Wat bedrijven kunnen leren van analytics in sport

Analytics in sport heeft de afgelopen jaren een behoorlijke vlucht genomen. Sportteams en coaches maken steeds vaker gebruik van slimme technologieën. Waar de coach vroeger langs de lijn stond met een stopwatch en op basis van ervaring en onderbuikgevoel zijn sporter tot het uiterste dreef, zijn sporters tegenwoordig uitgerust met sensoren en werken teams samen met data scientists om beter voor de dag te komen. Denk aan schaatsers in een windtunnel voor de perfecte houding, voetbalselecties die op basis van analytics worden samengesteld of realtime coaching in de Formule 1.

De wijze waarop zij omgaan met data kun je gerust in de fase van predictive of perscriptive analytics schalen. Ze doen een analyse op basis van historisch data, maar ze maken ook een voorspelling en nemen beslissingen, om te winnen. De IBM Slamtracker is een goed voorbeeld. Het systeem dat gebruikt wordt tijdens Wimbledon en de US open heeft alle historische data over tenniswedstrijden geregistreerd en voorspelt wat een speler moet doen om een grotere kans te hebben om te winnen. Coaches gebruiken deze data om een strategie te bepalen. En in sport is het verschil tussen winnen en verliezen klein en the winner takes it all.

In het bedrijfsleven ligt dat natuurlijk iets genuanceerder, maar het neemt niet weg dat je met data analytics de concurrentie te slim af kan zijn. En omdat data verzamelen tegenwoordig steeds eenvoudiger en goedkoper wordt kun je eigenlijk niet achterblijven. Wat nu een voordeel is, is straks gemeengoed.

Maar wat is er nu nodig om een data gedreven organisatie te worden? Als uitgangspunt is het belangrijk dat er een visie is en dat die wordt gedragen door het management. Er moet duidelijk zijn wat de organisatie met ‘slimme data’ kan en wil, en wat daar voor nodig is. Een strategische aanpak, over verschillende afdelingen, is noodzakelijk. Zo ontstaat een oplossing die breed gedragen en praktisch uitvoerbaar is. Je kunt wel een zeggen dat een speler 10 procent harder moet serveren, maar de speler moet dit ook kunnen uitvoeren. Misschien ligt een andere oplossing dan meer voor de hand.

Begin met een project dat impact heeft op de business, maar tegelijk niet te groot of complex is. Werk agile zodat gedurende het project geëxperimenteerd kan worden. Dit is een goede manier om te leren hoe je organisatie slim met data om kan gaan en hoe een vervolgtraject eruitziet. Wanneer het project succesvol is, wint data analytics aan draagvlak en kun je stappen zetten. Wanneer je collega merkt dat jullie nieuwe strategie succes heeft, zal hij of zij natuurlijk nieuwsgieriger worden.

Data analytics moet door de board room worden gedragen, maar ook in andere lagen op de radar staan. Medewerkers zouden eigenlijk over bepaalde basiskennis moeten beschikken. Je kunt teams en afdelingen hierop trainen door ze een cursus datamanagement te geven. Zo begint het te leven. Andersom is het ook belangrijk dat de data scientist weet wat andere divisies doen. Zo creëer je onderling begrip en ontstaat een vliegwiel voor data analytics.

Als laatste is het belangrijk om een goed platform te kiezen zodat iedereen in het team bij de data kan en er goed mee kan samenwerken. Een goed platform zorgt ervoor dat je je datahuishouding op order hebt en je innovatief kunt zijn. Het paced-layered model van Gartner gaat bijvoorbeeld uit van drie groepen:
- system of records, applicaties die de operationele processen ondersteunen, bv de klantgegevens;
- system of differentiation, applicaties die voor unieke bedrijfsprocessen worden ontwikkeld;
- system of innovation, nieuwe applicaties voor kortlopende projecten om in te spelen op kansen in de markt.

Om echt stappen te zetten heb je een system of innovation nodig, een soort speeltuin waar je kunt experimenteren met data. IBM Watson, onze technologie voor kunstmatige intelligentie, is bijvoorbeeld in staat om op een geavanceerde manier patronen in data te ontdekken zodat nieuwe producten of nieuwe manieren van zakendoen ontstaan. Het spelen met data is eigenlijk zo eenvoudig dat de data scientist dit samen met de marketingmanager en projectmanager etc. kan doen. Het is ook aan te raden om een team samen te stellen uit meerdere divisies. Dus naast de data scientist dienen ook medewerkers van andere afdelingen te worden betrokken (marketing, product, r&d). Zo wordt data analytics onderdeel van de rest van je organisatie.

De datahuishouding moet derhalve zo afgestemd zijn dat descriptive, predictive en perscriptive analytics ondersteund worden, uniform zijn in gebruik en voldoen aan alle wet- en regelgeving zoals GDPR. Dit is een vereiste om stappen te zetten. Zonder een gedegen platform komen innovatieve projecten niet van de grond of stranden. Hierdoor wordt data analytics geen onderdeel van de organisatie.

De genoemde voorwaarden dienen als een roadmap naar een data gedreven organisatie. Laat je vooral inspireren door hoe sporters en sportteams met data te werk gaan om betere prestaties te leveren. Ze zetten technologie en data slim in en kijken hoe dit effectief bijdraagt om het verschil te kunnen maken. Door nieuwe technologie, wordt data verzamelen en analyseren steeds eenvoudiger en door de juiste data kun je net wat harder serveren dan je opponent. En dat maakt het verschil.

Jack Esselink is Big Data and Analytics Evangelist at IBM.