Datagedreven werken? Een DMP alleen is niet genoeg

20 juni 2016, 05:00

Zelfrijdende auto’s, slimme aanbevelingen op het web, of de beste Go-speler ter wereld verslaan met deep learning: niet alleen Google knijpt zijn handjes dicht als het denkt aan alle toepassingen van data, tenminste 90 procent van organisaties ziet dat algoritmes noodzakelijk zijn om bedrijfsprocessen te verbeteren. Het zou echter verkeerd zijn om te denken dat datagedreven werken begint met implementeren van een datamanagementplatform (DMP) en dat het daarna vanzelf gaat. Uiteraard is een DMP een belangrijk hulpmiddel voor het beschikbaar maken van data en daarmee ook voor het ontwikkelen van toepassingen, maar een DMP is lang niet altijd direct nodig om te starten met datatoepassingen.

Datagedreven werken start met de vraag wat je zou willen gaan doen. Organisaties die succesvolle datatoepassingen ontwikkelen, zoals GitLab, Bakkersland, NPO, UMC Utrecht en Schiphol, zijn allemaal gestart met concrete, bruikbare use cases die direct waarde voor hun klanten op konden leveren. En terwijl ze dit uitprobeerden, zochten ze de benodigde technologie, zoals een platform, er gaandeweg bij.

Open source

De opkomst van open source heeft een belangrijke rol gespeeld bij de toegenomen beschikbaarheid van technologie. Complexe, state-of-the-art technologie is nu eenvoudig te verkrijgen. Een bijkomend voordeel van open source is dat nieuwe innovaties snel beschikbaar komen en dat er geen vendor lock-in is, waardoor je software kunt vervangen zoals je een autoband vervangt.

Mike Olson, mede-oprichter van Cloudera, de eerste partij die commerciële distributie van Hadoop levert en het datamanagementplatform dat 10 jaar geleden de big-datarevolutie ontketende, zegt hierover:

In de afgelopen tien jaar is er geen enkel gesloten platform (database of operating system) succesvol gelanceerd door een ontwikkelbedrijf. Gesloten platformen worden vervangen door open source. Dit is een trend in elke categorie; databases, besturingssystemen, middleware. Denk er maar eens over: JBoss voor middleware, Linux voor besturingssystemen, MySQL, Postgres en Hadoop voor databeheer.

De opkomst van open-sourcesoftware heeft de technologische drempel voor organisaties verlaagd, doordat robuuste en schaalbare technologie beschikbaar is en razendsnel doorontwikkeld wordt. Mike Olson ziet open source dan ook als de enige manier om succesvol een platform te lanceren.

De echte uitdaging om succesvol datatoepassingen te ontwikkelen ligt op het vlak van proof of concepts, het realiseren van intern draagvlak, een werkwijze die is gericht op innovatie en het bij elkaar brengen van de juiste mensen.

1. Proof of concepts leggen de basis

De echte uitdaging om succesvol datatoepassingen te ontwikkelen ligt bij het realiseren van intern draagvlak. Om daarbij te helpen, maken organisaties vaak gebruik van proofs of concept (POC’s), kortlopende experimenten om te bepalen of een idee waardevol is en wat de randvoorwaarden zijn. In de praktijk blijkt de technologische uitdaging bij veel eerste POC’s nog redelijk beperkt, waardoor het mogelijk is om te werken met (open-source)tools op een laptop of op bestaande infrastructuur binnen de organisatie. Zodra organisaties succesvolle PoC’s uitwerken, bouwen ze de benodigde technologische infrastructuur op rondom de use case.

Een goed voorbeeld van een succesvolle POC is de ontwikkeling van een model voor Bakkersland, met een jaaromzet van 400 miljoen euro de grootste bakkerij van Nederland, dat de vraag naar brood in supermarkten voorspelt. Supermarkten bestellen nog steeds zelf hun brood bij Bakkersland. Echter, na een eerste POC bleek er ruimte te zijn om de productieplanning en de broodbeschikbaarheid in supermarkten te verbeteren. Vervolgens is men modellen gaan ontwikkelen en verbeteren. Op deze manier is Bakkersland in staat geweest om het model incrementeel uit te rollen van één naar tientallen supermarkten.

Bron afbeelding: GoDataDriven

2. Intern draagvlak realiseren

Zonder intern draagvlak komen experimenten niet in de bedrijfsvoering terecht. Bijna de helft (47 procent) van de organisaties ziet ondersteuning vanuit de directie als belangrijkste pijler voor succes met data. Naast het beschikbaar stellen van budget gaat het daarbij vooral om het formuleren van een visie op data-use-cases.

