Van pionieren met data en analytics naar een intelligente organisatie

Je hebt in jouw organisatie gepionierd op het gebied van data en analytics. Misschien heb je een data lab neergezet, waar je leuke modellen hebt gemaakt die je bedrijfsprocessen drastisch zouden kunnen verbeteren. Of misschien heb je vanuit je business intelligence club de slag gemaakt naar interactieve dashboards. Nu is (haast) iedereen overtuigd van de meerwaarde van het intensief gebruiken van data en analytics om beter te functioneren als organisatie.

Hoe maak je als organisatie de stap van pionieren met data science naar een intelligente organisatie?

De analytische modellen gaan een voor een in productie. Prachtig, eindelijk echt toegevoegde waarde voor de eindgebruiker en de organisatie! Maar langzamerhand loop je vast op een ijsberg. Voorheen kon je je werkveld overzien – je lab, handje vol scientists, je data lake. Er waren korte lijnen en de spirit was ondernemend en positief. 

Nu moet je het complete veld van data en analytics bevatten. En het is zo complex! Bovendien lijkt er elke week een term of technologie bij te komen die heel erg veelbelovend is. Daarnaast is data enorm multidisciplinair. Je hebt domeinkennis nodig en moet je eigen processen kennen, om te analyseren waar de opportunities liggen. Vervolgens moet je kennis hebben van data science, niet alleen van de technieken maar ook van onderzoeksmethodologie, want voor je het weet vergelijk je appels met peren. Je model had zo’n hoge betrouwbaarheidsfactor, maar het werkt in praktijk niet. Hoe kan dat? Daarna kom je er achter, dat de output van jouw legertje data scientists achterblijft. Het blijkt dat iedereen voortdurend het wiel opnieuw uitvindt, en dat georganiseerd kennismanagement een uitdaging is. En dat er weinig tijd overblijft voor innovatie, nu ontwikkelde modellen ook beheerd moeten worden. Omdat ze zo enorm complex zijn, worden je beste mensen steeds maar weer benaderd om productie issues op te lossen.

De business begint te klagen over de tijdigheid en betrouwbaarheid van de gegevens in de modellen. Leuk dashboard, maar hij klopt niet? De gegevens die ik gister heb ingevoerd zijn niet meegenomen? Welke datadefinities gebruik je eigenlijk, want mijn eigen analist komt op hele andere waarden uit. Ineens begrijp je waarom die mensen bij IT zo lang doen over het toevoegen van een kolommetje aan een tabel in het EDW. Want een nette datavault of stermodel, vraagt behoorlijk wat denkwerk.

Ook de Functionaris Gegevensbescherming meldt zich. Oh die GDPR/AVG, je hebt er slapeloze nachten van. Want wat, als blijkt dat je persoonsgegevens hebt verwerkt, voor een ander doel dan verzameld? En je kunt niet laten zien, welke verwerkingen je allemaal hebt lopen? En is anoniem nog wel anoniem, als je data verrijkt? Je data lake is misschien toch niet zo privacy-by-design...

En last but not least, de CFO dacht dat je met het budget voor je innovatielab voor de komende jaren goed zat. Maar nu blijkt, dat onder de zichtbare resultaten, een ijsberg schuilt aan data management en data en analytics infrastructuur, wat flink in de papieren gaat lopen. Dit wordt een lastig verhaal. Je moet terug naar de tekentafel, voor een nieuwe business case.

Herken je op het punt te zijn, van pionieren naar rubuuste data -en analytics gedreven organisatie? Zou je het fijn vinden om af en toe te reflecteren op je koers, of te sparren?  Ik vind het leuk om met je mee te denken. Als zelfstandig business en informatie architect hou ik 1 dag in de week vrij voor ad-hoc klussen en kennisontwikkeling. Op basis van mijn eigen kennis en ervaring heb ik een framework ontwikkeld, voor de transitie naar een data gedreven organisatie. In onderstaande figuur zie je deze op hoofdlijnen staan.


Ik heb gemerkt, dat het overgaan van data pionieren naar datagedreven organisatie, nog best wel zoeken, euh, pionieren is. Daarom zal ik komende weken van mijn vrije vrijdagen gebruik maken om te bloggen over de verschillende blokjes in mijn framework. Voorkeur voor een onderwerp? Laat het weten in de comments op LinkedIn!