Organisaties investeren miljarden in business en artificial intelligence, maar halen er structureel te weinig meerwaarde uit. Niet omdat de tools tekortschieten, maar omdat ze bij de verkeerde vraag beginnen. De oplossing is even simpel als weerbarstig: begin niet bij de data, maar bij de beslissing.
60 procent van de AI-projecten wordt opgegeven voordat ze enige waarde opleveren, voorspelt Gartner. Gemiddeld haalt slechts 48 procent van de AI-projecten überhaupt de productiefase, en wie dat lukt, is daar gemiddeld acht maanden mee bezig. Bij business intelligence is het beeld niet veel rooskleuriger: ondanks meer dan 15 miljard dollar die jaarlijks aan BI-tools wordt besteed, levert 60 procent van de trajecten geen aantoonbare businesswaarde op, blijkt uit een analyse van vakblad Dataversity. Het zijn geen nieuwe problemen, maar ze zijn urgenter geworden nu organisaties AI bovenop een al wankel datafundament stapelen.
Tijdens de lancering van Diamond Decisions, een nieuwe methodiek van het Nederlandse Passionned Group, schetste oprichter Daan van Beek, auteur en al meer dan twintig jaar actief in het vakgebied, waar het structureel misgaat. De oorzaak ligt niet in de technologie zelf, maar in de volgorde. Organisaties beginnen bij systemen, databronnen en architectuur, maar vergeten daarbij de mens die uiteindelijk met die data moet werken en beslissen. “De leveranciers in deze markt hebben een soort heilig geloof dat hun software of hardware het verschil gaat maken”, zegt Van Beek. “Maar als je de mens niet aan het stuur zet van die verandering, dan is het gedoemd te mislukken. Dan krijg je halfbakken BI of BI die alleen maar achteruitkijkt.”
Rapporten als eindstation
Het probleem begint bij een fundamentele misvatting over wat BI is en waarvoor het dient. Business intelligence werd ooit geïntroduceerd om de tijd die medewerkers kwijt zijn aan het verzamelen van data terug te brengen van tachtig naar twintig procent, zodat ze de vrijgekomen tijd konden gebruiken voor analyse en betere beslissingen. Wat er in de praktijk van terechtkwam: organisaties vulden die vrijgekomen tijd met nóg meer rapporten. De rapportenfabriek als eindstation, in plaats van vertrekpunt.
Van Beek gebruikt een piramide om te illustreren waar de echte complexiteit zit. Van ruwe data naar bruikbare informatie is relatief eenvoudig — dat is dan ook waar de meeste BI-investeringen naartoe gaan. Maar van informatie naar kennis is al tien keer zo complex. En van kennis naar de juiste beslissing en actie? Dat is nóg eens tien keer complexer. “Met z’n allen denken we blijkbaar: we gaan data verzamelen en rapporteren. Maar we vergeten daarbij de mens die daar zit. Wat is het handelingsperspectief dat BI geeft aan de mensen die met klanten werken, die produceren, die beslissen?”
Dat gebrek aan handelingsperspectief is het meest hardnekkige probleem. Organisaties investeren jarenlang in BI, maar wat ze bouwen zijn voornamelijk terugkijkende systemen: dashboards die laten zien wat er is gebeurd, rapporten die verantwoording afleggen over het verleden. Dat heeft alleen waarde als het aanzet tot actie. Maar dat is precies wat ontbreekt en zolang BI geen helder handelingsperspectief biedt, blijven managers vertrouwen op ervaring en onderbuikgevoel. Niet omdat ze de data wantrouwen, maar omdat de data hen niets vertellen over wat ze morgen anders kunnen doen. Volgens Gartner levert slechts 20 procent van de analytische inzichten daadwerkelijk businessresultaten op, de overige 80 procent verdwijnt in de prullenbak of wordt genegeerd. “We proberen dit al twintig jaar te veranderen”, zegt Van Beek droog. “Maar als jij met jouw methodologie blootlegt dat een manager zijn eigen proces niet begrijpt, dan gaat die direct in de weerstand. Dat is ook waarom je mensen al vanaf stap één moet meenemen.”
Vanuit die overtuiging ontwikkelde Passionned Group Diamond Decisions, een aanpak die de volgorde bewust omdraait. Niet beginnen bij systemen en databronnen, maar bij de vraag: welke beslissing wil je verbeteren? Pas als die vraag helder is, wordt bepaald welke data nodig zijn, en niet meer dan dat. Die minimale datafocus heeft een bijkomend voordeel: waar traditionele BI-trajecten in het eerste kwartaal al snel richting twee ton aan kosten lopen, voordat er ook maar één inzicht is opgeleverd, claimt Diamond Decisions in datzelfde kwartaal uit te komen op een fractie daarvan. Niet door te bezuinigen op kwaliteit, maar door alleen te bouwen wat de beslissing daadwerkelijk nodig heeft.
