"Data op zich bieden geen competitief voordeel. Data sneller vertalen naar betere beslissingen dan je concurrent, dát is het voordeel waarnaar je op zoek moet", aldus Joachim De Vos. De professor aan de Universiteit Gent beschrijft in zijn boek Why data wins hoe organisaties in 100 dagen zichtbare impact met data realiseren. Dat gebeurt niet door direct een nieuw platform aan te schaffen of een leger aan datascientists in te huren, maar door 7 opeenvolgende stappen te zetten: frame, capture, store, explore, show, act en grow.
Verbinden met operationele data
Daarbij ziet De Vos een centrale rol voor finance. De financiële functie werkt tenslotte al decennia lang met data en is gewend definities vast te leggen, prestaties meetbaar te maken en de betrouwbaarheid van informatie te bewaken. Tegelijkertijd werkt finance vooral met gestructureerde, historische en financiële informatie. De volgende stap is om die informatie te verbinden met operationele, commerciële en externe data die lang niet altijd goed gestructureerd zijn. "Een omzetdaling zie je bij finance, maar de verklaring ligt vaak ergens anders, bijvoorbeeld in het gedrag van websitebezoekers, het weer, prijsbewegingen of activiteiten van concurrenten. Zodra je die werelden met elkaar verbindt, verandert finance van de achteruitkijkspiegel, in een radar voor de toekomst."
1. Frame: begin met de beslissing
De eerste stap is frame. "Start niet met de beschikbare data, maar met de beslissing die je als organisatie beter wil nemen", legt De Vos uit. "Veel dataprojecten beginnen nog altijd met technologie. Een organisatie wil 'iets' met AI, laat databases koppelen en bouwt een dashboard. Zonder eerst vast te stellen welk probleem daarmee moet worden opgelost. Zeggen dat je AI wil, is ongeveer hetzelfde als zeggen dat je Excel wil. Dat is geen strategie."
Denk bij verbeterde beslissingen aan cashflow, marge, pricing, werkkapitaal, fraude, investeringen of de prestaties van een productgroep. "De CFO en de controller concentreren zich op de input aan data en vooral op de gewenste output. Welke vraag moet worden beantwoord? Welke data zijn daarvoor echt nodig? En aan welke kpi in de werkelijke wereld moet de uitkomst bijdragen? De technische inrichting tussen input en output is vervolgens het terrein van IT en dataspecialisten."
2. Capture: meet wat ertoe doet
Finance beschikt niet altijd over de juiste gegevens. De Vos: "De omzet staat in het ERP-systeem, maar de reden voor het afhaken van een klant meestal niet. Daarvoor zijn gegevens nodig over klantcontacten, websitegedrag, levertijden, klachten of de kwaliteit van een product."
Capture: de organisatie legt bewust vast wat voor de gekozen beslissing van belang is. "Wat je vandaag niet vastlegt, kun je morgen ook niet analyseren."
Finance moet daarbij over de grenzen van de financiële administratie heen kijken. Financiële data moeten worden verbonden met operationele en commerciële gegevens en, waar relevant, informatie van buiten. "Dat vraagt niet alleen om systemen, maar ook om heldere afspraken over definities, eigenaarschap en invoer. Medewerkers moeten bovendien begrijpen waarom zij gegevens vastleggen. Wanneer zij voortdurend data invoeren zonder ooit te zien wat daarmee gebeurt, neemt de motivatie af en verslechtert uiteindelijk ook de datakwaliteit."
3. Store: creëer data die vertrouwen verdienen
Een controller kan het management moeilijk ondersteunen wanneer sales, operations en finance ieder met andere cijfers aan tafel verschijnen. Store draait daarom om betrouwbare, toegankelijke, veilige en herbruikbare data. "Dat betekent niet dat alle data onmiddellijk perfect moeten zijn." Volgens De Vos presteert een organisatie met middelmatige data en scherpe vragen beter dan een organisatie met uitstekende data die de verkeerde vragen stelt. "Je moet blijven werken aan datakwaliteit. Maar door eerst de juiste vraag te stellen, kun je de hoeveelheid data waarop je je moet richten, verkleinen."
