Gepubliceerd op: 02 november 2020
Expert:
Prof. Jan Bosch
Lees meer over Jan Bosch
Deel

Onlangs heb ik als expert een workshop verzorgd bij een bedrijf dat datagedreven wilde worden. Anders dan de productbedrijven waar ik normaal gesproken mee werk, is dit bedrijf een dienstverlener met een groot aantal medewerkers die diensten aanbieden aan klanten. Tot de deelnemers aan de workshop behoorden de CEO en het hoofd bedrijfsontwikkeling, evenals verschillende anderen die deel uitmaken van het managementteam van het bedrijf of daar dicht bij staan.

In veel opzichten lijkt dit de ideale opstelling te zijn, omdat je ervan uitgaat dat we alle managementondersteuning hebben die we nodig hebben en een aantal van de slimste mensen in het bedrijf bij ons hebben. Dit werd zelfs versterkt doordat verschillende mensen in het bedrijf vertelden dat ze al heel lang met gegevens werken. Desondanks liepen we tegen een aantal aanzienlijke uitdagingen aan en kwamen we lang niet zo ver als we hadden gehoopt.

De eerste uitdaging was om concreet te worden over specifieke hypotheses om te testen. Hoewel we concrete voorbeelden van hypotheses en bijbehorende experimenten deelden toen we begonnen met brainstormen en teamwerk, had iedereen het ongelooflijk moeilijk om van een doel op hoog niveau, het verhogen van een specifieke bedrijfs-KPI, bijvoorbeeld klanttevredenheid, naar een specifieke hypothese en een bijbehorend concreet experiment te gaan. Daar zijn veel redenen voor. Een voor de hand liggende is dat veel mensen vinden dat ‘iemand’ ‘iets moet doen’ aan datgene waarover ze zich zorgen maken, maar nooit veel hersencycli besteden aan het nadenken over hoe dat eruit zou zien.

De tweede uitdaging was dat voor alle gegevens die het bedrijf tot zijn beschikking had, de gegevens die relevant waren in de betreffende situatie vaak niet beschikbaar waren. Veel bedrijven waar ik mee werk beweren dat ze heel veel gegevens hebben en velen in de organisatie zijn dan echt verbaasd dat ‘gewoon’ de gegevens die ze nodig hebben niet zijn vastgelegd. Als je erover nadenkt, ligt het voor de hand dat dit het geval zou zijn, aangezien het aantal hypotheses dat je kunt formuleren vrijwel oneindig is en de kans dat gegevens niet beschikbaar zijn dus vrij groot is.

De derde uitdaging waar we tegenaan liepen was dat zelfs in de gevallen waarin de gegevens beschikbaar waren, deze geaggregeerd bleken te zijn en/of een te lage registratiefrequentie hadden om relevant te zijn voor het doel dat we voor ogen hadden. Dus, we hebben de gegevens, maar ze zijn in een vorm die niet de analyse mogelijk maakt die we willen doen.

De reactie op deze uitdagingen is, zoals je zou verwachten, erop uit gaan en verzamelen wat we nodig hebben om het experiment voort te zetten om tot een bevestiging of verwerping van de hypothese te komen. Het grappige besef dat ik had, is dat hoe relevanter en belangrijker de hypothese is vanuit een zakelijk perspectief, hoe waarschijnlijker het is dat het te maken heeft met regelgevende beperkingen die beperken wat kan worden verzameld zonder door een heleboel disclaimers en toestemmingen te gaan. We kwamen dus in de situatie terecht dat verschillende veelbelovende hypotheses niet testbaar waren vanwege juridische beperkingen.

Tot slot, zelfs als we een specifieke hypothese en bijbehorend experiment hadden en we in staat waren om de gegevens te verzamelen die we nodig hadden, bleek het ontzettend moeilijk om op te schalen naar het punt van statistische significantie. Het uitvoeren van een grootschalig experiment dat een behoorlijke kans op mislukking heeft, maar dat erg duur en riskant is om uit te voeren, doet het doel van experimenteren een beetje teniet.

Een datagestuurde organisatie worden is een van de belangrijkste doelen die elk bedrijf zou moeten hebben. Het zorgt voor een veel hogere kwaliteit van besluitvorming en activiteiten en bereidt je voor op het gebruik van AI als een belangrijke differentiator en enabler. De stap van woord naar daad is echter een uitdagende reis waarbij je idealiter leert van de fouten van anderen voordat je zelf nieuwe fouten maakt. We hebben de gegevens nodig, maar we moeten het slim uitvoeren.