Data

Stop de focus op data

Er is al jaren veel aandacht in (vak)media voor data en tooling om data te bewerken en te analyseren. Logisch, in een digitaal tijdperk waarin alles meetbaar is. Maar bij de uitvoering is er gek genoeg weinig aandacht voor het hogere doel erachter: betere beslissingen. Daardoor stellen resultaten vaak teleur. Projecten en programma's op het gebied van data kunnen beter starten met een analyse waar en waarom we betere beslissingen nodig hebben.

Nart Wielaard

De mens is een kuddedier. Een prachtige scene uit Monty Python’s Life of Brian (1979) legt dat messcherp bloot. De hoofdpersoon wordt gevolgd door een menigte die ervan overtuigd is dat hij de messias is. Vanaf een balkon wil hij hen bij zinnen krijgen en roept hen op om toch vooral zelf na te denken. “You’re all individuals”, zo houdt hij het volk voor. “We’re all individuals”, zo scandeert de menigte in koor terug.

Dergelijk kuddegedrag speelt ook onder managers en bestuurders. Als collega’s, business goeroes, hoogleraren en consultants vol vuur vertellen dat Robotic Process Automation, Big Data of Artificial Intelligence echt een waanzinnige manier is om de prestaties van je organisatie te verbeteren, dan gaan ze al gauw voor de bijl. Je zou immers wel gek zijn als je zo’n kans liet lopen en misschien ook voor gek worden versleten.

Betere beslissingen

Dit gedrag leidt uiteraard maar zelden tot succes. Het is beter om je nu en dan aan de kudde te onttrekken en zelf een analyse te doen over wat er nodig is voor succes. Dan wordt duidelijk dat het in dit digital tijdperk gaat om betere beslissingen. Betere beslissingen over de verkoopprijs van een product in de winkelschappen, betere beslissingen over fusies en overnames, betere beslissingen over de keuze van een sollicitant, betere beslissingen over het tegengaan van frauduleuze claims bij een verzekeraar en nog vele andere voorbeelden. Het mooie is dat data een geweldige brandstof kan zijn om die beslissingen te verbeteren.

Wie het niet kan bijbenen is straks out of business, want slechte beslissingen zijn kostbaar.

Nu alle denkbare informatie beschikbaar is, is er in een transparante wereld sprake van felle concurrentie. En nu alle denkbare informatie beschikbaar is, wordt de concurrentiestrijd gestreden over wie de beste beslissingen kan nemen. Wie het niet kan bijbenen is straks out of business, want slechte beslissingen zijn kostbaar.

De vraag komt dan op: hoe maak je een analyse van de beslissingen die relevant zijn voor een organisatie? In algemene zin geldt daarbij dat beslissingen twee dimensies hebben. Ten eerste de snelheid waarmee de beslissing wordt genomen (of moet worden genomen). Ten tweede de impact van de beslissingen. Door deze dimensies op twee assen uit te zetten, ontstaat een eenvoudige matrix met vier verschillende soorten beslissingen.

  Low Speed High Speed
High Impact Smart scenario Advanced Algorithm
Low Impact Human decision Business rule

Met dit simpele model in de hand kan iedereen de dynamiek van de eigen organisatie (of afdeling) plotten en op basis daarvan consequenties trekken voor wat er nodig is om goede beslissingen te nemen. In algemene zin zijn daar enkele uitgangspunten voor:

Ten eerste: hoe hoger de snelheid, (1) hoe meer autonomie er moet zijn op de werkvloer voor die beslissingen (hiërarchische stroperigheid is immer funest voor de snelheid) en (2) hoe wenselijker het is om die beslissingen waar dat mogelijk is geautomatiseerd te nemen (een machine kan in een fractie van een seconde een analyse maken, een mens doet daar langer over).

Ten tweede: hoe hoger de impact, hoe belangrijker het is om (1) voldoende middelen vrij te maken voor investeringen in projecten die leiden tot betere besluitvorming en (2) hoe belangrijker het is om te zorgen voor betrouwbare data voor die beslissingen. Er staat immers veel op het spel. 

