Robert Musters

Robert Musters

Principal IT consultant - Data Science

Waarde creëren met data. Veel bedrijven en organisaties willen dat wel en zien het nut ervan in, maar hikken aan tegen de investeringen die ermee gepaard gaan. Het proces van data omzetten naar waarde via analytics is een Agile proces waarbij veel vertrouwen in het expert team nodig is. Gedurende zo’n proces zijn investeringen nodig om business cases te realiseren waarvan ‘a priori’ lastig is aan te geven wat de waarde zal zijn. Om vertrouwen op te bouwen dienen kleine investeringen snelle en grote resultaten op te leveren. Het Agile proces ondersteunt hierin door iteratief te werken, snel waarde te leveren en continu bij te sturen op ontwikkelingen en kansen. Echter als het gaat om data en analytics is er meer nodig. In dit artikel wil ik jullie graag op hoofdlijnen laten zien hoe. Wat is nodig? Wat kan je verwachten? En wat zijn de valkuilen?

Het proces van data omzetten naar waarde is een proces bestaande uit de stappen in afbeelding 1. De eerste stap is het bepalen welke data waardevol is om de business te ondersteunen en kan niet altijd bepaald worden door de business zelf.  Een data analist of scientist kan dit wel, maar moet nauw samenwerken met de business om die goed te leren begrijpen. Data en analytics zijn eigenlijk een kip-ei probleem. Immers voor een business case heb je bepaalde data nodig. Maar hoe weet je welke data nodig is? Domein experts binnen de organisatie hebben deze kennis in huis. Echter om deze data en kennis te combineren in analytics, zodat de waarde toeneemt, is een data analist of scientist nodig. De domein experts, data analisten en scientists kunnen samen de oplossing vinden welke data nodig is voor een business case. 

Model business cases
Afbeelding 1: model dat beschrijft hoe business cases, data en analyses samenhangen. De business case en data platform zijn het fundament voor de beschrijvende tot sturende analyses. De beschrijvende analyse is relatief minder waardevol en eenvoudig. De volgende analyses zijn meer waardevol, maar zijn ook complexer en vereisen daarom meer investering en vertrouwen.

Klein beginnen en stakeholders laten samenwerken in workshops, zorgt voor snelle resultaten en vertrouwen. Het vertrouwen zorgt voor het makkelijker kunnen krijgen van een investering in de volgende stap van het model: het Data Platform.

Het Data Platform: opslagplaats voor de nieuwe olie

De tweede stap is het realiseren van een Data Platform. Data is de nieuwe olie, daar zijn we het inmiddels allemaal wel over eens. Maar hoe sla je deze data op en nog beter; hoe ontsluit je het? Voor dit proces is een Data Platform nodig. Data vanuit verscheidene bronnen komt hier samen. Het platform kan on-premise staan, maar ook in de Cloud. Via APIs wordt de data aangeboden, waar veiligheid, privacy en Lineage ook geïmplementeerd kunnen worden. Vanuit het Data Platform gebruiken data engineers, data analisten en scientists data om analytics te bedrijven.

De volgende stappen beschrijven hoe we van data beschrijven, wat relatief weinig waarde oplevert, naar  geavanceerde data analyses gaan die relatief meer waarde opleveren. De meer geavanceerde analyses voorspellen niet alleen wat gaat gebeuren, maar kunnen ook zonder tussenkomst van de mens, bedrijfsprocessen optimaal aansturen met hulp van de voorspellingen. Sturende analyses schrijven voor wat er moet gebeuren, om een voorspelling bij te sturen naar het gewenste resultaat.

Beschrijvende en verklarende analyses

Eerder had ik het al over het opbouwen van vertrouwen met kleine iteraties en grote resultaten. Ik heb dat zelf mogen ervaren bij een internationale organisatie die het proces van data naar analytics inmiddels tot een goed einde heeft gebracht. Daar werd zichtbaar dat de derde stap, het beschrijven van de data, goed opgezet  was met PowerBI.  Het beschrijven van data geeft inzicht in hoe het bedrijf in het verleden functioneerde. Ook raakt men bekend met de data en wat er eventueel mogelijk is. Verschillende stakeholders, vanuit technisch en management perspectief, kwamen regelmatig bij elkaar om het dashboard van PowerBI te evalueren. Elke sprint meeting werd weer duidelijk dat domein experts nieuwe inzichten en aanbevelingen kregen, omdat analisten de data visualiseerden en beschreven. Andersom kregen analisten ook weer nieuwe inzichten om beter analytics toe te kunnen passen. Door samen de business en data beter te begrijpen, kan de data en analytics gebruikt worden om dagelijkse werkzaamheden te ondersteunen. De synergie tussen stakeholders werd versterkt waardoor vertrouwen werd opgebouwd om de volgende stap te zetten.

