Gebruik algoritmes, data-analyse en visualisaties
Elk bedrijf analyseert en kijkt terug. De jaarrekening vertelt wat wel en wat niet goed is gegaan en hoe resultaten tot stand zijn gekomen. ‘Maar vooruitkijken en relaties leggen tussen verschillende datastromen laten veel bedrijven nog liggen’, zegt Miguel Brahim, expert in data analytics bij PwC. ‘Vaak gebruiken zij Excel als basis voor budgetten en kasstroomvoorspellingen. De inzet van algoritmes, data-analyse en visualisaties is vaak nog niet breed geïmplementeerd. Terwijl die instrumenten juist waardevolle inzichten opleveren voor de bedrijfsstrategie.’
Snellere besluitvorming over data
Door de pandemie, beursontwikkelingen en technologische vernieuwingen verandert de markt snel en vaak. Dat maakt veel bedrijven onzeker. ‘Nieuwe businessmodellen ontwrichten industrieën volledig’, zegt Brahim. ‘Kijk naar Uber en Mollie’s. Hun snelle groei vereist snellere besluitvorming over data om nieuwe inzichten te genereren. Deze bedrijven zijn heel goed in risico-identificatie en het oppakken van kansen, omdat ze anticiperen op cijfers en vooruitkijken naar wat er in de markt gebeurt. Een CEO en een CFO weten door dit vooruitkijkend vermogen precies waarop de focus moet komen. Neem de retailbranche tijdens de pandemie. Sommige bedrijven wisten al welke problemen er in de keten gingen ontstaan. Zij namen snel actie en schakelden om van fysieke winkels naar online en ‘click en collect’.’
Finance verantwoordelijk voor data én voorspellingen
Voorspellende data-analyse of ‘predictive analytics’ is in essentie inzichten krijgen die nodig zijn om toekomstvoorspellingen te doen op basis van het analyseren van historische data. De finance functie speelt hierin een belangrijke rol. ‘Omdat finance over alle data beschikt, is zij het beste geschikt de verantwoordelijkheid over die data én over de voorspellende kant ervan te dragen’, vindt Brahim. ‘Zo kan finance andere afdelingen goed op weg helpen. Bijvoorbeeld de inkoopafdeling, die met voorspellende data-analyse bepaalde patronen ontdekt en zo achterhaalt welke goederen wanneer nodig zijn in de supply chain. ‘Predictive analytics’ is in feite het laatste puzzelstukje in bestaande vaste systemen waarmee medewerkers al gewend zijn te werken. Alleen kunnen ze nu in real time zien waarmee ze bezig zijn.’
Koudwatervrees voor voorspellende data-analyse
Software voor voorspellende data-analyse is niet een dienst die bedrijven zomaar afnemen. Brahim wijt de koudwatervrees voor de toepassing van ‘predictive analytics’ aan drie gebreken: ‘Om goede analyses te maken, heb je allereerst goede data nodig. Bij veel bedrijven zijn die gewoonweg niet beschikbaar of laat de kwaliteit te wensen over. Ten tweede heb je de juiste mensen nodig. Een datawetenschapper modelleert data, maar weet niet welke inzichten nodig zijn voor de business. Daarvoor heb je weer een andere professional nodig. Tot slot is de knowhow hoe technologie in te zetten belangrijk. Bedrijven weten vaak niet welke technologie ze nodig hebben, en hoe ze die moeten toepassen om goede analyses te maken.’
‘Als wij bij een bedrijf binnenkomen, weten wij ook niet wat we qua data aantreffen’, vervolgt Brahim. ‘Zijn er überhaupt data en als ja, zijn ze wel bruikbaar? Een bedrijf moet in data willen investeren om te kijken waar behoefte aan is. ‘Predictive analytics’ als service is daarom maatwerk. Dat begint al bij het verbinden van de juiste mensen en goede communicatie. Vaak zie je in transitietrajecten dat medewerkers bang zijn dat hun werk verandert. Maar die verandering, bijvoorbeeld de toepassing van kunstmatige intelligentie, maakt het werk juist inhoudelijk interessanter. Maar dát moet je dan wel helder communiceren.’
Exponentiële vooruitgang door delen ‘use cases’
Een belangrijke factor voor het slagen van voorspellende data-analyse is het breder delen van ‘use cases’. Brahim ziet dat deze vaak gecentraliseerd blijven. ‘Juist de aanknopingspunten – de vergelijkbare karakteristieken in ‘use cases’ – zijn voor andere afdelingen ook heel bruikbaar. Het adopteren van successen en deze breder delen met verschillende afdelingen zorgt echt voor exponentiële vooruitgang in het traject’, stelt Brahim. Voor bedrijven die niet voor het gehele traject kiezen, maar wel inzicht willen hebben in data is een ‘self-service analytics’-platform een toegankelijke oplossing waarin bedrijven zelf analyses uitvoeren op basis van voorgeschreven data. ‘Wij kunnen hen vervolgens helpen hun eigen data te ontsluiten, de logische verbanden te leggen en inzichten te krijgen die relevant zijn voor de bedrijfsstrategie.’
‘Predictive analytics’-community
Niet alleen de bereidheid om data te delen, maar ook het delen van kennis over data-analyse is belangrijk. Brahim gelooft in het opzetten van een ‘predictive analytics’-community. ‘Een community waarin verschillende disciplines bij elkaar komen om te praten over ‘data analytics’ als oplossing. Elke discipline zal een ander bruikbaar inzicht uit de(zelfde) dataset kunnen halen, waardoor er verschillende verhalen over data met ieder een ander doel ontstaan. Door het meer en meer cloud based werken zijn de datasets voor iedereen toegankelijk, en kan iedereen in-real-time bijsturen.’
Brahim plaatst wel een kanttekening bij die toegankelijkheid. ‘Cybersecurity en datakwaliteit schuren een beetje. Je wilt immers snel toegang tot (veel) data, maar het moet wel veilig. Onze CEO Survey geeft die urgentie ook aan.’ Een andere trend is ethische AI. ‘Algoritmes zorgen voor veel discussie als het gaat over discriminatie’, besluit Brahim. ‘Hoe voorkom je bias in die data? En omdat data-analyse vaak gebruikt wordt in risico-analyse en fraudeherkenning moet je oppassen dat je niet onterecht bepaalde personen gaat targeten. Vertrouwen kweken binnen de context algoritme, data en data analyse is een heel belangrijke factor. Als bedrijf doe je er dan ook goed aan een speciale afdeling op te zetten dat zich bezighoudt met de correcte toepassing van algoritmes en data.’
