Bram van Bakel

Michel Mols – Consultant

Organisaties houden zich al tijden bezig met Corporate Performance Management (CPM), ook wel prestatiemanagement genoemd. Hierbij worden prestaties op alle vlakken binnen de organisatie (zowel financieel als niet-financieel) gemeten en gemanaged. Het belang van CPM wordt vaak door hoger management erkend, maar vervolgens niet goed in de organisatie belegd. Toch is het belangrijk om CPM goed uit te voeren. Door de strategische doelstellingen te formuleren en te beleggen in de organisatie wordt kwaliteit en performance continu verbeterd. Dat kan alleen door deze doelstellingen in KPI’s te formuleren. Het SMART maken en ze daarna frequent beoordelen is hierbij essentieel. Onderbuikgevoel is niet meer van deze tijd. Data is overal en zorgt ervoor dat alles gemeten kan worden. Zoals Robert Kaplan al zei: “What gets measured, gets done”.

PCDA-cylcus

Een bekende methode om dit te borgen is de Plan Do Check Act cyclus (PDCA-cyclus): doelstellingen worden opgesteld, het resultaat wordt beoordeeld en daarna wordt er, indien nodig, bijgestuurd. In deze blog leggen we de PDCA-cyclus uit, vervolgens lichten we toe hoe de PDCA-cyclus digitaal geborgd kan worden in een organisatie.

Plan

Deze fase wordt gedreven vanuit de missie, visie en strategie van je organisatie, deze geven de kaders en de richting aan. Met behulp van KPI’s (Key Performance Indicators) zorg je ervoor dat je op het juiste pad blijft. Aan de hand van deze input wordt een plan opgesteld met daarin doelstellingen en verbetermaatregelen. Om succes te behalen moeten alle betrokken personen zich kunnen vinden in het plan.

Do

Dit is het moment van meten. Het plan wordt tot uitvoering gebracht, dus alle bijbehorende acties worden uitgevoerd. Soms wordt ervoor gekozen om acties eerst kleinschalig te introduceren bijvoorbeeld door middel van een testomgeving. Ook hier geldt dat alle betrokkenen mee worden genomen in deze stap.

Check

In deze fase worden uitgevoerde acties geëvalueerd. Welke doelen waren er gesteld? Zijn deze behaald? Om deze fase uit te kunnen voeren is het noodzakelijk om de juiste data voorhanden te hebben. Het is dus belangrijk dat alle data in je organisatie op orde is en het biedt voordelen wanneer je de informatie gemakkelijk vanuit een dashboard kunt aflezen.

Afwijkingen tussen het plan en de realisatie komen in deze fase naar boven. Wanneer de data op orde is weet je altijd wat er is gebeurd en verklaar je waarom het is gebeurd. De Do en Check fase van de cyclus vormen de analytische zijde, zo weet je wat je moet doen en hoe je het moet doen.

Act

Het resultaat van de vorige fase geeft aan waar moet worden bijgestuurd in de Act fase. Eerdere maatregelen of plannen kunnen worden bijgesteld of nieuwe besluiten worden genomen gebaseerd op de verkregen analyses en resultaten.

De Act fase zorgt voor agility, je aanpassingsvermogen zou met de tijd moeten versnellen. Je stuurt bij precies op de momenten dat het nodig is.

Continue verbeteren en vernieuwen

Door deze systematische manier van werken blijf je een leer- en verbetercyclus doorlopen. Het is geen eenmalig traject, je bevindt je altijd in één van de PDCA fasen. De PDCA-cyclus is het kloppend hart van de Control afdeling binnen een organisatie. Het cyclisch karakter zorgt ervoor dat kwaliteitsverbetering en -vernieuwing continu onder de aandacht zijn.

De data is al in je organisatie, nu is het zaak om deze in te zetten zodat je een data gedreven organisatie wordt, die continue verbetert en vernieuwt.

Digitaliseren van de PDCA-cyclus

Door de PDCA-cyclus te standaardiseren en automatiseren wordt deze manier van werken vele malen makkelijker geborgd in de organisatie.

