‘Data is the new oil’. Hierdoor geïnspireerd hebben bedrijven zich gericht op datakwaliteit- en analytics-initiatieven. Het is nu tijd voor de volgende stap: het halen van waarde uit data, ook wel data monetization. Door nieuwe producten en diensten te genereren kan data worden verzilverd. Tegelijkertijd brengt data monetization nieuwe dimensies met zich mee voor organisatie, sales en de data zelf. CIO’s en CDO’s kunnen deze domeinen bij elkaar brengen door middel van betrouwbaar datamanagement.

Al langer zien organisaties hun data als asset. Er waren hoge verwachtingen van data als grondstof voor innovatie en efficiency. De afgelopen jaren is dat vooral waargemaakt door data te verbeteren voor procesefficiëntie en betere sturingsinformatie. En voor onderzoek naar nieuwe inzichten via data science-initiatieven. Daarmee lijkt het alsof de verwachtingen niet helemaal zijn uitgekomen. Maar juist door eerst de basis op orde te hebben en te leren van initiatieven, is nu de tijd rijp om de waarde van data te verzilveren. Dit wordt versneld omdat de laatste jaren de omvang, de complexiteit en toegevoegde waarde van data – met name door e-commerce en IoT – exponentieel is gegroeid.

De fysieke wereld is meer en meer verbonden met de digitale wereld, waardoor data wordt vastgelegd door bijvoorbeeld camera’s, verkeerssensoren, hartritmemachines en smart devices. Het moment is gekomen dat zoveel is geautomatiseerd en verbonden, dat het zelfs lastig is om geen data te genereren. Verwacht wordt dat deze groei zich voortzet.

Ook ontwikkelingen in data science (advanced analytics, machine learning, artificial intelligence) zijn sterk toegenomen. Het samenspel van meer beschikbare data, verbeterde analyses en sterkere techniek heeft de basis gelegd voor de volgende golf van digitalisering en groei.

Is de juiste data beschikbaar?

Opstellen van use-cases: begrijp wat data is

Door data die op orde is en door inzichten vanuit data science kan waardecreatie vanuit data en analytics nu worden gerealiseerd. Daarvoor zijn een aantal belangrijke randvoorwaarden. Om te beginnen een breed gedragen begrip dat data een extra asset is, waarmee waarde kan worden gecreëerd. Dit begint bij het adopteren van een strategie voor monetization, als onderdeel van de bedrijfsstrategie.

Vervolgens kunnen innovatieve use cases worden geïdentificeerd (bijvoorbeeld apparatuur die niet langer verkocht maar geleaset wordt, heeft onderhoudsvoorspellingen en biedt mogelijkheden voor een B2B-data en analytics-ecosysteem voor klantenbinding en het digitaliseren van customer interaction). In de praktijk blijken zulke cases vaak lastig omdat de sales, marketing en operations het complex vinden om te definiëren wat data is en wat de mogelijkheden zijn.

“Leer de business over datamodellen, datakwaliteit en datadefinities”

Het kennen van data is een belangrijke eerste stap. Normaal is data een domein waar data managers, data stewards of  data engineers zich op richten. Bij data monetization is het ook verplichte kost voor business stakeholders – die vaak niet gewend zijn om de details tot op dataniveau uit te werken. Leer de business over datamodellen, datakwaliteit en datadefinities.

Data kennen helpt om vervolgens een realistische vertaling te maken naar waarde voor klanten. Zo wordt voorkomen dat cases veel worden besproken maar niet worden gerealiseerd. Of juist het tegenovergestelde: te snelle sales acties waarbij het onduidelijk is wat het product en de waarde voor de klant is. In beide gevallen zal de uiteindelijke waarde lager zijn dan het beoogde resultaat.

Realiseren van een use case: ken je data

Het is belangrijk te begrijpen wat data is, maar dat is nog niet voldoende. Maak inzichtelijk welke data daadwerkelijk beschikbaar is om de use cases te ondersteunen. En maak eveneens de potentiële waarde van de data inzichtelijk. Datastewards zijn hierbij vaak de sleutel tot succes. De CIO (of CDO) kan een verbindende factor zijn door te zorgen voor een multidisciplinair team van onder anderen dataspecialisten, business en sales. Start met een brede groep voor use case-inventarisatie. Vervolgens is het verstandig om met een team te werken dat zich richt op het begrijpen van data. De uitkomsten kunnen vervolgens breder worden geëvalueerd. Dit vermindert het risico op luchtkastelen.

Vanuit dataperspectief is het verstandig om use cases binnen één business-cluster te definiëren. Hierdoor kan er gebruik worden gemaakt van data uit een beperkt aantal bronsystemen. Met bronsystemen wordt hier bedoeld: het primaire systeem van vastlegging, zijnde niet een data warehouse of een data lake. Een dergelijke aanpak staat meestal haaks op commerciële belangen. Vaak zit de meeste waarde juist in het combineren van meerdere bronnen. Door te leren op basis van eenduidige datasets, kunnen organisaties zich daarna richten op complexe use cases.

