Categorie: Artikelen

Categorieën
Artikelen Kennisbank

Data en ethiek, zo ga je ermee om

Artikelen

Kan het, mag het en wil ik het?

Als het gaat om het gebruiken van (big) data, komen er nogal eens wat ethische bezwaren om de hoek kijken. Ethische vragen zoals; weten we straks te veel? Kunnen we te veel zien? Hoe voorkomen we dat data terug te leiden is tot individuele personen?
En zijn we er eerlijk en open over?

Data-en-ethiek-KIM-Plus-Delta

Wat is data-ethiek?

Data-ethiek houdt in dat je nadenkt over hoe je wilt dat er met data wordt omgegaan. Ten onrechte wordt wel eens gedacht dat data-ethiek daarover regels en voorschriften bevat. Dat klopt niet. Ethiek betekent dat je zelf nadenkt over wat goed is om te doen. Daarbij is het belangrijk om te reflecteren en met elkaar in gesprek te gaan en te blijven.

Welke ethische problemen zijn er?

Ethiek in het algemeen is nogal een ruim begrip. Toch onderscheiden we binnen de data-ethiek grofweg vier verschillende problemen: 

  1. Privacy
  2. Gebrek aan transparantie
  3. Bias en discriminatie
  4. Gebrek aan governance en verantwoordelijkheid

Privacy

Het beginsel van (big) data is dat veel gegevens worden opgeslagen, ook (vaak gevoelige) persoonsgegevens. Of wat denk je van camerabeelden van plekken als Schiphol? Met deze gegevens kun je op de persoon toegespitste reclame tonen, zoals op websites. Natuurlijk gebeurt dat niet op het niveau van één enkele persoon, maar op groepen personen met bepaalde kenmerken. Toch is het vaak technisch mogelijk tot op persoonsniveau in te zoomen. De vraag is dus of dat mag en of je dat wilt.

Gebrek aan transparantie

Welke gegevens worden er eigenlijk opgeslagen en wat gebeurt daar vervolgens mee? Veel mensen worstelen met die vraag. Zeker techreuzen als Microsoft en Facebook slaan heel veel gegevens op, maar zijn een stuk minder transparant met vertellen waarvoor precies.

Bias en discriminatie

Eén van de meest bekende voorbeelden die de laatste jaren in de media verschenen, is recruitment op basis van data. Het idee hierachter is nobel.
AI (artificial intelligence) zou bijvoorbeeld geen onderscheid maken op basis van geslacht, leeftijd, geloof of huidskleur, maar puur op harde feiten.
In de praktijk blijkt dit anders. De input voor AI en machine learning is namelijk data uit het verleden. En als daar wel onderscheid werd gemaakt op basis van bovenstaande kenmerken, dan kun je wel raden wat er gebeurt.

Gebrek aan governance en verantwoordelijkheid

Tot slot blijft de vraag over wie er eigenlijk verantwoordelijk is voor (het opslaan van) data en de analyses, algoritmes en andere verwerkingen.
En wie controleert deze verantwoordelijken

Zo ga je om met ethiek in de praktijk

Als je weet welke problemen je tegen kunt komen, weet je ook waarover je gesprekken moet voeren. Het kan slim zijn om daar een commissie voor in te richten, maar de mensen uit het werkveld zijn zeker belangrijk.

Tijdens zulke gesprekken komen drie vragen telkens terug. Ten eerste: kan het? Kun je überhaupt de gegevens opslaan dat ze herleidbaar zijn tot een bepaalde persoon, of is dat technisch onmogelijk? Vervolgens: mag het? De AVG (GDPR) uit 2018 geeft belangrijke regels over privacy, die vastgelegd zijn in de wet. Tot slot: willen we het? Als het kan en mag, dan hoef je het natuurlijk nog niet te doen. Als het onnodig is voor je bedrijfsvoering bijvoorbeeld. Ze ben en blijf je zelf in de lead.

Hulp nodig of eens sparren?

Je leest dit artikel in onze serie over Datagedreven Werken en Dashboarding. We vinden een reactie op ons artikel leuk, dus laat zeker iets achter in de comments op LinkedIn als je wilt. Natuurlijk kun je ook direct contact opnemen met
KIM Plus Delta.

Categorieën
Artikelen Kennisbank

Hoe maak je een goed dashboard en wie doet wat?

Artikelen

Dashboards zijn essentieel voor een goede bedrijfsvoering én om de concurrentie voor te blijven. Met een dashboard heb je in één oogopslag en (near) real-time inzicht in de belangrijkste informatie die je nodig hebt om beslissingen te nemen. Hoe beter, relevanter en recenter de data en je dashboards zijn, hoe sneller je kunt bijsturen.

De vraag is natuurlijk hoe je tot een goed dashboard komt. Dat doe je door de juiste mensen te betrekken. Wie dat zijn? Dat vertellen we je graag.

Hoe maak je een goed dashboard? -Kim Plus Delta

Verschillende soorten dashboards voor verschillende mensen

Een dashboard bestaat uit verschillende visualisaties, zoals grafieken, tabellen, kaarten of andere meters. Je kiest de visualisatie die de informatie het beste weergeeft. Daarnaast is een dashboard overzichtelijk en beknopt; je ziet alle informatie op één scherm. Als er teveel informatie zichtbaar is, dan kan dat overweldigen en haken mensen snel af. Hetzelfde geldt als de informatie niet relevant is.

Om die reden hebben verschillende afdelingen en verschillende hiërarchische niveaus vaak aparte dashboards. Die kunnen overigens wel dezelfde data bevatten, maar tonen die anders.

Begin bij het begin

Veel organisaties maken de fout door direct te starten met het bouwen van een dashboard. De uitkomst is dan eigenlijk altijd hetzelfde: er staat veel te veel op het dashboard. Daardoor wordt een dashboard vaak al snel niet meer gebruikt.
Om dit te voorkomen moet je dus keuzes maken.