Het visualiseren van data kan helpen om draagvlak te realiseren. NPO, de Nederlandse Publieke Omroep, heeft een aantal succesvolle proofs of concept gerealiseerd. Om een volgende stap te zetten met deze experimenten, was ondersteuning vanuit de directie noodzakelijk. Net als bij Bakkersland zorgde een datavisualisatie ervoor dat de directie inzicht kreeg in de potentiële impact van data en de noodzaak om hier een visie op te formuleren.

De ondersteuning vanuit de directie stelde de data scientists binnen NPO in staat om use cases, zoals recommenders die kijkers van relevante aanbevelingen voorzien, in de praktijk te brengen. Denk groot, maar begin klein is hier het devies.

3. Werkwijze gericht op innovatie

Hoe groot is de innovatiekracht van een organisatie? Een goede graadmeter is de verhouding tussen innovatie binnen en buiten de organisatie. Als de externe innovatie groter is dan de interne, is er wellicht ruimte om de manier van werken te veranderen.

Veel bedrijven adopteren een startupmentaliteit om in te spelen op de ontwikkelingen. Twee belangrijke onderdelen van deze mentaliteit zijn een agile werkwijze en experimenteren.

Bron afbeelding: GoDataDriven

Agile werken

Een agile werkwijze versnelt de time-to-market van nieuwe producten met zo’n 40 procent. Agile werken draait erom dat je in stappen (zogenaamde sprints) van een tot vier weken met je team de prioriteiten uitwerkt zoals die op basis van de vragen en wensen uit de business tot stand zijn gekomen. Betrokken stakeholders krijgen aan het einde een demo, zodat die kunnen zien waar hun ideeën toe geleid hebben. Voor de meeste organisaties betekent dit een fundamentele verandering in de manier van werken en vaak ook daarmee van de cultuur.

Ruimte om te experimenteren

Als je start met de ontwikkeling van innovaties, is van tevoren niet zeker wat wel en niet werkt. Innoveren draait om een lerende organisatie waarin ruimte is om te experimenteren. En de meeste experimenten zijn niet succesvol. Toch zijn niet-succesvolle experimenten nuttig, omdat je in ieder geval weet dat je het op deze manier niet weer hoeft te proberen. In Sillicon Valley wordt deze werkwijze fail forward genoemd. Voor organisaties waarvan de cultuur gericht is op KPI’s en succesvolle implementaties, heeft deze werkwijze van experimenteren en (vooral) veel te falen een behoorlijke impact.

4. De juiste mensen

Agile draait om werken in multidisciplinaire teams die zijn samengesteld uit mensen met verschillende achtergronden en vaardigheden. Vaak zijn die mensen afkomstig uit bestaande afdelingen. Omdat organisaties meestal gewend zijn om te werken volgens processen en een duidelijke scheiding tussen verschillende afdelingen, is het lastig om verschillende afdelingen bij elkaar te brengen.

Een businessafdeling als marketing wil bijvoorbeeld een use case uitwerken en heeft hier bepaalde technologie voor nodig. De IT-afdeling staat niet altijd te springen om nieuwe technologie te implementeren. Floor Scheepens, afdelingsmanager van de afdeling Psychiatrie van het UMC Utrecht, is initiatiefnemer van diverse dataprojecten binnen het medisch centrum en heeft dit uit de eerste hand ervaren:

Binnen het UMCU zijn we gewend om in hiërarchisch gestuurde afdelingen te werken, de grootste uitdaging zit hem vooral in het experimenteren in multidisciplinaire teams. Onze zorgverleners en managers waren direct enthousiast, maar de onderzoekers bekeken de mogelijkheden met iets meer argwaan. Verder stond de ICT-afdeling niet meteen te springen om andere software te gaan installeren.

Om deze reden roepen organisaties vaak een innovatieafdeling in het leven die buiten de bestaande organisatie staat. Deze afdeling kan dan, los van de bestaande werkwijze, aan de slag met proofs of concept. De ideeën voor de POC’s komen vaak vanuit de organisatie zelf. Zodra een experiment succesvol is, implementeert de innovatieafdeling de use case in de business.

Een goed voorbeeld hiervan is het Data Innovation Lab van Schiphol Airport. Schiphol heeft de ambitie het meest digitale vliegveld van Europa te zijn. De datawetenschappers van het Data Innovation Lab ontwikkelen toepassingen om passagiers van een optimale klantervaring te voorzien. Dit doen ze bijvoorbeeld door preventief onderhoud aan bagagebanden en roltrappen te plannen en de planning voor de security lanes te optimaliseren. Als blijkt dat een algoritme zorgt voor verbetering, implementeert het lab de toepassing, samen met de overige betrokkenen. Op deze manier kan Schiphol innoveren zonder de bestaande organisatie volledig om te gooien.

