Hoe kan een organisatie eenvoudig profiteren van data en data maturity groei?
In de huidige digitale wereld is data een van de meest waardevolle middelen voor bedrijven. Veel organisaties bezitten data en hebben de ambitie de potentiële waarde ervan te benutten door een meer ‘data driven organisation’ te worden. Maar hoe kunnen organisaties op eenvoudige wijze daadwerkelijk profiteren van hun data? Dit artikel onderzoekt hoe de concepten van data maturity in de praktijk bijdragen aan het profiteren van data en de groei van een organisatie.
Wat is data maturity?
Data maturity is een maatstaf voor hoe goed een organisatie data integreert in haar besluitvormingsprocessen en praktijken. Het gaat om het benutten van data voor strategische, operationele en culturele verbeteringen binnen de organisatie. Bedrijven met een hoge data maturity hebben regie op, werken met en nemen beslissingen op basis van kwalitatieve en kwantitatieve inzichten, in plaats van te vertrouwen op intuïtie of de status quo.
Dit omvat alles van het verzamelen en opslaan van data tot het analyseren en toepassen van inzichten die uit die data voortkomen. Er zijn verschillende modellen beschikbaar die richting kunnen geven aan groei op het gebied van data-maturity en als leidraad kunnen bieden voor een roadmap. Bekende modellen om groeikansen te zien komen van Forrester, TDWI, Gartner en natuurlijk die van BI Solutions:
Kunnen we maturity niveau’s overslaan?
Veel gehoorde vragen binnen organisaties die starten met data gerelateerde projecten zijn: “Moeten we iets doen met AI of predictive analysis?” of “We hebben data, welke analyses zouden interessant kunnen zijn?” of “Kunnen we niet gewoon x, y of z analyseren?” of “Hoe gaan we bepalen wat we gaan doen” Alle vragen zijn relevant maar helaas zien wij dit soort initiatieven maar al te vaak stranden in langdurige complexe projecten doordat organisaties maturity fases overslaan en in een keer de stap van excel naar Machine learning willen maken.
Gevolgen van maturity niveaus overslaan
Wanneer bijvoorbeeld centrale opslag ontbreekt zal de organisatie veel tijd kwijt zijn aan data verzameling. Wanneer definities niet centraal worden vastgelegd in systemen brengt dit bij redundant werk met zich mee. Voor iedere data-consumptie vraag opnieuw data verzamelen, bewerken definities te vertalen naar techniek en data prepareren kost significant meer tijd dan wanneer deze eenmalig wordt opgeslagen en beschikbaar worden gesteld voor diverse consumptie doeleinden. Door direct te starten met complexe projecten worden vaak eenvoudige kansen gemist die bijdragen aan groei van een organisatie. Leapfrogging blijkt in de praktijk zelden toepasbaar.
Er is altijd een basis om vanuit te vertrekken!
Het vertrekpunt om te groeien in data-maturity verschilt per organisatie. Wanneer een project vertaald wordt naar een roadmap kan sturing worden gegeven aan maturity groei. Er zijn verschillende manieren waar kansen in eenvoud kunnen worden vertaald naar een roadmap:
Maturity groei door van stapsgewijze implementatie van tooling
Deze stichting actief in onderwijs is gestart met ad-hoc rapportages in Excel, gevolgd door eerste visualisaties in Power-BI Desktop. Een volgende stap in maturity groei was datastromen centraliseren en management rapportages automatiseren doormiddel van Microsoft Fabric. Door de aanwezigheid van een centraal punt waar alle data geprepareerd is opgeslagen maakte dit statistische analyses mogelijk. In een periode van twee jaar is deze organisatie gegroeid groeien naar “diagnostische analyses” volgens het Gartner-model.
Maturity groei door organisatiegerichte projecten
Bij deze non-profit organisatie werd zichtbaar dat er onvoldoende regie was op data kwaliteit en processen. Het eerste dat zichtbaar werd waren openstaande verzuimmeldingen van langer dan twee jaar die al afgesloten hadden moeten zijn. Hier opvolgend werd door data analyse zichtbaar dat sommige productie gerelateerde kwaliteitscontroles niet tijdig werden uitgevoerd waardoor omzet werd misgelopen. Hiernaast bleken er oude, niet-relevante en foutieve registraties aanwezig. Door deze inzichten per medewerker te visualiseren werd data kwaliteit zichtbaar voor de lijn en kreeg deze organisatie grip op processen. Door HR-systemen te combineren met productiesystemen, het bestaande data-lake te vereenvoudigen, dagelijks updates beschikbaar te stellen en individuele medewerkers eigenaar te maken over datakwaliteit en proces kon deze organisatie binnen één jaar groeien naar ‘Interactive Intelligence’ op basis van het Forrester-model.
