“Strategie zonder tactiek is de langzaamste route naar de overwinning.
Tactiek zonder strategie is het geluid voor de nederlaag.”
Sun Tzu
Zet jouw data strategisch in!
Bij Van Dam Datapartners zien we dat binnen het Sociaal Domein, van WMO tot jeugdzorg en schuldhulpverlening, veel gebruik wordt gemaakt van data om analyses uit te voeren. Deze analyses geven vaak beschrijvende inzichten die duiden welke behoeften en trends er zijn, welke problemen spelen bij welke leeftijdsgroepen en beeld geven bij aantallen, gebruik en kosten.
Op zichzelf zijn deze inzichten waardevol, maar de vraag is of inzicht het eindstation (moet) zijn? Of is er meer mogelijk op het gebied van data-analyse? En hoe zorg ik ervoor dat mijn collega’s deze inzichten kunnen en willen gebruiken om betere, efficiëntere en effectievere beslissingen te kunnen nemen? Hoe past dit gereedschap in bestaande (werk)processen? Hoe zorgen we ervoor dat de analyses betrouwbaar zijn? Welke (ICT-)ondersteuning heb ik daarbij nodig? En waar liggen welke taken en verantwoordelijkheden? Oh en trouwens, ga ik vervolgens in mijn handelen effectief om met de inzichten die ik heb opgedaan en hoe meet ik het effect van deze inzichten?
Dit artikel laat zien hoe een datavisie en datastrategie jou antwoord geven op deze vragen. Het artikel geeft je praktische handreikingen om je data door middel van data-analyse strategisch in te zetten om jouw organisatiedoelstellingen in jouw specifieke werkveld te bereiken.
Over visie, strategie en doelen gesproken…
Wat zijn eigenlijk de doelen van jouw organisatie op het gebied van data? Is er (al) een overkoepelende datavisie en/of datastrategie? Zo ja, dan is het van belang om hier aansluiting bij te zoeken. Zo nee, dan is de meest duurzame oplossing om een organisatiebrede datavisie en datastrategie te ontwikkelen. Op die manier voorkom je dat individuele afdelingen en teams hun eigen informatieoplossingen realiseren en blijft uniformiteit, eenduidigheid en inkoop zoveel mogelijk gewaarborgd. Datagedreven werken is immers een transitieproces voor de hele organisatie.
In de praktijk treffen we echter meestal situaties aan waarin individuele afdelingen en teams wél hun eigen informatieoplossingen hebben gecreëerd. Hierdoor werkt iedereen met eigen definities, bronontsluitingen, tools en rapportages. Op zichzelf hoeft dit niet negatief te zijn, sterker nog: hieruit blijkt juist dat er een brede informatiebehoefte is, zodanig zelfs dat men zelf een informatieoplossing heeft gerealiseerd!
Het belang van datavisie voor verschillende organisatieniveaus
De vraag is alleen of de combinatie van deze verschillende informatieoplossingen uiteindelijk de datavisie en datastrategie van de organisatie (kunnen) representeren? In het openingscitaat van dit artikel lees je dat afwezigheid van een strategie uiteindelijk leidt tot een nederlaag en hoewel dat wat fatalistisch is geformuleerd, kan ik het er in deze context niet geheel mee oneens zijn:
Hoewel de individuele informatieoplossingen wellicht op afdeling- en/of teamniveau in de informatiebehoefte voorzien, is de kans bijzonder groot dat door deze veelvoud organisatiebreed grote verschillen in de datagedreven aanpak ontstaan. De algehele datavolwassenheid van de organisatie en het draagvlak voor datagedreven werken komen hiermee onder druk te staan op tal van gebieden. Ook lopen de kosten door de individuele inkoop van technologie en ondersteuning vrijwel zeker meer dan nodig op.
Organisatieniveau
In het meest gunstige geval is er in je organisatie al een uitgewerkte datavisie en een uitvoeringsplan. Zo niet, dan is het verstandig om deze eerst op te stellen.
Een datavisie is kortgezegd een hoog-over uitleg van de rol en waarde van data voor de gehele organisatie. Het beschrijft de doelen en ambities van de organisatie met betrekking tot het gebruik van data. Het gaat dus om een brede, algemene uitleg van de manier waarop de organisatie van plan is gegevens te gebruiken om waarde te creëren, zowel voor de organisatie als voor de maatschappij.