AI op een wankel fundament
Wie dat fundament niet op orde heeft, loopt tegen een extra probleem aan nu de druk om AI in te zetten toeneemt — en dan gaat het hier niet over generatieve AI, maar over de traditionele vorm die al decennia bestaat: de algoritmes die patronen in data herkennen, voorspellen en automatiseren. Machine learning, datamining, voorspellende modellen — ze zijn allemaal onlosmakelijk verbonden met de kwaliteit van het onderliggende BI-fundament. Een goed ingericht BI-systeem is de voorwaarde waarop ze kunnen bouwen. Ontbreekt dat, dan vergroot AI het probleem in plaats van het op te lossen.
Organisaties die hun datafundament nooit goed hebben gelegd, stapelen er nu AI bovenop in de verwachting dat het de problemen oplost. Dat werkt niet, stelt Van Beek. “Als jij je data niet kent en niet zelf analyseert, kun je er ook geen AI op loslaten. Dat gaat gewoon niet.” De redenering daarvoor is technisch, maar raak. Als de datakwaliteit niet op orde is en een mens een dashboard bekijkt, vallen hem onverwachte afwijkingen nog op. Bij AI gebeurt alles onder de motorkap. Foute data levert dan niet een fout rapport op, maar een fout model dat in stilte verkeerde beslissingen ondersteunt. Daar komt een tweede, minder voor de hand liggend probleem bij. “Als je als mens de data-analyse niet zelf hebt gedaan, weet je ook niet welke biases er in je data zitten,” legt Van Beek uit. “En als je niet weet waarom je data analyseert, dan kun je AI ook geen doel meegeven.”
Dat maakt de volgorde cruciaal. Niet: hoe zet ik AI in? Maar: welke beslissing wil ik verbeteren, welke informatie heb ik daarvoor nodig, en is mijn data betrouwbaar genoeg om die vraag te beantwoorden? “Wie die volgorde omkeert, investeert in snelheid op het verkeerde spoor.”
Beslissingen als vertrekpunt
De omkering die Van Beek bepleit, klinkt eenvoudig, maar vraagt een fundamenteel andere manier van werken. Niet de databron als startpunt, maar de beslissing. Welke keuze wil een manager morgen beter kunnen nemen? Wat heeft hij daarvoor nodig? En pas dan: welke data is relevant?
Hij haalt Albert Heijn aan als voorbeeld van wat er mogelijk is als die volgorde consequent wordt doorgevoerd. Elke vijf minuten wordt er per artikel een beslissing genomen over de gehele supply chain: moet dit product worden doorgeschoven van distributiecentrum naar winkel, van winkelmagazijn naar schapruimte? Dat gebeurt volledig geautomatiseerd, gedreven door data, beslissing voor beslissing, voor elk artikel in elk filiaal tegelijk. Het resultaat is een niveau van precisie dat geen mens handmatig kan bijhouden.
Maar de weg erheen was allesbehalve soepel, benadrukt Van Beek. Albert Heijn begon ooit met een lappendeken van afzonderlijke BI-systemen, elk met zijn eigen definities en zijn eigen versie van de waarheid. Elke afdeling keek door een andere bril naar dezelfde data. De omslag naar één gedeeld datafundament kostte zeven jaar. Drie jaar bouwen — en vier jaar vechten. “Zodra managers niet langer hun eigen data kunnen definiëren, maar de waarheid vanuit een centraal systeem krijgen aangeleverd, stuit je op weerstand,” zegt Van Beek. “Dat organisatorische gevecht duurt vaak langer dan het technische werk.” Pas toen iedereen door dezelfde bril keek, kon de beslissing centraal komen te staan. En pas toen werd AI een zinvolle volgende stap.
De mens als regisseur
Dat organisatorische gebakkelei is eerder regel dan uitzondering, en verklaart waarom de meeste trajecten mislukken. Niet omdat de technologie tekortschiet, maar omdat organisaties de menselijke kant structureel onderwaarderen. Zelfs met de juiste data, technologie en talent haalt slechts 20 procent van de organisaties significante financiële resultaten uit AI, concludeerden MIT Sloan Management Review en Boston Consulting Group op basis van onderzoek onder meer dan drieduizend managers wereldwijd. Organisaties die wél slagen, doen iets wezenlijk anders: zij beginnen bij mensen en gedrag, en laten de technologie daarop aansluiten, niet andersom.
Uit eigen onderzoek van Passionned komen drie succesfactoren naar voren die datagedreven organisaties werkelijk onderscheiden. “Ten eerste moet je doelen en targets expliciet maken en die blijven toetsen,” zegt Van Beek. “Niet als afrekenmechanisme, maar als kompas.” Ten tweede draait het om informatie consequent in te zetten voor analyse én actie, niet alleen voor rapportage. En ten derde — en dat is volgens Van Beek vaak de ontbrekende schakel — de open datadialoog: “Met elkaar de cijfers bespreken, of ze nu goed of slecht zijn. Juist die eerlijkheid maakt het verschil.” Samen vormen deze drie factoren de basis van wat Van Beek de heilige graal van BI en AI noemt: de PDCA-cyclus. Plan, do, check, act. Niet als managementtheorie, maar als wekelijks ritme.