Hoe begin je met datagedreven werken?

Het is een vraag die steeds meer ondernemers, directeuren, managers en controllers zichzelf stellen. Organisaties beschikken over steeds meer data en termen als Business Intelligence, AI, machine learning en datagedreven werken zijn inmiddels overal.

Maar veel organisaties worstelen met dezelfde vraag: waar begin je?

Moet je direct investeren in AI? Heb je eerst een datawarehouse nodig? Is Power BI voldoende? En wanneer kun je eigenlijk zeggen dat je organisatie datagedreven werkt?

Het korte antwoord: begin bij een betrouwbare databasis en groei vervolgens stap voor stap. Datagedreven werken ontstaat niet door één dashboard of AI-model te implementeren.

In dit artikel leggen we uit wat datagedreven werken betekent en hoe je in vijf stappen kunt groeien van terugkijken naar voorspellen, adviseren en uiteindelijk automatiseren.

Wat is datagedreven werken?

Datagedreven werken betekent dat je data structureel gebruikt om beslissingen te onderbouwen en processen te verbeteren.

In plaats van alleen te beslissen op basis van ervaring, aannames of onderbuikgevoel, gebruik je beschikbare gegevens om te begrijpen wat er gebeurt en waarom.

Een salesmanager kijkt bijvoorbeeld niet alleen naar zijn gevoel over een klant, maar ook naar historische omzet, orderfrequentie, marge en ontwikkelingen in koopgedrag.

Een zorgorganisatie kijkt niet alleen naar hoe druk het op dit moment voelt, maar analyseert zorgvraag, beschikbare medewerkers, planning en historische patronen.

En een inkoper bestelt niet uitsluitend op basis van ervaring, maar gebruikt verkoopgegevens, voorraadniveaus, levertijden en verwachte vraag.

Datagedreven werken betekent overigens niet dat menselijke kennis en ervaring verdwijnen. Data ondersteunt de beslissing. Juist de combinatie van betrouwbare informatie en kennis van de organisatie maakt betere besluitvorming mogelijk.

Begin niet met AI, maar met je datafundament

De verleiding is groot om direct te beginnen met AI of machine learning.

Maar een voorspelmodel wordt niet ineens betrouwbaar wanneer de onderliggende data dat niet is.

Daarom begint datagedreven werken bij de basis. Zijn belangrijke bedrijfsprocessen goed ingericht? Worden gegevens consequent geregistreerd? Kunnen de verschillende systemen worden ontsloten? Zijn definities binnen de organisatie eenduidig? En kunnen gegevens uit verschillende bronnen betrouwbaar met elkaar worden gecombineerd?

Stel dat Finance onder omzet iets anders verstaat dan Sales. Of dat klantgegevens in het CRM niet goed aansluiten op klanten in het ERP-systeem. Dan krijg je problemen voordat je überhaupt aan voorspellen toekomt.

De eerste stap is daarom vaak:

data verzamelen → data combineren → data structureren → data inzichtelijk maken.

Dat klinkt misschien minder spectaculair dan AI, maar het is het fundament waarop de volgende stappen worden gebouwd.

In 5 stappen naar datagedreven werken

Niet iedere organisatie bevindt zich op hetzelfde niveau. De ene organisatie maakt managementrapportages nog grotendeels handmatig in Excel, terwijl een andere organisatie al beschikt over een centraal dataplatform en geautomatiseerde dashboards.

Wij kijken daarom naar datagedreven werken als een ontwikkeling in vijf stappen.

Stap 1: beschrijvend inzicht – wat is er gebeurd?

De eerste stap is betrouwbare informatie over wat er binnen de organisatie gebeurt.

Denk aan vragen als:

Hoeveel omzet hebben we gerealiseerd?

Wat is onze brutomarge?

Welke producten verkopen het beste?

Hoeveel declarabele uren hebben medewerkers gemaakt?

Hoeveel cliënten zijn ingestroomd?

Wat is onze actuele voorraad?