Komen tot betere beslissingen – gebaseerd op data – is niet eenvoudig. Het vergt onder meer (1) dat de datakwaliteit op orde is, (2) dat je buiten de gebaande paden gaat om informatie voor je besluit te verzamelen en (3) dat je als mens de machine echt durft toe te staan in je besluitvormingsproces.

1. Zorg dat datakwaliteit een zaak is van iedereen

Datakwaliteit is echter geen afdeling, maar een basishouding.

Voor beslissingen met een hoge impact moet je kunnen rekenen op betrouwbare data. Datakwaliteit is echter geen afdeling, maar een basishouding. De hele organisatie moet beseffen wat er op het spel staat. Er is de afgelopen jaren bepaald geen gebrek aan aandacht voor het thema. Veel managers en bestuurders beseffen dat ze te maken hebben met een versnipperd en complex IT-landschap, vaak een van de belangrijkste oorzaken van tekort schietende datakwaliteit. Binnen dat landschap bestaat vaak geen eenheid in hoe data in systemen wordt geregistreerd, bewerkt en geaggregeerd. Ook bestaan er nog veel workarounds. IT managers geven het niet graag toe, maar veel organisaties kennen nog een flinke waaier aan Excel toepassingen. Data wordt dan vaak uit een bronsysteem naar Excel gedownload, en na bewerking weer geüpload naar dit systeem. Uiteraard met de nodige risico’s op fouten. Dat alles wordt een probleem zodra managers hun dromen over allerlei datagerelateerde toepassingen van de tekentafel naar de praktijk willen krijgen. Je kunt dan nog zulke mooie algoritmes ontwikkelen, als de brandstof voor die algoritmes niet deugt zal het niet gaan werken.

Men beseft vaak wel dat er hier een serieus probleem ligt, maar zoekt de oplossing in data-kwaliteitsprojecten waarin (grote) teams worden opgetuigd om de kwaliteit te verbeteren. Het komt feitelijk neer op reparatiewerkzaamheden en workarounds. Het levert geen structurele verbetering op, want de kwaliteit zal alleen op niveau zal komen als iedereen is overtuigd dat winnen of verliezen van die data afhangt.

De huidige werkwijze doet denken aan mensen die willen afvallen. Een paar maanden op dieet in combinatie met een abonnement op de sportschool levert aansprekende resultaten op. Maar wie de levensstijl niet aanpast, weet diep van binnen al dat het effect tijdelijk zal zijn. Alleen als je handelt vanuit de overtuiging dat een andere levensstijl je een beter en fitter leven oplevert, zul je ook op termijn succesvol zijn.

Ook in het bedrijfsleven is het dus essentieel dat een organisatie gelooft in de kracht van data als bron van succes. Dat de organisatie ervan overtuigd is dat de concurrentie wordt uitgevochten op het verwerken van een enorme rijkdom aan informatie tot de beste beslissingen.

Als data niet betrouwbaar zijn, zullen managers de data ook niet gebruiken om beslissingen te nemen.

Immers: gebrekkige data mag dan leiden tot kostbare incidenten of hogere operationele kosten – die problemen zijn over het algemeen wel bekend – maar dit effect valt in het niet bij de kansen die je laat liggen als je niet op data kunt vertrouwen. Je kunt bijvoorbeeld geen nieuwe (product)innovaties neerzetten, geen betrouwbare gepersonaliseerde aanbiedingen doen of geen dynamic pricing toepassen. Het is je bestaansrecht. Als data niet betrouwbaar zijn, zullen managers de data ook niet gebruiken om beslissingen te nemen. Dat maakt je als organisatie eigenlijk aangeschoten wild in de markt.

De cfo in pole position?

Volgens het recent verschenen boek de CFO in pole position van Deloitte partners Mohamed Bouker en Frank Geelen en schrijver/adviseur Nart Wielaard (ook auteur van dit artikel) is de cfo bij uitstek geschikt om organisaties klaar te stomen voor de nieuwe realiteit in besluitvorming. Ten eerste is de cfo neutraal als (bedrijfseconomisch) geweten van de organisatie. Ten tweede is de cfo een verbindende schakel tussen functies en dat is juist voor dit thema zeer relevant. En last but not least: de cfo heeft geleerd hoe je zorgt voor goede informatie. Het is de kern van zijn verantwoordelijkheid. En historisch is het altijd zo geweest.