Voor nu is het van belang om te weten dat de volgende thema’s in ieder geval in een datavisie en datastrategie terug zouden moeten komen:
- De visie moet beschrijven hoe data bijdragen aan de maatschappelijke taken van de organisatie
- De visie en strategie beschrijven hoe de organisatie wenst om te gaan met data in het licht van:
- privacy
- ethiek
- data governance
- informatiebeveiliging
- archivering
- beheer
- geldende wet- en regelgeving
- De manier waarop belanghebbenden (ongeacht afdeling of functie) worden betrokken bij het opstellen van de datavisie en datastrategie
- De manier waarop de datavisie en datastrategie financieel worden ondersteund op de gebieden van technologie, mensen en processen
Je kunt je afvragen of het niet handig is om tijdens het opstellen van de visie en strategie al op relatief kleine schaal diverse prototypes van informatieproducten te ontwikkelen om meer zicht te krijgen op het nut en de noodzaak van datagedreven werken in de praktijk. Deze prototypes zijn daarnaast een uitstekende manier om belanghebbenden voor te bereiden en mee te nemen in het datagedreven verhaal.
Als onderdelen van de organisatie zelf al zijn gestart met datagedreven werken, zou je deze initiatieven kunnen gebruiken om mensen mee te nemen in het datagedreven verhaal. Aansluiten bij de al aanwezige energie in een organisatie kan een enorme boost en draagvlak opleveren voor je visie en strategie!
Uiteindelijk is het misschien zelfs de vraag: wat was er eerder, de kip of het ei?
Doorwerking op afdelingsniveau
De tekst hierboven gaat over het opstellen van een datavisie en datastrategie voor de hele organisatie, maar natuurlijk is het ook mogelijk om dit uit te werken voor jouw eigen afdeling of team. Randvoorwaardelijk hiervoor is dan dat deze uitwerking aansluiting vindt bij de organisatiebrede visie en strategie. Deze uitwerking kun je zien als een verdieping van de organisatiebrede datavisie die specifiek gericht is op jouw afdeling en/of team met zijn eigen aandachtspunten en bijzonderheden. Feitelijk maatwerk voor jouw afdeling of team dus!
Zo zou je bijvoorbeeld de overkoepelende datavisie en datastrategie kunnen gebruiken als kader op het gebied van de genoemde hoofdthema’s om vervolgens verder uit te werken hoe hiermee in jouw afdeling of team wordt omgegaan. Vervolgens kun je de koppeling maken met je werkprocessen.
Van visie en strategie naar uitvoering
Zoals ik net al schreef is het in de praktijk zelden zo dat er met datagedreven werken wordt gewacht totdat er een organisatiebrede datavisie en datastrategie is. Meestal is op team- of afdelingsniveau al gestart met uiteenlopende initiatieven.
Hoe beoordeel je in die situatie wat goede vervolgstappen zijn om datagedreven werken verder te brengen? Hoe bepaal je waar de organisatie of je afdeling staat op het gebied van datagedreven werken en hoe stel je vast waar het naartoe moet?
Gartner’s Data Maturity Model
Voor visie- en strategievorming op het gebied van datagedreven werken is de volgende ‘stepping stone’ erg nuttig: Het Gartner Data Maturity Model.
Het Gartner Data Maturity Model is de basis waarop organisaties wereldwijd de stand van zaken met betrekking tot het gebruik van data voor zichzelf inzichtelijk maken. Ook de VNG heeft haar ‘ontwikkelmodel Datagedreven Gemeenten’ gebaseerd op dit model. [1]
Achteraan dit artikel vind je een uitgebreide beschrijving van de onderdelen waar het model uit is opgebouwd.
Figuur 1. Eigen interpretatie van Gartner’s Data Maturity Model en het ontwikkelmodel Datagedreven Gemeenten
Wat zegt dit model?
Het mooie van dit model is dat er geen oordeel in vervat zit. Het geeft niet aan of het op het gebied van datagedreven werken goed of fout gaat. Het is een gereedschap om jou inzicht te geven in de manier waarop data-analyse binnen jouw organisatie wordt gebruikt. Vervolgens wordt dit gebruik gekoppeld aan besluitvorming, handelen en uiteindelijk de toegevoegde publieke waarde.
Heel extreem gesteld: wanneer er in jouw organisatie veel gebruikt wordt gemaakt van ad hoc beschrijvende data-analyses betekent dit niet per definitie dat de uiteindelijk toegevoegde publieke waarde minder is. Maar andersom geldt ook: wanneer er in jouw organisatie gebruik wordt gemaakt van voorspellende analyses die leidend zijn in besluitvorming en handelen betekent dit niet per definitie dat de toegevoegde publieke waarde groter is.
De toeslagenaffaire is een duidelijk voorbeeld waarbij voorschrijvende analyses en de daaropvolgende handelingen niet tot de beoogde publieke waarde hebben geleid.
