De data gedreven organisatie: hoe ziet die eruit in de praktijk?

Opeens is ie overal: de ‘Digital Enterprise’ (op zijn plat-Nederlands: de digitale organisatie). Als je het gerenommeerde partijen als Gartner, Accenture en Harvard Business Review vraagt, zou ieder bedrijf er een moeten worden. Ook als je 't aan ons vraagt, trouwens. Wij helpen onze klanten al jaren op weg naar de Digital Enterprise. Voordat je zover bent, moet je als organisatie echter eerst ‘data driven’ worden. Wat dat precies inhoudt, lees je in dit artikel. 

De definitie van de data gedreven organisatie

In de academische wereld lijkt er nog geen consensus te bestaan over de definitie van de data gedreven organisatie. Ter illustratie: Harvard University publiceerde in 2019 nog een studie waarin werd uitgelegd hoe je besluitvorming kan baseren op informatie. De onderzoekers presenteerden dit als “data-driven”, maar wat zij bespraken, is slechts een deel van de definitie van de data gedreven organisatie. Op basis van mijn eigen ervaringen ben ik zelf met een meer empirisch vastgestelde definitie van de data gedreven organisatie gekomen:

Een data gedreven organisatie is een organisatie die nieuwe businessmodellen snel kan adopteren en gebruik maakt van geautomatiseerde interne processen en procedures.

Het data gedreven organisatiemodel

Aan bovenstaande definitie kan alleen invulling worden gegeven als alle bedrijfsonderdelen en externe partijen die noodzakelijk zijn voor de bedrijfsvoering op de juiste manier, en op het juiste moment, informatie uitwisselen. Bovendien maak ik een duidelijk onderscheid tussen data en informatie, en wat de menselijke actoren met deze informatie doen. De definitie zoals ik die beschrijf, vormt de basis van het data gedreven organisatiemodel: een model dat kan worden toegepast op alle situaties waar informatie nodig is. Het model bestaat uit 4 onderdelen;

Data

De dataset (of, in deze context, meerdere datasets) is een collectie van enen en nullen die op één of meerdere locaties opgeslagen zijn. Eigenaarschap van de datasets mag verspreid zijn over meerdere partijen.

Informatie

Informatie is datgene wat er uit de enen en nullen geëxtraheerd kan worden. Dit onderdeel staat voor de logica waarmee informatie uit de datasets wordt gehaald. De praktijk leert dat de informatielogica sterk gekoppeld is aan het volgende onderdeel, de actor.

Actor

De actor staat voor een levend persoon die de informatievraag stelt. Afhankelijk van de context van de vraagsteller kan ar andere informatie uit de data nodig zijn.
Bedrijfsvoering

Dit onderdeel beschrijft hoe de informatie wordt ingezet voor de bedrijfsvoering. Denk aan uitvoering, beleid maken en wetgeving opstellen. Bedrijfsvoering is zeer afhankelijk van de organisatie.

Data gedreven is eigenlijk informatie gedreven

Bovenstaand model is generiek voor alle aspecten die met IT te maken hebben (people, process en technology). Wat je hieruit kan concluderen, is dat de term ‘data gedreven organisatie’ niet helemaal juist is. Data moet immers juist geïnterpreteerd worden voordat het van enig nut kan zijn. Accurater is de term ‘informatie gedreven organisatie’.

Praktijkvoorbeelden van data gedreven bedrijfsvoering

Nu we de betekenis van de data gedreven organisatie scherp hebben, ben je waarschijnlijk benieuwd naar de praktijk. Want wat betekent het om data gedreven te zijn en in welke bedrijfsprocessen maakt het een verschil? In de afgelopen 10 jaar van mijn carrière ben ik betrokken geweest bij een aantal transformatietrajecten waar het thema informatiehuishouding altijd leidde tot (verbeterde) data gedreven bedrijfsvoering. Hieronder neem ik een aantal van deze voorbeelden met je door.