Met behulp van een datawarehouse kunnen geautomatiseerde dashboards gemaakt worden. Dit dashboard zorgt ervoor dat jij en je collega’s altijd compleet, tijdig en juist inzicht hebben in de benodigde data. Er wordt niet meer gediscussieerd over de juistheid van data, maar over de inhoud. Nu zie je in een oogopslag wat er is gebeurd en waarom dit is gebeurd (lees hier meer over in de blog over het data analytics model).

Door de PDCA-cyclus te digitaliseren wordt samenwerking gestimuleerd dankzij workflows, toelichtingen en acties. Het werken met geprinte documenten, e-mails en telefoontjes naar collega’s is verleden tijd.

Bovendien zorgt een digitale PDCA-cyclus ervoor dat je kunt starten met een rolling forecast. Zo krijg je elke maand nieuwe inzichten en staar je niet het hele jaar naar een verouderde begroting. Ook deze rolling forecast is geïntegreerd in een dashboard waarbij forecast en realisatie direct af te lezen zijn.

Uiteindelijk wil je dat een organisatie van impliciet onbewust naar expliciet bewust transformeert, door het digitaliseren van de PDCA-cyclus zet je een enorme stap in de goede richting.

Maarten Ravestein – Consultant  

Kwaliteit is lastiger te meten dan financiële getallen. Het is minder objectief en gevoel speelt vaak een grote rol. Toch zien steeds meer organisaties in dat het meten van kwaliteit van waarde is voor de groei van de organisatie. Inzicht hebben in bijvoorbeeld de mate van tevredenheid van een klant vertelt veel over jouw product of dienst.

Lees in deze eerste blog uit deze serie over hoe kwaliteitsdata geïntegreerd kan worden in je organisatie.

Er zijn tools die helpen bij het meten van kwaliteit (denk aan Customeyes, KlantOK), deze geven goed inzicht in de kwaliteit. Maar deze gegevens worden pas echt krachtig als je ze integreert met de kwantitatieve KPI’s in je organisatie. Zo kom je erachter of er relaties zijn tussen financiële indicatoren en kwaliteitsindicatoren. Een lage score van klanttevredenheid op een bepaalde locatie kan namelijk direct invloed hebben op de kwantitatieve afname van een product. Vaak worden financiële getallen sterk beïnvloed door kwaliteitsindicatoren.

Maak gebruik van een kwaliteitsdashboard

Op dit dashboard worden verschillende kwaliteitsindicatoren getoond. Op verschillende domeinen kan worden ingezoomd zodat direct te herleiden is waar een bepaalde waarde vandaan komt. Een kwaliteitsdashboard staat niet op zichzelf, het wordt vaak geïntegreerd met bijvoorbeeld een locatiedashboard of een HR dashboard. Op deze manier worden kwaliteitsdrivers direct betrokken bij het betreffende onderdeel van de organisatie.

Waarom een kwaliteitsdashboard?

Door het verbeteren van kwaliteit zullen klanten en medewerkers meer tevreden zijn, dit leidt uiteindelijk tot een succesvollere organisatie. Door kwaliteitsindicatoren te integreren in je organisatie kun je op zoek gaan naar relaties. De relatie tussen personeelstevredenheid en ziekteverzuim kan bijvoorbeeld een direct voorspelling geven voor de personeelsbezetting in de toekomst. Een uitkomst kan zijn dat de bezetting zal over x tijd lager worden omdat de gemeten kwaliteit minder is.

Geef kwaliteit een stem

Wanneer jouw organisatie tools gebruikt om kwaliteit te meten én je hebt controle over de data in jouw organisatie, dan kun je gebruik gaan maken van een kwaliteitsdashboard. Op deze manier zal de kwaliteitsdata samen kunnen werken met de financiële data in de organisatie. Zo stuur je niet meer alleen op financiële data, maar heb je ook inzichtelijk wat de kwaliteit voor invloed heeft op  deze financiële indicatoren.

In de volgende blog uit de serie over het integreren van kwaliteitsdata zoeken we de verdieping op door een aantal praktijkvoorbeelden te delen.

