Datagedreven werken zorgt voor slimme organisaties

We leven in een informatiesamenleving. Datagedreven werken komt voort uit de veelheid van data die beschikbaar is door het werken in allerlei systemen. Organisaties die op deze manier gebruik maken van hun eigen data en/of de organisaties van andere organisaties/media worden datagedreven organisaties genoemd. Om datagedreven te kunnen werken is het altijd van het grootste belang dat de gehele organisatie hieraan meewerkt. Gebruikmaken van data is namelijk niet beperkt tot de ICT-afdeling van een bedrijf, maar moet gedragen worden door de hele business om er echt mee te kunnen werken en er nieuwe inzichten door op te doen of besluiten op te baseren. Een datagedreven organisatie is daarmee een slimme organisatie. Om maximaal te profiteren is echter ook zorgvuldig omgaan met data vereist.

• Wat is datagedreven werken?
• Ontstaan van datagedreven werken
• Waarom datagedreven werken?
• Basisvoorwaarden datagedreven werken
• Tips bij de implementatie van datagedreven werken
• Wat is het verschil tussen datagedreven werken en informatiegestuurd werken?
• Ontwikkelingen in datagedreven werken binnen organisaties
• Conclusie

Wat is datagedreven werken?

Datagedreven werken is het kunnen sturen op basis van onbewerkte feiten en ruwe data. Doel is om op basis van deze data beslissingen te nemen en niet (alleen) meer op basis van een vermoeden, een mening of intuïtie of het zogenaamde onderbuikgevoel (dat weer geworteld is in vooroordelen, vooringenomenheid en voorkeuren). Dit geldt voor de hele organisatie. Datagedreven werken past in een datagedreven organisatie, waarin alle teams, alle medewerkers datagedreven werken om een beweging op gang te krijgen naar meer inzicht, kennis en gefundeerde beslissingen. Hierbij is het van belang om de waarde en de mogelijkheden van de data te (onder)kennen.

Ontstaan van datagedreven werken

Datagedreven werken komt vanuit het concept van 'data driven marketing'. Door steeds verdergaande digitalisering is het mogelijk geworden om gegevens van consumenten over bijvoorbeeld koopgedrag te verzamelen en om te zetten naar data. Met deze data kun je vervolgens het koopgedrag analyseren en daar je marketingstrategieën op aanpassen. En daarmee je winst verder optimaliseren. Nu wordt datagedreven werken gebruikt om ontwikkelingen te voorspellen, om de transparantie te vergroten, bijvoorbeeld door het openstellen van data betreffende financiën, maar ook om de samenwerking te verbeteren, zowel intern als extern. Hierdoor kun je de bedrijfsvoering en de dienstverlening verbeteren. Met behulp van data is het mogelijk om werkprocessen efficiënter in te richten. Zo kun je beslissingen sneller en beter onderbouwd nemen.

Waarom datagedreven werken?

Nu er zoveel data beschikbaar is, kan er steeds meer datagedreven gewerkt worden. Zet je dit in voor je organisatie, korte of lange termijn, dan hebben we het ook over Business Intelligence: het proces van dataverzameling en data-analyse, waarbij data wordt omgezet naar informatie en kennis om gefundeerde bedrijfsbeslissingen te kunnen nemen. Zo krijg je alerte en wendbare organisaties. Maar datagedreven werken is meer, omdat het gaat om alle data over personen, producten en processen, die samengevoegd, geanalyseerd en gebruikt kan worden.

Bundeling van krachten

Datagedreven werken biedt volop mogelijkheden voor een innovatieve aanpak van complexe problemen, waarbij juist organisatiebreed, dat wil zeggen team-, afdeling- en clusteroverstijgend gewerkt kan en moet worden. Daarbij geeft het kansen om de samenwerking met andere bedrijven en instellingen te intensiveren. Hierdoor is het ook mogelijk om grote maatschappelijke vraagstukken te kunnen analyseren en aanpakken.

