Van prehistorisch naar futuristisch datagebruik

Het continuüm: van Excel tot deep learning

Juist door het gelijktijdig en dynamisch combineren van verschillende factoren ontstaan er overlapgebieden waar de geordende, waardevolle informatie zich bevindt. Je kunt dit bijvoorbeeld visualiseren met de bekende Venn-diagrammen. Een mooi startpunt, maar analytics smaakt naar meer.

Analytics en het datagebruik bewegen zich op een continuüm van “eenvoudig” of zelfs “prehistorisch” naar “geavanceerd” tot zelfs “futuristisch”:

1. Gut feeling & Excel reporting. Er gebeurt iets, maar echt de vinger erop leggen lukt maar niet.
2. Descriptive analytics. Dit domein beantwoordt de vraag wat er gebeurt. Het is de wereld van eenvoudige dashboards en auto reports.
3. Diagnostic analytics. Dit domein beantwoordt de vraag waarom iets gebeurt. Deze systemen kenmerken zich door proactieve alerts. Vanaf bepaalde waarden gaan er bellen rinkelen. Visualisaties ondersteunen deze diagnostische kant en je kunt de eerste causale verbanden leggen.
4. Predictive analytics. Hier worden de analyses voor het eerst inzichtelijk omdat ze inzicht geven in wat er staat te gebeuren. De analyses zijn gebaseerd op patroonherkenning, en kunnen daardoor een goede gooi doen naar het toekomstige verloop van ontwikkelingen en trends.
5. Prescriptive analytics. In dit domein staat de vraag “hoe we iets kunnen laten gebeuren” centraal. Dit is de wereld van simulaties. Het gaat over het optimaliseren van het bestaande model. Over het creëren van de nieuwe voorspelling. Niet door goed te gokken, maar door de juiste optimalisatie te vinden van een veelheid van factoren.
6. Cognitive analytics. In dit domein gaat het om de vraag hoe we dynamisch en blijvend kunnen leren. Daar waar prescriptive analytics nog naar één recept toewerkt, daar vormt cognitive analytics de gehele apotheek. Hier komen artificial intelligence (AI) en deep learning om de hoek kijken.

Naarmate je verder opschuift van linksonder naar rechtsboven (zie figuur 1) en naarmate je meer voorspellende kracht ontwikkelt, nemen de moeilijkheid en complexiteit van de analyses toe en is er steeds meer rekenkracht voor nodig en zijn er steeds geavanceerdere vormen van leren (neurale netwerken) nodig om dit mogelijk te maken.

Figuur 1: Roadmap naar geautomatiseerde datacratische besluiten (gebaseerd op: Gartner Analytic Ascendancy Model, Laney & Kart, 2012).

Start met automated learning en pas, waar mogelijk, machine learning toe

Zet waar mogelijk de eerste stappen op het gebied van machine learning (ML) of automated learning. De sensoren waarmee Martin Smeekes van Veiligheidsregio Noord Holland-Noord zijn patiënten uitrust in de ambulance is hier een voorbeeld van. Door die sensoren vindt de dataverzameling automatisch plaats. Het investeren in een moederbrein en software die de algoritmes en de inzet van A/B-testen optimaliseert, helpt om tot een verbeterde versie van de toekomstige werkelijkheid te komen. Het implementeren van zelflerende software, het gebruik van neurale netwerken en robots die het werk beter kunnen doen dan personeel, het zijn de realiteiten van vandaag de dag.

Koppel datacratisch werken aan strategische veranderingen

Hoe ga je je missie en strategie door de tijd heen managen, gegeven alle dynamische ontwikkelingen die er zijn? Hier komt het gedachtegoed van Kim Warren om de hoek kijken: Strategy Dynamics (Warren 2008). Dit maakt het mogelijk om continu en realtime, voor het totale systeem en gekwantificeerd bij te houden wat voor impact een strategische verandering heeft. Waarom is dat concept nu zo interessant?

Omdat juist in datacratische omgevingen waar veel data aanwezig is en automatisch al wordt geregistreerd, het mogelijk is om de strategy dynamics in simulaties weer te geven. Hierdoor is de werkelijkheid goed te voorspellen. Daarmee ontstaat de mogelijkheid om sturing te geven aan je plannen en strategie door de tijd heen. Het komt hiermee binnen handbereik om alle implicaties van een nieuwe strategische keuze in één oogopslag te doorzien.

Consequenties van datacratisch werken

Even een waarschuwing vooraf. De keuze om datacratisch te gaan werken betekent feitelijk dat je overal in je organisatie PDCA-cirkels gaat installeren. Het is delegatie van invloed en daarmee ook delegatie van besluitvorming. Dat is geen lichtzinnige beslissing. Dat heeft nogal wat consequenties en dat moet je als bedrijf willen. Want wat betekent de keuze om datacratisch te gaan werken? Dat betekent dat leren en verbeteren voorop komen te staan.

Het kan heel confronterend zijn als prestatieverschillen open en bloot op tafel liggen.

Denk daarbij aan mensen die elkaar aan gaan spreken. Maar ook aan cijfers en data die ineens onverbiddelijk gaan aanwijzen waar winst is te behalen en bijvoorbeeld ook exact vertellen wat de verschillen in rendement, omzet, kosten en winst zijn van verschillende klantmanagers met ieder een eigen regio maar met vergelijkbare functies. Het kan heel confronterend zijn als dit soort verschillen zwart-op-wit en systematisch aan het licht komen. Heel veel verschillen in performance, rating en klanttevredenheid blijven in traditionele organisaties onzichtbaar. Allerhande werkwijzen worden onder het mom van vrijheid van werkwijze getolereerd.
Het PDCA-handboek 'Datacratisch werken' Het gedachtegoed van datacratisch werken is relevanter dan ooit. Datagedreven sturen blijft mensenwerk. Dit praktische boek biedt een waardevol perspectief en inspiratie voor iedereen die door middel van data mensen de regie terug wil geven.bekijk het PDCA-handboek 'Datacratisch werken'

Neem verantwoordelijkheid

Maar wat als ineens onmiskenbaar blijkt dat iemands persoonlijke stijl tot 10 procent minder omzet in een regio leidt, of je ziet dat iemand heel hard werkt, maar dat die grote inspanningen niet leiden tot verbeterde prestaties in dat marktsegment?

Al die verschillen komen via datacratisch werken aan het licht. Daardoor ontstaat ook een nieuwe verantwoordelijkheid: deze verschillen benoemen en aan de hand hiervan goede beslissingen nemen. Het wordt zichtbaar wie nu echt een bonus verdient en wie aangesproken dient te worden op zijn werkelijke effectiviteit. Dit kunnen in toenemende mate werknemers onderling gaan doen met en bij elkaar. De leidinggevende zal zich in de tussentijd steeds meer ontwikkelen in de richting van coach.

Twee rollen: architect en coach

Een leidinggevende heeft in de datacratie twee belangrijke rollen. Tijdens de bouw is hij de architect die ervoor zorgt dat toegewijde teams zich kunnen ontwikkelen. Is de architectuur eenmaal aanwezig, dan vervallen veel van de traditionele leidinggevende taken en krijgt een leidinggevende meer en meer de rol van teamcoach en wordt hij of zij de eerstverantwoordelijke om verder de ketenregie vorm te geven, over afdelingen en soms zelfs over organisaties heen.

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 kunnen excelleren. Het datagebruik en advanced analytics spelen hierbij een steeds crucialere rol.