Groeien in datavolwassenheid. Hoe doe je dat?

In het vorige artikel introduceerde ik de niveaus van datavolwassenheid. Het is direct duidelijk dat niet elke organisatie volgend jaar het hoogste niveau van datavolwassenheid moet hebben bereikt. Maar omdat jouw bedrijfsdoelen makkelijker gehaald worden door inzet van data, is het goed om te kijken tot welk niveau jij en jouw organisatie willen groeien. In dit laatste artikel in de reeks over data komen we -eindelijk- bij de knoppen waar jij aan kan draaien om te groeien. Met Côrte-Real et al. wil ik weer benadrukken dat datagebruik altijd gericht zijn op het creëren van bedrijfswaarde en niet op technologie om de technologie (Côrte-Real et al., 2017). Het gebruik van data moet bijdragen aan (het halen van) jouw organisatiedoelen.

De knoppen om aan te draaien

De knoppen waar je aan kunt en zelfs moet draaien om te groeien in datavolwassenheid zijn leiderschap, cultuur, organisatie, datakwaliteit, gereedschap, gebruik en kennis. De Bruin & Rosemann constateren in hun BPM-volwassenheidsmodel dat groei in (data)volwassenheid in ene organisatie systematisch en goed gecoördineerd moet plaatsvinden (De Bruin & Rosemann, 2005). Want je wilt dat de investeringen die je doet veilig zijn en in lijn met wat de organisatie aan kan. Je wilt -terugkomend op het voetbal voorbeeld uit het eerste artikel- geen systeem voor de videoscheidsrechter aanstellen voor de wedstrijden van de lokale F-jes.  

Leiderschap

"Goed voorbeeld doet goed volgen" geldt altijd, ook voor datagebruik en de gevolgen daarvan voor de organisatie. Wanneer je als leider verandering verwacht, moet je het zelf voorleven. McAfee en Brynjolfsson onderstrepen dat leiderschap cruciaal is in een datagedreven cultuur (McAfee & Brynjolfsson, 2012). Juist omdat het omgaan met data een nieuwe vaardigheid is die voor veel collega’s zijn waarde nog niet heeft bewezen, moet je het voorleven. Ook hier geldt dat voor collega’s pas helder wordt wat de waarde is, als zij het zien. Dus laat zien dat jij als manager tijd investeert in de systemen, in de interpretatie, dat je een fout maakt en wat de data jou oplevert!

Cultuur

Werken met data kan gevaarlijk voelen, vooral als data kwetsbare inzichten blootlegt. Daarom is veiligheid binnen teams belangrijk, zoals Provost & Fawcett benadrukken (Provost & Fawcett, 2013). Data legt vaak problemen bloot die meerdere afdelingen aangaan. Een open cultuur waar fouten gemaakt mogen worden, is cruciaal om van die fouten te kunnen leren en te kunnen groeien. Als elke fout wordt weggestopt, zal niemand er van leren. Ook als altijd iedereen drukdrukdruk is, maar de ene collega blijkt toch veel meer te doen, dan die andere collega, moet dat besproken kunnen worden. Niet om de ene op een voetstuk te zetten en de ander af te branden. Maar om van elkaar te leren. Misschien dat diegene die zoveel doet, het wel allemaal slecht doet. En die collega die minder doet, is veel bezig met herstellen van het slechte werk van zijn snelle collega. Of die snelle collega heeft een aantal trucjes waar de andere collega ook veel tijdwinst kan behalen. Dus de data geeft je informatie, maar wat die informatie betekent voor jou en je medewerkers moet je met elkaar ontdekken. Werk daarom aan een cultuur van openheid, waarin alles in veiligheid besproken kan worden. 

Organisatie

Hoe verder je groeit, hoe belangrijker het is dat bijvoorbeeld de datakwaliteit geborgd is. Het beheren van data wordt een verantwoordelijkheid die duidelijk moet worden toegewezen, zoals ook wordt benadrukt in het werk van Otto over data governance (Otto, 2011). Als helder is van wie ‘de data’ is en wie verantwoordelijk is voor het juist en actueel blijven van die data of dataset, dan pas kan eigenaarschap ontstaan. Zolang de data een speelproject is van een aantal enthousiastelingen, gaat de organisatie nooit als geheel data gedragen worden. Zoals heel duidelijk is welke collega voor welk bedrag mag tekenen, moet ook helder zijn wie voor welke data verantwoordelijk is. Idealiter is de afdeling verantwoordelijk voor de data die zij zelf produceren en wordt dit opgeslagen op een manier waardoor die data alle data in de organisatie verrijken kan. 

Data

Als je groeit in datavolwassenheid, ga je ook andere dingen met de data doen, van informerend, naar verklarend, naar voorspellend. Dat betekent dat er behoefte komt aan data die je nu nog niet hebt of waar jij op dit moment de waarde niet van inziet. Zoals Redman stelt, is het belangrijk om altijd te zorgen voor betrouwbare en goed beheerde databronnen (Redman, 2005). Dus je moet om je heen blijven kijken, klopt de data nog, zijn er andere datasets relevant? Kortom, je data moet goed en relevant blijven.  