Data

Verschillende typen data vormen de input voor datagedreven werken. Het gaat dan om:

• Open data: vaak grote datasets die vrij beschikbaar en toegankelijk zijn via internet, maar waarvan het gebruik wel is gebonden aan bepaalde gebruiksvoorwaarden.
• Fast data: kleinere online datasets die in realtime (de werkelijke tijd) of bijna realtime beschikbaar zijn voor data-analyse, bijvoorbeeld als gevolg van ontwikkelingen als Internet Of Things (IoT), waarbij het gaat om (in ieder geval deels) gestructureerde gegevens van bijvoorbeeld sensors als een thermostaat of slimme toaster, waardoor een digitale weergave van ons functioneren wordt verkregen (wanneer IoT gecombineerd wordt biologische of fysiologische sensordata van een individu, zoals bij een activiteitentracker als een fitbit horloge, noemen we dit een 'quantified self').
• Big data: data, vaak ongestructureerd en complex, die veelomvattend en gevarieerd is, vaak snel moet kunnen binnenkomen/worden opgevraagd en niet in een traditioneel databasesysteem kan worden opgeslagen.
• Rich data of deep data: gestructureerde consistente (big) data, al dan niet vanuit verschillende systemen, die is bewerkt of op een bepaalde manier is verrijkt en daarmee voorzien is van context en betekenis, waarbij eventuele onbelangrijke informatie eruit is gehaald. Het kan hier ook gaan op kwalitatieve data uit bijvoorbeeld ziekenhuisdossiers van een specifieke patiëntengroep

Big data

Om big data te kunnen identificeren, te vergelijken en te weten hoe je deze data het beste kunt inzetten wordt wel gesproken over 6 kenmerken van big data ofwel 6 V's:

• volume (de enorme hoeveelheid van data),
• velocity (de snelheid van dataverzameling, data-opslag en data- analyse),
• variety (de diversiteit en complexiteit van de data),
• veracity (de datakwaliteit: de betrouwbaarheid en geldigheid van data),
• valence (de verbindingen tussen de verschillende databronnen); en
• value (de relatieve geldelijke waarde van de datasets; wat levert het op?).

Andere indeling van data

Voor data geldt dat ook onderscheid gemaakt kan worden op basis van eigenaarschap, schaalgrootte en diepte: first party data is data die binnen een bedrijf beschikbaar is (dus 'kosteloos', gedetailleerd en met toestemming van de klant verzameld), second party data is data die wordt uitgewisseld dan wel verhandeld tussen verschillende bedrijven (hierdoor kun je makkelijker nieuwe markten aanboren), third party data tenslotte is data die door specifieke bedrijven wordt verzameld en verrijkt met als doel hierop winst te maken (deze data is globaal en beschikbaar voor elke betalende partij).

Slim samenwerken

De inzet van big data is afhankelijk van het doel en de context. Door slimme koppelingen te maken tussen verschillende databases krijg je nieuwe inzichten en verloopt de onderlinge samenwerking soepeler. Voor de overheid kan het dan bijvoorbeeld gaan om data over het assetmanagement (het beheer/onderhoudsmanagement van de openbare ruimte) te combineren met de ruimtelijke ontwikkeling van de stad. Dat betekent dat het onderhoud van wegen wordt afgestemd op bijvoorbeeld de aanleg van wegen bij nieuwbouw en men daarbij rekening houdt met onder meer gegevens over de leidingen die in de grond liggen, het interim beheer van de openbare ruimte en het afstemmen van de verzending van bewonersbrieven om bewoners en andere betrokkenen hierover te informeren.

Ontwikkelen: gericht op de toekomst

Door tools, apps en andere toepassingen te ontwikkelen kan data (al dan niet realtime) worden ontsloten, zodat meer inzicht wordt verkregen in bijvoorbeeld veelgebruikte verkeersroutes en verkeerssnelheden op deze routes. Zo kan onder meer de verkeersoverlast worden bepaald of een prognose worden gemaakt van toekomstig verkeer(soverlast). Hiermee kan ook weer een link gelegd worden met assetmanagement van onder meer wegen: hoe intensiever het gebruik, hoe intensiever het onderhoud moet zijn. Zo gaan datagedreven werken en innoveren hand in hand. Door prognoses te maken, onder meer met hulp van slimme algoritmes (een set instructies die volgens een stap-voor-stapproces van berekeningen tot een bepaald vooraf gedefinieerd doel leidt), over het aantal mantelzorgers bijvoorbeeld kun je beter inspelen op hun ondersteuningsbehoefte.

Maar alleen slim en snel gebruik van data is niet genoeg. Juist het zorgvuldig omgaan met data garandeert een juist gebruik en een goede inzet van data. Zo vergroot je de mogelijkheden tot inzicht, samenwerking en innovatie. En dat is de kracht van datagedreven werken!

Basisvoorwaarden datagedreven werken

Om datagedreven te kunnen werken is het belangrijk om de basisvoorwaarden hiervoor eerst op orde te brengen. Dan gaat het om zaken op het gebied van privacy en zorgvuldigheid, zeker als het gaat om persoonsgegevens, om data governance, ICT en opleidings- of trainingsaanbod.

