Van data naar waarde: start bij de gewenste waarde

In een wereld waarin data steeds belangrijker wordt, streven veel organisaties ernaar om een datagedreven strategie te omarmen.

Het succesvol benutten van data begint niet bij de data zelf. Het draait om het bepalen van de gewenste waarde. Deze aanpak kan een organisatie helpen om gericht en effectief te werk te gaan en echte impact te creëren. In dit artikel bespreken we een model dat helpt bij het realiseren van waarde uit data en geven we een voorbeeld uit de praktijk van een spoorwegmaatschappij.

Van waarde naar data

Het model dat wij regelmatig toepassen is 'the value chain of data science' en bestaat uit vier stappen: waarde, acties, inzichten en data.

1. Waarde Begin altijd bij het einddoel. Wat is de waarde die je wilt creëren? Dit kan variëren van het verminderen van CO2-uitstoot, het verlagen van het aantal retouren met 10%, tot het verhogen van de klanttevredenheid, zinvoller werken en ga zo maar door. Het doel is altijd in lijn met en ondersteunend aan de bedrijfsdoelen. Door eerst de gewenste waarde te bepalen, kun je de rest van het proces hierop afstemmen.
2. Acties Vanuit de vastgestelde gewenste waarde bepaal je welke concrete actie iemand moet uitvoeren om de waarde te behalen. Of op welke knop moet iemand drukken om de juiste actie op het juiste moment te laten plaatsvinden. Het gaat er hier niet zozeer om welke acties er in totaliteit genomen moeten worden, maar vooral welke actie een medewerker moet nemen om de waarde te bereiken.
3. Inzichten Om de benodigde acties goed uit te voeren, heb je bepaalde inzichten nodig. Dit zijn de specifieke informatie en analyses die je helpen om de juiste beslissingen te nemen en acties te optimaliseren.
4. Data Pas in deze laatste stap bepaal je welke data nodig is om de benodigde inzichten te genereren. Vervolgens verzamel je deze data, analyseer je deze en gebruik je de inzichten om de acties te ondersteunen die leiden tot de gewenste waarde. Dat hoeft overigens niet alleen eigen data te zijn. In het eerste praktijkvoorbeeld is er ook veel openbare data gebruikt.

Case 1: Verbetering van railonderhoud door gebruik van externe data voor efficiëntie, duurzaamheid en medewerkerstevredenheid

Een mooi voorbeeld van deze aanpak is de railonderhoud case van een spoorwegmaatschappij. Dit bedrijf heeft heel veel gebruikgemaakt van externe, openbare data om hun processen te verbeteren.

Voorheen stuurde deze organisatie dagelijks groepen mensen op pad om meter voor meter onkruid te bestrijden langs en op de rails. Dit was een tijdrovende en vaak onnodige taak omdat veel stukken spoor niet begroeid waren op het moment dat de bestrijding medewerkers daar wel waren. Het werk was ondankbaar omdat het onkruid steeds weer terugkwam. En daarbij ook erg slecht voor het milieu, omdat ze veel gebruik maken van gif en bestrijdingsmiddelen op plekken waar het niet hoeft.

Met behulp van openbare data van satellieten, weer, planten en andere bronnen, heeft deze spoorwegmaatschappij in kaart gebracht waar de rail begroeiing het ergst was, welke soorten planten en onkruid er groeiden en hoe deze het beste langdurig bestreden konden worden. Hierdoor konden ze veel gerichter te werk (de juiste medewerker op het juiste moment op de juiste plek) gaan en bleef het onkruid langdurig weg. Dit leidde tot een aanzienlijke vermindering van de totale inspanning en een duurzamere oplossing met minder schade aan het milieu wat betreft begroeiing en bestrijding. Daarnaast droeg het bij aan het vergroten van de medewerkerstevredenheid omdat de werkzaamheden veel zinvoller waren geworden.

