Data volwassenheidsniveaus

In dit tweede artikel benoem ik zes niveaus van ‘datavolwassenheid’. Aan de hand van die niveaus kan jij het gesprek voeren over data: waar sta jij met jouw organisatie en waar wil je naar toe. In het derde artikel benoem ik hoe jij die vervolgstappen daadwerkelijk kan zetten.

Er zijn meerdere modellen waarin datavolwassenheid wordt uitgewerkt. Er is geen consensus over een model dat als het beste wordt beschouwd. Ik heb het Gartner Data Maturity Model als inspiratiebron genomen en die uitgebreid met twee stappen aan ‘onderkant’ van het datagebruik. Op die manier heb ik een model gecreëerd dat ook aansluit bij organisaties waar datagebruik nog (niet eens) in de kinderschoenen staat. Bij elk niveau geef ik een voorbeeld hoe dit er uit ziet bij een woningcorporatie, maar elk niveau is op elk soort organisatie toe te passen. 

Niveau 0: Passief De organisatie is zich niet bewust van haar eigen data of andere beschikbare data en de rol die dit kan spelen in de bedrijfsprocessen en keuzes. Corporatie ‘De Beste Bedoeling’ heeft wel gegevens de hun primaire systemen staan. Voor de jaarrekening en de accountant moet er in de cijfers gekeken worden. Je wilt geen verkeerde dingen zeggen, maar die cijfertjes hebben geen invloed op de bedrijfsprocessen, de koers of de jaarplannen. We doen wat we denken dat goed is, of wat partners van ons vragen.

Niveau 1: Databewust De organisatie is zich bewust van de potentiële toegevoegde waarde van haar data. Er zijn Excel-lijstjes en overzichten die veelal handmatig worden bijgehouden en door één collega worden beheerd. Vaak heeft elke afdeling of zelfs elke collega een eigen lijst, wat leidt tot verschillende waarheden, die geen van alle volledig zijn. Corporatie ‘De Beste Bedoeling’ weet dat je beter kan investeren in wijken waar je veel woningen hebt staan, dan in wijken waar je nauwelijks aanwezig bent. Daar hebben ze een heel mooi documentje voor. Die heeft een collega een paar jaar geleden gemaakt. Inmiddels zijn er zes lijstjes, want Verkoop haalt de verkochte woningen uit hun lijstje. En de afdeling vastgoed zet de nieuwbouw er in, alleen vergat de gesloopte woningen er uit te halen, dus dat heeft de controller zelf gedaan. De collega die verantwoordelijk is voor het zorgvastgoed heeft die 25 eenheden die met 1 contract aan 1 zorgorganisatie zijn verhuurd samengevoegd tot een verhuurde eenheid, terwijl de collega die verantwoordelijk is voor de installaties juist enkele verhuureenheden heeft toegevoegd, omdat in enkele gezamenlijke ruimtes bij woongroepen ook cv ketels hangen die niet bij een woning horen, maar wel onderhouden moeten worden. Iedereen vind het belangrijk te weten ‘hoe het zit’ maar allemaal met andere invalshoeken en vanuit een originele bron, is iedereen een eigen waarheid gaan maken. En geen van die waarheden doet recht aan de hele werkelijkheid….

Niveau 2: Datakwaliteit en bewaking De organisatie erkent dat de kwaliteit van data essentieel is voor de kwaliteit van rapportages. Verschillende databronnen worden goed beheerd en externe databronnen kunnen worden ingekocht. De rolverdeling in de organisatie is duidelijk, maar hoe de data inzichtelijk wordt gemaakt, blijft vaak nog zoeken. Hier komt data governance sterk naar voren als een belangrijk aspect (Otto, 2011). Corporatie ‘De Beste Bedoeling’ heeft een tijd zelf ook niet geweten wat nou de waarheid was. Inmiddels wel. Een collega is verantwoordelijk voor de lijst die voor iedereen toegankelijk, maar slechts beperkt te bewerken is. Iedereen weet dat ze voor juiste informatie naar die ‘single source of truth’ moeten en dat als die niet klopt, hoe die aangepast moet worden. Ook heeft ‘De Beste Bedoeling’ data ingekocht mbt betalingsachterstanden bij webwinkels in haar wijken en is aan het uitzoeken hoe zich dat verhoudt tot overlast, betalingsproblemen, verhuizingen en waardering voor de buurt. 

