Potentieel van data beter benutten

Data kunnen helpen om betere beslissingen te nemen op verschillende niveaus. Op operationeel vlak kunnen we er de activiteiten beter mee beheren. Op tactisch niveau helpen data om reactiever te worden in een dynamische marktcontext. En als we nog een niveau hoger gaan, kunnen data zelfs steun bieden bij het uitstippelen van de strategische toekomst van ondernemingen.

​Hordes op de weg naar optimaal datagebruik

In de praktijk slagen evenwel slechts weinig bedrijven erin op alle niveaus het onderste uit die enorme kan met data te halen.
Prof. Van Woensel: “Een van de belangrijkste struikelblokken is dat data zich heel vaak in functionele silo’s verschanst houden. Dat doet de waarde van data sterk dalen. Met een beetje geluk kun je de data dan wel binnen de silo zelf gebruiken, maar businessactiviteiten in de organisatie of over verschillende organisaties heen coördineren, wordt op die manier lastig. Wil je dat doen, dan is het noodzakelijk dat je data kunt uitwisselen en integreren.”

Een ander probleem is dat bedrijven vaak zelf niet goed weten hoever ze op het vlak van data-integratie staan. “Toen ik die vraag stelde aan twintig personen uit het middle en senior management van een organisatie, kreeg ik allemaal verschillende zaken te horen”, vertelt de professor. “Intern waren er grote meningsverschillen rond waar de organisatie stond op het vlak van data-integratie, welke de doelstellingen waren en waarom die nog niet waren bereikt. Als de neuzen niet in dezelfde richting staan, wordt het natuurlijk heel moeilijk om doelstellingen te bereiken.”

​Maturiteit op twee assen

Om organisaties te helpen hun data te (re)organiseren – in lijn met de operationele, tactische en strategische doelstellingen – werd de Data Ambition Matrix ontwikkeld. Die geeft inzicht in waar een organisatie staat op het vlak van data-integratie en wat de ambities zijn, of binnen twee à drie jaar zouden moeten zijn.

De matrix werd ontwikkeld door het European Supply Chain Forum, in nauwe samenwerking met de Technische Universiteit Eindhoven (TU/e)  en de Antwerp Management School, en werd zo geconfigureerd dat hij makkelijk bruikbaar is in de praktijk.

De Data Ambition Matrix (DAM) is gebaseerd op twee dimensies: een integratiedimensie en een implementatiedimensie (zie figuur 1). Met data-integratie bedoelen we meer bepaald de mate waarin data vanuit verschillende bronnen worden verzameld en in één enkele bron worden gebruikt. Die bronnen kunnen zich bevinden in één en dezelfde onderneming, binnen een statische supply chain (met vaste partners) of in een markt (met veranderende partners). Hoe rechtser een onderneming in de matrix is gepositioneerd, hoe verder ze staat op het vlak van data-integratie.

De minst geïntegreerde bedrijven beheren hun data in meerdere individuele silo’s, in de verschillende businessunits van de organisatie. Een typisch probleem daarbij is dat er discrepanties optreden als er naar dezelfde data wordt verwezen of dat belangrijke data niet van de ene silo naar de andere silo raken.
Prof. Van Woensel: “Een ander probleem dat dikwijls terugkomt, is dat de beschikbare data niet altijd volledig en zelfs niet altijd correct zijn, bijvoorbeeld omdat de data niet op de juiste manier werden verzameld. Dat blijkt ook uit de ervaringen van de tientallen studenten die we jaarlijks in het kader van bedrijfsgebonden projecten naar ondernemingen uitzenden. Als ze bedrijven vragen naar meer (complete) data, blijken ze die opvallend vaak niet te kunnen geven. Het mag duidelijk zijn dat de juiste data ter beschikking hebben de basis is voor elk optimaliseringstraject.”

De data goed en geïntegreerd krijgen over alle silo’s heen – binnen de volledige onderneming dus – is al een eerste belangrijke stap in de goede richting. Nog een stap verder op de as staan de bedrijven die hun data niet enkel binnen de eigen organisatie, maar over de hele supply chain hebben geïntegreerd. Het summum op de horizontale as is wanneer er data over meerdere supply chains heen binnen een markt zijn geïntegreerd.

De verticale as geeft weer hoever de organisatie staat met de implementatie van de data-integratie op het horizontale niveau. Vinden we een onderneming helemaal onderaan die ladder terug, dan heeft ze geen expliciete kennis over data-integratie en ook geen concrete plannen om daaraan te werken. Een stap verder staan de bedrijven die wel al kennis over data-integratie hebben opgebouwd en plannen hebben om die kennis te gebruiken, hoewel ze nog geen concrete stappen hebben gezet. In het volgende stadium maakt het bedrijf gebruik van historische data om beslissingen te nemen. Dat laat de organisatie weliswaar toe om terug te blikken en te extrapoleren, maar nog niet om een treffend antwoord te bieden op recente veranderingen. Het verst gevorderd op de verticale as zijn de bedrijven die gebruikmaken van realtime data. Daardoor kunnen ze wel snel reageren op operationeel vlak.

