Oeps! 5 grote missers met data

Organisaties in de hele wereld ontdekken het belang van data om bijvoorbeeld efficiency te verbeteren, klantretentie te verhogen, saleskansen te vergroten en gerichter te adverteren. Maar vaak wordt succes pas geoogst als er verschillende pogingen zijn gedaan om tot de juiste KPI’s, dataprocessen, dataset en dashboards te komen. Soms mislukken initiatieven volledig en leiden teleurstellingen ertoe dat data-initiatieven worden afgeschaald of zelfs geannuleerd. Dat wil je natuurlijk voorkomen. Daarom zijn dit 5 ‘dont’s’ om niet de fouten te begaan die anderen eerder hebben gemaakt.

1.Vertrouwen op een enkele technologie of aanpak

Met veel hype in de markt rond allerlei spannende nieuwe technologieën is het mogelijk dat je daarmee snel uit het oog verliest wat je nu eigenlijk wilt bewerkstelligen. Geen enkele technologie of aanpak gaat als vanzelf de ‘snelheid’ of ‘innovatie’ brengen die in een ronkende marktcase wordt beloofd.

Desondanks hebben leiders die met data willen beginnen vaak vooraf al een specifieke tool in gedachten. “We willen gebruikmaken van machine learning.” Of “We horen veel goede verhalen over datawarehousing, daar gaan we mee starten.” Kijk eerst eens naar de data die je hebt, de kwaliteit daarvan en hoe je deze op dit moment inzet. De harde waarheid is dat vaak een combinatie van technologieën en methoden nodig zal zijn om resultaat te komen, waarbij beter eerst een zeer organisatie-specifieke strategie uitgewerkt moet worden, voordat er ook maar een euro in tooling wordt geïnvesteerd.

2. Te groot beginnen

Natuurlijk raak je enthousiast als je ontdekt wat inzichten uit data je organisatie te bieden kan hebben. En terecht, want goede toepassingen kunnen aansprekend competitief voordeel bieden. Maar te groot beginnen betekent ook grotere risico’s nemen. Begin zelf (of met een partner) klein met één of meerdere pilotprojecten en doe ervaring op. Pas met de nodige ervaringen op zak, kun je groter gaan denken en is het minder risicovol daarvoor ook de investeringen te doen.

Raak niet gedesillusioneerd als je data-initiatieven opstart met mooie ideeën en hoge verwachtingen, maar gaandeweg blijkt het duur of niet de verwachte uitkomsten te leveren. Zet vooraf een data strategie op. Hiermee heeft de organisatie altijd een overkoepelend plan waaraan keuzes en investeringen getoetst kunnen worden.

3. De verkeerde data gebruiken

Als je aan de slag gaat met niet kloppende data, dan zal dit ook met de meest intelligente processen en systemen tot belabberde resultaten leiden. Het aloude gezegde telt ook hier: “Garbage in, garbage out.” Werken met slechte data kan leiden bijvoorbeeld tot verkeerde of verkeerd getimede acties, ontevreden klanten en KPI’s die nauwelijks indicatief zijn.

Het komt vaak voor dat data ongemerkt ‘vuil’ is of wordt gemaakt door te complexe modellen, er simpelweg te veel data van verschillende bronnen wordt gebruikt (is alle data die je gebruikt wel relevant) of datakwaliteit bij nader inzien ondermaats is.

4. Van data een IT-project maken

Toenemende bronnen & hoeveelheden van data en slimmere technologie voor analyse maken dat data-initiatieven steeds meer IT nodig hebben, maar daarmee wordt een data-vraagstuk nog geen IT-project. Bij IT-projecten wordt een businesscase opgesteld, tijdspaden voor deliverables gedefinieerd en werkt een projectteam toe naar het voldoen aan vooraf vastgestelde requirements.

Voor data is dat anders. Je kunt vooraf een business-case schrijven, maar de resultaten zijn niet altijd kwantificeer- en voorspelbaar. Data-initiatieven zijn iteratief, wat betekent dat je gaandeweg met datatypes en algoritmen experimenteert om tot een veel breder einddoel te komen dan puur de technologische realisatie.

Bij IT-projecten is van tevoren duidelijk hoe het project tot resultaat gaat leiden en welke workflows hierbij horen. Bij data is dat absoluut niet zo. Iteratie is de sleutel tot succes. Je kunt geen dataset openen en zonder onderzoek daarop vooraf bepalen hoe je hier voor afdeling X een dashboard van kunt maken. Standaard templates bestaan niet omdat de inzichten die jouw organisatie wenst op te doen, uniek zijn voor jouw situatie. Alleen iteratie gaat tot de beste resultaten leiden; stem je project en het bijbehorende verwachtingsmanagement van stakeholders hierop af.

5. Inflexibele architectuur gebruiken

Organisaties zijn gewend om bij IT-projecten van statische architecturen uit te gaan: “We zetten iets neer en dat moet voor x jaar gaan werken.” Ook in data gebeurt dit vaak. Daarom worden nog steeds statische, on-premises datawarehouses opgetuigd. Dit is uitermate risicovol, want zodra gebruikte technologie of processen veranderen, moet ook weer een leger experts aangerukt worden om aanpassingen te doen. Gevolg: zeg maar dag tegen je ROI.

Moderne data-architecturen zijn flexibel. Ze kunnen een data-warehouse bevatten, maar zijn deze staat niet centraal in binnen de aanpak. Richt je data-initiatieven niet op de data zelf of de technologie maar op de gebruikers en hun requirements. Zorg ervoor dat je waar mogelijk AI & Machine Learning automatisering toepast om dataflows soepel te houden en waar nodig on-the-go te verbeteren. Maak waar mogelijk gebruik van cloud om schaalbaarheid te creëren en modulaire applicatie-mogelijkheden (microservices) te benutten.

Nu data, analytics en AI-toepassingen steeds vaker hun thuis vinden in de dagelijkse operatie van bedrijven, is het belangrijker dan ooit om op basis van een slimme en bewezen aanpak een solide basis neer te zetten en uit te groeien naar een data-driven organisatie. Met data kun je weerbaarheid, flexibiliteit en competitiviteit vergroten, pak die #exciiiting kans!