Joep Verbeeten – Consultant

We zijn aangekomen bij de vierde en laatste blog in de serie over data analytics. In de vorige drie blogs nam Johnny van Cadsand ons mee in het verhaal over descriptive, diagnostic en predictive analytics. Hiermee kan een organisatie verklaren wat er is gebeurd, waarom het is gebeurd en wat er kan gaan gebeuren. De laatste, ultieme stap in data analytics is prescriptive analytics. Hierin gaan we op zoek naar de vraag hoe laten we het gebeuren?

Voor deze laatste blog heeft Johnny de pen overhandigd aan Joep Verbeeten, hij is een van onze meest ervaren consultants en specialist op dit onderwerp. Joep droomt zelfs over dit type data analytics en licht de laatste stap graag toe.

Wat is prescriptive analytics?

Er is veel geschreven over wat prescriptive analytics is en hoe het werkt. Ik zal hier een korte uitleg geven die zeker niet alles omvat, maar zo krijg je een beeld van de basis.
Prescriptive analytics is de ultieme stap met betrekking tot analytische mogelijkheden. Het is gebaseerd op big data, data mining en artificial intelligence, in de vorm van machine learning – het vermogen van een computerprogramma om zonder menselijke input gegevens te begrijpen en zelflerend te worden. Belangrijk om te vermelden bij machine learning modellen is dat het meestal blackboxen zijn. Dit betekent dat je er data in kan stoppen maar dat het moeilijk is om te achterhalen hoe het programma precies aan de uitkomsten komt.

De data die in de modellen wordt gestopt is groot en divers, het bestaat uit gestructureerde (cijfers, categorieën) en ongestructureerde data (video’s, afbeeldingen, geluiden, teksten). Hier begint de transitie van datawarehouse naar data lake. Een groot voordeel hiervan is dat de ongestructureerde data gebruikt kan worden om onderlinge relaties bloot te leggen waarvan het bestaan niet of nauwelijks bekend is. Kortom: een data lake zorgt voor complexere analyses en kan mogelijke problemen en oplossingen identificeren waar je met gestructureerde data nooit op had kunnen komen.

De data die in het model wordt gestopt wordt gecombineerd met bedrijfsregels om te voorspellen wat ons te wachten staat en om aanbevelingen te geven over hoe we kunnen profiteren van deze voorspelde toekomst. Het ‘prescriptive’ zit ‘m dan ook in het feit dat het systeem voor jou bepaalt, jou ‘voorschrijft’, wat de vervolgstappen zouden moeten zijn.

Wat kan je met prescriptive analytics?

Google’s zelfrijdende auto is een veel gebruikt voorbeeld van prescriptive analytics in actie. Het voertuig maakt miljoenen berekeningen tijdens elke rit die de auto helpt te beslissen wanneer en waar te draaien, wanneer te remmen, gas te geven en van baan te wisselen – dezelfde beslissingen die een bestuurder neemt.
Deze vorm van analyse wordt ook gebruikt in cybersecurity om onderscheid te maken tussen legitieme en kwaadaardige activiteiten en het signaleren van bijvoorbeeld creditcardfraude. In retail wordt prescriptive analytics ook toegepast. Amazon start met anticiperende verzending. Zij verzenden producten naar hubs in de buurt van klanten voordat deze daadwerkelijk gekocht worden op basis van hun gedrag op het platform van Amazon. Dit kan leiden tot zeer snelle levertijden.

Ook voor medische diagnoses wordt prescriptive analytics gebruikt, zo kunnen artsen verschillende soorten kanker diagnosticeren door onderscheid te maken tussen sterk invasieve kankercellijnen, en minder invasieve lijnen met alleen informatie over de celvorm. Laat mij dit voorbeeld gebruiken om aan te geven hoe je deze machine learning modellen traint.
Een medisch expert beoordeelt afbeeldingen van cellen en koppelt daar een diagnose aan (wel of geen kanker cel). Vervolgens worden duizenden van deze afbeeldingen aan het model voorgelegd. Het model zoekt overeenkomsten tussen de foto’s met kankercellen en stelt op basis daarvan een diagnose criterium in bij nieuwe foto’s. Wat deze criteria zijn is (meestal) onbekend. Elke nieuwe foto die wordt voorgelegd aan het model zal dan aan de hand van deze criteria worden gediagnostiseerd.

Wanneer is mijn organisatie klaar voor prescriptive analytics?