“In dat laatste stadium kunnen we evolueren van descriptieve analyses naar predictieve analyses, waarbij we ons in de eerste plaats richten op de gebeurtenissen die op ons afkomen”, voegt prof. Van Woensel eraan toe. “Vervolgens kunnen we nog meer gaan optimaliseren via prescriptieve analyses. Daarbij tracht je op basis van de data-analyses al meteen de juiste beslissingen te nemen. Het spreekt voor zich dat je daarvoor best een zeer rijke set data vanuit verschillende databronnen ter beschikking hebt. In die zin kunnen innovatieve concepten zoals artificiële intelligentie en machine learning helpen om nog beter gefundeerde beslissingen te nemen. Daarmee wil ik niet zeggen dat je dan de planner opzij kunt schuiven. Ik ben ervan overtuigd dat planners zelfs bij de meest doorgedreven data-integratie en automatisering een belangrijke rol aan het stuur zullen blijven spelen.”

Ken jezelf en je markt

Samengevat kunnen bedrijven met de hulp van de matrix een beter en eenduidig zicht krijgen op waar ze zich precies bevinden in het data-integratiespectrum. Op basis van dat inzicht kunnen ze vervolgens bepalen of ze hun data beter zouden moeten gebruiken en integreren om competitief te blijven. “We mogen immers niet vergeten dat andere bedrijven ook de mogelijkheden op het vlak van data-analyse aan het verkennen zijn”, aldus prof. Van Woensel.

Door zichzelf op de horizontale en/of verticale as te positioneren, is het bovendien mogelijk supply chains met elkaar te gaan vergelijken. Zo kan de DAM helpen om verschillende ondernemingen in een markt tegenover elkaar af te zetten op het vlak van data-integratie. De matrix kan ook worden gebruikt om te voorspellen hoe de markt zich zal gedragen en in welke richting je organisatie zich moet bewegen om haar competitieve voordeel te behouden.

De DAM vertelt je weliswaar niet hoe je je doelstellingen moet bereiken, maar de ‘sense of urgency’ wordt wel aangescherpt. “Zo staan sommige sectoren al behoorlijk ver op het vlak van data-integratie, andere evolueren in een trager tempo. Zo moet zeker niet elke onderneming meteen een complete marktdata-integratie willen bereiken”, weet prof. Van Woensel. “Bovendien moet je niet willen rennen voordat je kunt stappen. Je moet dus niet meteen van vak A1 naar vak D4 willen springen. In die zin helpt de DAM je ook realistisch te blijven wat je transformatieproces betreft.”

Volgens de professor is de Data Ambition Matrix overigens niet enkel interessant voor grotere bedrijven: “Aangezien technologieën om data te verzamelen steeds meer toegankelijk en betaalbaar worden, zouden ook kleinere en middelgrote bedrijven zich over de mogelijkheden moeten buigen”, meent hij. “We merken dat heel wat bedrijven geen achterstand op andere bedrijven ervaren omdat ze te weinig kennis hebben over de huidige mogelijkheden van data-integratie en analyses. Ook zulke zaken kan de DAM in kaart brengen. Op die manier kunnen bedrijven tijdig ingrijpen waar nodig en vermijden dat ze hun competitieve slagkracht verliezen door een gebrekkige data-integratie.”

​De theorie achter de assen van de Data Ambition Matrix

Uiteraard is de DAM niet plots uit de lucht komen gevallen. De matrix is gebaseerd op jarenlang opgebouwde kennis, vanuit de samenwerking met de industrie, onderzoek en technologische ontwikkelingen zoals systemen voor dynamische supply chain integratie. Conceptueel is de DAM gebaseerd op het gekende Value Chain Model van Porter. Dat model vormt de fundering van de horizontale as van de Data Ambition Matrix.
 
De silo’s waarin data vaak nog gevangen zitten, vinden we terug in de verschillende primaire en ondersteunende activiteiten in het Value Chain Model (zie figuur 2). Naarmate we op de integratie-as verder naar rechts opschuiven, zijn er meer data van die verschillende activiteiten geïntegreerd, binnen een en dezelfde onderneming. Zo zal het aankoopdepartement automatisch weten welke materialen operations nodig heeft. Dat betekent meteen ook dat de organisatie over een (fysieke of virtuele) ‘enterprise data store’ beschikt die alle data omvat om de businessfuncties te synchroniseren. Een fysieke enterprise data store is meer bepaald een gecentraliseerde database binnen de organisatie. Een virtuele enterprise data store daarentegen, is een verzameling van gedistribueerde databases binnen de organisatie die worden geconnecteerd om als één enkele database te gebruiken.

Bij de volgende stap op de horizontale as – de supply chain data integratie – worden data over meerdere organisaties heen geïntegreerd, binnen dezelfde supply chain. Dat betekent dat er op een geïntegreerde manier data zullen moeten worden verzameld bij leveranciers en klanten. Het spreekt voor zich dat je partners in de keten dan ook een zekere maturiteit op het vlak van data-integratie moeten hebben. Figuur 3 toont hoe de data van marketing & sales van de leveranciers in het model worden geïntegreerd met de aankoopfunctie van de klant. Hetzelfde geldt voor de outbound logistiek van de leverancier en de inbound logistiek van de klant.

In het meest vergevorderde stadium op de horizontale as – de marktdata-integratie – zullen bedrijven aan de leveranciers- en klantzijde data van meerdere supply chains integreren. Op die manier krijgen ze datagebaseerde controle over hun positie in het business ecosysteem waarbinnen ze actief zijn.

De verticale as van de Data Ambition Matrix, die de maturiteit van de organisatie op het vlak van data-integratie weerspiegelt, is geïnspireerd op andere maturiteitsmodellen die zich toespitsen op informatiesystemen. De ontwikkelaars van het model kozen ervoor die dimensie op een pragmatische manier te benaderen, op basis van hun ervaring in de industrie.