KPI’s voor het dashboard bepalen

De eerste persoon, of eigenlijk rol, die je daarvoor nodig hebt is een strategische denker. Hij of zij bedenkt op hoog niveau wat er nodig is om problemen binnen de organisatie op te lossen en welke KPI’s (key performance indicators) daarvoor interessant zijn. Natuurlijk zit deze persoon niet in z’n eentje op zolder dashboards uit te denken. De input van de business is hierbij razend belangrijk, want alleen zij kunnen antwoord geven wélke problemen er opgelost moeten worden en waar echt behoefte aan is.

Een extra tip is om klein te beginnen. Je komt waarschijnlijk makkelijker tot een zestal KPI’s waar je zeker gebruik van gaat maken, dan tot de perfecte volledige lijst. Maak gewoon eerst die eerste zes, zodat je in de praktijk kunt zien wat werkt. Je hebt dan ruim de mogelijkheid om bij te sturen en om de set van KPI’s later uit te breiden.

Stap 1

Maak het plan concreet

Zodra het plan op grote lijnen bekend is, ga je dat plan concreet maken. Je vult daarbij de concrete informatiebehoeften in. Wie heeft wanneer welke informatie nodig en waarom.

Meestal neemt iemand in de rol van business analist het voortouw. Het gaat letterlijk om het analyseren van de business, dus hij of zij heeft veel contact met allerlei mensen uit alle lagen van de organisatie. De nadruk ligt op de communicatie en concretiseren, en minder op de techniek. Dat komt in de volgende stap.

Stap 2

Informatiebehoefte mogelijk maken

Nu we weten wat er nodig is, wordt het tijd om uit te zoeken of en hoe data antwoord kan geven op de (informatie)behoeften. Zijn er processen en systemen die de data vastleggen en kunnen we die ook gebruiken? Of zijn ze er wel, maar moeten ze opgeschoond of getransformeerd worden?

Zijn de gegevens er helemaal niet, of niet op de juiste manier, dan moet er uitgezocht worden of dit toch mogelijk gemaakt kan worden.

Stap 3

Start met bouwen; de ontwikkelaar

Weten we wat we willen, waarom en hoe we dat voor elkaar kunnen krijgen? Fantastisch, dan kan de ontwikkelaar aan de slag! Het bouwen bestaat uit twee gedeeltes, die vaak door twee verschillende rollen wordt gedaan, al hoeft dat niet per se.

Ten eerste de meest technische rol, waarbij gegevens ontsloten worden en die kennis van databases en datawarehouses vraagt. De tweede rol gaat over het daadwerkelijk visualiseren van de data in een BI-tool.

Stap 4

Testen, testen en nog eens testen

Om zeker te weten of het dashboard werkt zoals je in de eerste stap hebt bedacht, wil je dat het zo snel mogelijk operationeel is. Natuurlijk test je eerst of de gegevens op de goede manier, op tijd en juist worden weergegeven volgens plan.

Maar nog belangrijker is dat de mensen die het dashboard gaan gebruiken dit zo snel mogelijk doen, oftewel de business. Pas dan weet je echt of het goed is en kun je bijsturen waar nodig.

Meer weten over Datagedreven Werken en Dashboarding

Dit artikel is er één in onze serie over datagedreven werken en dashboarding. Heb je hierover of over dit artikel vragen? Laat ze achter in de comments op LinkedIn, vinden we leuk!

Natuurlijk kun je ook direct contact opnemen met KIM Plus Delta en we helpen je graag.
En anders tot het volgende artikel!

Categorieën
Artikelen Kennisbank

Gratis data is goud waard

Groep mensen achter laptop - KIM Plus Delta

Artikelen

Zeg ‘gratis’ en de gemiddelde Nederlander spitst de oren. Let nu dan ook maar even goed op, want er zijn heel veel gratis datasets die je als organisatie kunt gebruiken. Voor niks dus! En als je dat goed doet, levert het je veel op. In dit artikel leggen wij je uit wat een gratis dataset is, wat de voordelen zijn en geven we je enkele voorbeelden van beschikbare gratis datasets.

Groep mensen achter laptop - KIM Plus Delta

Wat bedoelen we met gratis data?

Wat is gratis data nu eigenlijk? Gratis data heet ook wel Open Data. Dit is informatie die is verzameld, geproduceerd of betaald door overheidsdiensten. Deze data wordt vervolgens gratis beschikbaar gesteld voor hergebruik voor iedereen en voor welk doel dan ook.

Gratis datasets, hoezo dan?

Voor niets gaat de zon op. Daarom vragen veel mensen zich af: waarom zijn deze gegevens dan toch gratis beschikbaar? Ten eerste is informatie van overheidsdiensten betaald uit publiek geld. 

Daarnaast heeft (her)gebruik van de data een aantal voordelen voor zowel de gebruikers als de overheid zelf. Gratis data zorgt voor:  

  • Transparantie in het handelen van de overheid.
  • Economische en maatschappelijke innovatie.
  • Verbetering van bedrijfsvoerings- en dienstverleningsprocessen.

Het zorgt onder andere voor transparantie in het handelen van de overheid. Het is immers inzichtelijk voor iedereen. Ook zorgt het voor allerlei economische en maatschappelijke innovatie. Tot slot zorgt het voor een effectievere en efficiëntere overheid, want door data te gebruiken kunnen bedrijfsvoerings- en dienstverleningsprocessen verbeterd worden. Van de overheid zelf en daarbuiten.

Voorbeelden van gratis datasets

Er zijn veel verschillende datasets die je kunt gebruiken, met de meest uiteenlopende data. Wat dacht je van weergegevens van het KNMI? Of gegevens over files of de waterstanden? 