2. Kijk voorbij de financiële informatie

Bij managementinformatie gaat het niet om het genereren van informatie, maar het invullen van informatiebehoeften voor de beste beslissingen. Dat klinkt basaal, maar is wel degelijk een wereld van verschil. Het zit zelfs ingebakken in het vocabulaire onder financials. Eigenlijk zouden we niet moeten spreken over reporting, maar over insights.

Van oorsprong komt managementinformatie grotendeels uit grootboeksystemen. Het grootboek is daar echter helemaal niet primair voor bedoeld. Het is eigenlijk geen informatiesysteem, maar vooral als een systeem om transacties goed te verantwoorden.

De echt belangrijke informatie komt uit alle hoeken en gaten – zowel intern als extern, zowel cijfermatig als niet-cijfermatig, zowel gestructureerd als ongestructureerd. Juist op dat vlak is zoveel winst te boeken in een digitale omgeving. De tools en technieken daarvoor worden steeds beter, nuttiger en gebruiksvriendelijker. Net zoals we een kroket uit de muur kunnen trekken als we daar zin in hebben kunnen we feitelijk ook business insights uit een data lade trekken als dat nodig is.

De werkelijkheid is echter nog weerbarstig. Er is nog een grote stap te maken bij veel organisaties om daadwerkelijk datagedreven tot beslissingen te komen. James Taylor, ceo van Decision Management Solutions stuurde in april 2019 de volgende tweet de wereld in: "Building good #analytics is not the hard part. Even deploying analytic models is not really hard anymore. EMPLOYING analytics to improve decision-making in the real-world is the hard part."

Deze tweet legt de vinger op de zere plek: veel organisaties hebben inmiddels voor veel operationele en tactische beslissingen wel de benodigde tools en platforms ingericht. Maar zodra het gaat om echte managementbeslissingen, die wat meer op strategisch niveau liggen, ziet de wereld er heel anders uit. Natuurlijk wordt er ook op dat vlak veel gedaan met data. Business intelligence tooling helpt om het management betere inzichten te geven, maar van het echt opnieuw uitvinden van de management informatie is nog geen sprake.

De praktijk anno nu is dat financiële afdelingen zich nog steeds focussen op het grootboek.

De praktijk anno nu is dat financiële afdelingen zich nog steeds focussen op het grootboek. De maandelijkse afsluiting is heilig: alles op alles wordt gezet om de informatie zo snel mogelijk op te leveren en zo betrouwbaar mogelijk te maken. Het resultaat van al die inspanningen: de data in de managementinformatie zijn accuraat. Maar de data zijn ook grotendeels irrelevant voor het management om grip te houden op de toekomst. Er is dan ook een omkering nodig in het denken over managementinformatie.

Gaat dit veranderen? Zo goed als zeker. De vraag is vooral wanneer. Er dient zich een nieuwe generatie managers aan, die beter getraind is in data en analyse en die heel andere verwachtingen heeft ten aanzien van de informatie waarop zij hun beslissingen baseren. Zij nemen geen genoegen met standaardrapportages, maar willen instant en maatwerk antwoorden op de vragen die ze hebben. Ze nemen er geen genoegen mee dat de financiële functie excelleert in dataverzameling en reporting, maar willen dat de financiële functie hen helpt om meer vooruit te kijken en inzichten geeft voor betere beslissingen.

'Betere beslissingen vragen om nieuw samenspel mens en machine'

James Taylor is ceo van Decision Management Solutions en helpt bedrijven betere beslissingen te nemen met een datagedreven aanpak. Hij pleit voor meer aandacht voor beslissingen op de werkvloer.

“Ik zie nog steeds om me heen dat veel managers en bestuurders investeren in allerlei projecten, zonder dat duidelijk is wat dat precies kan opleveren. Het is weinig zinvol om een bak data aan wat data scientists te geven, met de vraag of ze eens willen kijken of daar wat mooie inzichten uit te halen zijn. Toch gebeurt dat nog regelmatig.

