Actueel
Drie data-valkuilen: hoe kun je ze omzeilen?
Wordt er niet of weinig gemeten in je organisatie? Verzamelen jullie wel data maar wordt er niets mee gedaan? Kloppen de data niet? Of wordt juist alles gemeten zonder duidelijk te hebben waarom? In deze blog identificeer ik drie veelvoorkomende data-valkuilen en krijg je tips om ze te omzeilen.
Waarom data analyseren?
Tegenwoordig kunnen we niet meer om data heen. Als we ze goed gebruiken, dan kunnen ze ook heel nuttig en waardevol zijn. Data helpen organisaties, bijvoorbeeld:
- met het analyseren van het verleden of het heden (descriptive analysis);
- om onderwerpen in de diepte te analyseren (diagnostic analysis);
- bij het voorspellen van toekomstige behoeften en problemen (predictive analysis);
- om verbanden te ontdekken (prescriptive analysis).
Data-valkuilen
Klinkt allemaal top toch? De realiteit is vaak weerbarstiger, onder andere omdat organisaties in datakuilen kunnen vallen. We noemen er drie:
1. Meten om het meten
Wanneer je hoort “Dit is interessant om te meten, laten we een monitor bouwen” (of iets in soortgelijke trant), wees dan alert. De valkuil waar je in dreigt te lopen, is die van het ‘meten om het meten’. We denken dat iets interessant is om te meten, maar vergeten om de verdiepende vragen te stellen:
- Waartoe meten we dit? Hoe draagt deze informatie bij aan de vraag die we willen beantwoorden?
- Als we dan een doel hebben geïdentificeerd, dan luidt de vervolgvraag: welke data hebben we dan nodig om dit te kunnen meten?
In mijn ervaring wordt de eerste vraag vaak volledig overgeslagen en wordt de vervolgvraag nauwelijks geconcretiseerd. Je kunt dit vaak zien aan je analist, die in zo’n geval vaak snakt naar een SMART beschrijving van wat je dan precies wilt hebben. Dit leidt tot een stroeve uitvoering.
Signaleer als jullie op het punt staan om in deze valkuil te lopen en zoek samen het antwoord op de bovengenoemde vragen.
2. De datapraatkuil
Toen ik op de universiteit werkte, heb ik veel cijfers langs zien komen. De ene universiteit was verder dan de andere, maar het viel me op dat cijfers vaak werden gebruikt om over te praten en niet om mee te sturen. Bijvoorbeeld voor de jaarrapportage of wanneer de nieuwe strategie eraan zaten te komen. Datagedreven werken vereist echter een continue dialoog tussen je organisatiedoelen en de data.
Heb je het gevoel dat jullie in de datapraatkuil vallen, stel je collega’s dan de volgende vragen:
- Welke normen hanteren wij?
- Wat doen we als we buiten deze normen vallen?
- En hoe zien we dat terug in de data?
- Wanneer zullen we de effecten bekijken?
Datagedreven werken ondersteunt organisaties in het halen van hun doelen (of zelfs het voorbij streven van deze doelen). Zorg daarom dat je data-analyses gekoppeld zijn aan de (strategische) doelstellingen van je organisatie.
3. Ervaring versus data
Bevindingen uit de data kunnen ervaringen van medewerkers bevestigen, maar ook tegenspreken. Persoonlijk vind ik deze valkuil de mooiste vanwege zijn paradoxale karakter. Ik begrijp hem volledig (weet een computer het nu beter dan ik?) en tegelijkertijd ben ik van mening dat we niet anders kunnen dan de onderliggende aanname achter dit gevoel los te laten.
Op universiteiten is een veelgehoord argument tegen data-analyses, dat werknemers hun praktijkervaring niet weerspiegeld zien in de data. De aanname die hieraan ten grondslag ligt, is dat het bij datagedreven werken gaat om óf data óf praktijkervaring. Terwijl het omgekeerde juist waar is: het is én én. Zonder data hadden we niet gezien dat er bij een faculteit veel te veel vakken werden gegeven ten opzichte van hun eigen capaciteit aan mensen. En juist de ervaring van de werknemers gaf de diepteanalyse die nodig was en bood oplossingsrichtingen. Data verdiept het gesprek in dit geval. De juiste combinatie van data en praktijkervaring maakt datagedreven werken zo’n veelzijdig instrument.
Vertrouwen in data
Hoe kunnen we dat vertrouwen in data dan creëren? Dat begint met een dialoog waarin je je werknemers meeneemt in hoe de data tot stand komen. In een volgende blog gaat mijn collega Lianka hier dieper op in. Tot slot adviseer ik je om de input uit praktijkervaring te koesteren. Zorg voor een dialoog over de data: dat verrijkt je analyses en creëert ruimte voor inbreng en vertrouwen.
Datagedreven werken
In de komende blogreeks gaan mijn collega’s Pako, Lianka en ik dieper in op de verschillende elementen van datagedreven werken.
Wil je meer weten? Meld je dan aan voor de Morgens nieuwsbrief of neem contact met mij op.