LEREN VAN DATA IS CRUCIAAL VOOR CONTINUÏTEIT

Een digitale en lerende organisatie is geen doel, maar een middel om klanten beter van dienst te kunnen zijn en daarmee de continuïteit van de organisatie te garanderen. In de zoektocht naar digitale transformatie investeren veel bedrijven in technologieën zoals Artificial Intelligence en cloudplatformen. Dat is technisch steeds makkelijker en bovendien goedkoper dan ooit. Toch levert het bedrijven meestal niet wat ze ervan verwachten. De teleurstelling houdt vaak verband met de manier waarop deze technologieën geïmplementeerd worden in het bestaande operating model van de organisatie met oeverloze discussies over verantwoordelijkheid van de 'use case'.

Het IT-landschap is de afgelopen tien jaar drastisch veranderd. Public Cloud is inmiddels het IT-infrastructuurmodel, en no-code softwareontwikkeling is hard op weg om de applicatie- en algoritme markt te veroveren. Het mag duidelijk zijn dat datacenters en applicaties in eigen beheer voor de meeste organisaties geen toekomst vaste investeringen meer zijn. Om de bedrijfscontinuïteit te garanderen, is het veel belangrijker om te investeren in data en intelligente besluitvorming, en dan met name eigen expertise rondom deze ontwikkeling. Leren van data wat er nu gebeurt en waarom, om vervolgens in te schatten wat er gaat of moet gebeuren. De technologie voor het verzamelen, verwerken en analyseren van data is volop in de cloud beschikbaar, maar wil je er daadwerkelijk waardevolle informatie en inzicht uit halen, dan heb je expertise en een heldere strategie nodig. Het formuleren en uitvoeren van zo’n strategie kun je niet volledig outsourcen. Dan ben je aan de wolven overgeleverd, ongeacht de partij die je kiest. Je moet die expertise binnen je eigen organisatie opbouwen en in co-creatie uitvoeren, waarbij je de strategische sturing in eigen hand houdt. 🤝

Een datagedreven business-strategie staat vandaag de dag bovenaan de digitale agenda van vele organisaties. De vraag is hoe je daar op een verantwoorde wijze gestalte aan geeft. Dit iteratieve proces verloopt in tenminste zes stappen:

• Creëer een gezamenlijk vertrekpunt over strategische doelen, -uitdagingen en -complexiteit. Een datagedreven strategie begint met het erkennen dat data de lijm zijn tussen business en IT. Kennis over het effectief gebruiken van data is een uiterst belangrijke competentie waarbij domeinkennis, data science en DevOps bij elkaar gebracht moeten worden in autonoom opererende teams. Als je deze expertises gescheiden houdt binnen een organisatie, verlies je innovatiekracht en de mogelijkheid om snel nieuwe data-gedreven strategieën en use cases te testen. 🚀

 

• Organiseer een multidisciplinair (domein, data science, devops) team om de eerste use cases te testen. Veel organisaties blijven hangen in de discussie hoe ze bestaande teams en afdelingen moeten faciliteren. Moet de organisatie het zelf doen of uitbesteden? Ze komen daardoor vaak niet verder dan de ChatGPT hype en ad-hoc-pilotprojecten op basis van zelf ingekochte ‘shadow IT/AI’ oplossingen, zonder enige borging van de business-strategie, data security of wetgeving. De resultaten hebben daarom weinig inhoudelijke relevantie en concrete business resultaten blijven uit. Zo tikt de tijd soms jarenlang weg en daarmee smelten de kansen als sneeuw voor de zon. ☀️

 

• Om dit te doorbreken, is het belangrijk om een low-cost, schaalbare leeromgeving te creëren. Een modern dataplatform dat geschikt is om snel (on)gestructureerde data in op te slaan, waar vervolgens op een flexibele manier mee is te experimenteren. Een aanvullend voordeel van een dergelijk platform is dat het mogelijkheden biedt om data-governance stap voor stap in te regelen. Binnen veel organisaties ontstaat vaak een jungle van datawarehouses en datalakes, waarvan het totaal niet transparant is op welke wijze de gegevens gebruikt, beheerd en beveiligd worden. 🌐

 

• Experimenteer met en leer van data en concrete use cases. Gebruik de leeromgeving om uiteenlopende gegevens, zowel van binnen als buiten de organisatie, binnen één platform bij elkaar te brengen en door middel van API’s en selfservice te ontsluiten. Hiermee kun je vervolgens door middel van data science allerlei gebruiksscenario’s testen, die meerwaarde hebben voor de organisatie. Het is belangrijk om in deze testfase een minimale data governance-structuur te gebruiken om het tempo erin te houden. ‘Fail fast’ is hier het motto, omdat je immers zo snel mogelijk wilt ontdekken of een nieuw initiatief ook daadwerkelijk voordelen oplevert. 🛠️

 

• De volgende fase bestaat uit het promoveren van de succesvolle use cases tot productie en het integreren van het dataplatform met de bestaande enterprise data warehouses, die van oorsprong leidend zijn voor de kernprocessen van een organisatie. Deze promotie geeft invulling aan het data operating model voor het primaire bedrijfsproces met mensen, processen, data en technologie te midden van alle informatiestromen, inclusief alle selfservice, beschikbaarheid, schaalbaarheid, security en compliance vereisten. 🔄

• ​Data-as-a-service als de facto standaard binnen de organisatie. Data is de hefboom voor nieuwe producten, diensten en verdienmodellen. Use cases kunnen door productmanagers en data scientists autonoom worden gerealiseerd, waarbij data op een selfservice wijze is af te nemen en data-governance, -kwaliteit en -herkomst van data zijn geïmplementeerd. Dit is cruciaal om je als organisatie te beschermen tegen datalekken en de risico’s van imagoschade en boetes en voor het niet naleven van richtlijnen of wetgeving als de AI Act. Het mag duidelijk zijn dat kennis over data-analyse een bedrijfskritisch vakgebied is, waarbij business en IT elkaar ontmoeten. Deze vaak gescheiden werelden moet je bij elkaar brengen in één data operator model. Organisaties zijn hiermee in staat om in gemeenschappelijke taal, stap voor stap te experimenteren met data volgens het ‘proof or pivot’-principe. Zo ontdek je binnen een paar maanden of een idee wel of geen waarde oplevert. Immers, innovatie is pas innovatie als deze is gericht op de eerstvolgende bottleneck in de organisatie. Verbeteringen aanbrengen voor of na een knelpunt heeft immers nauwelijks tot geen effect op de productie en winstgevendheid. En in dat geval kun je beter door naar de volgende use case. 🔄
  

​Eén data operator model voor het primaire bedrijfsproces, onder eigen regie levert bovendien een nieuwe bouwsteen voor de Enterprise-architectuur. Hiermee implementeer je data-as-a-service binnen een organisatie, wat vervolgens de hefboom is voor het realiseren van meer productiviteit en klanttevredenheid, en het openen van nieuwe markten. Meer over dit vakgebied weten? Neem contact met ons op via [email protected]. 📧