Nadat de analisten de beschrijvende stap hadden geïmplementeerd met PowerBI, werd duidelijk waarom bepaalde zaken gebeurden in de vierde stap. In de verklarende analyses werden bepaalde correlaties gevonden of eigenaardigheden ontdekt in de data. Wederom werd dit gecommuniceerd binnen de Sprint meetings, waardoor iedereen enthousiaster werd en men bereid was verder te investeren in meer geavanceerde analyses. 

Intermezzo: Microsoft Power Apps, Data Platform en No-Code

Tussen de beschrijvende en verklarende stap gebeurde nog iets anders wat waardevol is. Verzoeken kwamen binnen om ondersteunde tooling te bouwen! Hetgeen aantoont dat het proces dat tot dusver is beschreven werkt. Enkel opdracht geven om “iets met data te doen” is vaak niet afdoende en loopt vast met weinig resultaten tot gevolg. Het Agile proces en de synergie tussen de business en de data analisten/scientists is waardevol en dat werd onderkent door een aanvraag om iets substantieels te bouwen. Deze tooling werd snel geïmplementeerd door gebruik te maken van het Data Platform en No-Code (link) oplossingen zoals Microsoft Azure Power Apps. Deze apps vereisen weinig tot geen programmeerervaringen om apps te maken, die direct aanpassingen kunnen doen in bedrijfsprocessen en data. Werken aan dergelijke apps geeft ook verder inzicht in het IT landschap en de verantwoordelijke afdelingen, hetgeen van grote waarde is in de laatste twee stappen; voorspellende en sturende analyses.

Op naar geavanceerde analyse!

Voorspellende en sturende analyses zijn waardevol, immers ze kunnen worden gebruikt voor verdere automatisering en optimalisering. Dergelijke analyses zijn spannend. In het geval van een sturende analyse is sprake van verminderde tussenkomst van mensen. Het algoritme schrijft zelf een beslissing voor. Uit ervaring heb ik meegemaakt dat weerstand vanuit de business kan ontstaan. Ik herinner me nog een beladen telefoongesprek, waar een manager boos werd dat hij/zij niet was geïnformeerd over een bepaalde app die complicaties voorspelde. Hij/zij voelde zich niet betrokken en het bleek dat hij/zij niet goed was meegenomen in het veranderproces.  Het kan ook zijn dat werknemers weerstand bieden omdat het gevoel leeft dat ze weg geautomatiseerd worden door bijvoorbeeld artificial intelligence. Alle stakeholders moeten continu betrokken blijven en het moet duidelijk zijn dat het gaat om ondersteunen en verbeteren, niet om weg-automatiseren! Het geval van de manager en de werknemers heeft uiteindelijk een goed einde gekregen, nadat ook zij werden betrokken. 

Het goed laten samenwerken van de business, data analisten en scientists is complex. Door het gehele proces goed te managen en deze hoofdlijnen in gedachten te houden, kan analytics waardevol zijn en ons prima ondersteunen! Heeft u vragen over hoe CGI u hierbij kan helpen? Dan mag u contact met mij opnemen.

In volgende blogs zal ik verder ingaan op de rollen en competenties die benodigd zijn om een volwassen data-gedreven bedrijf te worden en het Data Platform verder uit de doeken doen!

Over de auteur

Robert Musters

Robert Musters

Principal IT consultant - Data Science

Robert is sinds juni 2021 werkzaam bij CGI. Hij is principal IT consultant met als expertise data science. Tijdens zijn carriere heeft hij ruime ervaring opgedaan bij verschillende organisaties, waaronder handhaving en semi-overheidsinstellingen. Bij deze organisaties heeft hij het proces ingericht en begeleid om ...