Aan de slag met datagedreven toepassingen?

Een datamanagementplatform kan grote hoeveelheden data opslaan, verwerken en beschikbaar stellen aan de organisatie. Het is echter geen voorwaarde om te beginnen met datagedreven werken. Data en technologie zijn uiteraard belangrijk, maar tegenwoordig vrij eenvoudig te verkrijgen. Door te denken vanuit een business case en in kleine stappen experimenten uit te voeren, bouw je waarde op voor je organisatie.

Bron afbeelding: GoDataDriven

Juist in het opbouwen van innovatiekracht schuilt een grote uitdaging: de juiste werkwijze, vaardigheden en draagvlak vanuit de directie bepalen in grote mate het succes van datagedreven use cases. Start met concrete use cases die je op basis van succesvolle experimenten uitbouwt en zoek hier de juiste technologie bij.

Walter van der Scheer
Chief Marketing bij GoDataDriven

Walter van der Scheer is al 15 jaar actief op het snijvlak van marketing en techniek. Na een succesvolle periode bij een automatiseringsopleider, kwam Walter in 2004 terecht bij een ontwikkelaar van marketing automation software. Als commercieel manager was Walter bij deze start-up verantwoordelijk voor een succesvolle expansie naar diverse landen. Tegenwoordig deelt Walter als Chief Marketing bij GoDataDriven kennis en inzichten op het gebied van (big) data en data science.

Categorie
Tags

5 Reacties

    Robert

    Hoi Walter, mooi artikel!

    Was toch even in de war gebracht door de titel. In mijn ogen wordt de term DMP heel breed gebruikt, terwijl er toch een duidelijk verschil is tussen DMP voor marketeers en een (big) data management platform (tja, afgekort ook DMP) voor consolidatie en analytics van enterprise data.


    20 juni 2016 om 11:19
    gerbenbusch

    Hi Walter,

    Mooi stuk vakproza. De afsluitende zin in de introtekst zet me enigszins op het verkeerde been. Je geeft een goed recept om tractie te creëren voor data-gedreven handelen. Het is wel goed om te beseffen dat het ene DMP het andere niet is. Zo zijn er oplossingen waarmee je snel en met een beperkte investering een goed POC kan neerzetten. Om van daaruit verder te ontwikkelen. Heb je de basis meteen al staan. En een POC is juist een mooi middel om te voorkomen dat je als organisatie geen progressie op dat vlak maakt omdat de business case helemaal kapot wordt gerekend. Want eigenlijk weten we wel dat er meer rendement te behalen door slim gebruik te maken van data. Zowel in de bedrijfsprocessen als in marketing.


    20 juni 2016 om 18:22
    WaltervdScheer

    Hi Robert,

    Dank voor je reactie, interessant standpunt waar ik graag nog even op reageer. Die scheiding tussen marketing data en enterprise data hoeft naar mijn mening niet zo scherp te zijn. In de praktijk is het tegenwoordig zeker niet meer nodig om verschillende databronnen naast elkaar te gebruiken. Marketingdata (clickstreams, log files, transacties) en enterprise data kunnen juist heel goed samenkomen in één platform en in veel gevallen is dit ook te adviseren.

    Een data management platform biedt een oplossing voor het opslaan, opschonen en beschikbaar maken van grote hoeveelheden data op een schaalbare manier. Idealiter zou elke afdeling toegang krijgen tot deze databron.

    Toegang kan je organiseren op verschillende manieren, door bijvoorbeeld applicaties te bieden bovenop het data platform waarmee je dashboards en visualisaties maakt, of door het ontwikkelen van algoritmes die gebruik maken van de data in het platform om bijvoorbeeld een website te personaliseren of om onderhoud aan machines te voorspellen.


    27 juni 2016 om 15:35
    WaltervdScheer

    Hi Gerben,

    Helemaal mee eens. Het is een enorme pré voor een platform als je er kleinschalig mee kan starten en vervolgens kan opschalen. Helemaal mooi is het als de kosten beheersbaar blijven ook als het gebruik toeneemt (altijd handig om dit te beoordelen voordat je een infrastructuur gaat inrichten rondom bepaalde tools). Niet voor niets zijn open source tools aan een grote opmars bezig.

    Uiteindelijk gaat het erom dat organisaties succesvolle experimenten in de praktijk brengen, zodat ze inderdaad het rendement van een bedrijfsproces optimaliseren met behulp van inzichten uit data.


    27 juni 2016 om 15:39

Marketingfacts. Elke dag vers. Mis niks!