&
FINANCE
CONTROL
Informatiemanagement
Ve r w erken van data stromen
SUCCESVOLLE TOEPASSING VAN ANALYTICS Bedrijven hebben te maken met steeds grotere hoeveelheden data en beschikken over betere technieken om deze datastromen te verwerken. Maar de technologie is slechts een deel van het verhaal, betoogt de auteur. Om een echte analytische organisatie te worden, is meer nodig: een brede integratie van Analytics in de organisatie. De auteurs leggen uit wat Analytics precies betekent en hoe het kan leiden tot waardevermeerdering. D O O R P I E T- H E I N G O O S S E N S E N K E E S - JA N D E KO R V E R
I
n de afgelopen jaren hebben veel organisaties geïnvesteerd in rapportage- en business intelligence-technologieoplossingen om zo de besluitvorming te verbeteren. Echter, onderzoek van Accenture (2008) wijst uit dat acht van de tien organisaties de gewenste doelstellingen niet halen. Sterker nog: slechts een op de twaalf respondenten uit het onderzoek zegt het verwachte rendement op investeringen in deze technologische oplossingen te hebben behaald. Deze slechte score komt grotendeels voort uit het feit dat bedrijven niet het analytische vermogen hebben ontwikkeld, waarmee ze de beschikbare informatie kunnen gebruiken voor analyses die aansluiten bij de echte uitdagingen waarvoor zij zich gesteld zien. Zij beschikken daarmee niet over de ondersteuning die nodig is om tot een slimmere en meer transparante besluitvorming te komen. Definitie Een adequate omschrijving van Analytics is: kwantitatieve methoden om uitvoerbare inzichten te ontlenen aan gegevens, deze te gebruiken om inzichten voor beslissingen vorm te geven en resultaten te verbeteren. Daarmee biedt Analytics meer mogelijkheden dan de standaardrapportage-instrumenten en -technieken. (Zie ook figuur 1.)
~ Zij beschikken over een volledige Analytics-keten. ~ Zij verhogen de waarde van de informatie in die keten. Volledige Analytics-keten Bedrijven die een volledige Analytics-keten hebben gecreëerd, gebruiken mensen, processen, technologieën en organisatie om uit ruwe data inzichten te genereren. Ze gebruiken die inzichten vervolgens om vorm te geven aan hun beslissingen en processen. Deze beslissingen en processen leiden op hun beurt tot betere resultaten en waardevermeerdering. Tenzij managers de verschillende stappen van de uitvoering volgen, zal het inzicht dat ze zelf ontwikkelen weinig waarde voor het bedrijf hebben en blijft het bij ‘leuk om te weten’.
Technologie
Processen
Mensen en Organisatie
Data
Methodes
Uitkomsten
Toegang tot en beschikking over data Beweging van data naar inzicht
Huidig aandachtsgebied van veel bedrijven en diensverleners
Onderzoek wijst uit dat goed presterende organisaties zich op twee gebieden onderscheiden als het gaat om Analytics:
28
|
Figuur 1 Analytics: van data naar uitkomsten
OKTOBER 2011
Inzichten sturen processen en akties, die leiden tot resultaten
&
FINANCE
Wat is er gebeurd?
Waarom is het gebeurd?
Wat moet er gebeuren?
Vragen over kpi’s
Prestatiemeting
Finance
HR
Marketing
Generatie van inzichten
Supply chain
Business
Kern Analytics Functionele Analytics Cross-functionele Analytics
Technologieën
Waarderealisatie
Validatie van inzichten
Executie
Figuur 2 De Analytics-keten
Grotere informatiewaarde Naarmate bedrijven meer en beter gebruikmaken van Analytics, kunnen zij steeds ingewikkeldere vragen op het gebied van voorspellende Analytics en optimalisering beantwoorden, zoals ook blijkt uit figuur 3. Door de waarde van de informatie te verhogen, kunnen managers voorspellende Analytics gebruiken om inzicht te krijgen in hoe zij kunnen reageren op verschillende scenario’s. Hierbij gaat het niet alleen om technische instrumenten, maar ook over een organisatorische focus op die gebieden die kunnen leiden tot een concurrentievoordeel. Analytisch vermogen opbouwen Een organisatie kan pas analytisch worden als zij een overtuigende visie heeft op waar ze op dit gebied naartoe wil. Hoe ze daar kan komen, hangt af van het huidige niveau van Analytics binnen de organisatie. De eerste stap moet daarom zijn: het analyseren van de huidige situatie en het identificeren van eventuele tekortkomingen. Figuur 4 maakt de verschillende
Waarde van informatie
Optimalisatie
Wat is het beste dat kan gebeuren?