Er zijn ook datasets afkomstig van bijvoorbeeld het CBS, Rijkswaterstaat, het Havenbedrijf, de Kiesraad en het Kadaster. Er zijn inmiddels meer dan 12.000 datasets beschikbaar! Je vindt ze op data.overheid.nl

Waarom zou je gratis datasets gebruiken?

Dat iets (gratis) beschikbaar is, betekent natuurlijk nog niet dat je het kunt of moet gebruiken. Toch raden we aan om eens rond te neuzen in alle beschikbare datasets. Naast dat het een leuk tijdverdrijf is, kan het ook echt iets opleveren. Voorbeelden van organisaties die open data succesvol gebruiken, zijn:

  • Buienradar, die de eerdergenoemde gegevens van het KNMI gebruikt.
  • Rijdendetreinen.nl, die gegevens van allerlei openbaarvervoerbedrijven gebruikt.
  • Wordfeud, dat gebruik schijnt te maken van het openbaar beschikbare Groene Boekje.
  • Wetten.nl, waarop alle Nederlandse wetten staan.

In dit geval hebben bedrijven of initiatieven data gebruikt om er zelf een website of zelfs businessmodel omheen te bouwen.

Datasets voor data-analyse

Een andere mogelijkheid is om de datasets te gebruiken voor data-analyse. Ken je het voorbeeld van de Wijker- en Velsertunnel? Als de ene tunnel afgesloten is, moet het verkeer omrijden via de andere tunnel met lange files als gevolg. Daarom is het belangrijk om te weten waarom de tunnel dicht is en of je dat kunt oplossen. 

Door allerlei datasets te combineren en analyseren, kwamen de data-analisten tot een bijzondere conclusie. Het bleek dat de tunnel vooral dicht ging bij een bepaalde windrichting! De oorzaak? De wind blies dan de zeilen van de vrachtwagen omhoog. De automatische hoogtedetectie dacht daardoor dat de vrachtwagen te hoog was voor de tunnel en de stoplichten sprongen automatisch maar onterecht op rood.

Aan de slag met gratis datasets!

Geeft dit artikel je inspiratie om gratis datasets te gebruiken? Bedenk dan eens welke data voor jouw organisatie interessant is. 

Gebruik je al open data? Wij zijn heel erg benieuwd naar de toepassingen. Laat het ons weten!
Dat kan via onze LinkedIn-pagina, waar je jouw comment kunt achterlaten.

Heb je vragen over datagedreven werken of dashboarding? Neem dan contact met ons op.
Of volg onze serie artikelen over deze onderwerpen op onze website en LinkedIn.

Categorieën
Artikelen Kennisbank

Zo vind je je weg in de data jungle

Artikelen

Welcome to the (data) jungle, baby! Data mag dan het ‘nieuwe goud’ zijn, het is tegelijkertijd een treasure hunt. Want er is inmiddels zo ontzettend veel data, dat het lastig wordt door de bomen het bos
– herstel: de jungle! – te zien. Om er het maximale uit te halen, moet je je databronnen slim gebruiken. We vertellen je graag hoe je de weg vindt in de data jungle en hoe je start met datagedreven werken.

hoe-starten-in-datajungle-kim-plus-delta

Wildgroei aan data

De hoeveelheid data neemt nog steeds exponentieel toe. De belangrijkste reden hiervoor is de digitalisering. Er is tegenwoordig bijna geen proces meer te bedenken dat nog analoog gedaan wordt. Op het moment dat een proces digitaal wordt, creëer je ook direct informatie in een digitale vorm: data. Bovendien genereren computersystemen zelf ook weer data. Stel: je neemt contact op met een klantenservice. Dan wordt niet alleen inhoudelijke informatie in een systeem vastgelegd, maar automatisch ook de datum, tijd en medewerker die het contact afhandelt.

Hetzelfde geldt voor allerlei apparaten die data genereren. Van het koffiezetapparaat op kantoor, de zonnepanelen op je dak tot de machines in grote fabrieken. En dan hebben we het nog niet eens gehad over apparaten waarvan de belangrijkste taak data verzamelen is, zoals telsystemen langs de snelweg. De hoeveelheid data woekert dus net zo hard als de planten en bomen in de jungle!

Databronnen versus datasets

Wat is is het verschil tussen een databron en dataset(s)? Een databron is de oorspronkelijke locatie van data, die leidt tot een dataset.
Een dataset kan uit meerdere databronnen afkomstig zijn. Voordat je de data induikt zet je die databronnen eerst op een rij. Hoe pak je dit het beste aan?

Gebruik een landkaart
voor je treasure hunt

Als je gaat schatzoeken heb je een goede landkaart nodig. Dat geldt ook voor data. Om de weg te vinden in de data jungle maak je een overzicht van databronnen in een databronnenkaart. Daarna kies je een eerste gebied om mee te starten. En dan ga je natuurlijk voor het gebied met de grootste kans op goud.

Maak een plan om te starten
met datagedreven werken

Begin niet zonder een uitgedacht plan, want dan is de kans groot dat je verdwaalt in de data jungle. Je plan bevat aan de ene kant je probleemstelling of het doel dat je wilt bereiken met data. Aan de andere kant helpt de databronnenkaart je om richting te geven. Welke data heb je, en welke antwoorden kun je daaruit halen? Sluiten de doelen en de data op elkaar aan? Geweldig, dan kun je van start! 

 

Wil je weten hoe je het beste kunt starten?

Lees dan ons artikel Van start met datagedreven werken. Daarin vertellen we je hoe je dat in vijf heldere stappen voor elkaar krijgt.

Volg onze artikelenreeks over Datagedreven Werken en Dashboarding.

Dit artikel is onderdeel van onze reeks over datagedreven werken en dashboarding. Je vindt alle artikelen op onze website en we posten ook op LinkedIn.

Ben jij ook wel eens verdwaald in de data jungle, of heb je inmiddels de weg gevonden? We zijn heel benieuwd naar je ervaringen. Ook als je vragen hebt of een onderwerp waarover je graag wilt lezen in deze serie, vinden we het leuk als je een comment achterlaat op LinkedIn. 

