De menselijke benadering van data
De hele waarheid
Op het eerste gezicht staan data en mensen lijnrecht tegenover elkaar. Dus suggereert de titel een paradox. Hoe kan in een datagestuurde cultuur ruimte zijn voor een menselijke benadering? Het antwoord is eenvoudig. De meeste bedrijven die zich richten op data science vergeten dat data, ondanks de schat aan informatie die het oplevert, niet het hele verhaal vertelt.
Veel kan in getallen worden uitgedrukt. Sociale interactie, creativiteit, ondernemerschap en het geven van betekenis aan ontwikkelingen laten zich minder goed meten. Data specialisten vergeten soms dat organisaties worden aangestuurd door mensen, processen kennen die zijn ingericht rondom mensen en maken producten en diensten voor mensen. Door de eenzijdige focus op getallen schiet data analytics daardoor vaak te kort en valt het resultaat tegen. Daarom is het zo belangrijk dat organisaties de menselijke benadering van data-analyse gebruiken.
Data, strategie en mensen
De menselijke benadering van data analytics gaat uit van de gedachte dat een nieuw evenwicht tussen mens en data leidt tot een strategisch of comparatief voordeel voor organisaties. Het einddoel is dus dat processen worden opgeknipt in stappen en dat per stap wordt bepaald hoe mens en data het beste kunnen samenwerken.
Anders gezegd, hoe slimmer de combinatie van mens en data, hoe hoger het comparatieve voordeel voor een organisatie. Voor bestaande organisaties betekent dat verandering. Een verandering die moet worden aangestuurd vanuit het hart van de organisatie. En die verandering gaat niet vanzelf, het is noodzakelijk om de dialoog op gang te brengen. Enerzijds door het laten ervaren van kansen, anderzijds door het wegnemen van barrières als angst en weerstand. De ervaring leert dat mensen vooral gaan vertrouwen in een verandering als er gezamenlijke, praktische resultaten worden geboekt.
Dat klinkt natuurlijk allemaal mooi, maar hoe pakken we dat aan? Dat lichten we toe aan de hand van onderstaand schema. Aan de linkerkant staan de stappen van een data-analyse project. Aan de rechterkant staan de rollen die daarbij van belang zijn.
Dit schema helpt om inzicht te geven in de verschillende perspectieven die samenkomen bij een veranderinitiatief met data. Op basis van onze ervaring hebben we per rol belemmeringen benoemd waar rekening mee moet worden gehouden.
| Rol beschrijving | Uitdaging |
|---|---|
| Bestuurder | Kennisachterstand maakt aansturing lastig. Op waarde schatten van interne en externe risico’s lastig. |
| Expert | Angst om het kennismonopolie te verliezen. Lastig om kennis te vertalen in praktische oplossingen. Angst om de veilige rol naast het bestuur te verliezen. |
| Data scientist | Moeite met het goed begrijpen van de zakelijke belangen. Gevoel van frustatie als anderen een oplossing die “zo simpel is” niet begrijpen. Technische focus kan leiden tot te ingewikkelde oplossingen. Ontevredenheid over te simpele oplossingen. |
| Functioneel specialist | Beschikbaarheid van data en kwaliteit van data. Beperkte tijd naast operationele verplichtingen. Onduidelijkheid over AVG-wetgeving. |
| Data specialist | De kwaliteit van data. Juiste informatie bij elkaar krijgen in een coherente dataset is lastig. Vertaling van eisen van de AVG naar praktische ontwerpkeuzes. |
| Gebruiker | Worsteling om de eigen bestaande werkwijze los te laten. Moeite om een voorstelling te maken van een andere werkelijkheid. Angst om overbodig te worden. |
| Manager | Moeite om de hiërarchische rol los te laten. Impliciete hoop dat dit over het pensioen heen getild kan worden. |
| Klant | Verwachten betere service tegen lagere kosten. Willen dat “het gewoon werkt” zoals bij Apple, Microsoft of Tesla. |
| Trainer | De angst dat het boven hun pet gaat. De angst dat ze minder het centrum staan. |
| Mentor | Moeten naast procesbegeleiding ook de inhoudelijke afwegingen begrijpen. |
Beslisboom als hulpmiddel
In ons werk maken we veelvuldig gebruik van standaard technieken om structuur aan te brengen in een vraagstuk. Een voorbeeld van zo’n techniek is de beslisboom. Het maakt kennis van experts toegankelijk voor mensen uit de praktijk. En praktijkmensen kunnen zo hun ervaring inbrengen. Het is dus een visuele techniek om een dialoog aan te gaan.
Als hulpmiddel voor een data analytics vraag hebben we bovenstaande beslisboom gemaakt (klik er op om hem groter te maken). Het werkt van links naar rechts. Aan de rechterkant eindigt de boom met een idee. Dit idee werken we graag verder uit in een kennismakingsgesprek.