Deze laatste stap in data analytics zal voor veel sectoren (nog) niet interessant zijn. Op het moment werken slechts enkele organisaties met prescriptive analytics.
Het is een dure manier van analyseren, niet elke organisatie zal dus in staat zijn om dit financieel te verantwoorden. Ook zorgt het voor de nodige verandering in een organisatie, een business intelligence expert kan dit er niet ‘even’ bij doen. Het is een op zichzelf staande discipline, hiervoor zullen medewerkers moeten worden bijgeschoold of aangenomen. Vaak wordt de rol van data scientist hierbij genoemd.
Bij predictive analytics werden al ethische vragen gesteld, deze ethische kwesties gaan bij prescriptive analytics een flinke stap verder. Er kan bijvoorbeeld niet worden achterhaald hoe bepaalde beslissingen zijn genomen.

Toch is het belangrijk om te realiseren dat dit wel de toekomst is en dat het dus zinnig kan zijn alvast kennis van deze stap in data analytics op te bouwen.

Johnny van Cadsand – COO

De vorige twee blogs gingen over descriptive en diagnostic analytics. Hiermee kan een organisatie verklaren wat er is gebeurd en waarom het is gebeurd. Dit heeft dus alles te maken met ‘terugkijken’. Kennis van het verleden is nodig om het heden te begrijpen. Dit begrip is nodig om een referentiekader te schetsen voor de volgende stappen in data analytics.

In deze blog neem ik je mee in stap drie: predictive analytics. In deze stap vinden we antwoord op de vraag Wat kan er gaan gebeuren?

Wat kan je met predictive analytics?

Op dit moment weet je wat er is gebeurd en waarom het is gebeurd. Er kan nu verteld worden wat er beter had gekund. Maar je gaat pas echte waarde toevoegen aan het bedrijf als je ook kan vertellen wat er gáát gebeuren. Door gebruik te maken van verschillende technieken kun je voorspellingen doen over toekomstige of onbekende gebeurtenissen in je organisatie. Dit doe je op basis van de huidige situatie en feiten (data) uit het verleden. Dit kan gaan over financiële cijfers, maar vooral over de drivers die leiden tot deze financiële cijfers. Denk weer aan het aantal verkochte producten en de prijzen hiervan (zie blog 2: waarom is het gebeurd?). Deze informatie wordt gegenereerd door het reeds ontwikkelde datawarehouse. Door middel van statistische analyses en data mining worden patronen in datasets gebruikt om naar voren te kijken.

In de praktijk houdt dit in dat je geen ellenlange begrotingsprocessen meer hebt, maar je werkt met  geautomatiseerde forecast modellen. Deze modellen houden rekening met zowel interne als externe verandering die continue op de loer liggen en een impact kunnen hebben op de performance van jouw organisatie.
In verschillende scenario’s kun je nu bijvoorbeeld meten wat het effect van een tariefstijging is op de omzet. Hierbij wordt onder andere rekening gehouden met prijselasticiteit en externe variabelen zoals het weer, macro economische beslissingen etc.
Met predictive analytics kun je dus forecasten.

Wanneer is mijn organisatie klaar voor predictive analytics?

De eerste twee stappen uit het data analytics model moeten op orde zijn. Pas hierna kan de volgende stap worden gezet. Dit betekent dat de volgende drie onderdelen geregeld moeten zijn: data, kennis en proces.
De data moet gestructureerd klaar staan. Voor degene die betrokken zijn bij het automatiseren is het belangrijk dat zij beschikken over de juiste kennis. Zij moeten de data goed begrijpen, weten wat de drivers in je organisatie zijn en weten hoe de organisatie werkt. Het proces is wellicht het meest uitdagend om te automatiseren. We hebben hier namelijk te maken met mensen die op een andere manier moeten gaan werken. Ondanks dat we veel klaarzetten en een collega alleen nog maar de cijfers hoeft te bekijken en eventueel aan te passen, is een gedragsverandering nodig.

Deze blog is de derde uit een serie van vier over data analytics. Lees ook de laatste blog uit deze serie: prescriptive analytics. Oftewel antwoord vinden op de vraag Hoe laten we het gebeuren?

Johnny van Cadsand – COO

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?