Aan de slag met data analytics (1) – Wat is er gebeurd?
Veel mensen die ik ontmoet stellen mij de vraag wat mijn werk nu precies inhoudt. Vol enthousiasme geef ik daar dan een uitgebreid antwoord op. Ook tijdens gesprekken met nieuwe klanten krijg ik deze vraag regelmatig. Dus een stukje uitleg over de basis van wat ik doe is hier op zijn plaats. En omdat ik graag volledig ben splitsen we dit onderwerp op in vier blogs. Dit is de eerste blog uit de serie: Aan de slag met Data Analytics.
Eerst in het kort wat wij voor klanten doen:
Elk bedrijf verzamelt data, veel gestructureerde data én veel ongestructureerde data. Van financiële gegevens tot Google Analytics cijfers over het website bezoek. Deze data worden netjes bewaard en op het moment dat er gerapporteerd moet worden of er moeten besluiten genomen worden over de toekomst van de organisatie, dan worden deze gegevens uit alle hoeken en gaten opgerakeld. Vervolgens worden deze gegevens aan elkaar gekoppeld en zo wordt er ‘iets zinnigs’ gezegd over de status van het betreffende bedrijfsonderdeel. Dit is vaak een tijdrovend proces, waarbij accuratesse niet altijd gewaarborgd is. Het zorgt voor druk bij werknemers en de uitkomst van dit alles is vaak minder bruikbaar dan men zou willen.
Stel je een wereld voor waarin je dit volledige proces inclusief foutloze en complete resultaten in één klik tevoorschijn tovert. Dat is wat ik doe.
Nu een stukje theorie:
Onze manier van werken is gebaseerd op het Data Analytics Maturity model van Gartner. Dit model onderscheidt vier verschillende volwassenheidsniveaus (stappen) van Data Analytics. Het is van belang om stap voor stap naar een volgend volwassenheidsniveau te gaan. Pas nadat een stap voltooid is kan worden begonnen met de volgende stap.
De eerste stap in Data Analytics: Descriptive Analytics. Wat is dit?
Descriptive Analytics beschrijft het verleden en geeft daarmee inzicht in wat er in het verleden is gebeurd. Het wordt gebruikt om op een geaggregeerd niveau te begrijpen wat er gebeurd is binnen de organisatie. Denk bijvoorbeeld aan een winst- en verliesrekening. Een winst- en verliesrekening laat zien wat de opbrengsten en kosten over een bepaalde periode zijn. Dit is wat Descriptive Analytics laat zien, niets meer niets minder.
Aan het einde van deze stap worden dashboards tijdig, juist en compleet opgeleverd en zijn er geen handmatige handelingen meer nodig. Om dit te bereiken is de bouw van een datawarehouse nodig. Het datawarehouse is de basis van alle management informatie. Dashboards ten behoeve van management informatie worden in principe alleen op de informatie vanuit het datawarehouse gebouwd. We beginnen met het ontsluiten van de belangrijkste bronnen waarmee een organisatie werkt. Hiermee is 95% van de informatiebehoefte voor deze stap gedekt. Het resultaat van Descriptive Analytics is een cockpit: een overzicht van je kpi’s en je financieel resultaat.
Descriptive Analytics, wat kan ik ermee?
Descriptive Analytics zorgt voor een integrale structuur over al je rapportages heen. De organisatie structuur uit het HR systeem is bijvoorbeeld anders dan de organisatie structuur van de boekhouding. Descriptive Analytics zorgt ervoor dat deze structuren één structuur worden en hierdoor ontstaat een integraal beeld. Dit wordt Master Data Management genoemd. Het is dan ook mogelijk om de omzet te delen door het aantal fte, zo ontstaat de mogelijkheid om afdelingsoverschrijdend kpi’s te formuleren.
Is mijn organisatie klaar om met Descriptive Analytics aan de slag te gaan?
Er zijn twee zaken belangrijk voordat een organisatie kan starten met Descriptive Analytics.
De eerste: klaar zijn voor een datawarehouse. Je moet inzien dat de huidige Excel rapportage set niet meer voldoet aan de eisen en je ziet voordelen aan het gebruik van een datawarehouse.
De tweede: het bewust zijn. Hiermee bedoel ik dat organisaties inzien dat een vorm van Business Intelligence zal zorgen voor een efficiëntere en accuratere manier van werken. Als je je afvraagt: waarom besteed ik zoveel tijd aan rapporteren? Of als het bestuur klaagt over het niet tijdig en juist aanleveren van cijfers. En wil je geïntegreerde rapportages maken over verschillende bronsystemen heen? Dan raad ik aan om een oriëntatie te starten naar Descriptive Analytics.
Deze blog is de eerste uit een serie van vier over Data Analytics. De volgende blog gaat over de tweede stap: Diagnostic Analytics. Oftewel antwoord vinden op de vraag waarom iets is gebeurd.