Maturity groei door productiviteitsverhoging
Binnen deze profit-organisatie waren medewerkers van de afdeling finance tijd kwijt aan het creëren van rapportages voor verschillende afdelingen, deze rapportages werden maandelijks besproken met de teamleiders. Door de automatisering van dashboards en deze in te richten als story line welke als template diende voor de maandelijkse voortgangsgesprekken kon productiviteit worden verhoogd. Met behulp van monitoring dashboards en een datalake is de datavoorziening verder geoptimaliseerd. De productiviteit van de afdeling finance is hierdoor verhoogd door automatisering en de afdelingen werden meer autonoom door tijdig beschikbaarheid van data. Door deze efficiency ontstond er ruimte voor meer en andere (data gerelateerde) initiatieven die het werk van medewerkers vereenvoudigde. Dit resulteerde in een groei naar het ‘Teenager’-niveau volgens het ITMB-model.
Maturity groei door samenwerking
Deze organisatie actief binnen media zocht meer sturing aan managementinformatie gerelateerde projecten om de doorlooptijd te verkorten. De verplaatsing van ‘information and change on request’ naar focus thema’s welke door de directie zijn aangebracht. Hier opvolgend is er een samenwerkingscyslus opgesteld waarbij methodes van build-measure-learn, agile/scrum, datavault en andere it-gerelateerde methodieken zijn ingezet. Dit heeft geleid tot een efficiëntere inrichting van de beheerorganisatie, vermindering van externe inhuur en vooral een data-gerelateerde invulling aan de strategische doelstellingen van de organisaties.
Binnen twee jaar groeide deze organisatie op dit gebied naar het ‘Collaborative Intelligence’-niveau volgens het Forrester-model, waarbij samenwerking en data gedreven besluitvorming centraal staan.
Maturity groei door migratie
Een organisatie actief binnen pharmaceutical products heeft tijdens een migratie van management informatie systeem gekozen voor een ‘1-on-1’-aanpak, waarbij zo veel mogelijk 1 op 1 is gemigreerd. De migratie kreeg prioriteit boven niet-kritische change vragen om het project binnen scope te kunnen realiseren. In de beginfase zijn standaarden gecreëerd voor functionaliteit, inrichting en vormgeving, zodat er snelheid in de migratie kon worden gevonden. De migratie is ook benut om het aantal rapportages te reduceren, omdat veel rapportages niet of nauwelijks werden gebruikt of na verloop van tijd onvoldoende toegevoegde waarde boden. Door kleine architectuur aanpassingen, herbruikbaarheid te zoeken met hiernaast een sterke nadruk op interne kennisoverdracht resulteerde dit in een aanzienlijke vermindering externe inhuur. Binnen een jaar groeide de technische maturiteit naar het niveau van ‘Optimized Infrastructure’ volgens het TDWI-model, waarbij de focus lag op een robuuste data-infrastructuur en het intern borgen van kennis.
Hoe data maturity groei stimuleert
Door betere klantinzichten, efficiëntere en grip op processen leidt dit uiteindelijk tot groei. Naarmate een organisatie vordert in de fasen van data maturity, neemt haar vermogen om data te gebruiken voor strategische besluitvorming toe. Bedrijven die groei op data maturity bereiken, kunnen beter inspelen op klantbehoeften, nieuwe markten betreden en concurrerend blijven in een snel veranderende omgeving.
Conclusie
Groei in data maturity is een cruciale factor voor bedrijven die willen groeien. Door te investeren in de juiste infrastructuur, tools en processen, kunnen organisaties hun data effectief benutten en hun concurrentiepositie versterken. Door continu de huidige en gewenste (data-) maturity te evalueren en te vertalen naar een roadmap met eenvoudige concrete acties, wordt een cyclisch proces van leren en groei in gang gezet. Data-gedreven projecten hoeven hierdoor geen complexe verandertrajecten te zijn en kunnen in eenvoud worden gestart.
De fasen van data maturity
Er zijn verschillende fasen van data maturity welke altijd cyclisch kan worden doorlopen, elk met hun eigen kenmerken en uitdagingen:
- Initiële fase: In deze fase beginnen organisaties met het verzamelen van data. De focus ligt op het opzetten van basisinfrastructuur en het begrijpen van de waarde van data.
- Gecontroleerde fase: Organisaties hebben systemen en processen om data te beheren. Ze beginnen met het analyseren van data om inzichten te verkrijgen.
- Geoptimaliseerde fase: Data wordt systematisch gebruikt om bedrijfsprocessen te verbeteren. Organisaties hebben geavanceerde analysetools en methoden geïmplementeerd.
- Innovatieve fase: In deze fase wordt data gebruikt om nieuwe bedrijfsmodellen en strategieën te ontwikkelen. Organisaties zijn in staat om snel te reageren op marktveranderingen en nieuwe kansen te benutten.
Bij BI Solutions geloven wij in een gefaseerde, holistische aanpak tussen techniek en een duurzame samenwerking. Dit doen wij gefaseerd door samen te leren en samen te groeien.
“Eenvoud is niet het kenmerk van de beginner. Het is de duur bevochten stempel van de meester.”
Leessuggesties:
- Leapfrogging
- BI Maturity: Forrester
- BI Maturity: TDWI
- BI Maturity: Gartner