Het datagedreven innovatie canvas
De verwachtingen die organisaties hebben van de mogelijkheden van data, zijn torenhoog. Toch faalt een groot deel van de dataprojecten die worden gestart. Dat komt doordat organisaties teveel denken vanuit het ‘hoe en wat’ in plaats van eerst het ‘waarom’ inzichtelijk te krijgen, stelt hoogleraar Frans Feldberg van de Vrije Universiteit Amsterdam.
De laatste jaren is er veel gezegd en geschreven over de mogelijkheden van data, analytics en kunstmatige intelligentie. Dat heeft ertoe geleid dat organisaties dataprojecten als doel op zich zijn gaan zien. “Er heerst een haast heilig geloof dat iedereen iets met data moet doen”, zegt Feldberg. “Dan wordt er ineens besloten machine learning in de organisatie te omarmen en hup, daar wordt een project voor gestart. Terwijl je eigenlijk moet starten met de vraag: leveren data en kunstmatige intelligentie een bijdrage aan de uitdagingen waar wij voor staan, onze opgaven, onze missie?” Door het ‘waarom’ als vertrekpunt te kiezen en via het ‘wat’ te vertalen naar het ‘hoe’, voorkom je dat de technologie een doel op zichzelf wordt, of, zoals Feldberg stelt, ‘een oplossing op zoek naar een probleem’.
Gemeenschappelijke taal
Dataprojecten zijn per definitie multidisciplinair, stelt Feldberg, die als hoogleraar Data-Driven Business Innovation aan de Vrije Universiteit (VU) Amsterdam al jaren onderzoek doet naar de rol van data als ‘driver’ van innovatie. “Als meerdere disciplines binnen een organisatie betrokken zijn en er bovendien twee werelden – die van ‘technologie’ en ‘organisatie’ – gezamenlijk aan een project werken, dan is het spreken van dezelfde taal een serieuze uitdaging. Voordat je met welk project dan ook begint, wil je een gedeeld begrip of referentiekader ontwikkelen.” Om dat gezamenlijke verhaal te kunnen maken, ontwikkelde Feldberg samen met Tom Pots, programmamanager datagestuurd werken bij de gemeente Zaanstad en programmaleider van de leergang Datagedreven Sturing in de Publieke Sector aan de VU, het datagedreven innovatie canvas: DatCan.
Geslaagde dataprojecten
Een dataproject is volgens Feldberg geslaagd als de resultaten daadwerkelijk in de organisatie worden gebruikt voor de doelen waarvoor het bedacht is. Het whitepaper over DatCan dat Pots en Feldberg ontwikkelden (‘DatCan, Datagedreven innovatie canvas. De toolkit voor succesvolle dataprojecten’), stelt het als volgt: ‘Dat betekent dat het team van inhoudelijke experts, die dag in dag uit werken aan het vraagstuk, de analyses gebruiken in hun dagelijkse werk. Er nieuwe datagedreven inzichten worden gecreëerd die door de organisatie worden gebruikt, door alle belanghebbenden als relevant en zinvol worden ervaren. Resultaten die verder komen dan een werkend ‘proof of concept in het datalab’, gebaseerd op analyses die niet een doel op zichzelf zijn, maar bijdragen aan het oplossen van de uitdagingen waar je als organisatie voor staat.’ Het is dus belangrijk om vooraf te kijken naar het waarom van het project, naar wat het moet opleveren en hoe dat moet worden gerealiseerd, zegt Feldberg. “De wereld om ons heen innoveert in razend tempo. Niet alleen is er steeds meer data beschikbaar, er komt ook een steeds hogere mate van detail in de data die we verzamelen. De vraag wordt dan: welk niveau van detail hebben wij nodig om onze doelen te realiseren?”
Blijf relevant
In dit krachtenveld is de vraag: hoe borg je dat je relevant blijft? Feldberg: “Door niet alleen data te gebruiken om je bestaande processen te verbeteren, maar tegelijkertijd voortdurend te verkennen hoe je met data nieuwe producten en diensten kunt ontwikkelen, door te innoveren. Als het om de waarde van data gaat, hebben teveel organisaties een beperkte focus, namelijk primair gericht op datgene wat er nu al wordt gedaan, te verbeteren. Wie primair gericht is op het verbeteren van ‘hoe’ je dingen doet, loopt het risico dat een andere partij het ‘waarom’ van jouw organisatie behoorlijk kan ontwrichten. Zo loopt een producent van huishoudelijke apparaten, die met data zijn logistieke keten wil optimaliseren, zonder te innoveren, het risico dat Amazon het volledige klantcontact overneemt met als gevolg dat zijn rol wordt gereduceerd tot transactie provider. En vul voor producent van huishoudelijke apparaten gerust taxibedrijf, en voor Amazon Uber in. Of restaurant en Thuisbezorgd.”