Geweldige inzichten uit data halen is mooi. Maar waar het echt om gaat is niet hoe je daarmee tot betere beslissingen komt. En daar speelt in mijn ogen ook een belangrijke misvatting. Bij het verbeteren van beslissingen denken velen aan de beslissingen die managers nemen. Maar de belangrijkste beslissingen vinden plaats op de werkvloer zelf. Beslissingen over claims bij een verzekeraar bijvoorbeeld, of beslissingen over de pricing van producten in een supermarkt. Repeatable high volume decisions. Daar kun je met het gebruik van data echt het verschil maken.”

We moeten dus beginnen met een analyse van welke beslissingen relevant zijn voor het onderscheidend vermogen en pas daarna data engineers en data scientists aan het werk zetten?

“Precies. En daarbij moeten we niet in de valkuil stappen dat we alle beslissingen willen vervangen door kunstmatige intelligentie omdat dat zo hip is. Als je goed analyseert hoe een organisatie tot de beste beslissingen komt, kom je erachter dat dat bijna altijd een samenspel is van verschillende vormen. De mens speelt er een rol in. Harde business rules – gedefinieerd door een mens – spelen een rol. En kunstmatige intelligentie speelt een rol. Als je dat goed in kaart hebt, kun je dat vertalen naar hoe de technologie het beste kan worden ingezet. Toepassingen bouwen voor data-analytics is not the hardest part. Het gaat erom dat we daarmee ook echt het besluitvormingsproces verbeteren.”

Wordt het een belangrijk onderscheidend vermogen in de concurrentie?

“Absoluut. We zijn geneigd om bij kunstmatige intelligentie en andere vormen van nieuwe digitale technologie te kijken naar wat partijen als Google en Facebook allemaal kunnen. Maar het is ook voor de big boring companies van belang om in hun dagelijkse werk met de moderne technologie tot betere beslissingen te komen. Een Scandinavische verzekeraar versnelde met technologie het beslissingsproces over uitbetaling van schadeclaims tamelijk radicaal. Voor 60 procent van de claims stond het geld de volgende dag op de rekening – en ze hadden de mogelijkheid om dat nog veel verder op te voeren. Het aardige is dat het project oorspronkelijk van start ging met als doel kostenbesparing. Maar toen het een succes werd, besloten ze het ook in advertentiecampagnes te gebruiken.”

Heeft de cfo hier een rol te spelen? Die is immers van nature al bezig met het faciliteren van betere beslissingen met relevante en betrouwbare informatie?

“De cfo heeft verstand van informatie. Maar ik denk dat de cfo ook om een andere reden belangrijk is: de focus op de ROI. Ik denk dat we veel strenger moeten zijn op het resultaat van projecten en pas tevreden moeten zijn als het echt structureel waarde oplevert. Ik sprak iemand uit de zorgsector die trots vertelde hoe kunstmatige intelligentie de menselijke dokter verslaat bij het opsporen van tumoren. Prachtig natuurlijk. Maar mijn stelling was dat het vooralsnog een waardeloze technologie was. Want de vraag is niet hoeveel beter AI het doet. De vraag is hoeveel mensenlevens hiermee elk jaar worden gered. Pas dan is er sprake van waarde. Dat is in het bedrijfsleven niet anders. Doordat de cfo van nature scherp is op het resultaat van investeringen, kan die daar een belangrijke rol in spelen. Pas als datagedreven toepassingen echt zijn verankerd in processen, kan er waarde ontstaan.”

U zegt dat besluitvorming vaak een combinatie van mens en machine is. Hoe verandert de rol van de mens in die beslissingen?

“We zijn geneigd te denken dat de machine de mens helpt om tot betere beslissingen te komen. Maar ik ben ervan overtuigd dat het precies andersom is. Onze typische menselijke eigenschappen –associëren, vragen stellen, emoties voelen etc. – kunnen de machine helpen betere beslissingen te nemen. Dat is voor veel mensen wel even wennen.”