Kort samengevat: Gartner’s Data Maturity Model laat dus op het gebied van datavolwassenheid (data maturity) niet het ultieme einddoel zien. Het legt de relatie tussen de publieke waarde (op basis van besluitvorming en handelen) en de manier waarop verschillende soorten data-analyse en datavolwassenheidsniveaus daar een rol bij kunnen spelen.
Maar welk soort analyse is voor welke situatie het meest geschikt? En hoe ontwikkel ik die analyses in mijn organisatie? Welke ondersteuning heb ik nodig op technologisch en ICT-gebied? Hoe houd ik rekening met juridische kaders zoals de AVG en informatiebeveiliging? Hoe zorg ik ervoor dat de data-analyses inderdaad een positief effect hebben op besluitvorming en handelen? Dát zijn de vragen waar het bij visie en strategievorming rondom datagedreven werken om gaat.
Maar hoe dan?
Er zijn ontzettend veel afhankelijkheden om rekening mee te houden bij het bepalen van de datavisie en -strategie. Hoe mooi het ook zou zijn, er is helaas geen ‘one size fits all’! Wel zijn er in zijn algemeenheid verschillende afhankelijkheden te benoemen die een handvat kunnen zijn voor het opstellen van jouw visie en strategie. Deze onderwerpen worden door Van Dam Datapartners onderverdeeld in vijf pijlers. Deze pijlers komen in combinatie met Gartner’s Data Maturity Model bij ons terug in onze Nulmeting Datavolwassenheid.
Nulmeting Datavolwassenheid
In de Nulmeting Datavolwassenheid onderzoeken we de datavolwassenheid van een organisatie. We laten aan de hand van de vijf pijlers ‘Strategie en Beleid’, ‘Mens en Organisatie’, ‘Structuren en Werkprocessen’, ‘Data en Analyses’ en ‘Informatievoorziening en Applicatielandschap’ en het Data Maturity Model van Gartner zien waar je organisatie, afdeling of team staat op het gebied van datagedreven werken. Om te bekijken hoe je scoort op deze pijlers, doorlopen we drie stappen. We onderzoeken (1) en stellen samen vast waar je naartoe wilt (2, visie) en vervolgens geven we advies over hoe je daar kan gaan komen (3, strategie).
Strategie en beleid
Deze pijler bekijkt hoe datagedreven werken is gepositioneerd in de algemene organisatievisie en -strategie en hoe deze organisatiekeuzes zijn vertaald naar beleidsplannen, een datavisie en -strategie en in investeringsruimte om ontwikkeling mogelijk te maken.
Mens en organisatie
Hoe ervaren medewerkers de ontwikkeling naar een datagedreven organisatie en welke behoeften zijn er op het gebied van procesaanpakken, rolbeschrijvingen en datageletterdheid van medewerkers?
Structuren en werkprocessen
Welke werkprocessen zijn leidend in het datagedreven werken? Hierbij kun je bijvoorbeeld kijken naar de processen binnen datamanagement, informatiebeveiliging en privacy en welke afspraken er zijn gemaakt om een structuur op te bouwen.
Data en analyse
De wijze waarop datamanagement, de bijbehorende verantwoordelijkheden en de analyse van data zijn georganiseerd.
Informatievoorziening en applicatielandschap
Hoe de technische inrichting van het datawarehouse, databases en applicaties is en welke koppelingen gemaakt zijn binnen dit landschap. Ook kan hier worden onderzocht welke aanbestedingen aankomend zijn die relevant zijn voor de inrichting van een datagedreven organisatie.
Hoe pas ik de resultaten toe?
Het eindresultaat van de Nulmeting is een advies over hoe je organisatie, afdeling of team een groei kan doormaken naar een volgend datavolwassenheidsniveau binnen deze vijf pijlers. Dit advies vormt de basis voor de roadmap die we samen met jullie opstellen. Hierin vind je terug hoe je kunt groeien in je datavolwassenheid en welke stappen je daarvoor moet zetten. Hiermee zie je dus ook hoe je datagedreven werken op verschillende plekken en manieren mogelijk kunt maken. De roadmap bestaat uit een routekaart gericht op de vijf pijlers, een indicatie van de benodigde personele inzet en een financiële doorkijk. De Nulmeting Datavolwassenheid biedt hiermee eigenlijk het complete plaatje, van visievorming tot uitvoering.
Take aways
- Een datavisie en datastrategie zijn van belang om datagedreven werken organisatiebreed op een uniforme manier vorm te geven. Met een goede datavisie en -strategie wordt voorkomen dat, hoewel er zeker afdelingen zullen zijn die als een speer gaan, er afdelingen op een (te) laag datavolwassenheidsniveau achterblijven.
