Boardroom Issue: De valse belofte van data

Marcel van Brenk
04 okt 2018

Het is onmiskenbaar één van de grotere uitdagingen voor commerciële organisaties in 2018: hoe bouw ik een échte data-gedreven organisatie die alles uit de data haalt wat er in zit.

Dat we leven in een wereld waar data van ongekende waarde kan zijn voor de commerciële bedrijfsvoering behoeft anno 2018 geen betoog. De explosie aan data, mede ingegeven door een steeds meer ‘connected world’, biedt ondernemingen het vermogen om betere beslissingen te nemen. Op strategisch niveau, doordat de data ons steeds beter inzicht geven in toekomstige ontwikkelingen, maar evenzogoed op meer tactisch en operationeel niveau. Een aanbod dat beter afgestemd is op de wensen en de behoeften van de klant, een meer adequate prijsstelling, het vroegtijdig identificeren van potentiele uitstroom van klanten of het simpelweg bieden van een superieure dienstverlening. Alles draait om het goed inzetten van data.

Toch zien we in onze adviespraktijk dat – ondanks goede bedoelingen – het gebruik van data nog niet tot volle wasdom komt. Iets dat breder herkenbaar is in de markt. Gartner voorspelde in 2016 dat 60% van de big data initiatieven niet uit de pilot fase zou komen en uiteindelijk zou worden stopgezet. De analist die dit onderzoek voor Gartner uitvoerde, tweette vorig jaar dat hij het te conservatief had ingeschat en dat het rond de 85% zou liggen.

De redenen hiervoor zijn talrijk en overwegend specifiek voor de situatie waarin de onderneming zich op dat moment bevindt. Tegelijkertijd is het wel degelijk mogelijk om rode draden te trekken. We identificeren er 7.

 

1. Men vergeet dat de doelstelling bij het verzamelen, analyseren en inzetten van data het nemen van betere business beslissingen is

Hoewel het klinkt als een open deur, is dit wellicht de belangrijkste valkuil bij veel data initiatieven. Een eenvoudige stelregel is ‘follow the money’, wat zoveel betekent als data inzetten op bedrijfsonderdelen die cruciaal zijn voor het slagen in de markt. Juist daar kan een relatief kleine verbetering middels een data toepassing een grote impact maken. Een mooi voorbeeld is Zalando, waar geavanceerde data analyses gebruikt worden om consumenten van de juiste maat te voorzien. Niet alle merken hebben immers dezelfde pasvorm. Consumenten krijgen op basis van eerdere aankopen en interactiedata een persoonlijk advies om een maatje kleiner of groter te kiezen. Klinkt dit als een zeer servicegericht advies? Dat is het ook. Maar als je bedenkt dat Zalando meer dan 50% van de bestellingen retour krijgt en dat het verwerken van deze retourzendingen zeer kostbaar is, wordt al snel duidelijk dat dit ook een business keuze is. De juiste maat en pasvorm resulteert immers in minder retourzendingen.

Belangrijk bij het opstellen van een data initiatief is dus de mindset. Wat is het echte business probleem en hoe kan je het oplossen? De enorme hoeveelheden data in een data lake geven je niet automatisch antwoord op deze vragen. Het belangrijkste doel is om de juiste business issues te vinden en vervolgens de inspanningen op het gebied van datamanagement hier op te richten.

 

2. Men negeert dat in veel situaties het hebben van ‘vrij goede’ voorspellende analyse resultaten, meer dan genoeg is om de doelen te bereiken

Het is een oude wijsheid: “het betere is het gevaar van het goede”. Door enthousiasme en wellicht vanuit een gevoelde urgentie om mee te gaan in de nieuwste ontwikkelingen zien we dat data analytics initiatieven nogal eens onnodig geavanceerd worden opgezet. In veel gevallen ligt er al veel waarde in een descriptieve weergave van ontsloten data. Een geavanceerd model is niet per definitie nodig. Bijkomend voordeel van descriptieve rapportages is dat de acceptatie van de uitkomsten door de rest van de organisatie veel beter begrepen worden dan de geavanceerde modellen (die per definitie een benadering van de werkelijkheid zijn).

 

3. De eerste use cases zijn sexy, maar zelden schaalbaar of implementeerbaar

Vaak worden interessante use cases geïdentificeerd op basis van innovatie of beschikbare databronnen. Met een enthousiaste ‘stel je toch eens voor…’-attitude worden weliswaar innovatieve use cases gekozen, maar krijgen haalbaarheid, schaalbaarheid en implementeerbaarheid onvoldoende aandacht. Gevolg is te vaak dat het initiatief in schoonheid sterft. Een illustratieve anekdote op dit vlak is van een energiemaatschappij. Zij wisten consumenten die afhaakten in de online commerciële funnel voor een productaankoop offline te identificeren. In een ‘Proof of Concept’ (POC) ontvingen deze consumenten binnen 48 uur een attentie om hen het laatste zetje te geven. Een ongekend hoge conversie was het gevolg. Bij implementatie van deze PoC werd echter al snel duidelijk dat geen van de beschikbare systemen in staat was om een dergelijk opvolgingsproces structureel in te richten. Resultaat was dat in de praktijk de eens zo warme leads niet na 48 uur, maar na een vier weken de attentie op hun deurmat ontvingen. Dat de conversie niet helemaal overeen kwam met de resultaten in de PoC wekt geen verwondering.