Praktische stappen

De verschillende disciplines kunnen elkaar binnen het team versterken. De CIO en de use case-eigenaar kunnen gezamenlijk een duidelijke structuur en aanpak bieden:

  • Bepaal of het bestaande datamodel goed genoeg is voor de use case. Dit is een samenwerking tussen datastewards, business en sales. Zij stellen vast welke karakteristieken er nodig zijn voor de casus en toetsen deze aan het datamodel. Veelal is een up-to-date datamodel niet beschikbaar.
  • Stel aan de hand van het datamodel vast of de data volledig beschikbaar is voor de use case. Wanneer dit niet het geval is, verrijk het datamodel dan met extra velden en/of inhoud. Ook dit is een samenwerking van verschillende disciplines. Bepaal tegelijkertijd of het model schaalbaar is voor toekomstige use cases.
  • Bepaal verder of de datakwaliteit op orde is (is er bijvoorbeeld een datakwaliteitsrapportage beschikbaar of zijn er datakwaliteitsregels die de use-case ondersteunen) en of datadefinities duidelijk zijn. Wanneer nodig, wordt er gestart met het schonen van data.
  • Stel vast of de metadata (bijvoorbeeld definitie) duidelijk is, zodat de juiste data wordt gebruikt voor de juiste doelstelling. Indien dat niet het geval is, kan de metadata worden aangepast of kan de use-case worden herijkt.
  • Behandel de data alsof het eigen persoonlijke data is. Op deze wijze is dataprivacy en het gebruiken van ethische richtlijnen beter geborgd.
  • Wanneer de casus en bestaande data te veel afwijken, kan een data-analyse als efficiënt startpunt helpen. Bepaal welke data er beschikbaar is. En bepaal vervolgens welke casus of ten minste minimal viable product (MVP) relevant is. Aan de hand van voortschrijdend inzicht kan de casus of MVP worden uitgebreid.

Bovenstaande voorwaarden zijn uiteraard belangrijk voor een succesvolle use case. Het zorgt er tegelijkertijd ook voor dat dataspecialisten, business en sales elkaars taal spreken. Daardoor wordt de use case-cyclus sneller en gerichter.

Duurzame use cases: organiseer de data

Het bepalen van de benodigde datakwaliteit, definities en beschikbaarheid van data brengt vaak extra complexiteit met zich mee. De huidige data ondersteunt bestaande processen, bestaande rapportages of bestaande producten (bijvoorbeeld sensordata). Use cases gaan over innovatie, over iets wat er nog niet is. Dit vergroot de kans dat de huidige kwaliteit, definities en beschikbaarheid niet afdoende zijn voor de use case. Benodigde aanpassingen kunnen enkel worden goedgekeurd door de formele data-eigenaar. Deze geeft goedkeuring voor verbeteringen, verrijkingen en het gebruik van de data.

“Leer van eenduidige datasets en richt je daarna op complexe use-cases”

Vaak is niet duidelijk wie de eigenaar is en formeel data-eigenaarschap is soms niet eenvoudig te bepalen. Is de data uit een smart device van de persoon die het draagt of van de device vendor? Is de data uit een sensor van de fabrikant van het apparaat of van het bedrijf waar de sensor zich bevindt? Is de data uit medische apparatuur eigendom van de fabrikant, het ziekenhuis die het apparaat leaset of van de patiënt? Bepaal eigenaarschap met juridische adviseurs, ondersteund door contractmanagement, SLA’s en dataleveringsovereenkomsten. Neem dit al vroeg in het proces mee, om zo de haalbaarheid vooraf te bepalen.

De gebruiksfactor zorgt voor aanvullende complexiteit. Data mag gebruikt worden voor het doel waarvoor deze is vastgelegd. In praktijk zijn er vaak restricties (onder andere AVG/GDPR of intellectual property (IP)) voor ander gebruik. Dit betekent dat er extra maatregelen nodig zijn, bijvoorbeeld voorkomen van herleidbaarheid op persoonsniveau. Of het goed beschermen van IP. De oplossing (bijvoorbeeld anonimisering of data-aggregatie) zal verschillen per casus.

Tot slot

Uiteraard is de aanpak voor data monetization breder dan bovenstaande stappen. Denk aan een gedreven team dat de data monetization-strategie leidt en ontwikkelt, prijsmodellen, een gecontroleerde test- en productiepijplijn, beschikbaarheid van data- en analyticstalent in een schaarse markt, data-integratie met in- en externe systemen en sturing op betrouwbaarheid van producten en diensten. Data monetization is daarmee een uitdagende aanvulling voor CIO’s en CDO’s.

Use-cases vanuit de bron

Het gebruik van data uit bronsystemen verkleint het risico op afhankelijkheden die extra moeten worden beheerd en daarmee de waarde en haalbaarheid van de businesswaarde verkleinen. Data die van bron naar doelsysteem gaat, wordt in praktijk vaak veranderd. Soms onbedoeld, soms niet vastgelegd, soms onbekend.

Zodra data vanuit de bronsystemen gaat ‘stromen’ zijn er extra maatregelen nodig. Denk aan het administreren van handmatige veranderingen die vaak nog in data warehouses worden uitgevoerd, vastleggen van veranderingen in data zoals aggregatie bij extracties, anonimisering en gebruiken van procedures voor ontbrekende data.

Met name binnen organisaties met een complex systeem landschap (bijvoorbeeld verouderde systemen met deels onbekende data, of cloudoplossingen die onvoldoende beschikbaar zijn vanwege IP-restricties vanuit de leverancier) zijn er centrale repositories waar alles gestandaardiseerd is opgeslagen – ondersteund door een canoniek datamodel.

Echter, ook zo’n centrale repository heeft bovengenoemde beheersmaatregelen nodig. De praktijk laat zien dat die vaak nog onvoldoende aanwezig zijn om use cases te ondersteunen. Zeker bij organisaties waar data monetization nog in de kinderschoenen staat, is het belangrijk om te starten met een relatief eenvoudige basis. Gebaseerd op lessons learned en in de tussentijd gerealiseerde databeheersing, kan de complexiteit van de benodigde data daarna worden uitgebreid.

REAGEREN

Plaats je reactie
Je naam