Wil je eens sparren over data, dashboarding of starten met datagedreven werken? Neem dan contact met ons op.

Categorieën
Artikelen Kennisbank

Grijze data: van black box naar white spot

grijze-data-digitale-transformatie-kimplusdelta

Artikelen

Digitale transformatie, informatietijdperk of digitalisering. Welke termen je precies gebruikt maakt niet zoveel uit, feit is dat de afgelopen decennia de grote omslag van analoog naar digitaal plaatsvond.

Het echte omslagpunt kwam volgens onderzoekers in 2002, toen er evenveel informatie analoog als digitaal was. Daarna ging het rap. Dit zorgt ervoor dat er een ongekende hoeveelheid data is, die enorme potentie heeft voor je bedrijfsvoering.

grijze-data-digitale-transformatie-kimplusdelta

Alles digitaal

Inmiddels zijn we twintig jaar verder en is zo langzamerhand alles gedigitaliseerd. Foto’s en afbeeldingen worden digitaal opgeslagen, alles wat je maar wilt weten kun je online vinden, en zelfs een koffiezetapparaat is in veel gevallen digitaal. Dat betekent automatisch dat er data worden gegenereerd. Wat staat er op zo’n afbeelding, welke zoekopdrachten doe je en hoeveel kopjes koffie van welke soort drink je?

Van grijze data naar white spots

Hetzelfde geldt voor bedrijven en organisaties. Machines in een fabriek laten een spoor van data achter, net als camera’s langs de snelweg die nummerborden registreren. En wat dacht je van HR-, CRM- of financiële systemen?

Er is dus een ongekende hoeveelheid data beschikbaar in een organisatie, maar die wordt vaak nog niet ontsloten en daardoor niet gebruikt. We noemen dit grijze data. Je zit daarmee op een potentiële goudmijn, maar wat het precies voor je kan doen is onbekend; één grote black box. Het is daarom belangrijk te zoeken naar white spots, oftewel erg waardevolle ontdekkingen.

Verzamelen van gegevens in een industriële omgeving

Onze klanten opereren meestal in industriële omgevingen, zoals;

  • Fabrieken
  • De auto-industrie
  • Overslagbedrijven
  • Brouwerijen.

Machines bij deze klanten worden vaak aangestuurd door een PLC, Programmable Logic Controller. Dit is een industriële computer die productieprocessen aanstuurt en vervolgens allerlei gegevens vanaf de productievloer opslaat.

Vervolgens wordt deze data gebruikt om opdrachten te geven aan de machines of apparaten waarop de PLC zit aangesloten. Dat kan iets simpels zijn als starten of stoppen, maar ook meer ingewikkelde commando’s. Tegelijkertijd wordt gecontroleerd of alle metingen binnen de gestelde normen vallen en het proces dus goed verloopt. Daar stopt het dan.

Van informatie over het productieproces naar OEE

Natuurlijk is dit al een mooi gebruik van data, maar er kan nog veel meer. Een duidelijk voorbeeld is de OEE (Overall Equipment Effectiveness). Een simpele, praktische en krachtige KPI (key performance indicator) om de prestaties van het productieproces te monitoren én te verbeteren.

Verbeteren doe je binnen drie categorieën, waarbij je kijkt waar de grootste winst valt te behalen. Deze categorieën zijn beschikbaarheid, prestatie en kwaliteit. Beschikbaarheid meet de verliezen in relatie tot (geplande en ongeplande) stilstanden. Prestatie meet de verliezen in relatie tot achterblijvende snelheid. Kwaliteit ten slotte gaat over orders die niet volledig zijn afgerond. Samen maken deze drie KPI’s de OEE. Met OEE heb je dus een volledig inzicht in de effectiviteit van de productie.

Data is overal!

Het belangrijkste om aan de slag te kunnen met grijze data, is het besef dat data overal is. In eerder genoemde machines, door sensoren en diverse systemen. Het is extra waardevol om verschillende data(bronnen) te combineren, wat mogelijk is doordat vrijwel alle systemen beschikken over API’s waarmee je data uit de systemen kunt halen.

Wees je wel bewust dat focus belangrijk is. Bedenk welke problemen je op wilt lossen en hoe je data daarvoor kunt inzetten. Dan is data het meest krachtige middel dat er is.

Een digitale detox kan soms ook geen kwaad

Ben je trouwens op het verkeerde been gezet door de term white spot? Dat kan! Met white spot wordt ook wel bedoeld de (spaarzame) plekken in Nederland waar je geen bereik hebt. Door alle digitalisering hebben veel mensen behoefte om een tijdje offline te zijn.

De volgende vakantie toch maar eens een digitale detox? Een goed idee, want door afstand te nemen kom je vaak op de beste ideeën hoe je data kunt inzetten voor je organisatie.

Volg onze artikelreeks over Datagedreven Werken en Dashboarding op LinkedIn

KIM Plus Delta schrijft een serie artikelen over datagedreven werken en dashboarding. Denk jij ook dat er binnen jouw organisatie veel te behalen valt met grijze data? We zijn benieuwd naar jouw mening. Laat in de comments op LinkedIn weten waar jouw organisatie tegenaan loopt, deel jouw ervaringen of stel vragen aan onze data-experts en ontvang tips.

Natuurlijk kun je ook direct contact opnemen met KIM Plus Delta bij vragen, of als je hulp nodig hebt bij het vinden van jouw white spots.

Categorieën
Artikelen Kennisbank

Wat is een goed dashboard?

Wat is een goed dashboard

Artikelen

Less is more

Wil je je organisatie sturen op basis van data, dan zijn dashboards onmisbaar. Dashboards zijn een visuele weergave van bedrijfsdata, vaak in de vorm van grafieken, kaarten en diagrammen.