 

4. Data scientists hebben van nature een onvermogen om de business te doorgronden, laat staan te overtuigen

Het is gevaarlijk om te generaliseren, maar het is tegelijkertijd goed om te beseffen dat veel data scientists een grote voorliefde voor het vak data science hebben. Ze zijn niet per definitie geïnteresseerd in de bovenliggende business vragen. Toch zien we vaak dat dit wel van hen verwacht wordt, met name aangejaagd door managers van analytics afdelingen. Veel van deze afdelingen zijn de afgelopen jaren terecht gekomen in een rol van ‘interne leverancier’. Dat strookt niet met de waarde die data kan hebben in de bedrijfsorganisatie, laat staan met de eigen ambitie. Hoewel de beweging naar meer aansluiting op de business te prijzen valt is het een ijdele hoop om te verwachten dat een data scientist dit oppikt als hij niet expliciet getraind en gestimuleerd wordt om dit te doen.

 

5. De business kent een datafobie wat in veel gevallen zorgt voor een ‘selffulfilling prophecy’ 

Dit is een harde diskwalificatie van de commerciële business kant die helaas maar al te vaak waar blijkt te zijn. In plaats van open en geïnteresseerd in data te zijn, vallen veel commerciële afdelingen terug op hun expert opinie om hun zelf verworven status te behouden. Op zichzelf is dit begrijpelijk en tot op zekere hoogte ook onschuldig. Het wordt kwalijk zodra impliciet of expliciet de waarde van data ter discussie wordt gesteld. Zeker meer geavanceerde analyses kunnen, indien gewenst, onderuit gehaald worden door één zwak aspect er uit te lichten. Hiermee wordt vervolgens de suggestie gewekt dat de analyse niet bruikbaar is. Het hoeft geen verder betoog dat een dergelijke benadering funest is voor de verdere ontwikkeling van een data gedreven organisatie. Kritisch zijn is goed en noodzakelijk, actief zoeken naar argumenten om data niet te gebruiken is dat zeker niet.

We zien dat veel organisaties – terecht – steeds meer aandacht besteden aan het data savvy maken van de commerciële afdelingen. Typisch kan dit door inzet van harde en zachte factoren, variërend van KPI- en procesaanpassingen tot opleidingen en een multidisciplinaire manier van werken. Gezien de goede ervaringen zijn met name de laatste twee onderdelen zeer raadzaam om te overwegen.

 

6. MarTech wordt niet herkend als cruciaal onderdeel van de executie van de data strategie

Marketing technology is bij veel organisaties een soort blinde vlek als het gaat om data. Veel IT afdelingen hebben het voortouw genomen om marketing technology stacks te omarmen. Soms in ‘best of suite’, soms in ‘best of breed’. In beide gevallen is het opvallend te constateren dat data analytics geen belangrijke rol heeft gespeeld in de configuratie van de MarTech stack, of dat hier nauwelijks kennis van is. Er zijn bijvoorbeeld talloze organisaties waar sprake is van een Data Management Platform (DMP) waar vanuit data science perspectief geen of onvoldoende gebruik van wordt gemaakt. Een gemiste kans, zeker omdat een DMP een waardevolle schakel is het slaan van de brug tussen online en offline data. Analytics, Business en IT moeten een drie-eenheid vormen om data initiatieven echt succesvol op te pakken.

 

7. Potentiële ethische, sociale en regelgevende implicaties van analyse-initiatieven worden onvoldoende onderkend

In toenemende mate worden ondernemingen gedwongen om verantwoording af te leggen over hun data activiteiten. Enerzijds door wet- en regelgeving zoals GDPR, maar evengoed over het ethisch en sociaal kompas. Het leidt geen twijfel dat het verstandig is om bij de start van nieuwe data initiatieven de implicaties op deze onderdelen goed in kaart te brengen en de risico’s te mitigeren. Te vaak is een in potentie succesvol project gedurende de ontwikkeling teruggefloten door de juridische afdeling. Maar het voert verder dan alleen de formele wet- en regelgeving. Mag Mercedes haar berijders adviseren om niet te parkeren in een achterstandsbuurt met een historisch gezien grotere kans op inbraak? Een dergelijke discussie wordt nog complexer als geavanceerde technieken (deep learning) ervoor zorgen dat het algoritme steeds meer een ‘black box’ wordt.

 

Maak de beloftes van data waar

Data heeft een enorme impact op de commerciële bedrijfsvoering: “The company that owns the data owns the customer”. Het is daarom absoluut noodzakelijk dat bedrijven data analytics goed op orde krijgen. Veel bedrijven hebben zich ‘om mee te doen’ hals over kop in initiatieven gestort die enorme hoeveelheden geld en tijd hebben gekost en zeer weinig hebben teruggegeven. Maar hiermee mag het kind niet met badwater worden weggegooid. Tijd om weer terug op koers te komen!

 

Benieuwd hoe wij de beloftes waarmaken?

Data Science Talent Program

Bergen data, maar niemand weet wat je er mee kunt? EY VODW heeft de data scientist die je niet kunt vinden. Met het Data Science Talent Program (DSTP) bieden wij talentvolle millennials met een afgeronde academische opleiding een tweejarig leer-werkprogramma. Na een intensieve introductie worden ze vier dagen per week ingezet bij opdrachtgevers.

Ik wil data scientist worden
Ik zoek een data scientist

Onze blogs direct in je mailbox?

Interessant? Laat een reactie achter