Niveau 3: Dashboarding De organisatie gebruikt op verschillende niveaus dashboards om inzicht te krijgen in haar prestaties. Data geeft daarmee inzicht en kan een rol spelen bij het aanpassen van werkwijzen of beleidskeuzes. Rollen zoals datamanagers en BI-specialisten spelen hier een centrale rol. Dit is een belangrijke stap in de richting van datagedreven besluitvorming, zoals ook wordt benadrukt door McAfee en Brynjolfsson in hun studie over de managementrevolutie door big data (McAfee & Brynjolfsson, 2012). Corporatie ‘De Beste Bedoeling’ heeft verschillende databronnen samen inzichtelijk gemaakt in een dashboard waarop de relevante informatie voor elke collega staat. Per functie kan er dus andere informatie worden getoond. Want de medewerker sociaal beheer hoeft niet te weten hoeveel de gemiddelde badkamerverbouwing in die wijk kost. Maar als collega’s dezelfde informatie zoeken, krijgen ze dezelfde informatie te zien. Het dashboard geeft inzichten in werkdruk, woontevredenheid, de dienstverlening van de servicedienst en aannemer. 

Niveau 4: Verklarend Na het inzicht geven in data, komt ook het verklaren van waarom trends zichtbaar worden. Hierdoor is het aannemelijker dat werkwijzen worden aangepast of dat verschillen in kwaliteit zichtbaar worden. Data-analisten worden essentieel op dit niveau (Provost & Fawcett, 2013). Corporatie ‘De Beste Bedoeling’ heeft een data scientist aangenomen (of een aantal uur per week ingehuurd). Deze ziet dat de enorme stijging aan kosten voor keukens in een wijk te maken heeft met dat grote complex wat 20 jaar geleden is opgeleverd. Al die nieuwe keukens van toen, zijn nu aan vervanging toe. Dus die nieuwe opzichter is niet met keukens aan het strooien, dit komt door de leeftijd van het complex. Ook wordt duidelijk dat het inzetten van een woonfraudemedewerker in een wijk zin heeft. Daar is het aantal gevallen van daadwerkelijk geconstateerde woonfraude verviervoudigd, alleen maar door een medewerker hier specifiek op in te zetten. 

Niveau 5: Voorspellend Als de datakwaliteit goed is, de cijfers inzicht geven en ook verklaard kunnen worden, komt voorspellen dichterbij. Dit stelt organisaties in staat om te anticiperen op toekomstige ontwikkelingen. Het belang van business analytics en voorspellende modellen wordt hier steeds groter (Wang & Byrd, 2017). Corporatie ‘De Beste Bedoeling’ heeft de data scientist gevraagd te kijken in welke wijken woonfraude ook zo veel aanwezig zou kunnen zijn. Op welke manier is dat nog meer op te sporen? Zijn er andere indicatoren waardoor we woonfraude kunnen vermoeden en opsporen, zodat we gericht capaciteit kunnen inzetten? Daarnaast is het interessant om te kijken hoeveel mutaties we volgend jaar verwachten. De normale mutatiegraad was de afgelopen jaren 5%, maar gezien de oplevering van veel nieuwbouw, de inzet van de verhuiscoach en de hogere leeftijd van onze huurders, hebben we dan voldoende verhuurmakelaars? 

Jij kan voor jouw organisatie bedenken welk data volwassenheidsniveau jouw organisatie heeft. Door bovenstaande niveaus concreet te maken, heb jij handvatten om het gesprek met je collega’s te voeren. Waar staan we nu? En naar welk niveau willen we groeien? Welk niveau past en wat is een niveau te hoog?

In het eerste artikel van deze reeks leg ik uit waarom het gesprek over data moeilijk is.

In het derde artikel leg ik uit hoe je als organisatie kan groeien in datavolwassenheid.