Voorspellende modellen
Wat gaat er gebeuren?
Extrapolerende modellen
Wat gebeurt er als deze trends zich voortzetten?
Statistische analyses
Waarom gebeurt dit?
Waarschuwingen
Welke acties zijn er nodig?
Query/drill down
Wat is het probleem precies?
Ad-hocrapportages
Hoeveel, hoe vaak, wanneer?
Standaardrapportages
Voorspellende Analytics
Beschrijvende Analytics
Wat is er gebeurd? Analytisch vermogen
Figuur 3 Waarde van informatie
OKTOBER 2011
CONTROL
fases van analytische ‘volwassenheid’ duidelijk. Zodra de huidige situatie duidelijk in beeld is gebracht, kan een organisatie de basis leggen voor de ontwikkeling van een gedegen en geavanceerd analytisch vermogen. Dit gebeurt aan de hand van vier onderdelen: ~ de juiste mensen die over de vaardigheden beschikken om die vragen te stellen en te beantwoorden die relevant zijn voor de business; ~ gedisciplineerde, herhaalbare processen die waardevolle inzichten en aanbevelingen genereren, waarvan de effectiviteit meetbaar is en waarnaar wordt gehandeld; ~ technologie die zorgt voor integriteit, kwaliteit en toegankelijkheid van data; ~ een organisatie die mensen optimaal inzet om processen te ondersteunen. Bij veel organisaties krijgt technologie veruit de meeste aandacht (Davenport en Harris, 2007).
Door de waarde van de informatie te verhogen, kunnen managers voorspellende Analytics gebruiken om inzicht te krijgen in hoe zij kunnen reageren op verschillende scenario’s Investeren in de juiste mensen Het kunnen inzetten van de juiste mensen op de juiste problemen, is een voorwaarde in een effectieve analytische organisatie. Dit is ook een belangrijke uitdaging voor de respondenten die meewerkten aan mijn onderzoek. Van alle mogelijke investeringsdoelen noemden zij ‘investeren in mensen met de juiste analytische vaardigheden’ het vaakst. Organisaties moeten analytische medewerkers werven en organiseren op basis van hun vaardigheden en het type analyse dat zij zullen uitvoeren tijdens hun werk. In hun nieuwe boek Analytics at Work: Smarter Decisions, Better Results (2010), onderscheiden Davenport e.a. vier types analytische mensen die nodig zijn in een succesvolle organisatie: ~ Analytische kampioenen zijn uitvoerende beleidsmakers, die inzicht hebben in hoe analytische technieken en technolo|
29
W W W. F I N A N C E - C O N T R O L . N L
&
FINANCE
CONTROL
Fase 1 Analytische beginner
Fase 2 Lokale analytici
Fase 3 Analytische aspiraties
Mensen
Geen analytische vaardigheden
Kleine groepen analytici in Analisten in meerdere geFinance, SCM, Marketing/ bieden van de organisatie, CRM, enz. maar met gelimiteerde interactie
Proces
Geen analytische processen Onsamenhangend en met beperkte focus
Technologie
Geen/slechte kwaliteit data, meerdere definities en systemen
Organisatie
Beperkt inzicht in klanten, Autonome activiteit zorgt markten en concurrenten voor ervaring en vertrouwen bij het gebruik van Analytics en creëert nieuwe analytische inzichten
Fase 4 Analytische organisatie
Fase 5 Analytische concurrent
Vaardigheden aanwezig, Hooggeschoold, gemobilimaar vaak niet gelieerd seerd, gebalanceerd, aan het juiste niveau of de gecentraliseerd en outsourjuiste rol cen van laaggeschoold werk
Meestal onafhankelijke Een aantal processen inge- Geïntegreerde analytische analytische processen. bed processen Bouwen van overkoepelend plan
Recente transactiedata is Uitbreiden van BI-instruniet geïntegreerd, belang- menten. Databaseonderrijke informatie ontbreekt. zoek gecreëerd/uitgebreid Geïsoleerde BI/analytische inspanningen Gecoördineerd vaststellen van prestatiemeters organisatie, bouwen van analytische inzichten
Hoge datakwaliteit. Een Geïmplementeerde organiorganisatie BI-plan/strate- satiewijde BI/BA-architecgie aanwezig. IT-processen tuur en -beheer opgezet Ontwikkeling van program- Diepstrategische inzichten, ma om geïntegreerde ana- continue innovatie en verlytische processen, appli- betering caties en vaardigheden te verbeteren