3. Erken dat machines prima beslissers zijn

De opkomst van datagedreven beslissingen is even wennen voor managers die gewend zijn om vanuit ervaring, deskundigheid en intuïtie beslissingen te nemen. Ze moeten hun relatie met deze beslismachines opnieuw uitvinden. En daar vooral niet bang voor zijn. Veel managers en bestuurders weifelen echter of ze belangrijke beslissingen wel moeten toevertrouwen aan technologie en mede daardoor worden de echte vruchten van de digitale technologie nog niet geplukt.

Wie koeltjes naar de feiten kijkt, ziet een ongelijke strijd tussen mens en machine in dit verband. Het menselijk brein kan namelijk maar een beperkt volume en complexiteit aan. Onderzoek laat zelfs zien dat de meeste van onze beslissingen niet eens bewust tot stand komen, maar in het onderbewustzijn worden genomen. Het onderbewustzijn heeft simpelweg een grotere verwerkingscapaciteit. Een ‘nachtje slapen’ over een moeilijke beslissing is dan ook niet alleen vaak een goed idee maar ook een wetenschappelijk onderbouwd goed idee.

Het is dan ook heel simpel: de machine neemt betere beslissingen.

Machines gaan ’s nachts niet slapen en hoeven dat ook helemaal niet. Met hun grote rekenkracht zijn ze in staat om beslissingen te nemen gebaseerd op oneindig veel variabelen. En door machine learning technieken kunnen ze die beslissingen gaandeweg ook steeds verbeteren. Het is dan ook heel simpel: de machine neemt betere beslissingen.

Precies die conclusie trekt Daniel Kahneman in zijn boek Thinking Fast and Slow. Hij concludeert dat in onzekere en onvoorspelbare domeinen de mens het onderspit delft, op een indrukwekkend aantal terreinen: “the longevity of cancer patients, the length of hospital stays, the diagnosis of cardiac disease, and the susceptibility of babies to sudden infant death syndrome; economic measures such as the prospects of success for new businesses, the evaluation of credit risks by banks, and the future career satisfaction of workers; questions of interest to government agencies, including assessments of the suitability of foster parents, the odds of recidivism among juvenile offenders, and the likelihood of other forms of violent behavior; and miscellaneous outcomes such as the evaluation of scientific presentations, the winners of football games, and the future prices of Bordeaux wine.”

Daarmee is ook duidelijk dat de menselijke intuïtie en ervaring terzijde moeten worden geschoven omdat deze niet bijdragen aan betere beslissingen. We moeten managers ervan gaan overtuigen om niet op hun eigen inschatting te vertrouwen en wat nederig te zijn ten opzichte van wat machines kunnen. Maar dat wil absoluut niet zeggen dat de mens buitenspel staat in het beslissingsproces. Het wil zeggen dat we een nieuwe vorm moeten vinden waarin mens en machine samen data gebruiken om tot de beste beslissingen te komen.

De menselijke expertise blijft van groot belang voor het stellen van de juiste vragen – daar is de mens in elk geval voorlopig nog beter in dan de machine – en het ‘trainen’ van machine learning modellen. Bovendien: de mens heeft ook een sterk associërend vermogen, veel sterker dan de machine. Als we mensen confronteren met verschillende lagen informatie – cijfers, beelden, teksten en andere informatiesoorten – dan kan de mens logische patronen zien, of daar vragen over stellen, die een machine niet ziet. Het is dan ook tijd om de manager naast de machine te positioneren.

Een verkorte versie van dit verhaal is opgenomen in het magazine Accountant, editie 2 van 2021.

Nart Wielaard is strategisch scherpdenker op het snijvlak van maatschappij, technologie en bedrijfsleven. Hij brengt complexe ontwikkelingen terug tot eenvoudige en begrijpelijke verhalen en doet dat in de rol van gespreksleider, adviseur en schrijver.

Gerelateerd

reacties

Reageer op dit artikel

Spelregels debat

    Aanmelden nieuwsbrief

    Ontvang elke werkdag (maandag t/m vrijdag) de laatste nieuwsberichten, opinies en artikelen in uw mailbox.

    Bent u NBA-lid? Dan kunt u zich ook aanmelden via uw ledenprofiel op MijnNBA.nl.