• Bij een van mijn vorige werkgevers begeleidde ik de automatisering van de interne processen. Hierdoor leverde 40% minder personeel uiteindelijk kwalitatief beter en sneller werk.
• Bij een autofabrikant wilde men weten hoe een autosysteem om moet gaan met tegenstrijdige wetgeving. Als oplossing introduceerden we het concept van geo-fencing in de auto, waardoor de auto “weet” waar hij rijdt en dus welke wetgeving van toepassing is.
• Een koffiefabrikant wilde zijn apparaten slimmer maken om zo de klantervaring te verbeteren. Wij implementeerden een systeem waarmee zij reclame konden maken op de apparaten, wat zorgde voor een hele nieuwe bron van inkomsten.
• Voor Weolcan-klant Lely, een bedrijf dat melkrobots produceert, koppelden wij data die de robots verzamelen aan cloudapplicaties. Hierdoor weet Lely nu precies wanneer onderhoud nodig is, waardoor zij flink besparen op monteurskosten. Maar er is meer. Doordat data uit de robots in cloudapplicaties wordt opgeslagen, verdient Lely nu ook aan de datarapportages. Zo voorzien zij boeren van nuttige informatie, van de gezondheid van hun koeien tot het eiwitgehalte in hun melk. Een compleet nieuw business model dus!
• Een verzekeraar wilde de claimafhandeling terugbrengen van weken naar minuten. Wij automatiseerden het proces, zonder kwaliteit van afhandeling in te leveren.
• Een persoonlijke favoriet: ‘De levenscyclus van een ijsje’. Een ijsfabrikant wilde de reis van graszaadje tot ijsconsumptie in beeld brengen. In deze reis zijn meerdere hele grote bedrijven gemoeid, wat de informatie-uitwisseling heel complex maakte. Middels deze exercitie konden we de impact van gebruikte graszaden op de kwaliteit van de geleverde grondstoffen voor het ijsje gaan voorspellen. De ‘connected cow’ speelde hier ook een rol in.
• Eigenlijk zijn alle Smart-‘vul maar in’ trajecten data gedreven! Denk aan smart houses, smart cities, smart highways en smart meters.

Deze zaken hebben allemaal dezelfde gemene deler, namelijk dat er data omgezet wordt in bruikbare informatie en hier snel op geacteerd wordt. Automatiseren en orchestreren van de data- en informatiestroom zijn hier de sleutelwoorden.

De uitdagingen van de data gedreven organisatie

Uiteraard heeft ook de data gedreven organisatie te maken met uitdagingen. De grootste uitdaging gaat over externe data. Eisen op gebied van privacy gelden namelijk ook voor datasets en systemen die niet direct in het beheersveld van de organisatie vallen. Je bent dus wél verantwoordelijk voor deze data, maar je hebt er geen controle over. Daarom is het belangrijk dat ieder onderdeel van het data gedreven organisatiemodel aan bepaalde eisen voldoet. Je vindt ze hieronder.

• Data moet integer zijn. Dat wil zeggen dat we het volgende van alle betrokken datasets moeten weten:

• • Hoe is de dataset gemaakt en hoe betrouwbaar is deze?
  • Wie heeft er toegang tot de dataset?
  • Wie heeft er toegang tot de dataset gehad?
  • Wie heeft de dataset aangepast en waarom?

• Informatie moet betrouwbaar zijn:

• • Betrouwbaarheid van de dataset moet bekend zijn.
  • Integriteit van de dataset moet bekend zijn.
  • Context van de vraagsteller moet in acht worden genomen.
    
    
• Actor moet goed geïnformeerd zijn. De actor bepaalt hoe goed hij/zij geïnformeerd is als voorgaande overwegingen bekend zijn, de juiste vraag gesteld is en er rekening mee gehouden wordt dat er wellicht andere datasets benodigd zijn om goed geïnformeerd te zijn.
  
  
• Bedrijfsvoering moet worden uitgevoerd op basis van goed geïnformeerde actoren.

Als je bovenstaande eisen in je achterhoofd houdt wanneer je bedrijfsprocessen automatiseert, ontstaat er, op een bijna evolutionaire manier, inzicht in de metadata van deze bedrijfsprocessen. Wie of wat draagt bij aan mijn bedrijfsprocessen en op welke manier doen zij dat? 

Zo word je een informatie gedreven digital enterprise

Bij Weolcan zien wij Cloud als een middel om tot een data gedreven organisatie te komen. Hierin is het zaak om grip te krijgen op de drie-eenheid People, Process en Technology. Wij raden onze klanten aan om hiervoor een Cloud Centre of Expertise op te richten. Dit is een intern team dat ervoor zorgt dat Cloud zó wordt ingezet dat alle afdelingen bijdragen aan de strategische doelen van de organisatie en voldoen aan wet- en regelgeving. Zo verandert de organisatie van een organisatie “vol data” in een informatie gedreven digital enterprise. Meer weten? Download onze quick guide!