- Belangrijke onderdelen van een datavisie zijn:
- privacy
- ethiek
- data governance
- informatiebeveiliging
- archivering
- beheer
- omgang met geldende wet- en regelgeving
- Verder zorgt een collectieve visie en strategie ervoor dat belangrijke fundamenten zoals de toepassing van privacywetgeving, data-ethiek, informatiebeveiliging en data governance op een centrale en uniforme wijze kunnen worden georganiseerd. Hiermee wordt voorkomen dat iedere afdeling voor zichzelf gaat inkopen en dat er dubbele producten en/of diensten worden aangeschaft.
- Het gezamenlijk toewerken naar een datavisie en -strategie leidt tot beter draagvlak en meer betrokkenheid voor het uitdragen van deze visie en operationaliseren van de strategie.
Het Data Maturity Model van Gartner geeft inzicht in waar je organisatie zich bevindt op het gebied van datavolwassenheid. Vanuit dat punt heb je zicht op de hele scope aan mogelijkheden om data-analyse in te zetten en kun je hier in de datavisie en -strategie gericht keuzes maken.
- Volgens Van Dam Datapartners staat een datavisie en een -strategie nooit op zichzelf. Belangrijke onderdelen hierbinnen zijn ‘Strategie en Beleid’, ‘Mens en Organisatie’, ‘Structuren en Werkprocessen’, ‘Data en Analyses’ en ‘Informatievoorziening en Applicatielandschap’. Wat ons betreft is het tijdens het opstellen van een datavisie en -strategie essentieel dat deze onderwerpen worden behandeld.
Verklarende woordenlijst
Gartner Data Maturity Model
De Gartner Data Maturity Model is een raamwerk dat organisaties helpt om hun volwassenheid op het gebied van data-analyse te beoordelen en te verbeteren. Het model kent vijf stadia, namelijk:
-
Ad Hoc: In dit stadium worden gegevens verzameld, maar er is geen sprake van een gecoördineerde aanpak. De gegevens worden sporadisch gebruikt voor rapportages of incidentele analyses.
-
Opkomend: In dit stadium begint de organisatie zich bewust te worden van de waarde van gegevens en begint het een gestructureerde aanpak te ontwikkelen voor het verzamelen, opslaan en analyseren van gegevens.
-
Gestandaardiseerd: In dit stadium heeft de organisatie een gestandaardiseerde aanpak ontwikkeld voor het verzamelen, opslaan en analyseren van gegevens. Er zijn duidelijke processen en richtlijnen voor gegevensbeheer en gegevenskwaliteit.
-
Geoptimaliseerd: In dit stadium is de organisatie in staat om de gegevens op een effectieve manier te gebruiken om waarde te creëren en concurrentievoordeel te behalen. Er wordt gebruik gemaakt van geavanceerde analysetechnieken zoals voorspellende modellering en machine learning.
-
Leidend: In dit stadium is de organisatie een toonaangevende speler op het gebied van data-analyse en datagedreven besluitvorming. Er wordt actief geëxperimenteerd met nieuwe technologieën en analysetechnieken om nieuwe inzichten te verkrijgen en waarde te creëren.
-
Descriptive Analytics: Dit type analyse is gericht op het beschrijven van wat er gebeurd is in het verleden. Het gebruikt historische gegevens om trends en patronen te identificeren en te rapporteren over de prestaties van een organisatie.
-
Diagnostic Analytics: Dit type analyse is gericht op het begrijpen van waarom iets is gebeurd in het verleden. Het onderzoekt de oorzaken en de relaties tussen verschillende variabelen om te bepalen waarom bepaalde resultaten zijn bereikt.
-
Predictive Analytics: Dit type analyse is gericht op het voorspellen van wat er in de toekomst zal gebeuren. Het maakt gebruik van historische gegevens om voorspellingen te doen over toekomstige resultaten en om besluitvormers te helpen bij het nemen van geïnformeerde beslissingen.
-
Prescriptive Analytics: Dit type analyse is gericht op het aanbevelen van acties die moeten worden ondernomen om een bepaald resultaat te bereiken. Het gebruikt gegevens en algoritmen om verschillende scenario’s te evalueren en aanbevelingen te doen voor de beste aanpak.
-
Cognitive Analytics: Dit type analyse maakt gebruik van geavanceerde algoritmen, machine learning en kunstmatige intelligentie om mensachtig denken en redeneren te simuleren. Het gebruikt gegevens om te leren en zichzelf te verbeteren, en kan helpen bij het ontdekken van verborgen patronen en trends die niet met andere methoden kunnen worden geïdentificeerd.