Ze tonen de key performance indicators (KPI’s) van je bedrijf en de bijbehorende norm of doel, zodat je snel afwijkingen in kaart hebt. Maar wat is nu eigenlijk een goed dashboard?

Wat is een goed dashboard

Welke informatie zet je op je dashboard?

Natuurlijk kom je genoeg uitdagingen tegen bij het maken van een goed en bruikbaar dashboard. Maar er is één ding dat daar met kop en schouders bovenuit steekt: welke KPI’s zet je erop? Tien tegen één dat er veel te veel KPI’s in aanmerking komen. Eerlijk is eerlijk: dan is je dashboard eigenlijk waardeloos!

De juiste gegevens, overzichtelijk en to-the-point

Met datavisualisatie in overzichtelijke dashboards zie je in één oogopslag alles wat je nodig hebt. Bovendien is direct zichtbaar of iets goed gaat of niet, bijvoorbeeld door te werken met de kleuren rood en groen. Of door de norm zichtbaar te maken binnen een grafiek, waardoor je gelijk ziet of die overschreden wordt.

Hoe maak je een goed dashboard?

Bij een overkill aan informatie haken mensen af. Zeker als de gegevens op het dashboard niet relevant zijn. Denk bijvoorbeeld aan KPI’s van de afdeling logistiek van jouw organisatie. Die zijn voor de salesafdeling een stuk minder interessant. Verwerk alleen de belangrijkste en relevante informatie op het dashboard en zorg voor de juiste rolverdeling bij het maken van het dashboard.

Verschillende rollen, verschillende behoeftes

Dashboards zijn dus het meest waardevol als ze niet voor iedereen hetzelfde zijn, maar rekening houden met de behoeften van medewerkers. Denk bijvoorbeeld  aan een fabriek. De productiemedewerker is voornamelijk geïnteresseerd of het proces goed verloopt. Een KPI op zijn dashboard is bijvoorbeeld het aantal producten dat per uur van de band komt.

Zijn teamleider kijkt naar het gehele proces, en heeft KPI’s als het percentage fouten in de productielijn, de gemiddelde storingstijd of OTD (On Time Delivery). Voor de directeur is weer een andere niveau belangrijk. KPI’s die daarbij horen zijn bedrijfsresultaat of klanttevredenheid.

Neem je tijd om te focussen,
dan ga je later sneller!

Je ziet, het is belangrijk om te bepalen wat je op jouw dashboard zet. Wij raden daarom aan om ruim de tijd te nemen voor dit proces. Overhaast niet door direct te gaan bouwen, maar bepaal in grote lijnen wat er écht nodig is voor een bepaalde rol om goed te kunnen monitoren en sturen.

Begin liever met een paar KPI’s die je zeker weet en hou nog wat ruimte over voor latere toevoegingen. Als je weet wat je wilt, kun je daarop focussen en kun je daarna razendsnel aan de slag!

Hulp nodig of eens sparren?

Dit artikel is er één in onze serie over datagedreven werken en dashboarding.  Heb je hierover of over dit artikel vragen? Laat ze achter in de comments op LinkedIn. Natuurlijk kun je ook direct contact opnemen met KIM Plus Delta. We helpen je graag! Volg ons op LinkedIn. Dan mis je geen artikel van de serie over datagedreven werken en dashboarding.

Categorieën
Artikelen Kennisbank

Datagedreven besluitvorming

Beslissingen maken op basis van data

Artikelen

Van onderbuik naar feiten

Maak jij beslissingen op basis van feiten of op basis van je onderbuikgevoel? 

Bij 95% procent van alle beslissingen die we per dag maken, hakken we de knoop in maximaal 7 seconden door. Op zo’n moment maken je hersenen de beslissing onbewust, op basis van een gevoel. Niet voor niks zijn we daarom allemaal bekend met de term ‘onderbuikgevoel’. Dat onze hersenen zo werken is heel handig.

Zo ben je snel weer terug van een bezoekje aan de supermarkt, rijd je zonder nadenken ‘op de automatische piloot’ naar je werk en spring je op tijd opzij als er een auto iets te hard op je af komt rijden.

Beslissingen maken op basis van data

Besluitvorming op basis van onderbuikgevoel

Gaat het om relatief kleine en eenvoudige beslissingen, dan is het onderbuikgevoel prima. Dat gevoel is voornamelijk gevoed door eerdere ervaringen (je bent al duizenden keren naar de supermarkt geweest en in de auto gestapt) of instincten (fight, flight or freeze bij gevaar).

Het wordt een probleem bij meer complexere problemen die je niet overziet, problemen waar je geen of weinig ervaring mee hebt of bij strategische besluitvorming. Daar komt nog eens bij dat je brein zich nog wel eens laat foppen, door te snel een (onjuiste) conclusie te trekken. Denk maar eens aan alle optische illusies die er zijn.

Ruim 33% van de managers maakt beslissingen op onderbuikgevoel

In het bedrijfsleven gaat het juist vaak om complexere beslissingen, waarbij je dus op basis van feiten wilt handelen. Des te opmerkelijker dat uit onderzoek blijkt dat maar liefst 35% van de managers aangeeft hun strategische beslissingen nog steeds te doen op basis van een onderbuikgevoel. En als zij wel gebruik maken van data, voelt 43% zich ongemakkelijk als die data hun onderbuikgevoel tegenspreken. Best opmerkelijk, als je weet dat sinds de digitale transformatie ongelofelijk veel data beschikbaar is om feitelijke beslissingen te nemen.

Weinig vertrouwen in de juistheid van de data

De hoofdredenen hiervoor zijn weinig vertrouwen in de (juistheid van de) data en gedoe om toegang te krijgen tot data en informatie. Daarbij komt dat managers elkaar data-onvolwassen vinden, oftewel twijfelen over elkaars capaciteiten als het om data gaat. Overigens geven ze dat een stuk minder vaak over zichzelf aan.