Figuur 4 De fases van analytische volwassenheid
gieën, zoals trends, prognoses en voorspellende modellen, kunnen helpen om doelstellingen te behalen. ~ Analytische professionals creëren geavanceerde analytische applicaties door statistische modellen en algoritmen te ontwikkelen, die worden gebruikt door anderen binnen de organisatie. ~ Analytische semiprofessionals passen namens de rest van de organisatie de modellen en algoritmen toe die de professionals ontwikkelen. ~ Analytische gebruikers hebben begrip van Analytics nodig om hun werk met succes uit te voeren, zoals een pakhuismanager die op data gebaseerd advies opvolgt over het optimale voorraadniveau. Het inzetten van elk van deze vier groepen mensen, die over de vereiste technische en zakelijke vaardigheden beschikken, vormt een uitdaging voor de organisatie. Zij zal waarschijnlijk personeel moeten aannemen om de benodigde schaalvergroting van haar analytische mogelijkheden te kunnen bereiken of moeten gebruikmaken van gekwalificeerd personeel in het buitenland, door outsourcing. Omscholing, bijvoorbeeld door accountants te trainen in geavanceerde financiële Analytics, werkt zelden. Herhaalbare, gesloten processen Goed presterende organisaties integreren analyses in alledaagse processen: de wijze waarop werk wordt gedaan, besluiten tot stand komen en hoe zij economische waarde cre-
30
|
eren. Organisaties moeten prioriteit geven aan het ontwikkelen van herhaalbare, gesloten processen die gebruikmaken van data en analytische methoden, zodat zij inzichten kunnen genereren. Om inzichten te kunnen genereren, moeten managers beginnen met het formuleren van hypothesen over de vorm van een probleem en de mogelijke oplossingen. Door het analyseren van data kunnen zij hun hypotheses bevestigen of verwerpen. Het daaruit voortvloeiende inzicht kunnen zij testen in een pilotprogramma of een klein model. Hiermee kunnen ze
Omscholing, bijvoorbeeld door accountants te trainen in geavanceerde financiële Analytics, werkt zelden de effectiviteit ervan meten, voordat ze het op grote schaal in de organisatie toepassen. Een voorbeeld van effectief gebruik van een pilot is de autoverhuurorganisatie Avis Europe (zie kadertekst). Zij gebruikte Analytics om haar reserveringssysteem te verbeteren. Het startpunt van de pilot vormde een test in Londen, waarna de organisatie het systeem verder invoerde (Davenport e.a., 2010). Technologie die iedereen kan gebruiken De aard van de instrumenten die een organisatie zal moeten OKTOBER 2011
&
FINANCE
inzetten, hangt af van het soort analyse, de beschikbaarheid en de kwaliteit van de gegevens en de vaardigheden van de analisten. Figuur 4 kan opnieuw als leidraad dienen om de organisatiebehoefte te beoordelen en de instrumenten te identificeren, van startlijn tot gevorderde analytische vermogens. Het is overigens doorgaans het meest effectief om Analytics, behalve in een sterke industriële architectuur, te verankeren in de technologieën die werknemers routinematig gebruiken, in plaats van in speciale alleenstaande applicaties (Davenport e.a., 2010). Analytics kan op verschillende manieren in de lopende werkprocessen worden verweven, en wel door: ~ geautomatiseerde besluitapplicaties: deze onlineapplicaties ‘voelen’ voorwaarden of gegevens, passen logica of gecodificeerde kennis toe en nemen beslissingen met minimale menselijke tussenkomst. De omstandigheid waarin dit het gemakkelijkst te realiseren is, is dat deskundigen de beslisregels eenvoudig kunnen codificeren, een productiesysteem de omliggende processen automatiseert en de datakwaliteit hoog is; ~ applicaties voor operationele en tactische besluitvorming: managers vertrouwen op analytische toepassingen die rechtstreeks zijn geïntegreerd met organisatiesystemen of webapplicaties voor taken als ketenoptimalisatie, verkoopprognoses en het meten van de effectiviteit van reclame. Aanbevelings-, plannings-, en scenariotoepassingen kunnen bijna real-time informatie en meerdere modellen integreren om tot optimale oplossingen te komen die van belang zijn bij tegenstrijdige doelen, zoals winstgevendheid en klanttevredenheid. Dergelijke toepassingen zijn het meest geschikt voor duidelijk omschreven, periodieke
