Datagedreven werken betekent dat je data structureel gebruikt om betere beslissingen te nemen.
Niet door zoveel mogelijk data te verzamelen of dashboards te bouwen, maar door vanuit je doelen te bepalen wat je wilt weten, welke beslissing je wilt kunnen nemen en welke data je daarvoor nodig hebt.
Een datagedreven organisatie gebruikt cijfers vervolgens niet alleen om terug te kijken. Data helpt om keuzes te maken, acties te bepalen en daarna te beoordelen of die acties het gewenste resultaat hebben gehad. Zo ontstaat een continu proces van sturen en leren.
Wat betekent datagedreven werken precies?
Vrijwel iedere organisatie beschikt tegenwoordig over data. Denk aan omzetcijfers, klantgegevens, websitebezoek, voorraadinformatie, marketingresultaten of gegevens uit operationele systemen.
Toch maakt het hebben van al die data een organisatie nog niet datagedreven. Het verschil zit in hoe data onderdeel is van de besluitvorming.
Stel dat een organisatie meer nieuwe klanten wil aantrekken. Een maandelijkse rapportage waarin staat hoeveel klanten erbij zijn gekomen, geeft informatie. Maar om daadwerkelijk te kunnen sturen, zijn andere vragen nodig.
- Waar komen nieuwe klanten vandaan?
- Welke leads hebben de grootste kans om klant te worden?
- Waar vallen potentiële klanten af?
- Welke activiteiten beïnvloeden de instroom?
- Welke actie kunnen we nemen om het resultaat te verbeteren?
Data wordt pas echt waardevol wanneer ze helpt om dit soort vragen te beantwoorden en daar vervolgens naar wordt gehandeld.
Dat is ook waarom wij datagedreven werken niet zien als een technisch vraagstuk. Technologie is nodig om data beschikbaar en betrouwbaar te maken, maar uiteindelijk gaat het om betere beslissingen nemen.
Datagedreven werken begint niet bij data
Een veelgemaakte fout is beginnen met de vraag: welke data hebben we allemaal?
Dat lijkt logisch, maar draait het proces eigenlijk om. Je gaat dan kijken wat je uit bestaande data kunt halen, in plaats van eerst te bepalen wat je als organisatie wilt bereiken.
Wij beginnen daarom liever aan de andere kant: wat willen we bereiken en welke beslissingen moeten we beter kunnen nemen om daar te komen?
Van doel naar leren
Vanuit het doel ontstaat een logische keten:
Doel → stuurcijfers → inzicht → beslissing → actie → resultaat → leren
Stel dat een organisatie haar marge wil verbeteren. Dan is alleen weten wat de totale marge vorige maand was niet voldoende. Je wilt bijvoorbeeld kunnen zien welke producten, klanten of activiteiten bijdragen aan die marge en waar deze onder druk staat.
Dat inzicht moet vervolgens leiden tot een beslissing. Bijvoorbeeld een andere prijs, een aangepast assortiment of een andere verdeling van marketingbudget.
Daarna volgt misschien wel het belangrijkste onderdeel: meten wat die beslissing oplevert.
Heeft de aangepaste prijs de marge daadwerkelijk verbeterd? En wat gebeurde er tegelijkertijd met het verkoopvolume?
Op die manier gebruik je data niet alleen om te rapporteren wat er is gebeurd, maar om steeds beter te begrijpen wat je moet doen.
Een dashboard maakt je nog niet datagedreven
Veel organisaties investeren in dashboards wanneer ze meer met data willen doen.
Dat is begrijpelijk. Een goed dashboard kan enorm helpen om informatie toegankelijk te maken. Maar een dashboard is een middel, geen eindpunt.
Wij zien in de praktijk regelmatig dashboards met tientallen KPI’s waarvan niet altijd duidelijk is welke beslissing iemand ermee moet nemen.
Dan ontstaat een situatie waarin een organisatie veel meet, maar weinig stuurt.
Een dashboard wordt pas waardevol wanneer achter een cijfer een duidelijke vraag zit.
Neem bijvoorbeeld het conversiepercentage van een website. Het is eenvoudig om dat percentage iedere maand te rapporteren. Maar als het daalt, moet duidelijk zijn wat er vervolgens gebeurt.
Wie onderzoekt waarom het daalt? Welke onderliggende cijfers zijn daarvoor nodig? Wanneer besluiten we iets te veranderen? En hoe bepalen we daarna of die verandering heeft gewerkt?
Datagedreven werken begint wanneer informatie onderdeel wordt van handelen.
Hoe ziet datagedreven werken er in de praktijk uit?
Neem een organisatie die haar commerciële resultaten wil laten groeien zonder het aantal medewerkers evenredig te vergroten.
Het doel is duidelijk: meer omzet realiseren met ongeveer dezelfde capaciteit.
Een eerste reactie kan zijn om een salesdashboard te bouwen. Maar dat lost het vraagstuk nog niet op.
Een datagedreven aanpak begint met de beslissingen die het commerciële team iedere dag moet nemen. Bijvoorbeeld:
Welke potentiële klanten verdienen vandaag onze aandacht?
Daarvoor kunnen verschillende signalen relevant zijn. Denk aan eerdere contacten, gedrag op de website, kenmerken van het bedrijf, lopende contracten of eerdere aankopen.
Die gegevens kunnen samen inzicht geven in welke prospects interessant zijn en wanneer het juiste moment is om contact op te nemen.
Maar ook dan zijn we nog niet klaar.
