Groei in datavolwassenheid met het Morgens Data Maturity Model

Wil je als organisatie klaar zijn voor de uitdagingen van morgen, dan kun je er eigenlijk niet meer omheen: het gebruik van data voor het bereiken van strategische en operationele doelen. Datavolwassenheid is hierbij zeer belangrijk, maar wat houdt dat in? Pako de Lange begeleidt organisaties in de zorg, het onderwijs en de overheid in hun datavolwassenheidsreis. In dit interview geeft hij uitleg over datavolwassenheid en het gebruik van het Morgens Data Maturity Model.

Het Morgens Data Maturity Model helpt organisaties in de publieke sector om inzicht te krijgen in hun huidige datavolwassenheid. Dit inzicht helpt organisaties om te bepalen welke stappen zij kunnen zetten om groei in datavolwassenheid te realiseren.

Wat is datavolwassenheid?

Pako antwoord in één zin: “Datavolwassenheid beschrijft de mate waarin een organisatie in staat is om met behulp van data hun doelen effectiever te halen.” Hij legt uit dat hoe volwassener een organisatie is, hoe beter ze in staat is om data effectief in te zetten bij het sturen op de organisatiedoelen en het behalen daarvan.

Als een organisatie nog niet gewend is om haar doelen concreet en meetbaar te maken, staat ze aan het begin van haar ontwikkeling naar een hogere datavolwassenheid. Als een organisatie bijvoorbeeld al dashboards inzet om haar meetbare doelen ook visueel te maken en de voortgang continu te monitoren en bespreken, dan zit ze al hoger in de volwassenheidscurve.

“Organisaties die verder zijn in hun datavolwassenheid behalen hun doelen vaak sneller, beter, gerichter en efficiënter. Dát is de groei in datavolwassenheid waar wij organisaties in het publieke domein in begeleiden. Het door ons ontwikkelde Morgens Data Maturity Model helpt ons in deze trajecten om een gedegen inschatting te kunnen maken van de huidige datavolwassenheid binnen een organisatie, zodat we gezamenlijk de passende stappen vooruit kunnen bepalen”, vertelt Pako.

Waarom een eigen datavolwassenheidsmodel?

“We hebben binnen Morgens het Data Maturity Model ontwikkeld, omdat we behoefte hadden aan een laagdrempelige en speelse manier om als organisatie een inschatting te kunnen maken van de huidige datavolwassenheidsfase waar een organisatie zich in bevindt.”

Hiervoor is Pako bestaande modellen ingedoken zoals het Data Maturity Model (2008) en het Data and Analytics Maturity Model (2017), beide van Gartner. “Deze vormen de basis voor ons model en die basis vulden we aan met onze eigen praktische observaties en ervaringen op de werkvloer.”

Een onderscheidend element voor het Morgens model ten opzichte van andere modellen is dat ook het zachte, veranderkundige perspectief een prominente plek heeft gekregen. Pako legt uit: “We kijken dus niet alleen naar technische elementen, maar juist ook naar de organisatorische kant van de verandering naar (meer) datagedreven werken, waar het uiteindelijk draait om een gedragsverandering.”

Het uitgangspunt is: “Je kunt nog zoveel technologie hebben, maar als medewerkers geen vertrouwen hebben in de data en er niet mee willen en/of kunnen werken, kom je niet verder.”

Het resultaat van deze inspanning is een datavolwassenheidsmodel dat werkt in de dagelijkse praktijk van organisaties. Het spreekt aan en maakt de reis naar datavolwassenheid levendig en tastbaar. “Dat vind ik ontzettend leuk om te merken bij onze opdrachtgevers,” voegt Pako vol enthousiasme toe. “Overigens wordt het model nog wel eens aangevuld op basis van opgedane praktijkervaringen, zodat de toepasbaarheid van het model in het publieke domein verhoogd wordt.”

Het Morgens Data Maturity Model in vogelvlucht

In het Morgens Data Maturity Model onderscheiden we zes fasen van datavolwassenheid:

1. Onbewust. Dit zijn organisaties die vaak nog geen beeld hebben van wat werken met data hen kan bieden. Van datagedreven werken is in deze organisaties nog (bijna) geen sprake.
2. Beginner. Bij organisaties in de beginnersfase is data al wat vaker onderwerp van gesprek, en enkelen binnen de organisatie maken bijvoorbeeld een start met analyses. Wel is het vertrouwen in de data vaak nog laag, en ook aan de datakwaliteit schort het één en ander. Maar: het begin is gemaakt!
3. Opportunistisch. In deze datavolwassenheidsfase hebben organisaties verschillende datagedreven initiatieven en projecten opgezet. Van een structurele benutting van data om (management) beslissingen te ondersteunen is echter nog geen sprake.
4. Systematisch. Organisaties in de systematische fase hebben al flinke stappen gezet in het meetbaar maken van hun strategische doelstellingen, hebben deze doorvertaald naar praktische doelstellingen én weten hier al structureel op te sturen met de gehele organisatie. Vertrouwen in data is ondertussen flink toegenomen en dit is vaak een punt waarop organisaties gaan investeren om hun IT-infrastructuur te professionaliseren.
5. Onderscheidend. Organisaties in deze fase laten zien dat ze data inzetten als middel om innoverend te zijn. Het gaat verder dan werken en sturen met data. Organisaties in de onderscheidende fase gebruiken data niet alleen om inzicht te krijgen in hoe het gaat, maar ook voorspellingen te doen over de toekomst, bijvoorbeeld met AI of machine learning.
6. Transformationeel. In deze fase vallen bijvoorbeeld de grote webshops, die hun volledige dienstverlening afstemmen op datagedreven inzichten én hun data vaak ook inzetten als onderdeel van hun businessmodel. Wij komen in ons werk in het publieke domein nagenoeg geen organisaties tegen die zich in deze datavolwassenheidsfase bevinden.

“De praktijk is niet zo zwart-wit”, legt Pako uit. “Vaak zien we dat organisaties niet aan alle kenmerken binnen een bepaalde fase voldoen. Een organisatie kan bijvoorbeeld qua IT-infrastructuur goed ingericht zijn en de datakwaliteit op orde hebben, maar nog niet gewend zijn om haar doelstellingen meetbaar te maken met KPI’s en de voortgang op de doelstellingen te bespreken op basis van datagedreven inzichten in dashboards. Of andersom natuurlijk.”

Het Morgens Data Maturity model, maar in feite ieder model, moet je wat hem betreft dus ook niet te strict benaderen. “Het is een gemiddelde dat een organisatie scoort op meerdere factoren die onderliggend zijn aan datavolwassenheid. Waar het om draait is het gesprek wat je er daarna over voert.”

Welke methoden gebruikt Morgens om datavolwassenheid te meten?

Pako licht toe: “Bij Morgens gebruiken we onder andere de Data Maturity Scan om organisaties op een snelle manier inzicht te geven in hun huidige fase van datavolwassenheid. Wij zetten de scan vaak in als laagdrempelige en korte methode tijdens bijvoorbeeld een kennismaking met de opdrachtgever.” Naast de scan vindt Pako het ook pragmatisch om te vertrouwen op de observaties die je zelf opdoet binnen een organisatie. Door mee te lopen en eventueel aanvullende interviews te houden vorm je ook een goed beeld van de datavolwassenheid van de organisatie. Beide methoden resulteren in inzichten die helpen bij het uitstippelen van passende vervolgstappen, afgestemd op de huidige datavolwassenheid binnen de organisatie.

“Wat in ieder geval nuttig is”, zegt Pako, “is dat je met de scan een simpele nulmeting maakt van de datavolwassenheid. Zo kun je op een later moment de scan nog een keer invullen om te zien of je stappen hebt gezet.”

Hij benoemt dat een belangrijke nuance is dat je niet altijd hoeft te streven naar het behalen van de laatste datavolwassenheidsfase ‘transformationeel’. Wellicht past dat helemaal niet bij het type organisatie dat je hebt en bij de visie die je nastreeft. Het model helpt je om te verkennen op welke facetten jouw organisatie écht winst en waarde wil en kan behalen.

Hoe ondersteunt Morgens organisaties om te groeien in datavolwassenheid?

Zodra je de huidige datavolwassenheid in kaart hebt gebracht en de ambities rondom datagedreven werken hebt geformuleerd, is het tijd om aan de slag te gaan. “Bij Morgens hebben we de Data Maturity Toolkit met producten waarmee je aan de slag kunt gaan”, zegt Pako. “In iedere fase liggen specifieke producten voor de hand om aan te gaan werken. Zo kan het voor een onbewuste organisatie bijvoorbeeld nodig zijn om doelen SMART te maken en KPI’s op te stellen en kan het voor een systematische organisatie nuttig zijn om een datastrategie te ontwikkelen of een innovatiefunnel op te zetten.”

Meer informatie over de Morgens Toolkit is te vinden in de blogreeks die hier eerder over geschreven is. De insteek is vooral: beginnen is winnen. Elk stapje richting een hogere datavolwassenheid is een stap dichterbij het zijn van een wendbare en toekomstbestendige organisatie.