Model
CONTROL
taken, waarvoor het grootste deel van de benodigde informatie elektronisch beschikbaar en voorspelbaar is; ~ strategische besluitvorming: om de voordelen van Analytics door de hele organisatie te laten stromen, moet het een integraal onderdeel worden van strategische beslissingen. De strategieën van sommige organisaties zijn nauwelijks denkbaar zonder geavanceerde Analytics. Een voorbeeld hiervan is de Amerikaanse dienst Netflix, die klanten suggesties doet voor onlinevideo’s op basis van de analyse van klantgegevens. Welk organisatiemodel? Er zijn tal van organisatorische modellen beschikbaar voor het effectief mobiliseren van Analytics. Vaak zijn het echter variaties op een van de drie belangrijkste modellen (zie figuur 5). Welk organisatiemodel het meest geschikt is, zal afhangen van de kenmerken van de organisatie en het niveau van de analytische volwassenheid, inclusief de mate waarin het management de rol van Analytics als strategisch beschouwt: ~ gedistribueerd model: in dit model werken groepen analis ten binnen de verschillende afdelingen of bedrijfsonderdelen zonder enige organisatie- of consolidatiestructuur. Dit is het meest voorkomende model in de praktijk, maar hier is vaak niet bewust voor gekozen. Het is doorgaans niets meer dan een afspiegeling van de onvolwassenheid van de analytische capaciteiten binnen het bedrijf. Met verschillende groepen analisten, die verspreid zijn over de organisatie, is het consolideren en het beheren van analytische prioriteiten, projecten en middelen de grootste uitdaging. Het mo-
Gedistribueerd
Center of excellence
Geconsolideerd
Corporate
Corporate
Corporate
Marketing
Finance
Operations
Reporting en Analytics
Reporting en Analytics
Reporting en Analytics
COE
Marketing
Finance
Operations
Reporting en Analytics
Reporting en Analytics
Reporting en Analytics
Reporting en Analytics
Marketing
Finance
Atributen
&'% (%%$#%' "" " ,' &'!& " &'" ' (& "&& )#("$%#&&" '&&"$$ ' &
Wanneer toepasbaar
#!$ +(& "&&&'%('((% ' #!$ +- &'%('((% ")#( - &'%('((% ")# *&&"%$#%' "" $ "%$$#%'&"" ,&&!# " # *&&"%$$#%'&"" ,& )% " " ,' & "' &"#!$' ' )##% %( "' &! #! ')##%"! %( ')##% (& "&&'#"%&'("" #!$ "# ""
(& "&&)%"'*##% )##%( ')#% " )"!' ""%$$#%'"" ,& )%'&'"% &%#)%"" *%) "%% %!"!"'"- %' "'%!' ## &"%$$#%'$%#&&" (""" )%& ")##%&$ #'")" %( %&
Operations
"'% " #)%- '"#"'%# %' %$$#%'&'%('(%"%%"' )"&" * ' '&#"'%# (& "&&)%"'*##% )##%" ,&)" %&( ''"!'"'% #%$#%'#%" &' '"%%$$#%'""'% $%#(%
Figuur 5 Organisatiemodellen
OKTOBER 2011
|
31
W W W. F I N A N C E - C O N T R O L . N L
&
FINANCE
Analytics bij Avis In de autoverhuursector hangt winstgevendheid af van het verdelen van een exact aantal auto’s over de juiste plaatsen, aan klanten die de beste prijs betalen. Traditioneel zou Avis Europe steunen op de ervaring en het ‘onderbuikgevoel’ van de wagenparkbeheerders. Het bedrijf zou hun vragen om wekelijks de gegevens in het reserveringssysteem te bestuderen, om zo te voorspellen in welke gebieden de grootste vraag bestaat. Door deze aanpak jaar na jaar toe te pas-
CONTROL
gische prioriteit gemakkelijker, maar het kan wel een afstand creëren tussen analisten en de werkvloer. Dit is vooral mogelijk als de analisten allemaal zijn ondergebracht op één locatie. Een voorbeeld van een organisatie met een geconsolideerd model is snoepfabrikant Mars. Deze beschikt over een gecentraliseerde catalystgroep met langetermijnfinanciering, die de fabrikant strategisch kan inzetten om te werken met een deel van de organisatie (Davenport e.a., 2010).