Toets je intuïtie

Hoe zorg je er dan toch voor dat je de juiste beslissingen neemt? Naar onze mening absoluut niet door je onderbuikgevoel compleet te negeren. Intuïtie is en blijft namelijk belangrijk. Wat je wel moet doen– als je start vanuit een (onderbuik)gevoel – is je gevoel toetsen aan (alle) feiten.

Wat is datagedreven besluitvorming?

Bij datagedreven besluitvorming gebruikt een organisatie feiten, statistieken en data als leidraad voor strategische beslissingen. In plaats van dat je strategie gebaseerd is op eerdere ervaringen en onderbuikgevoel wordt de output van geanalyseerde data als uitgangspunt gebruikt bij het nemen van beslissingen.

Een voorbeeld van besluitvorming op basis van data

Een voorbeeld wat ongetwijfeld bekend voorkomt is ‘wat hebben we het druk’. Denk aan een fabriek waarin iedereen aangeeft ‘ramvol’ te zitten. Je wilt weten wat dat gevoel nu eigenlijk betekent. Ga je dat analyseren met data, dan kom je er bijvoorbeeld achter dat de levertijden worden overschreden. Daardoor nemen afnemers veelvuldig contact op, waardoor iedereen het gevoel heeft achter de feiten aan te lopen. Kijk je nog eens verder, dan blijkt dat de machines wel allemaal voldoende capaciteit hebben.

Dat medewerkers het druk hebben, valt dus niet te ontkennen. Maar de beslissing maken wat je daaraan kunt doen, kun je alleen maar op basis van data nemen. Daarom: van onderbuik naar feiten!

Volg ons stappenplan ‘van start met datagedreven werken’ en start vandaag nog.

Volg onze artikelreeks over Datagedreven Werken en Dashboarding op LinkedIn

Natuurlijk zijn er nog andere factoren die ook een rol spelen als je start met datagedreven werken. Wat dacht je van privacy & security, IT, hoe vind je de juiste mensen, hoe houd je je kennis op peil en meer. Lees hierover de volgende keer verder, want dit artikel is onderdeel van onze reeks over datagedreven werken en dashboarding.

Ben jij inmiddels goed onderweg met datagedreven werken en heb je tips voor organisaties die nog aan het begin staan? Laat dat dan weten in de comments op LinkedIn! Wil je eens sparren over data, dashboarding of starten met datagedreven werken? Neem dan contact met ons op!

Categorieën
Artikelen Kennisbank

Brandjes blussen heldengedrag?

Artikelen

Een echte super(wo)man voorkomt brand!

De brandweer of de storingsdienst zijn helden! Want ze hebben de brand geblust of de storing snel verholpen. Door dit als heldengedrag te zien blijft de cultuur van figuurlijk ‘brandjes blussen’ in stand.

Daar komt nog bij dat veel mensen houden van de adrenalinerush die hoort bij het acteren in de waan van de dag. Het is heerlijk om van spoedje naar spoedje te rennen en niet teveel na te hoeven denken over de langere termijn.

Op deze zelfde lange termijn is brandjes blussen helemaal niet zo fijn. Als er rust, overzicht en controle is, is brandjes blussen niet nodig en kun je je focussen op verbetering. Data helpt hierbij.

Voorkomen-met-data-analyse

Voorkomen is beter dan (storingen) genezen

Een voorbeeld hiervan is KHS, een toonaangevende speler in verpakkingsmachines voor dranken en conserven. Hun klanten zijn bijvoorbeeld brouwerijen en bottelaars, waar vaak 24 uur per dag en 7 dagen per week flesjes, blikjes, PET-flessen of trays worden gevuld. Op het moment dat die productielijn stilvalt door een storing, is dat een enorme financiële strop. Natuurlijk kun je je dan focussen op het zo snel mogelijk repareren van de storing waardoor de stilstand beperkt blijft, maar beter is het om de storing te voorkomen. Dat doe je met gepland onderhoud en voorspellingen over verwachte storingen te gebruiken.

Gebruik data om storingen te voorspellen

Binnen fabrieken is sinds zo’n tien jaar sprake van een Smart Industry. Dit wil zeggen dat machines en productielijnen zoveel data genereren, dat je die kunt gebruiken voor analyses en voorspellingen. Voor KHS betekende dat overigens ook meteen een ander businessmodel. Waren ze voorheen sterk in het leveren van machines en (reserve)onderdelen, inmiddels zijn hun diensten uitgebreid naar het garanderen van productiecapaciteit.

De eerste analyses zijn simpel

Hoe je data precies inzet om brandjes te voorkomen? In een fabriek is dat bijvoorbeeld door het analyseren van storingsgegevens. Kun je patronen ontdekken waarmee je kunt voorspellen wanneer een machine kapot gaat, bijvoorbeeld. Dat kan heel simpel zijn, wanneer een klein onderdeeltje van een grote machine altijd na een jaar of drie versleten is. Dan zorg je dat je het voor die tijd vervangt. Maar ook meer complexere verbanden zijn mogelijk. Zoals bijvoorbeeld dat messen eerst afwijkende data genereren, doordat ze bot worden en dat daardoor uiteindelijk de machine stilvalt. 

Je zit op een goudmijn

Wat bovendien mooi is: door de digitale transformatie is er al ontzettend veel data beschikbaar. Denk maar aan event logs van computersystemen. Ook geven machines allerlei gegevens af, die als je ze analyseert ontzettend veel kunnen vertellen. Je zit dus eigenlijk al op een goudmijn! En mist er toch nog iets, dan kun je vaak sensoren plaatsen die de gegevens meten waarnaar je op zoek bent.

Stop met brandjes blussen!