Wil je veel data uit veel bronnen centraal kunnen ontsluiten is een duidelijke ICT-architectuur essentieel. En als je bijvoorbeeld ervoor zorgt dat je een bedrijfsbreed woordenboek hebt weet je zeker dat je het over hetzelfde hebt. Het gaat dan over master data management en data governance. Door hier vanaf het begin aandacht aan te besteden en zo de datakwaliteit, privacy en beveiligingsaspecten te garanderen, bouw je het vertrouwen in je data op. Daarnaast heeft het een positief effect op de samenwerking, de ict infrastructuur en het 'in control' zijn over je data. Ook is het belangrijk om ervoor te zorgen dat je de benodigde kennis en vaardigheden binnen de organisatie ontwikkelt. Binnen de informatievoorzienings- en ICT-afdelingen, maar ook binnen de lijnorganisatie. Uiteindelijk gaat het erom een organisatiecultuur neer te zetten waarin je initiatief kan nemen, mag experimenteren en dus ook fouten mag maken. Tegelijkertijd betekent dit ook dat je verantwoordelijkheid moet en mag durven nemen (ook als het gaat om eigenaarschap van systeem en data).

Datagedreven en agile werken

Agile werken en datagedreven werken versterken elkaar. Je kunt door agile immers snel en efficiënt iets opleveren door gebruikers en andere partijen te betrekken bij de totstandkoming en het testen van het resultaat om het zo samen beter te maken. Door bijvoorbeeld kort-cyclische data te analyseren kan snel worden bepaald wat de waarde en potentie is en waar verbetermogelijkheden zitten.

Tips bij de implementatie van datagedreven werken

Naast agile werken zijn er nog een aantal best practices te benoemen bij de invoering van datagedreven werken.

• In een plan van aanpak staan altijd de door de organisatie breed gedragen ambitie en visie die leidend zijn bij de implementatie van datagedreven werken.
• Interne samenwerking tussen bedrijven, afdelingen en medewerkers is voorwaardelijk en versterkt op haar beurt ook weer het datagedreven werken door bijvoorbeeld koppeling van bestanden, het gebruik van gelijke definities en gedeelde rapportages.
• Vooral van managers vraagt het de bereidheid om hun beslissingen te onderbouwen op basis van data en analyse.
• Een bedrijfscultuur veranderen gaat niet zomaar. Draagvlak vanuit het management is essentieel.
• Door te starten met een pilot kunnen kennis en vaardigheden worden opgedaan. Een positieve ervaring kan bijdragen aan verdere invoering.
• In elke organisatie worden (veel) gegevens opgeslagen. Via de invoering van datagedreven werken kun je met verschillende gebruiksvriendelijke tools en applicaties deze gegevens beschikbaar maken, analyseren en visualiseren. Ook hier geldt dat klein beginnen al flink kan lonen.
• Een goede data-analyse is afhankelijk van de datakwaliteit, kennis over de betekenis van de data en helderheid over de vindbaarheid ervan. Een driver hiervoor is een goede data governance. Het gaat dan immers om de beschikbaarheid, bruikbaarheid, integriteit en beveiliging van alle data binnen systemen en applicaties van een onderneming. Juist het omgaan met big data vraagt om (master) data management en data governance.
• De samenstelling van een kernteam met daarin managers uit de lijnorganisatie en ICT- en IV-managers kan bij de implementatie adviseren en het datagedreven werken aanjagen.
• Communicatie ondersteunt de implementatie, maar ook het proces en de werkwijze van datagedreven werken. Communicatie over doel en visie, over management informatie
• Het is belangrijk om voldoende juiste mensen op de juiste plek te hebben. Data scientists en data analisten zorgen er respectievelijk voor dat data goed wordt ontsloten en dat deze vanuit de data (met ruimte voor experiment) of vanuit de business (vraaggestuurd) kan worden geanalyseerd.
• Aandacht voor de vraag van gebruikers voor monitoring dan wel sturing is belangrijk. Het gaat dan allereerst om de vraag vanuit gebruikers: wat wil men wanneer weten, met welk resultaat en met welk bedoeld effect. Op die manier kun je verwachting en mogelijkheid goed op elkaar afstemmen en voorrang geven aan wat er nù leeft binnen de organisatie. Maar het gaat ook om de vraag vanuit de techniek: welke voorzieningen moeten worden getroffen om aan de vraag te voldoen. Hierbij moet je, zeker in het begin, ook rekeninghouden met de latente vraag. Pas als mensen ervaring krijgen in het gebruik van data en rapportages kunnen zij de mogelijkheden ervan ontdekken en ervaren. Om aan de vraag te kunnen voldoen is het in alle gevallen belangrijk om zaken snel en flexibel op te pakken en zowel qua inhoud als qua processen als technische voorzieningen goed hierop af te stemmen.