sen, verloor de organisatie haar scherpte. Elke vrijdagochtend vervoerde een locatiemanager een vrachtwagen met auto’s vanuit Heathrow naar het centrum van Londen, vooruitlopend op het drukke weekend, zonder dat hij een duidelijk idee had over hoeveel auto’s er werkelijk nodig zouden zijn. Om betere en transparantere beslissingen te kunnen nemen over de distributie van het wagenpark, testte Avis een analytisch programma in het reserveringssysteem. Binnen een jaar werd het mogelijk om gegevens uit het boekingssysteem te gebruiken om precies te voorspellen waar de locatiemanagers de auto’s heen moesten brengen. Het programma kon bijvoorbeeld voorspellen dat het wagenpark het beste zou zijn georganiseerd door vier auto’s vanuit Heathrow en vier andere auto’s uit de buurt van luchthaven Stansted te vervoeren, in plaats van de vroegere vrijdagochtenddistributie vanuit Heathrow. Vervolgens verbeterde het bedrijf het systeem verder. Het is nu niet alleen in gebruik om locaties van auto’s te bepalen, maar ook om reserveringen te optimaliseren. Tijdens drukke seizoenen kan het winstgevender zijn om auto’s alleen te verhuren voor een minimale duur van drie dagen, waardoor er meer auto’s beschikbaar zijn voor de
Conclusies Doordat bedrijven te maken krijgen met steeds grotere hoeveelheden data en betere computertechnologieën om deze te verwerken, wordt Analytics steeds belangrijker. Maar de technologie is slechts een deel van het verhaal. Het is de tovenaar en niet de hoed, die zorgt voor de magie. Data is pas waardevol als een organisatie processen heeft ingericht die mensen in staat stellen om er inzichten uit te destilleren en deze te gebruiken om beslissingen te nemen die leiden tot betere resultaten. Bedrijven moeten om maximale waarde uit hun investeringen in Analytics te halen: ~ een visie ontwikkelen op wat ze met Analytics willen bereiken; ~ precies inventariseren waar zij zich in de volledige Analytics-keten bevinden; ~ evenwichtige stappen zetten om de waarde van informatie in de keten te verhogen.
meest winstgevende klanten. Ook helpt het systeem managers om beter te voorspellen wanneer een bepaalde locatie geen auto’s meer op voorraad dreigt te hebben. Hierdoor kunnen zij de prijzen op voorhand verhogen. Door het gebruik van Analytics in de dagelijkse besluitvorming, verhoogde Avis zijn wagenparkbezetting met twee percentagepunten, of ongeveer USD 19 miljoen.
del is alleen effectief in het zeldzame geval dat er meerdere van elkaar verschillende bedrijfsonderdelen zijn, die weinig met elkaar gemeen hebben; ~ center of excellence: in dit model zitten groepen analisten in bedrijfsonderdelen of functies die Analytics gebruiken, maar alle groepen zijn lid van een centrale Analyticsorganisatie. Deze bouwt een gemeenschap analisten, die van elkaar kunnen leren door kennis en praktijkervaringen te delen. Soms kan een sterk centrum ook opereren als een programmabeheerder, waarbij te denken valt aan het adviseren op het gebied van het prioriteren van projecten en het inzetten van personeel; ~ geconsolideerd model: in dit model rapporteren alle groepen analisten aan één organisatie, ook als ze werken met verschillende bedrijfsonderdelen of functies. Consolidatie maakt het toewijzen van analisten aan projecten met strate-
32
|
Het einddoel zou een analytische organisatie moeten zijn, waarin afdelingen samenwerken om uitdagingen op te lossen, en die inzichten gebruikt voor maximale impact. Dit vereist in eerste instantie veel inspanning, ondersteuning van het management en buy-in van velen binnen de organisatie. De resultaten in omzetgroei, winstgevendheid, rendement op het eigen vermogen, klantenbinding en andere kpi’s maken de inspanningen echter de moeite waard. Kees-Jan de Korver is senior manager bij de Finance & Performance Management adviespraktijk van Accenture. Piet-Hein Goossens is consultant bij de Finance & Performance Management adviespraktijk van Accenture. Literatuur ~ Dave Rich, Brian McCarthy and Jeanne Harris (2010), Getting Serious About Analytics: Better Insights, Better Outcomes, Accenture. ~ Thomas H. Davenport and Jeanne G. Harris (2007), Competing on Analytics: The New Science of Winning, Boston, MA: Harvard Business School Press. ~ Thomas Davenport, Jeanne Harris and Robert Morison (2010), Analytics at Work: Smarter Decisions, Better Results, Boston, MA: Harvard Business School Press. ~ Accenture (2008), Competing Through Business Analytics to Achieve High Performance, Accenture Information Management Services.
OKTOBER 2011
