Marketing Science: waarom mislukt 60% van de big-data- projecten?

Anne van den Broek
22 jan 2019

Digitale transformatie staat bovenaan de prioriteitenlijst van bijna elke organisatie, onafhankelijk van sector of industrie. Data science speelt hierbij vrijwel altijd een sleutelrol. Helaas blijkt de alledaagse praktijk van data science weerbarstig. We zien maar al te vaak dat de mooie beloftes niet worden waargemaakt. Gartner voorspelde in 2016 dat 60% van alle big data-projecten niet verder komt dan de testfase en wordt stopgezet. Sterker nog, het gerealiseerde uitvalspercentage ligt volgens volgens een vertegenwoordiger van Gartner misschien wel dichter bij 85%. Genoeg reden om dieper in te gaan op het vraagstuk waar het misgaat en hoe een solide datagedreven organisatie gebouwd kan worden. 

Valse belofte

Wat zijn volgens ons de belangrijkste vijf oorzaken van vastgelopen data-initiatieven?  

  1. Commerciële toepassing ontbreekt.
  2. Functionele silo’s, trage besluitvorming en rigide way of working zorgen voor een stroperig proces.
  3. Gefragmenteerde initiatieven vinden geen draagvlak in de organisatie.
  4. Organisaties hebben niet het juiste human capital in huis.
  5. Verouderde, incomplete, moeilijk ontsluitbare data.

Maar hoe dan wel een datagedreven organisatie bouwen? Stap één is het formuleren van een heldere datavisie en -strategie, die aansluiten bij de corporate strategie en expliciet worden gedragen door het management. Een strategie voorkomt fragmentatie van resources en initiatieven, faciliteert een duidelijke planning, ondersteunt verankering in de organisatie en vormt de verbindende factor tussen business en data. De datastrategie wordt opgebouwd aan de hand van zes bouwblokken.   

1. 360 graden klantbeeld
Vanuit actuele en toekomstige businessdoelstellingen wordt gekeken naar welke data in- en extern beschikbaar zijn, wat de kwaliteit is van deze data en wat nog verbeterd en ontsloten moet worden om de doelstellingen te realiseren. 

2. Expertise en resources
Naast technische en analytische kennis is diversiteit in een data science-team essentieel. Kennis moet helder vertaald kunnen worden naar de business, analyses moeten in bestaande processen worden ingebed en een juiste way of working moet zorgen dat data daadwerkelijk waarde toevoegt. 

3. Toepassingen
De mooiste data-initiatieven sterven een stille dood bij gebrek aan de juiste commerciële toepassingen. Daarom zullen eerst de business issues geïdentificeerd en geprioriteerd moeten worden aan de hand van de strategische doelstellingen alvorens data resources te alloceren. 

4. Analyse en technieken
Het streven moet zijn om maximale business-impact te maken met de inzet van de meest efficiënte middelen. De technische mogelijkheden voor data scientists lijken oneindig, maar deze realiseren niet altijd de benodigde extra business-impact. 

5. Tech inbedding
In veel organisaties lijkt de technologie een bottleneck te vormen bij het doorvoeren van data-innovaties. Door vroegtijdig aansluiting te zoeken bij de IT-roadmap, slim prioriteiten te stellen of tijdelijke work arounds te creëren kan de afhankelijkheid van IT geminimaliseerd worden. 

6. Organisatie
Data scientists zitten vaak vast in een leveranciersrol, maar ze zullen zich moeten ontwikkelen van ‘leverancier op aanvraag’ tot ‘analytisch adviseur van de business’. Door data scientists dichter bij de business te brengen, wordt dit proces versneld. 

CEO McKinsey-onderzoek wijst uit dat meer dan 50% van de CEO’s zichzelf beschouwt als de leider van de analytische agenda en dat percentage laat stabiele groei zien.   

Van strategie naar implementatie

Vanuit een analyse op de huidige situatie kan, met de datavisie als uitgangspunt, de ‘gap’ zichtbaar worden gemaakt met de zes bouwblokken van de datastrategie. Op elk onderdeel kunnen de gaps vertaald worden naar concrete verbeterdoelen. Door deze doelen te plaatsen in een realistische data roadmap die rekening houdt met de corporate agenda, wordt stapsgewijs aan de ‘gaps’ en daarmee de datastrategie gewerkt. Een van de grootste uitdagingen bij de implmentatie van een datastrategie is het vinden van de juiste balans tussen running the business en changing the business. Het formeren van een dedicated change team dat de cruciale features van de bouwblokken kan designen, testen en itereren alvorens deze te beleggen in de business, helpt hierbij. Het vinden van de juiste agile werkwijze, die past bij de organisatiecultuur, processen en methoden, werkt vervolgens als een katalysator voor de teams. Het kortcyclisch werken, snel testen van prototypes, veel leren en het visueel maken van het resultaat zorgen voor energie, snelheid en focus.

bouwblokken strategie

Conclusie

Data science staat vol in de schijnwerpers en de mogelijkheden lijken onbegrensd. Toch hebben veel organisaties moeite om data-initiatieven daadwerkelijk te laten renderen. Een solide datagedreven organisatie is een must om daadwerkelijk de impact te blijven realiseren. 

Deze MarketingScience verscheen eerder in de eerste editie van 2019 van het MarketingTribune magazine.

Bronnen: http://www.gartner.com/newsroom/id/3130017; Nick Heudecker (gartner) in 2017 on twitter; Advanced Analytics- Nine insights from the C-suite, McKinsey 2017

Meer weten over hoe we samenwerken?

Wij geloven dat uitdagingen altijd vanuit meerdere kanten moeten worden aangegaan. Complexe problemen vereisen een multidisciplinaire aanpak om opgelost te worden.

Ontdek hoe we samenwerken

Onze blogs direct in je mailbox?

Interessant? Laat een reactie achter