Wat is het verschil tussen datagedreven werken en informatiegestuurd werken?

Datagedreven werken is niet hetzelfde als informatiegestuurd werken. Dat zien we terug in het onderscheid tussen data en informatie en de kennis die we op basis daarvan kunnen opdoen. Informatie is data die op zodanige manier is geordend dat er betekenis aan kan worden gegeven. Kennis is informatie die kan worden geduid, omdat je weet wat de informatie betekent.

Informatiegestuurd werken gaat uit van het formuleren van kritische prestatieindicatoren (KPI's) om daarmee bedrijfsprocessen te kunnen monitoren en sturen. Daarmee is het als het ware een onderdeel van datagedreven werken, dat immers breder wordt ingezet. Datagedreven werken is organisatiebreed op zo'n manier bezig zijn met data, dat deze data gebruikt kunnen worden om verbeteringen in gang te zetten. Feiten vormen de basis van de ontwikkelingen, waarbij vooraf niet te voorspellen is waar deze toe leiden. Dit is anders dan bij informatiegestuurd werken waarbij juist de uitkomsten/verwachtingen leidend zijn voor de te gebruiken data.

Ontwikkelingen in datagedreven werken binnen organisaties

Datagedreven werken wordt steeds professioneler door technologische ontwikkelingen en steeds meer inzicht in wat het vraagt om datagedreven te werken en wat daarvoor nodig is, zodat processen en procedures optimaal deze werkwijze kunnen ondersteunen. De analysefunctie blijft belangrijk, naast data governance om grip te krijgen op je data: weet je wat je meet, het juiste inzicht begint vrijwel altijd met het stellen van de juiste vragen en patronen die we zien in de data hoeven niet de werkelijkheid te representeren. Je zou dus altijd bij de betrokkenen in de praktijk moeten langsgaan of zij zich kunnen vinden in het geschetste beeld. Daarnaast zou het zomaar kunnen dat de algoritmes die aan de basis van deze patronen liggen niet kloppen. Of dat de verkeerde analyses zijn gemaakt. Vandaar dat zorgvuldigheid blijft geboden: bij de verzameling, de verwerking, de analyse, de rapportage en de interpretatie.

Business Intelligence en Business Analytics

Business Intelligence (BI) is het proces dat leidt tot de rapportage van strategische bedrijfsinformatie. Hiermee kan ook informatiegestuurd gewerkt worden. Business Analytics is een wetenschappelijke, kwantitatieve methode om data zodanig te analyseren en analyses wiskundig te onderbouwen, dat bedrijfsprocessen verbeterd kunnen worden en grote maatschappelijke vraagstukken kunnen worden opgelost. Een voorbeeld hiervan is predictive analytics. Door machine learning (zelflerende algoritmes) en voorspelmodellen kun je patronen in de data ontdekken waarmee je je acties kunt bepalen die statistisch verantwoord vooruitkijken naar verwachte ontwikkelingen. Dat wil overigens niet zeggen dat je ook weet wat de oorzaak hiervan is: correlatie (samenhang) en causaliteit (oorzaak-gevolg relatie) zijn twee verschillende dingen.

Conclusie

Datagedreven werken vraagt een datagedreven organisatie om slim en zorgvuldig data te kunnen ontsluiten en te analyseren zodat beslissingen goed onderbouwd kunnen worden genomen. Zo krijg je vat op wat er nu speelt in de samenleving, binnen en buiten je organisatie, én krijg je zicht op de toekomst. Zo kun je deze mogelijk beïnvloeden door gericht en gefundeerd besluiten te nemen. Eigenlijk hebben we het dan over "oude wijn in nieuwe zakken": de wens om kennis te vergaren en de wereld te begrijpen, om in de toekomst te kunnen kijken en om de juiste onbevooroordeelde beslissingen te nemen of de beste onpartijdige oplossingen te bedenken bestond altijd al. Nu veel data snel beschikbaar is lijken deze wensen moeiteloos uit te kunnen komen, maar eigenlijk staan we pas aan het begin en moeten we kwantiteit niet met kwaliteit verwarren. Er is nog een lange weg te gaan!