3 situaties waarin datagedreven werken misgaat – en wat een veel voorkomende oorzaak daarvan is

Iedere organisatie die datagedreven wil werken, loopt tegen uitdagingen aan. Dat is niet vreemd. Maar bij sommige organisaties verloopt het veel stroever dan verwacht, ondanks allerlei proactieve initiatieven. Een veel voorkomende oorzaak? Slechte datakwaliteit. In dit blog leggen Michael en Merijn uit hoe dat zit.

Organisaties die datagedreven werken, krijgen meer inzicht in de resultaten van hun inspanningen, kunnen productiever zijn en betere strategische beslissingen nemen. Hoe breder je datagedreven werken in je organisatie stimuleert, hoe meer profijt jouw organisatie ervan heeft. 

Wat we vaak zien bij organisaties die datagedreven werken in hun organisatie stimuleren, is dat ze voortvarend beginnen. Met bijvoorbeeld het opzetten van Business Intelligence-oplossingen en het nemen van beslissingen op basis van de inzichten uit rapportages. Goede initiatieven uiteraard. Maar bij sommige organisaties stokt het daarna opeens. De medewerkers lijken de BI-oplossingen naast zich neer te leggen. Hoe kan dat toch? Datagedreven werken was toch de heilige graal? 

Drie situaties waarin datagedreven werken misgaat

In dit soort situaties lijkt een onbekende oorzaak roet in het eten te gooien. Met de nadrukt op ‘lijkt’, want vaak is de oorzaak juist kraakhelder. Als je tenminste weet waar je moet zoeken. Laten we eens dieper inzoomen op dit soort situaties. We lichten drie veel voorkomende situaties toe en laten zien wat de centrale oorzaak meestal is:

Situatie 1: Rapportages kloppen niet

Een organisatie wil af van besluitvorming op onderbuikgevoel en start met datagedreven werken. Het eerste wapenfeit is dan vaak het optuigen van rapportages en dashboards. Vervolgens worden deze vol trots gepresenteerd aan medewerkers. Maar dan komen de kritieken: er blijkt niets te kloppen van de rapportages. Data ontbreekt of is zelf compleet fout. 

Het is zonde van de investering die je doet in een BI-oplossing als het niets oplevert. Maar dat is vaak niet de schuld van die tool. Afwijkende rapportages en twijfelachtige cijfers kunnen het gevolg zijn een slechte kwaliteit van brondata. En dat ontdek je op het moment dat je met een rapportagetool in de weer gaat. Daarmee riskeer je dat jouw collega’s de BI-oplossing nooit meer volledig vertrouwen. 

Lees ook:
Verbeter datakwaliteit met Critical Data Elements

Situatie 2: Handelen op basis van verkeerde informatie

Een organisatie heeft volop ingezet op een BI-oplossing. Om klein te beginnen, start de organisatie met het bouwen van rapportages en een dashboard voor één afdeling. Medewerkers van die afdeling besluiten op basis van de data te investeren in het inkopen van een specifiek product. Ze zien namelijk dat er veel vraag naar is. Tot zover loopt het op rolletjes. Maar na een tijdje blijkt dat ze dat product aan de straatstenen niet kwijtraken. Hoe kan dat misgaan?

Ook hier kan slechte datakwaliteit de oorzaak zijn. Als je daar op tijd achter komt, zoals in de eerste situatie, dan heb je geluk. Wordt het pas duidelijk nadat je een belangrijke beslissing neemt, dan kan zo’n situatie voor een flinke (financiële) misser zorgen. 

Situatie 3: Business doet zelf correcties

Stel dat je allerlei databronnen netjes hebt ontsloten in rapportages. Die rapportages heb je overzichtelijk samengebracht in dashboards waar jouw collega’s mee uit de voeten kunnen. Maar toch loopt het niet helemaal lekker. Enkele collega’s blijven zelf nog correcties op de data uitvoeren. Denk aan talloze draaitabelletjes met daarin handmatige plussen en minnen om tot de juiste cijfers te komen. Op basis daarvan nemen zij vervolgens hun beslissingen. 

Niks mis mee, denk je misschien. Maar op het moment dat collega’s buiten de databronnen correcties uit blijven voeren, zal de datakwaliteit in die bronnen nooit toenemen. En dan hebben we het nog niet eens gehad over de foutgevoeligheid van hun correcties. Die gebeuren namelijk vaak handmatig, waardoor je nooit 100 procent zeker weet of het klopt. Daarmee loop je uiteindelijk wederom het risico de verkeerde beslissingen te nemen. Bovendien valt een deel van je investering in Business Intelligence in het water en schiet je jouw doel voorbij.

Lees ook:
Verklein je dataset en los problemen met performance op

Goede datakwaliteit is onmisbaar

Het moge duidelijk zijn: in veel situaties waarin datagedreven werken lijkt te stokken, constateren we dat slechte datakwaliteit de oorzaak is. Bij dataprojecten geldt namelijk de gouden stelregel ‘rubbish in, rubbish out’. Stop je troep in je BI-tool? Dan is het resultaat ook troep. Begin daarom nooit direct met het inrichten van BI-tools of het starten van allerlei initiatieven om datagedreven werken te stimuleren, voordat je zeker weet dat de datakwaliteit goed genoeg is. Of in ieder geval: dat je issues rondom datakwaliteit hebt geïdentificeerd en er maatregelen voor treft. Want datagedreven werken zonder goede datakwaliteit is gedoemd te mislukken.

Aan de slag

De datakwaliteit binnen je organisatie is dus van levensbelang om datagedreven te kunnen werken. Maar hoe stel je objectief vast wat het huidige niveau van jouw datakwaliteit is? Hoe kun je issues pragmatisch oplossen én waar begin je?

Wil je meer weten? Vraag het ons!

Wil je meer weten over in welke 3 situaties datagedreven werken misgaat en wat een veel voorkomende oorzaak daarvan is? Neem dan vrijblijvend contact met ons op. Eén van onze specialisten neemt binnen één werkdag contact met je op.

Meer weten?
Boek direct een gratis adviesgesprek met Peter

_{✔ kies zelf je dag en tijd ✔ gratis en zonder verplichtingen}