Data uit bijvoorbeeld een ERP-, CRM-, financieel of zorgsysteem wordt ontsloten en samengebracht. Met rapportages en dashboards, bijvoorbeeld in Power BI, krijgen medewerkers toegang tot dezelfde informatie.

Dit is een belangrijke stap. In veel organisaties worden nog verschillende Excel-bestanden rondgestuurd en bestaan meerdere versies van hetzelfde cijfer.

Een goede BI-basis creëert één versie van de waarheid.

Stap 2: verdiepend inzicht – waarom gebeurt het?

Weten dat de omzet daalt is nuttig. Maar om actie te kunnen ondernemen wil je weten waarom.

Daarom ga je in de tweede stap verder analyseren.

Daalt de omzet bij specifieke klanten? Verkopen bepaalde productgroepen minder? Is het aantal orders gedaald of juist de gemiddelde orderwaarde? Is er verschil tussen regio's of verkoopteams?

Hetzelfde geldt in andere sectoren.

Een ziekenhuis ziet bijvoorbeeld dat de bedbezetting hoog is. Vervolgens wil het weten op welke afdelingen dit gebeurt, op welke momenten problemen ontstaan en welke patiëntstromen hieraan bijdragen.

Je gaat van wat gebeurt er? naar waarom gebeurt het?

Hier wordt Business Intelligence steeds meer onderdeel van de dagelijkse bedrijfsvoering.

Stap 3: voorspellend inzicht – wat gaat er waarschijnlijk gebeuren?

Wanneer voldoende betrouwbare historische data beschikbaar is, wordt het interessant om vooruit te kijken.

Hier komen technieken als data science en machine learning nadrukkelijker in beeld.

Met historische patronen kun je modellen ontwikkelen die voorspellingen maken over toekomstige ontwikkelingen.

Bijvoorbeeld:

hoeveel omzet je de komende maanden kunt verwachten;

hoeveel voorraad waarschijnlijk nodig is;

welke klanten mogelijk gaan vertrekken;

welke leads de grootste kans hebben om klant te worden;

hoeveel aanvragen de komende periode binnenkomen;

hoeveel capaciteit een zorgorganisatie waarschijnlijk nodig heeft;

wanneer bepaalde machines mogelijk onderhoud nodig hebben.

Neem een groothandel. Wanneer je historische verkopen combineert met seizoenseffecten, voorraadgegevens en andere relevante factoren, kun je proberen de toekomstige vraag per product te voorspellen. Inkoop kan daardoor eerder anticiperen op verwachte tekorten of overschotten.

Of neem een organisatie die HubSpot gebruikt. Historische leads en deals kunnen worden gebruikt om te onderzoeken welke kenmerken samenhangen met succesvolle conversie. Nieuwe aanvragen kunnen vervolgens worden beoordeeld op hun verwachte kans om klant te worden.

Je kijkt niet langer alleen in de achteruitkijkspiegel, maar probeert te bepalen wat er waarschijnlijk voor je ligt.

Stap 4: adviserend inzicht – wat kunnen we het beste doen?

Voorspellen is waardevol, maar vervolgens ontstaat de volgende vraag:

Wat moeten we met die voorspelling doen?

Stel dat een model voorspelt dat de vraag naar een bepaald product sterk gaat stijgen. Dan kun je ook onderzoeken hoeveel extra voorraad verstandig is.

Of een model voorspelt dat bepaalde leads een hogere kans op conversie hebben. Dan kan een salesmedewerker advies krijgen over welke aanvragen mogelijk prioriteit verdienen.

In deze fase gaat data dus verder dan signaleren en voorspellen. Modellen kunnen medewerkers ondersteunen met mogelijke acties en aanbevelingen.

De uiteindelijke beslissing kan nog steeds bij de medewerker liggen.

Stap 5: automatiseren – van inzicht naar actie

In de vijfde stap kunnen bepaalde beslissingen en processen gedeeltelijk of volledig worden geautomatiseerd.

Een systeem constateert dan niet alleen dat er iets gebeurt, maar kan binnen vooraf bepaalde kaders ook een vervolgactie starten.