Ook het idee dat je je laat leiden door de waan van de dag? Kies dan voor rust en zorg dat je met data kunt analyseren en voorspellen. Dan ben je niet meer bezig met brandjes blussen en heb je meer tijd over om na te denken over belangrijke zaken, zoals doorlopend verbeteren. Dat is pas een heldendaad!

Volg onze artikelreeks over Datagedreven Werken en Dashboarding op LinkedIn

KIM Plus Delta schrijft een serie artikelen over deze onderwerpen. Je hebt er nu eentje gelezen. Wat vind je ervan? Laat het achter in de comments op LinkedIn! Natuurlijk kun je ook direct contact opnemen met KIM Plus Delta.

Categorieën
Artikelen Kennisbank

Van start met Datagedreven Werken

stappenplan-data-gedreven-werken-probleemoplossing-kimplusdelta

Artikelen

Alle begin is moeilijk. Ook als je start met datagedreven werken. Want help, waar moet je beginnen? Toch is het heel simpel: denk groot, maar begin klein. Sterker nog: begin gewoon!

Volg het heldere en eenvoudige stappenplan hieronder en zet de eerste stappen richting een datagedreven organisatie.

stappenplan-data-gedreven-werken-probleemoplossing-kimplusdelta

Stap 1

Bepaal je doelen en je scope

‘We moeten iets met data!’ Omdat het een hot topic is. Of omdat iedereen het doet. Maar Dick Advocaat leerde ons al: ‘Je moet niets, behalve doodgaan en belasting betalen’. Zijn gewaardeerde collega Johan Cruijff zei: ‘Zonder doel kun je niet scoren’. Wij kunnen het niet méér dan eens zijn met beide heren. Je moet helemaal niets met data, behalve wanneer het je helpt bij je doelstellingen. De mogelijkheden daarvoor zijn legio. 

Door digitalisering zijn er oneindig veel data beschikbaar waarmee je inzicht kunt krijgen in je bedrijfsprocessen en -resultaten. Op basis daarvan kun je datagedreven beslissingen nemen, in plaats van handelen op onderbuikgevoel. Bepaal dus welke doelen je wilt behalen en op welke manier je daar data voor in kunt zetten.

Stap 2

Maak concreet wat je nodig hebt

Wanneer je op grote lijnen helder hebt wat je doelstellingen zijn, maak je concreet wat je nodig hebt om dat te kunnen meten, weergeven en analyseren. Welke data uit welke systemen wil je gebruiken, bijvoorbeeld. Ook onderzoek je of die data inderdaad antwoord geeft op je vraag, of dat je bijvoorbeeld eerst moet opschonen. 

Daarnaast onderzoek je hoe je het technisch gaat inrichten. Hoe is data ontsluiting geregeld bijvoorbeeld, en welke visualisatietools ga je gebruiken. En wat dacht je van mensen en processen? Er is straks analysekennis en -capaciteit nodig om de informatie te interpreteren en actie te ondernemen waar nodig. Daarvoor moeten ook bepaalde processen worden ingericht.

Stap 3

Inrichten en data verzamelen

Als de plannen gemaakt zijn, gaan we daadwerkelijk aan de slag. De data wordt aangeleverd, de dashboards en rapportages worden gebouwd en waar nodig wordt bijgestuurd om doelen die we in de eerste stap hebben bepaald te bereiken.

Stap 4

Maak informatie van je data

In stap 2 zeiden we het al: er zijn mensen nodig om uiteindelijk informatie te maken van gegevens. Analisten interpreteren de gegevens die ze in de dashboards en rapporten en plaatsen ze in een context. Op basis daarvan maak je je beslissingen. Gebaseerd op feiten, niet (meer) op een onderbuikgevoel. 

Stap 5

Kijk vooruit en blijf verbeteren

Zo, je bent onderweg! Inderdaad, onderweg… Want klaar ben je eigenlijk nooit. Nadat je de eerste belangrijke metingen (KPI’s of Key Performance Indicators) in kaart hebt gebracht, wil je waarschijnlijk meer. Dieper in de materie, of ook andere KPI’s volgen. Bovendien blijven bepaalde metrics altijd relevant en wil je steeds blijven verbeteren. Denk bijvoorbeeld aan klanttevredenheid.

Volg onze artikelreeks over Datagedreven Werken en Dashboarding op LinkedIn

Natuurlijk zijn er nog andere factoren die ook een rol spelen als je start met datagedreven werken. Wat dacht je van privacy & security, IT, hoe vind je de juiste mensen, hoe houd je je kennis op peil en meer. Lees hierover de volgende keer verder, want dit artikel is onderdeel van onze reeks over datagedreven werken en dashboarding.

Ben jij inmiddels goed onderweg met datagedreven werken en heb je tips voor organisaties die nog aan het begin staan? Laat dat dan weten in de comments op LinkedIn! Wil je eens sparren over data, dashboarding of starten met datagedreven werken? Neem dan contact met ons op!

Categorieën
Artikelen Kennisbank

10 Voordelen van Datagedreven Werken

Artikelen

Waarom datagedreven werken? Steeds meer organisaties gaan meer en meer datagedreven werken. Om zo beter in te spelen op wat klanten willen. Of om interne processen efficiënter te maken. Of de concurrentie voor te blijven. Om bij te blijven en te kunnen blijven bestaan is datagedreven werken een must. Maar wat bereik je er nu precies mee?

Om hier antwoord op te geven hebben we tien voordelen van datagedreven werken op een rij gezet.

10 voordelen datagedreven werken

Wat is Datagedreven Werken en waarom is het belangrijk?

Voordat we ingaan op de voordelen van datagedreven werken, is het goed om te weten wat we precies bedoelen met datagedreven werken? Datagedreven werken betekent dat je stuurt op basis van feiten. Hierbij worden gegevens consequent of real-time geanalyseerd. De informatie wordt visueel weergegeven in dashboards en achterliggende rapportages. De conclusies die uit de gegevens getrokken worden, worden gebruikt voor data gedreven besluitvorming en de organisatie te sturen.

