Praktische tips voor datagedreven werken

In mijn dagelijkse werk heb ik het voorrecht om bij veel verschillende bedrijven en organisaties mee te kunnen kijken. Zo leer ik elke dag weer bij over wat wel en niet werkt bij het in de praktijk brengen van datagedreven werken. Dat maakt ook dat onderstaande lijst in geen velden of wegen compleet is of kan zijn. Maar 'begin klein' is nu net een van de tips die ik mee kan geven. Onderstaande lijst zal dus in toekomst regelmatig worden aangevuld.

Begin klein
Bij het ontwerpen en uitdenken van je eerste dataproduct is de verleiding groot om al je wensen en creativiteit in je eerste poging te willen stoppen. Maar juist daar lopen veel bedrijven vast: door de torenhoge ambities en verwachtingen aan dat eerste dashboard is het vrijwel onmogelijk dat succesvol op te zetten, terwijl je als organisatie nog volop bezig bent te leren welke processen, systemen en tools je allemaal bij elkaar moet brengen om tot een dashboard te komen. Begin daarom met een kleine scope, zodat je jezelf de tijd geeft om het proces te leren kennen. Zo voorkom je dat je zonder training meteen een kampioenschap moet winnen!
 
Samen leren
Het is een cliché, maar bij datagedreven werken is de reis zeker zo belangrijk als de bestemming. Niet alleen voor het draagvlak van je oplossing, maar ook voor het leren werken met data binnen de organisatie is het daarom belangrijk dat je alle stakeholders vanaf het begin betrekt bij het bereiken van het doel. Zo voorkom je dat werken met data een exclusief feestje van de data-afdeling wordt, en kunnen processen en verantwoordelijkheden meegroeien met de data-ambities van de organisatie.
 
Voor wie
Kijken naar dezelfde data is iets anders dan kijken naar hetzelfde dashboard. Waar de directie behoefte heeft aan overzicht kan dat voor de medewerkers in een operationeel proces voelen als te ver weg of onpraktisch. Vraag je dus af wie er gediend is met een dashboard ‘voor iedereen’ – Er is niets mis met een eigen dashboard voor iedereen, zolang de brondata maar dezelfde is.
 
Precisie
Vaak geven we data in detail weer ‘omdat het kan’  – maar in de meeste vakgebieden baseren we onze beslissingen niet op verschillen achter de komma. Bedenk dus welke mate van detail relevant is voor de beslissing die je faciliteert – en laat de rest weg. Daarmee voorkom je discussies over afrondingsverschillen en zoektochten naar de juiste cijfers.
 
Wat is waar
Zodra twee systemen dezelfde meting weergeven zal er verschil ontstaan. Zelfs de meest dichtgetimmerde systeemintegratie maakt ergens een afrondingsverschil. En waar de meeste organisaties het prima eens kunnen worden over welke meting ze dienen te gebruiken voor een bepaalde KPI is het grote twistpunt vaak wat dan de definitie van die meting zou moeten zijn. Door vanaf de start duidelijk vast te leggen welke data uit welke bron met welke bewerking je gebruikt voorkom je niet alleen discussie, maar leg je ook een belangrijke basis voor goede data governance!

Kwaliteit
De meest gehoorde reden om níet met data te werken is de kwaliteit: ‘er zitten fouten in deze dataset’ is vaak een reden voor diskwalificatie van de data, en daarmee van de data-oplossing. De vraag is in hoeverre dit terecht is: elke dataset bevat fouten, soms vanuit de operationele processen, soms vanuit technische integratie, soms vanuit handmatige invoer. En voor sommige toepassingen van data zijn die fouten onverteerbaar, bijvoorbeeld voor een beëdigde accountantsverklaring of voor scheikundige berekeningen. Voor de meeste toepassingen maakt een enkel foutje in de data evenwel niet uit, en verandert het beeld helemaal niet. Verwar ‘zo goed als nodig’ niet met perfectie!