Feldberg geeft een voorbeeld uit de publieke sector. “Mobiliteit is een belangrijke opgave van provincies en gemeentes. Als een leverancier van stoplichten of detectielussen op gedetailleerd niveau in kaart kan brengen waar knelpunten in het verkeer ontstaan en met AI kan voorspellen waar morgen de grootste opstoppingen zijn, dan rijst de vraag: wie is beter in staat om dit op te lossen, de provincie of deze leverancier? Mobiliteit is niet meer het alleenrecht van de publieke sector, getuige de missies van bijvoorbeeld Siemens, Uber en Ford. Sterker nog, de uitdaging voor provincies en gemeentes wordt het beantwoorden van de vraag wat hun rol wordt in de mobiliteitsopgave. Door op de juiste wijze te innoveren, borg je dat je relevant blijft en voorkom je – zeker als publieke organisatie – dat je voortdurend moet verantwoorden waarom je iets moet blijven doen, terwijl een andere partij het beter of goedkoper kan. Dit vereist een kritische reflectie op het ‘waarom’.”
Gedeeld begrip creëren
Het datagedreven innovatie canvas is gestoeld op het businessmodel canvas (BMC) waar Feldberg al jaren mee werkt. Dat BMC maakt overzichtelijk welke waarde een organisatie creëert, hoe die wordt geleverd en vastgehouden. “We hebben het BMC vertaald voor toepassing in de publieke sector en het vervolgens volledig toegespitst op dataprojecten. Inmiddels kiezen nu ook bedrijven buiten de publieke sector expliciet voor DatCan voor hun dataprojecten.” Niet zonder trots meldt hij dat bovendien de Rijksoverheid DatCan heeft aangemerkt als aanbevolen tool in hun toolbox Datagedreven werken . En dat is precies wat het is: een tool, zegt Feldberg. “DatCan is puur een hulpmiddel om tijdens een project zoveel mogelijk te borgen dat er gedeeld begrip bestaat over doelen, resultaten, activiteiten, middelen en partners. Het biedt de mogelijkheid om voortdurend het waarom, wat en hoe van dataprojecten in samenhang te beschouwen. Veel dataprojecten starten vanuit de technische toepassing: ‘Laten we een project omtrent kunstmatige intelligentie starten’. Als de uitkomst van zo’n project niet bijdraagt aan jouw missie of opgave, waarom zou je het dan doen?”
Gezamenlijk verhaal
DatCan is dan ook gericht op het stimuleren van een iteratief proces. “Je start vanuit de context, van het ‘waarom’. Je brengt gezamenlijk in kaart wát de problemen zijn die je op wilt lossen, hoe die zijn gerelateerd aan de opgaven en uitdagingen waar je voor staat, voor wie dat een uitdaging is en vooral ook wie de eigenaar is van het probleem. Wanneer je dat gedefinieerd hebt, bepaal je welke doelen je nastreeft, om die vervolgens te vertalen in benodigde analyses (beschrijvend, diagnosticerend, voorspellend en beschrijvend). Pas dán, kijk je naar het ‘hoe’. Welke data heb je daarvoor nodig en wat zijn de kernactiviteiten? Is bijvoorbeeld machine learning zinnig om in te zetten? Welke belangrijke partners moeten we erbij betrekken? Hebben we de juiste kennis in huis?” Door met elkaar al deze vragen te beantwoorden, in een dialoog waarin alle verschillende disciplines kennis en ambities met elkaar delen, ontwikkel je het gezamenlijke verhaal dat leidt tot een gedeelde ‘mindset’.
Legosteentjes om abstractie in te vullen
Feldberg en Pots zien het datagedreven innovatie canvas als de grammatica voor het ontwikkelen van het gezamenlijke taal rondom dataprojecten. “De wetensschappelijke literatuur heeft aangetoond dat ‘shared understanding’ een belangrijke randvoorwaarde voor projectsucces is”, zegt Feldberg. “Om een dataproject te kunnen laten slagen, moet je dus dezelfde taal spreken. DatCan biedt je eigenlijk een soort legosteentjes waarmee je het abstracte begrip ‘een verhaal ontwikkelen’ concreet maakt, in kunt invullen.” Hij drukt organisaties die hiermee aan de slag willen op het hart zich te realiseren dat dataprojecten in basis geen technologieprojecten zijn. “De grootste uitdaging zijn de veranderkundige aspecten. Bovendien kan geen enkele organisatie dit alleen. Zorg dat je onderdeel bent van de juiste ecosystemen. Selecteer en betrek de juiste partners.”
Tot slot blijft Feldberg bedrijven adviseren om te durven experimenteren, en daar ook budget voor vrij te maken. “Je kunt een project ook starten vanuit de uitdaging om te leren. Dat kan ook een prima invulling zijn van je verhaal. Durf als organisatie budget vrij te maken om, naast het exploiteren van data om te verbeteren, ook te exploreren hoe je data kunt gebruiken om te innoveren, zonder direct een gesloten businesscase te hebben. In een zeer snel veranderende wereld is experimenteren een belangrijke manier om te leren.”
Lees ook:
- Het beschermen en beheren van data in 2021
- Klantdata kwijt na livegang?
