Beter door moeilijke tijden komen met data-gedreven werken (in tijden van de Corona crisis)

Hoe toon je leiderschap door beslissingen te nemen die duurzaam zijn en je organisatie door moeilijke tijden heen loodsen? 

Succesvolle leiders vertrouwen op data en analyses om een verandering in te zetten. Ze begrijpen de impact van veranderingen en zetten data en analyses in om met vol vertrouwen actie te ondernemen.
Wat kunnen we leren van grote veranderingen in de geschiedenis en wat is slim on nu te doen, nu in rap tempo de maatschappij en de economie lijkt te veranderen?

Een inleiding

Vanaf de jaren 70 worden er robots gebruikt in Europa, om te beginnen in de auto-industrie. Iets later investeert Japan flink in robots voor de auto-industrie, waardoor ze in 1981 een totaal van 6.000 robots hadden, vergeleken met 370 (!) in Engeland. De Engelse auto-industrie raakte ver achterop omdat het niet kon concurreren met de goedkopere Japanse import die het land binnenkwam. In een toespraak zei de toenmalige Engelse premier Thatcher: “Unless we invest in the latest equipment we might not be able to make things anymore all together.”

De dreigende werkloosheid weerhoudt Engeland ervan om verder te investeren. Met de vakbonden voorop in deze strijd. Maar als er later toch een fabriek met robots wordt geopend, maken de robots de Britse auto-industrie wél concurrerender en bovendien creëeren ze banen.

Een mooi voorbeeld waar op drie onderwerpen gefaald werd in het geval van Engeland — geen keuze gemaakt, want vastgehouden aan de oude strategie van beschermen van werk (angst voor nieuwe technologie) en niet geïnvesteerd in nieuwe skills (mensen die robots moeten gaan bedienen & mensen die kunnen doorleren voor ander werk). 

AI is de nieuwe robot

Ctrl-H – copy-replace – robots voor data en je hebt nu dezelfde discussie als in de jaren 70 all over again(!). Organisaties houden angstvallig vast aan mensen die allerlei repeterende werkzaamheden uitvoeren en minder productief en succesvol zijn dan data-gestuurde algoritmes kunnen bepalen of automatiseren. Dit weerhoudt deze organisaties ervan om mee te groeien met de mogelijkheden die er zijn – vergelijkbaar met de Engelse auto-industrie in de jaren 80. Nieuwe en wendbare bedrijven steken deze organisaties voorbij en laten ze achter in een nieuwe concurrentiestrijd. Algoritmes maken automatisering en data-gestuurde beslissingen steeds slimmer en geavanceerder.

Even in perspectief plaatsen: in een groot bedrijf wordt dit nog vaak (deels onzichtbaar) opgevangen door een grote groep mensen die allerlei – simpele, tijdrovende, bewerkelijke – werkzaamheden uitvoeren als onderdeel van hun dagelijkse of wekelijkse taken. Dan is alleen de factor tijd en geld een knop waar je aan kunt draaien. Nu er met slimme algoritmes berekeningen en voorspellingen gemaakt kunnen worden, is dit niet meer met mensen ‘op te lossen’. We kunnen simpelweg niet de grote hoeveelheden data combineren en verwerken tot slimme scenario’s. Pas op voor het Engeland effect! Dit geldt al voor bedrijven groter dan 50 mensen, misschien zelfs groter dan een paar mensen afhankelijk van de hoeveelheid data die je gebruikt. Het gaat niet langer om hoe groot je bedrijf is of het niet goedkoper/makkelijker is het door mensen te laten doen, het is een kwestie van concurrentie voorsprong nemen en houden!

Het gaat er niet om hoe groot je bedrijf is en dat het goedkoper kan zijn data te laten verwerken door mensen, A.I. is een manier om concurrentie voorsprong te nemen en houden!

Data is de nieuwe investering, om niet in economische terugval terecht te komen, om slimme beslissingen te nemen en vervolgens de juiste acties te ondernemen. In het voorbeeld van Engeland toont het aan dat je een eerder ingezette koers kan ombuigen door op tijd een andere strategie te kiezen en alsnog de vruchten te plukken van de nieuwe koers.

Ga aan de slag

Allereerst heb je informatie nodig waarmee je aan de slag kan. Ga uit van je eigen plan en doelstellingen als je deze hebt en reverse engineer welke informatie je nodig hebt om te kunnen groeien of door uitdagende tijden te varen. Welke analyses heb je nodig om klantgedrag te begrijpen en je euro’s op de beste manier te besteden in klanten, medewerkers, marketing en sales? Als je dat weet, kun je stappen zetten richting je doelen en plan.

Wat zijn de dogma’s waar je al heel lang in gelooft en die je misschien niet in twijfel trekt? Waar durft niemand aan te tornen, want het is altijd zo geweest of het kan niet anders? Durf alles ter discussie te stellen zodat je het kunt onderzoeken en valideren met data. 

Data is niet het eind-product dat je wilt bereiken, en rapporten of dashboards evenmin. Een rapport of analyse is wel een goed vertrekpunt om te zien hoe het er nu voorstaat en wat de kansen en uitdagingen zijn voor je organisatie. Dat geeft je een houvast en nul-meting waarmee je de belangrijkste discussies kan beginnen en de juiste antwoorden kan vinden. Dit is een hele nuttige stap op de weg naar slimme oplossingen.

Hoe vaak bedrijven nog achter de muziek aanlopen door rapporten te willen, in de veronderstelling dan alles onder controle te kunnen houden. Het gaat om welke beslissingen je slimmer wilt maken, of welke keuzes je nu niet kunt maken door een gebrek aan kennis en inzichten. Dat zijn je uitgangspunten, waarom je een data-gestuurde oplossing wilt bouwen. Misschien is dat een rapport, of een app, of iets anders. De aandrijving zal hoogstwaarschijnlijk gebeuren door een geautomatiseerde data-bron die je begrijpt maar niet zelf zou kunnen maken.

Zelf analyses maken

De concrete stappen even daargelaten, wil je je mensen opleiden in het kunnen werken met data. Dit is een 21st century skill, die bij ieder beroep hoort. Het begon met marketing functies, waar data analyse steeds vaker een onderdeel werd van de vacatures en functie profielen. Nu is er eigenlijk geen (kantoor) beroep meer denkbaar, waar deze skills niet in terug moeten komen. Sales – en personeelsmedewerkers zullen effectiever werken en meer klantwaarde toevoegen als ze zelf met data kunnen omgaan. Dan hoeven ze niet op andere medewerkers te wachten die analyses voor het hele bedrijf moeten maken, of kun je de analyse functies in de business zelf plaatsen.

Vanzelfsprekend zijn trainingen in tools en data skills nodig om mensen leren om te gaan met data analyses en de juiste tooling. Data stewards, of medewerkers met zo’n nevenfunctie, zijn nodig om betrouwbare data te prepareren en klaar te zetten voor de hele organisatie. Er zijn al veel bedrijven die op deze manier werken en self-service analytics succesvol hebben geïmplementeerd! Cases zijn bij mij op te vragen (info [at] janbrooijmans[.]nl) als je daar interesse in hebt.

Laat een reactie achter

Het e-mailadres wordt niet gepubliceerd.