist dat ze bestonden, pakweg. Werknemers kunnen echt mee gaan denken met hun bedrijf als ze de kans krijgen.”

Juiste controle

Een efficiënte methode, maar dan wel één die ook gepaard gaat met een potentieel struikelpunt. “Wat we niet willen, is dat iedereen met alle data aan de slag gaat, waarbij we geen zicht meer hebben op het geheel. Daarom is data governance zeer belangrijk.” ‘Data governance’ draait om het beheren van data en alle processen daarrond: een goed beleid zorgt ervoor dat de juiste gebruikers toegang hebben tot de juiste data, op het moment dat ze die nodig hebben. Die controle is cruciaal, legt Vanderhaegen uit, en vormt een belangrijke vereiste voor de bedrijven die een data-driven strategie overwegen. Dat, gecombineerd met gebruikers die zelf kunnen werken met rijke data en ruimte krijgen om te experimenteren, geeft de doorslag.
[related_article id=”169338″]

Datageletterdheid

Natuurlijk, zelfs met een waterdicht databeleid, een state-of-the-art analyticsplatform en een gemotiveerd team ben je nog niet van verzekerd van een succesvolle, datagevulde toekomst. “Elke werknemer moet een minimum van datageletterdheid hebben om aan deze nieuwe realiteit te voldoen,” aldus Vanderhaegen.
 

 
De zogenaamde self-service analyticstools beloven daarnaast dat iedereen kan starten met het analyseren: is datageletterdheid een nieuwe vaardigheid die op eender welke cv kan?
Bijna. Minder dan een vaardigheid is het fenomeen eerder een combinatie van gezond verstand, business-kennis en een datacentrische cultuur binnen het bedrijf. Het draait om meer dan het kunnen voorleggen van kleurrijke taartdiagrammen en staat al helemaal niet gelijk aan de technische competenties die vroeger werden geassocieerd met analytics. “Natuurlijk geldt dat niet voor de back-end,” zegt Vanderhaegen. “Het verbinden van databronnen bijvoorbeeld blijft een opdracht voor IT. Het gebruik van zo’n tools is echter zo eenvoudig dat zo goed als iedereen ermee kan werken.”
 
Werknemers die aan self-service analytics doen, moeten vooral op de hoogte zijn van hoe ze kunnen navigeren, hoe ze data kunnen visualiseren en hoe bepaalde parameters zich tot elkaar verhouden, meent hij. Hedendaagse software maakt het hen echter relatief gemakkelijk. “Zo maken de tools van Qlik gebruik van het associatief model: als je één bepaald veld aanklikt, dan passen automatisch alle gerelateerde velden zich aan. Als je cijfers over je klanten in België wilt bekijken, dan kan je een provincie selecteren waarna automatisch enkel de klanten en zakencijfers van die provincie ziet.” Datavisualisatie maakt het ten slotte eenvoudiger om de data te interpreteren: cijfers worden vertegenwoordigd in begrijpelijke beelden, zoals diagrammen, kaarten en andere visuele hulpmiddelen.
[related_article id=”168668″]

Chat-analytics

Zulke automatisering en vereenvoudiging zullen analytics steeds gemakkelijker maken, vervolgt Vanderhaegen. Op dit moment kunnen werknemers met de juiste tools vrij eenvoudig data analyseren, maar zijn er nog wel logische acties nodig: parameters moeten worden aangepast en de data moeten worden geïnterpreteerd. De toekomstige tools van self-service analytics hebben mogelijk nog minder om het lijf. Dankzij ‘natural language processing’ (NLP) en artificiële intelligentie zou het kunnen dat er binnenkort geen gefriemel met parameters nodig is: het stellen van een eenvoudige vraag is dan voldoende.
 
“Dat bestaat overigens al,” verzekert Vanderhaegen. “Wij experimenteren ook met een bottechnologie waarbij je een bepaalde vraag kan voorleggen, zoals de zakencijfers bij een bepaalde klant of tijdens een bepaalde periode. Het systeem begrijpt de vraag en kan de relevante data naar voren halen of analyses uitvoeren om een antwoord te vinden.” Zoals zovele chatbot-systemen is het eerste prototype enkel Engelstalig, maar de technologie belooft alvast voor de vooruitzichten van data-driven strategieën en self-service analytics: in de toekomst is iedereen analist.
 
//www.smartbiz.be/achtergrond/170004/waarom-analytics-soms-lijkt-op-sciencefiction/