Aan de slag met data analytics (2) – Waarom is het gebeurd?
In mijn voorgaande blog hebben we het gehad over de eerste stap in data analytics. In die stap draait het er om dat de klant altijd compleet, juist en tijdig kan rapporteren. De eerste stap geeft dus antwoord op de vraag Wat is er gebeurd? Natuurlijk is dit interessant om te weten, maar nu kun je nog niet verklaren waarom de cijfers zijn zoals ze zijn. Dus wil ik het in deze blog hebben over stap twee in data analytics: diagnostic analytics. Zodat we antwoord kunnen geven op de vraag Waarom is het gebeurd?
Hoe pakken we dit aan?
Afhankelijk van wat er gebeurd is gaan we kijken waarom het gebeurd is. Dit doen we door vanuit een geaggregeerd perspectief in te zoomen op de details met zoveel mogelijk relevante doorsnijdingen.
Als bijvoorbeeld uit de rapportage blijkt dat de omzet minder is dan vorige maand, dan kan dit verschillende oorzaken hebben. Als eerst gaan we na of dit in de prijs zit of in het aantal verkochte producten. Het is nu dus van belang om zowel prijs als kwantiteit als onderbouwing voor een financieel cijfer te hebben. Veelal worden deze cijfers niet uit de boekhouding gehaald, maar uit het facturatiesysteem (waar trouwens een schat aan informatie verborgen ligt, maar daar zal ik nu niet op in gaan…). Om te kijken of het verschil wordt veroorzaakt door de prijs of de kwantiteit gaan we een aantal doorsnijdingen zichtbaar maken, bijvoorbeeld product en klant. Het kan natuurlijk zo zijn dat de ene klant meer betaalt voor een product en de andere klant minder. Vaak worden hiervoor ook trendanalyses gebruikt. Seizoenspatronen worden ontdekt en uitschieters kunnen worden verklaard.
Er zijn allerlei technieken beschikbaar om dieper in de gegevens te duiken. Deze technieken plaatsen een laag (een ‘semantisch model’) bovenop het datawarehouse, met daarin de vertaling van data naar een betekenisvolle set gegevens met onderlinge relaties. Dit model is ingericht om snel en efficiënt verdere detaillering van gegevens te kunnen geven. Zo wordt het mogelijk om dieper te duiken in de opbouw van gegevens, andere gegevens erbij te pakken of om andere invalshoeken (zoals verkoopkanaal of regio) erbij te halen. Vaak is het zelfs mogelijk om dit via Excel en draaitabellen te bekijken, zodat de gebruiker in zijn vertrouwde omgeving blijft (wat voor velen van ons een groot voordeel is). Er is veel meer te vertellen over deze techniek, dus binnenkort volgt een blog waarin we dit verder uitleggen.
Als blijkt dat de analyse vaker nodig is, wordt het repeterend werk. Dat is het juiste moment om van analyse over te gaan naar rapportages. Automatiseer het werk dat zich herhaalt. Zo creëer je ruimte voor nieuwe analyses en daardoor ontstaan nieuwe inzichten die er toe leiden dat we betere beslissingen nemen.
Wanneer is mijn organisatie klaar om met Diagnostic Analytics aan de slag te gaan?
Na stap één volgt logischerwijs pas stap twee. Dus dient eerst het descriptive analytics deel van het analytics maturity model op orde te zijn voordat gestart wordt met het diagnostic analytics deel. Dit betekent in het kort dat er een datawarehouse is en dat er gebruik wordt gemaakt van master data management. Zie blog: aan de slag met data analytics (1) – Wat is er gebeurd? voor meer toelichting hierover. Zodra descriptive analytics is afgevinkt heb je dus een betrouwbare dataset tot je beschikking voor analyses. Op het moment dat jouw organisatie aan de slag wil gaan met de tweede stap (diagnostic analytics) moeten er mensen in je organisatie vrij gemaakt worden om deze analyses te maken. Dit zijn vaak controllers of marketing managers.
Wanneer een organisatie zich ontwikkelt op de volwassenheidsniveaus van data analytics heeft dit toenemende invloed op de processen, de organisatie en de mensen in de organisatie. In deze tweede stap kunnen deze invloeden niet meer genegeerd worden. Omdat er een nieuwe manier van werken wordt geïntroduceerd, heeft dit directe invloed op de processen. De organisatie en mensen ondervinden hier ook gevolgen van; mogelijk veranderen de benodigde competenties voor functies.
Deze blog is de tweede uit een serie van vier over data analytics. Lees ook de derde blog uit deze serie: predictive analytics. Oftewel antwoord vinden op de vraag Wat kan er gebeuren?