Het salesteam moet daadwerkelijk anders gaan werken op basis van dat inzicht. Vervolgens moet worden gemeten of de gekozen prospects inderdaad vaker klant worden.
De organisatie leert daarvan en kan de manier waarop prospects worden geselecteerd verder verbeteren.
Dat is datagedreven werken: niet één keer een analyse maken, maar data onderdeel maken van een proces waarin de organisatie steeds beter leert sturen.
Goede beslissingen vragen om betrouwbare data
Er zit een belangrijke voorwaarde onder dit alles: de data moet betrouwbaar genoeg zijn om de beslissing op te baseren.
Dat klinkt vanzelfsprekend, maar juist hier ontstaan in organisaties vaak problemen.
Marketing rapporteert bijvoorbeeld een ander aantal leads dan sales. Finance gebruikt een andere omzetdefinitie dan het managementdashboard. Of een wijziging aan een website zorgt ervoor dat een deel van de conversies niet meer wordt gemeten.
Op dat moment verschuift het gesprek.
In plaats van “Wat moeten we doen?” gaat het over “Welk cijfer klopt eigenlijk?”
Een organisatie kan daarom alleen structureel datagedreven werken wanneer duidelijk is waar cijfers vandaan komen, wat ze betekenen en of de onderliggende data betrouwbaar is.
Datakwaliteit is daarmee geen technisch detail. Het bepaalt uiteindelijk hoeveel vertrouwen mensen hebben om daadwerkelijk op data te sturen.
Data ondersteunt de beslissing, maar neemt hem niet over
Datagedreven werken betekent niet dat menselijke kennis en ervaring verdwijnen en dat een dashboard voortaan vertelt wat de organisatie moet doen.
Data heeft altijd context nodig.
Een cijfer kan laten zien dat iets gebeurt, maar verklaart niet automatisch waarom. Ook kan beschikbare data onvolledig zijn of een verkeerde indruk geven wanneer een situatie verandert.
Goede besluitvorming combineert daarom data met vakkennis, ervaring en kennis van de context.
Datagedreven werken is niet hetzelfde als data laten beslissen. Data helpt mensen om beter geïnformeerde beslissingen te nemen.
Waar gaat datagedreven werken vaak mis?
De grootste valkuil is dat datagedreven werken wordt teruggebracht tot een dataproject.
Er wordt een datawarehouse gebouwd. Er komen dashboards. Misschien wordt er een data-analist aangenomen.
Technisch kan alles vervolgens prima werken, terwijl er in de dagelijkse besluitvorming nauwelijks iets verandert.
Dat gebeurt bijvoorbeeld wanneer niet duidelijk is:
- welke doelen de organisatie probeert te beïnvloeden;
- welke cijfers daarvoor echt belangrijk zijn;
- wie verantwoordelijk is voor die cijfers;
- welke beslissing bij een inzicht hoort;
- welke actie daaruit moet volgen;
- en hoe later wordt bepaald of die actie heeft gewerkt.
Een tweede valkuil is blind vertrouwen op cijfers. Ook data kan onvolledig zijn, verkeerd worden geïnterpreteerd of simpelweg niet geschikt zijn voor de vraag die je probeert te beantwoorden.
Datagedreven werken vraagt daarom niet om minder kritisch denken, maar juist om meer.
Wanneer is een organisatie echt datagedreven?
Zijn onze belangrijkste organisatiedoelen duidelijk?
Weten we wat we daadwerkelijk proberen te verbeteren? Data krijgt pas betekenis wanneer duidelijk is welk doel we ermee willen beïnvloeden.
Weten we welke cijfers laten zien of we de goede kant op bewegen?
Of rapporteren we vooral wat toevallig beschikbaar is? Goede stuurcijfers volgen uit het doel en de beslissingen die je wilt kunnen nemen.
Vertrouwen mensen de cijfers?
Zijn definities duidelijk en is de kwaliteit van de onderliggende data aantoonbaar? Zodra het gesprek vooral gaat over welk cijfer klopt, wordt sturen lastig.
Leiden inzichten daadwerkelijk tot beslissingen?
Is duidelijk wat iemand doet wanneer een KPI verandert? Informatie heeft pas waarde als deze onderdeel wordt van handelen.
Meten we wat onze acties opleveren?
Kijken we na een beslissing terug of deze daadwerkelijk het gewenste effect heeft gehad? Zo niet, dan ontbreekt een belangrijk deel van de leercyclus.
Gebruiken we wat we leren voor de volgende beslissing?
Een datagedreven organisatie wordt aantoonbaar slimmer van haar eigen data. Resultaten uit eerdere acties worden gebruikt om nieuwe beslissingen beter te maken.
Van data hebben naar sturen met data
Datagedreven werken draait uiteindelijk niet om zoveel mogelijk data verzamelen. Het doel is ook niet om voor iedere vraag een dashboard te bouwen.
Het gaat erom dat je als organisatie steeds beter in staat bent om vanuit je doelen te bepalen wat je moet weten, daar betrouwbare informatie voor beschikbaar te maken en die informatie daadwerkelijk te gebruiken.
Doel → stuurcijfers → inzicht → beslissing → actie → resultaat → leren
Wanneer die cyclus steeds opnieuw wordt doorlopen, wordt data geen losse technische discipline meer. Het wordt onderdeel van de manier waarop de organisatie werkt.
En juist daar ontstaat de waarde: niet doordat je meer cijfers hebt, maar doordat je beter kunt sturen.