Denk bijvoorbeeld aan een afwijking die automatisch wordt gesignaleerd en naar de juiste medewerker wordt gestuurd. Of een proces waarbij op basis van voorspelde vraag automatisch een voorstel voor voorraad of personeelsplanning wordt gemaakt.

Hier komen data, AI en procesautomatisering steeds dichter bij elkaar.

Maar automatiseren is niet automatisch het einddoel. Sommige beslissingen wil je bewust bij mensen houden. De vraag is steeds: waar levert automatisering daadwerkelijk waarde op?

Moet iedere organisatie alle vijf stappen doorlopen?

Nee.

Datagedreven werken betekent niet dat iedere organisatie zo snel mogelijk bij machine learning, AI en volledige automatisering moet uitkomen.

Voor sommige organisaties zit op dit moment veel meer waarde in stap 1 en 2.

Als medewerkers iedere maand dagen bezig zijn om Excel-bestanden samen te voegen voor een managementrapportage, kan het automatiseren van die informatievoorziening al direct tijd en geld besparen.

Andere organisaties hebben hun BI-omgeving juist al goed op orde en zijn klaar voor voorspellingen en machine learning.

De juiste volgende stap hangt daarom af van waar je organisatie nu staat en welk bedrijfsprobleem je wilt oplossen.

Een praktisch voorbeeld: van ERP-systeem naar voorspelling

Stel dat je organisatie werkt met Microsoft Dynamics 365.

Je hoeft dan niet direct een AI-project te starten.

Je kunt beginnen met het ontsluiten van relevante D365-data naar een centraal dataplatform, bijvoorbeeld binnen Microsoft Fabric of Azure. Vervolgens structureer en combineer je verkoop-, voorraad-, inkoop- en klantgegevens in een betrouwbaar datamodel.

Daarop bouw je eerst rapportages waarmee medewerkers kunnen zien wat er gebeurt en waarom.

Als die basis betrouwbaar is en voldoende historie beschikbaar is, kun je een volgende stap zetten. Bijvoorbeeld door de toekomstige vraag te voorspellen met machine learning.

Dezelfde data ontwikkelt zich dan van:

registratie → rapportage → analyse → voorspelling → advies → actie.

En belangrijk: iedere tussenstap kan zelfstandig al waarde opleveren.

Hoe start je zelf met datagedreven werken?

Begin niet met de vraag: welke AI-tool moeten we aanschaffen?

Begin met vragen als:

Welke bedrijfsproblemen willen we beter oplossen? Welke beslissingen zouden we met betere informatie kunnen nemen? Welke data hebben we daarvoor nodig? Waar staat die data nu? En kunnen we die data voldoende vertrouwen?

Vanuit daar kun je bepalen welke technische en organisatorische stappen nodig zijn.

Misschien betekent dat eerst een ERP- of CRM-systeem beter ontsluiten. Misschien heb je een centraal dataplatform nodig. Misschien zijn betrouwbare Power BI-rapportages de volgende stap. En misschien staat dat fundament al en kun je daadwerkelijk beginnen met voorspellende modellen.

BI-Xperts helpt organisaties stap voor stap datagedreven werken

Bij BI-Xperts zien we Business Intelligence, data en AI niet als losse werelden.

We helpen organisaties met het bepalen van een datastrategie, het ontsluiten en combineren van databronnen, het opzetten van dataplatformen en datawarehouses en het ontwikkelen van dashboards en rapportages. Wanneer de organisatie daar klaar voor is, kunnen we verder bouwen met data science, machine learning en AI.

Maar technologie alleen is niet voldoende. We begeleiden en trainen medewerkers en blijven betrokken bij de verdere ontwikkeling van de organisatie.

Het doel is niet om zoveel mogelijk technologie te implementeren.

Het doel is om data steeds slimmer te gebruiken om betere beslissingen te nemen, efficiënter te werken, kosten te besparen en nieuwe kansen te herkennen.

Wil je weten waar jouw organisatie staat en wat een logische volgende stap is? Neem dan contact met ons op. We kijken graag samen hoe je praktisch kunt beginnen met datagedreven werken.