Stel je voor dat ze in deze case vanuit eigen beschikbare data waren gestart, dan was dit succesvolle project waarschijnlijk nooit van start gegaan. Misschien was de planning van deze medewerkers iets geoptimaliseerd maar de impact op efficiëntie, duurzaamheid, milieu en medewerkerstevredenheid was niet te vergelijken geweest.
‍

‍

Case 2: Kostenbesparingen, gezonde marges en klantloyaliteit in een servicebedrijf

In deze case hebben we hetzelfde model toegepast op een servicebedrijf dat streeft naar kostenbesparingen en verhoogde klantloyaliteit en daarvoor haar klantportfolio herziet.

Voorheen behandelde dit bedrijf al zijn klanten op dezelfde manier, ongeacht hun behoeften en winstgevendheid. Dit leidde ertoe dat veel tijd en middelen werden besteed aan klanten die verliesgevend waren, terwijl winstgevende klanten niet de aandacht kregen die ze verdienden. Dit resulteerde in inefficiënt gebruik van middelen en suboptimale klanttevredenheid.

Met behulp van databronnen als gedetailleerde contractgegevens, werkelijk gemaakte uren en nog een aantal noodzakelijke bronnen analyseerde het bedrijf de marges over de gehele looptijd van de contracten. Hierdoor konden ze klanten identificeren die consistent verliesgevend waren. Vervolgens benaderden ze deze klanten proactief om de relatie op een strategische en respectvolle manier te beëindigen.

Tegelijkertijd werd meer aandacht besteed aan klanten met gezonde marges. Salesmanagers werden niet meer alleen beloond op new business omzet maar wel op gezonde marges over tijd. Accountmanagers kregen specifieke instructies om regelmatig contact te onderhouden met deze klanten en hen extra services aan te bieden. Dit resulteerde in verhoogde klanttevredenheid en loyaliteit onder deze winstgevende klanten. En de bijvangst voor een hogere medewerkerstevredenheid omdat ze steeds beter de juiste aandacht aan de juiste klant kunnen besteden.

Door de focus te verleggen naar klanten met gezonde marges en respectvol en op organische en logische momenten afscheid te nemen van verliesgevende klanten, wist het servicebedrijf aanzienlijke kostenbesparingen te realiseren en de algehele klantloyaliteit te verhogen. Dit leidde tot een duurzame verbetering van de bedrijfsresultaten en een meer tevreden klantenbestand.

Door te beginnen bij de gewenste waarde en vervolgens de noodzakelijke acties, inzichten en data te bepalen, kon het servicebedrijf effectief en efficiënt hun doelen bereiken.

Conclusie

De voorbeelden tonen aan hoe belangrijk het is om te beginnen met het definiëren van de gewenste waarde. Door eerst te bepalen wat je wilt bereiken, kun je de acties en inzichten hierop afstemmen en vervolgens de benodigde data verzamelen. Deze benadering helpt organisaties om effectief en doelgericht waarde uit hun data te halen en succesvol een datagedreven strategie te implementeren.

Data-gedreven werken omvat verschillende domeinen die allemaal essentieel zijn voor het succes van een organisatie. De vijf strategische domeinen zijn:

‍

Hoewel elk van deze domeinen belangrijk is, begint een succesvolle strategie voor datagedreven werken altijd bij het bepalen van de waarde. Dit is het einddoel waar alle inspanningen op gericht moeten zijn. De rest van de domeinen, inclusief technologie, zijn ondersteunend aan het bereiken van deze waarde. Technologie speelt een cruciale rol, maar is een middel om de waarde te realiseren, niet de oplossing op zich. Het juiste gebruik van technologie helpt o.a. bij het ontsluiten van data, het waarborgen van datakwaliteit, het beheren van data governance, het opzetten van effectieve dashboards en platformen.

In de komende artikelen zullen we dieper ingaan op de 5 strategische domeinen om een succesvolle datagedreven organisatie op te bouwen. Hoe belangrijk denk jij bijvoorbeeld dat een passende cultuur is voor het succesvol datagedreven ondernemen? Blijf ons volgen voor meer inzichten en praktische voorbeelden of neem vrijblijvend contact op.

Bronnen: Eurailpress.de, Deutschebahn.com, Gartner.com, Littlerocket.nl, Steven van Duin, Jelle Scholten, Simon Grice

‍