In veel organisaties wordt data inmiddels ingezet als onderbouwing van besluiten, maar de vraag is of dat ook werkelijk leidt tot betere keuzes. Zijn de juiste mensen betrokken bij de interpretatie, en begrijpen zij wat de cijfers zeggen of juist niet zeggen? Het antwoord is vaker dan men zou verwachten: nee.
Wat data eigenlijk is, en wat niet
Er bestaat een hardnekkige neiging om alles wat in een dashboard verschijnt als objectieve werkelijkheid te beschouwen. Dat is begrijpelijk, want getallen geven een gevoel van houvast, zeker in situaties waarin de onzekerheid groot is. Maar data is altijd een selectie: iemand heeft bepaald wat gemeten wordt, hoe het geregistreerd wordt en in welk tijdsbestek.
In familiebedrijven ziet men dit patroon regelmatig: de ondernemer heeft jarenlang op gevoel gestuurd, de controller introduceert een rapportagesysteem, en plotseling lijkt het alsof de werkelijkheid in twaalf kolommen past. Wat er niet in staat, de informele afspraken, de uitzonderingen, de relaties met vaste klanten, verdwijnt uit het gesprek.
Het verschil tussen een probleem en een symptoom
Dit is een onderscheid dat in de praktijk zelden scherp genoeg wordt gemaakt. Een dalend klanttevredenheidscijfer is geen probleem, het is een signaal. Het werkelijke probleem kan van alles zijn: een gewijzigde samenstelling van het klantenbestand, een verandering in de dienstverlening, of een interne reorganisatie die zijn weerslag heeft op de buitenwereld.
Symptoombestrijding via data is verleidelijk omdat het snel en meetbaar is. Men past een proces aan, de score stijgt, en het geval wordt gesloten. Maar als de onderliggende oorzaak niet is aangepakt, keert het probleem terug, soms in een andere gedaante.
Wie data wil inzetten als sturingsinstrument, doet er verstandig aan om bij elk opvallend cijfer eerst te vragen: wat zou dit kunnen verklaren? Pas daarna is het zinvol om te bepalen of en hoe men wil ingrijpen.
Rollen en verantwoordelijkheden rondom data
In veel organisaties is onduidelijk wie eigenlijk verantwoordelijk is voor de kwaliteit en de interpretatie van data. De IT-afdeling beheert de systemen, de controller maakt de rapportages, en de directie neemt de besluiten. Maar wie bewaakt de samenhang, en wie signaleert het als definities door de jaren heen zijn verschoven?
Dit is niet alleen een technisch vraagstuk. Het is een organisatorisch vraagstuk, en het raakt aan de verdeling van rollen en functies. Een rol is wat iemand feitelijk doet in een organisatie; een functie is wat er op papier staat. In de praktijk zijn die twee lang niet altijd gelijk.
Als niemand de rol van data-eigenaar vervult, dan wordt data al snel een gedeelde verantwoordelijkheid, wat in de praktijk neerkomt op geen verantwoordelijkheid. Dat leidt tot rapportages die niemand volledig vertrouwt, maar die iedereen toch gebruikt.
Weerstand bij de invoering van datasystemen
Wanneer een organisatie besluit om serieuzer met data aan de slag te gaan, stuit men bijna altijd op weerstand. Die weerstand is zelden irrationeel, ook al wordt hij zo gepresenteerd door degenen die de verandering willen doorvoeren.
Medewerkers die jarenlang op een bepaalde manier hebben gewerkt, begrijpen intuïtief dat een nieuw meetsysteem ook een nieuw beoordelingssysteem is. Dat maakt hen voorzichtig, en terecht. De vraag is niet: hoe overtuigen wij deze mensen? De vraag is: wat vertelt hun terughoudendheid ons over de invoering die wij plannen?
Weerstand bij verandering is in de meeste gevallen een signaal dat er iets over het hoofd is gezien: een belang dat niet is meegewogen, een angst die niet is uitgesproken, of een praktische bezwaar dat men niet serieus heeft genomen.
Wat u kunt meten, en wat u beter kunt observeren
Er zijn aspecten van een organisatie die zich goed lenen voor kwantificering: omzet, doorlooptijden, ziekteverzuim, klanttevredenheid. Maar er zijn ook aspecten die zich daar nauwelijks voor lenen: de kwaliteit van samenwerking, het vertrouwen binnen een team, de mate waarin mensen zich vrij voelen om kritisch te zijn.
Op het gebied van data en kunstmatige intelligentie wordt momenteel veel ontwikkeld. Voor wie wil weten wat er op dat gebied beschikbaar is, hier vind je alles wat er aan toepassingen en achtergronden te vinden is. Maar de vraag welke van die toepassingen zinvol zijn voor een specifieke organisatie, hangt af van wat die organisatie werkelijk wil weten en waarom.
Wie uitsluitend meet wat meetbaar is, loopt het risico de organisatie te gaan sturen op een vereenvoudigd beeld van de werkelijkheid. Dat beeld kan bruikbaar zijn, maar het is nooit volledig.
Punten om bij stil te staan voordat u investeert in data
Voordat een organisatie besluit tot een forse investering in datasystemen of analysecapaciteit, zijn er een aantal vragen die het waard zijn om serieus te beantwoorden:
- Welke besluiten nemen wij nu op basis van gevoel, en zouden wij die beter willen onderbouwen?
- Hebben wij mensen in huis die data kunnen interpreteren in de context van onze organisatie?
- Weten wij wat wij meten, en weten wij ook wat wij níet meten?
- Is er een heldere eigenaar voor de kwaliteit van onze data?
- Zijn de mensen die met de data moeten werken betrokken bij de inrichting van het systeem?
- Wat doen wij als de data een uitkomst laat zien die ingaat tegen de verwachting van de directie?
Deze vragen zijn niet bedoeld als obstakel, maar als voorbereiding. Een systeem dat technisch goed werkt maar organisatorisch niet is ingebed, levert zelden wat men ervan verwacht.
Veelgestelde vragen over data en organisaties
Hoe weet ik of mijn organisatie klaar is voor serieuze data-analyse?
Dat is minder een technische vraag dan een organisatorische. Als er geen eenduidige definities zijn van de kernbegrippen die u wilt meten, als er geen duidelijke eigenaar is voor de datakwaliteit, of als de directie data alleen gebruikt om bestaande overtuigingen te bevestigen, dan is er eerst werk te doen voordat een systeem zinvol is.
Wat is het verschil tussen sturen op data en sturen op informatie?
Data is ruwe registratie: aantallen, tijdstippen, bedragen. Informatie ontstaat wanneer data wordt geïnterpreteerd in een context. Sturen op data zonder die interpretatiestap is riskant, omdat de betekenis van een getal altijd afhangt van wat er omheen gebeurt. Een stijging van het ziekteverzuim in december zegt iets anders dan dezelfde stijging in april.
Hoe ga ik om met tegenstrijdige signalen in mijn rapportages?
Tegenstrijdige signalen zijn zelden een technisch probleem. Ze wijzen meestal op een verschil in definitie, een verschil in meetperiode, of een verschil in perspectief tussen afdelingen. De eerste stap is niet het systeem aanpassen, maar uitzoeken waarom de cijfers uiteenlopen. Dat gesprek is vaak waardevoller dan de uitkomst ervan.
Leave a Reply