Gereedschap

Je hoeft niet te beginnen met het meest uitgebreide softwarepakket. Begin met wat past bij jouw niveau. Chen et al. stellen dat de technologische infrastructuur zich moet ontwikkelen samen met de groei in datavolwassenheid (Chen et al., 2012). Op niveau 0 en 1 is Microsoft Excel nog voldoende. Maar zodra je serieuze dashboards met realtime data wilt maken, voldoet dat niet meer. En in de voorspellende fase al helemaal niet meer. De tools voor latere fases zijn zo snel in ontwikkeling en ook nog redelijk sectorspecifiek, dat we die hier niet benoemen. Belangrijk is om naar software leveranciers eerlijk te zijn over waar je bent en waar je heen wilt. Maak dingen niet mooier dan ze zijn. Want dan kan je te duur gereedschap aanschaffen waar jij, jouw data of jouw organisatie nog helemaal niet klaar voor is. 

Kennis

Om data goed te gebruiken, is de juiste kennis nodig in de organisatie. Dit betekent dat medewerkers moeten worden getraind, of dat kennis extern moet worden geworven (Chen et al., 2012). De kennis die nodig is, behelst twee kanten. Aan de ene kant moeten de medewerkers weten hoe zij het ‘gereedschap’ moeten gebruiken. Hoe zorgen zij er voor dat zij de voor-hen-relevante data te zien krijgen. En hoe zoomen ze in of uit vanaf de data die ze zien. Dit is een stuk software vaardigheid die relatief eenvoudig te leren is (al hangt dit sterk af van het gekozen gereedschap, hou rekening met de gebruiksvriendelijkheid bij de selectie van het gereedschap!). De andere kennis die medewerkers moeten hebben, gaat om het interpreteren van data. Zij moeten leren onderscheid te maken tussen causaliteit (het een veroorzaakt het ander) en correlatie (een mogelijke samenhang). Een training over en begeleiding bij de data interpretatie en besluitvorming moeten onderdeel zijn van de ontwikkeling van medewerkers die met data beginnen te werken. Over hoe data gebruikt en misbruikt kan worden zijn meerdere leuke boeken geschreven. Onder andere ‘freakonomics’ van Steven D. Levitt en ‘het bestverkochte boek ooit (met deze titel)’ van Sanne Blauw zijn zowel leuk om te lezen als verhelderend. 

Om gecontroleerd en zonder risico’s wil groeien in datavolwassenheid, moet je op al deze vlakken gelijk optrekken. Dan groei  je gebalanceerd en zijn je investeringen passend bij het datavolwassenheidsniveau van jouw organisatie. Zodat je gecontroleerd kan groeien van de lokale Fjes, naar het hoogste podium, of in elk geval naar het niveau dat past bij jouw organisatie. 

Deze serie artikelen is bedoeld om jou taal en middelen te geven voor een goed gesprek over data. Zodat jij kan zorgen dat data -naast alle andere inspanningen- bijdraagt aan het verwezenlijken van jouw organisatiedoelen!

Wil je meer weten? Of daadwerkelijk stappen zetten in jouw groei in datavolwassenheid? Of zoek je nog naar hoe data kan bijdragen aan jouw organisatiedoelen? Mogelijk helpen onderstaande gespreksvragen. Of neem contact op, ik denk graag met jullie mee! 

Heel veel plezier en succes bij het halen van jouw organisatiedoelen!

Zie hier de link naar het eerste artikel over waarom het gesprek over data zo lastig is.

Zie hier de link naar het tweede artikel met meer toelichting over de niveaus van datavolwassenheid

Met collega's doorpraten? Je kan onderstaande gespreksvragen gebruiken om het gesprek structuur te geven.

• Welke rol speelt data op dit moment in onze organisatie?

• Op welke manier zou data onze bedrijfsdoelstellingen kunnen ondersteunen?

• Welk datavolwassenheidsniveau heeft onze organisatie en waarom?

• Welk datavolwassenheidsniveau is voor ons wenselijk en waarom?

• Waar zit onze grootste uitdaging om te groeien in datavolwassenheid?

Relevante bronnen:

1. De Bruin, T., & Rosemann, M. (2005). Towards a Business Process Management Maturity Model.

2. Van der Wijngaarden, R. (2024). Data als Kompas

3. https://computd.nl/4-levels-of-data-maturity/ 

4. Côrte-Real, N., Oliveira, T., & Ruivo, P. (2017). Assessing business value of Big Data Analytics in European firms.

5. McAfee, A., & Brynjolfsson, E. (2012). Big Data: The Management Revolution.

6. Gartner (2019). Data Maturity Model.

7. Otto, B. (2011). Organizing data governance: Findings from the telecommunications industry.

8. Redman, T. C. (2005). The impact of poor data quality on the typical enterprise.

9. Wang, Y., & Byrd, T. A. (2017). Business analytics-enabled decision-making effectiveness.

10. Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data.

11. Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business Intelligence and Analytics.