De voordelen van datagedreven werken zijn:

Hieronder lichten we de voordelen van datagedreven werken voor jou als datagedreven organisatie uit.

Voordeel 1

De voordelen van datagedreven werken zijn:

Doordat je uitgaat van data, kijk je naar feiten. Je kunt daarmee objectieve beslissingen nemen, terwijl dat voorheen subjectief was; het welbekende onderbuikgevoel. Ook andere subjectieve methoden krijgen zo geen kans, zoals anekdotisch bewijs (een klant die ene klacht indient over een incident dat slechts eenmalig is voorgekomen, maar hoog wordt opgenomen), meningen (een medewerker stoort zich persoonlijk ergens aan en zet alles op alles om daar iets aan te doen) of bepaalde personen die nogal op de voorgrond treden (‘wie het hardst schreeuwt…’).

Voordeel 2

Een hogere klanttevredenheid

De klant centraal, de klant is koning; we kennen allemaal de intentie van een bedrijf dat er alles aan doet om de klant tevreden te houden. Toch weet je pas wat de klant echt wil, wanneer je dat meet op basis van objectieve data en daar vervolgens op stuurt. In een enquête zullen klanten vooral negatieve ervaringen opgeven. Natuurlijk wil je die verbeteren, maar het is minstens net zo belangrijk om zaken die nu al leiden tot een hoge klanttevredenheid op hetzelfde niveau te houden.

Voordeel 3

Processen efficiënter inrichten

Op basis van data kun je processen analyseren, bijvoorbeeld door middel van Process Mining. Hierbij krijg je inzicht of processen op de manier verlopen zoals deze ontworpen zijn, of dat er vertraging, onlogische stappen, of zelfs uitval voorkomt. Zodra je dit inzicht hebt, kun je verbeteringen doorvoeren. Dit leidt overigens ook vaak tot een hogere klanttevredenheid, want klanten worden niet blij van inefficiënte processen.

Voordeel 4

Automatiseren van repeterende handelingen

Naast het efficiënter maken van processen kunnen repetitieve handelingen ook volledig geautomatiseerd worden. Data helpt je om te bepalen welke handelingen daarvoor geschikt zijn. Denk aan het invoeren van dezelfde gegevens in verschillende systemen, of het handmatig aanmaken van documenten. Hiervoor kun je software gebruiken die deze handelingen uitvoert. We noemen dit RPA; Robot Process Automation.

Voordeel 5

Minder kosten, meer winst

Eigenlijk niets meer dan een logisch gevolg van de vorige stappen. Door efficiëntere processen, sneller kunnen bijsturen bij veranderingen, een hogere klanttevredenheid en het automatiseren van repetitieve handelingen dalen de kosten en neemt de winst toe.

Voordeel 6

Real-time inzicht en niet achteraf ellenlang analyseren

Natuurlijk is gebruik maken van data niet nieuw. Al ging dat vroeger wel gepaard met ontzettend lange analyses. Bovendien waren de gegevens tegen de tijd dat de analyse gedaan was zo langzamerhand alweer verouderd. Zo liep je – letterlijk – achter de feiten aan. Op het moment dat je nu real-time gegevens gebruikt die duidelijk visueel zijn weergegeven in overzichtelijke dashboards, heb je direct inzicht en kun je ook direct handelen.

Voordeel 7

Voorspellen in plaats van terugkijken

Nog een stap verder dan werken met real-time gegevens is het gebruik van data om voorspellingen te doen. Door middel van data science-technieken, zoals datamining, predictive modelling en machine learning analyseer je huidige en historische gegevens om voorspellingen te doen over toekomstige of gebeurtenissen. Denk bijvoorbeeld aan de machines in een fabriek. Op basis van verschillende data zoals de tijd waarna bepaalde onderdelen versleten zijn, de temperatuur en het aantal uren achtereen dat de machine aanstaat kan er voorspeld worden wanneer deze machine een reparatie nodig heeft. 

Voordeel 8

Voorsprong op de concurrentie

Op het moment dat je écht datagedreven werkt, en dus al je beslissingen maakt op basis van (near) real-time gegevens, kun je stukken sneller acteren op veranderingen dan je concurrenten. Hetzelfde geldt als je gebruik maakt van voorspellende technieken. 

Voordeel 9

Doorlopend verbeteren

Stilstand is achteruitgang. Daarom is het belangrijk steeds te blijven verbeteren. Als je wekelijks, dagelijks, of zelfs meerdere keren per dag je dashboards in de gaten houdt op veranderingen, zie je direct als er iets mis gaat, of welke waarden verder verbeterd kunnen worden. Zo blijf je efficiënt, hou je kosten onder controle, heb je steeds meer tevreden en loyale klanten en meer winst.

Voordeel 10

Nieuwe initiatieven in de overgebleven tijd

Tot slot leiden alle eerder genoemde voordelen tot nog een voordeel. Door de snellere analyses, het efficiëntere werken en de automatisering blijft er tijd over. Hiervoor krijgen medewerkers de ruimte voor nieuwe initiatieven die bijdragen aan een nog gezonder bedrijf.

Volg onze artikelreeks over Datagedreven Werken en Dashboarding op LinkedIn

Organisaties die niet datagedreven werken hebben de in dit artikel genoemde voordelen allemaal niet en hun concurrenten inmiddels wel. Het is daarom belangrijk om zo snel mogelijk te starten met datagedreven werken.
Hoe? Lees onze andere artikelen over dit onderwerp!

Dit artikel is onderdeel van onze serie over datagedreven werken en dashboarding. Hebben jullie net de eerste stappen gemaakt richting datagedreven werken, of zijn jullie hierin al behoorlijk volwassen? We lezen graag jouw reactie op onze artikelen op LinkedIn. Wil je eens met ons sparren? Neem dan zeker even contact met ons op.