Finance kan hier volgens hem zijn kracht inzetten. "Controllers zijn gewend om kritisch te kijken naar definities, aansluitingen, interne beheersing en de herkomst van cijfers. Diezelfde houding is nodig bij niet-financiële data, zoals klantgedrag, verzuim, CO2-uitstoot of biodiversiteit. Niet iedere toepassing vereist 100% zekerheid. Maar finance moet wel kunnen aangeven hoe betrouwbaar de informatie is en voor welk doel deze geschikt is." Veiligheid is onderdeel van store. "Bedrijfseigen gegevens zijn de zuurstof van de organisatie. Laat die kroonjuwelen niet ongemerkt in openbare AI-modellen terechtkomen."
4. Explore: begin met ontdekken
Het gaat niet langer om de afwijking, maar om het ontdekken van de oorzaken. Wanneer de marge 2% lager is, kijkt finance verder. Bij welke klanten, producten of regio’s doet de daling zich voor? Welke operationele of commerciële factoren hangen ermee samen? En wat vertelt het patroon over de komende maand? Door hypotheses te formuleren, gegevens te combineren en aannames te toetsen, kan een verschijnsel ontstaan dat De Vos information emergence noemt. "Naarmate relevante informatie rond een scherp geformuleerde vraag groeit, worden patronen die je vooraf niet voorzag, zichtbaar. AI helpt om dergelijke patronen te vinden. Maar alleen wanneer het systeem met relevante en voldoende betrouwbare data wordt gevoed."
5. Show: zet cijfers om in betekenis
Finance produceert doorgaans veel rapportages. De hoeveelheid zegt alleen weinig over de invloed ervan. "Een rapport dat niemand tot een andere beslissing brengt, heeft weinig waarde", aldus De Vos. Bij show reduceert de controller complexiteit tot wat de CEO of businessmanager begrijpt: wat is er gebeurd, waarom gebeurde het en wat is nu van belang? Visualisatie is dan ook een belangrijk instrument. "Dat vraagt ook om zorgvuldigheid. Een grafiek kan door een gekozen schaal of tijdshorizon een sterke ontwikkeling suggereren die over een langere periode nauwelijks betekenisvol blijkt. De controller bewaakt daarom niet alleen de juistheid van het cijfer, maar ook de eerlijkheid en begrijpelijkheid van de presentatie."
6. Act: vertaal inzicht naar een beslissing
De waarde van data zit niet in het dashboard, maar in de beslissing die erop volgt. "Een organisatie kan prachtige analyses produceren en desondanks nauwelijks datagedreven zijn." Voor deze stap gebruikt De Vos de 5D-data decision cycle: detect, diagnose, decide, deliver en debrief. "Eerst wordt een ontwikkeling gesignaleerd en daarna de oorzaak onderzocht. Daarop volgen een besluit en de uitvoering daarvan. Vervolgens kijkt de organisatie terug: werkte de interventie en wat kunnen we ervan leren? Die laatste stap voorkomt dat datagedreven werken een eenmalige exercitie wordt. Wanneer informatie structureel niet tot actie leidt, moet de organisatie zich afvragen waarom zij die informatie nog verzamelt: overbodige datastromen kosten capaciteit en ontmoedigen medewerkers."
7. Grow: maak er gedrag van
De zevende stap is grow. "Werken aan je gezondheid, gaat over continu gedrag. Het is geen eenmalig project. Voor datagedreven werken geldt hetzelfde", zegt De Vos. "Een datagedreven cultuur ontstaat wanneer medewerkers op ieder niveau beslissingen onderbouwen, aannames ter discussie stellen, fouten bespreekbaar maken en leren van resultaten. Een volledige cultuurverandering lukt niet in 100 dagen. Wel kun je in die periode laten zien dat de nieuwe werkwijze betere beslissingen oplevert en daarmee de basis voor verdere groei leggen."
Daarvoor is volgens De Vos datageletterdheid nodig. "Financials hoeven geen datascientist te worden, maar moeten wel begrijpen welke soorten data bestaan, hoe zij datakwaliteit beoordelen en welke vragen zij ermee kunnen beantwoorden." Finance is volgens de professor goed gepositioneerd om die ontwikkeling te leiden. "CFO’s en controllers begrijpen de business, zijn gewend kritisch naar informatie te kijken en kunnen investeringen verbinden aan meetbaar resultaat. Van reporting what happened gaat finance zo naar understanding why it happened, predicting what may happen en helping decide what to do next."
Eigen data maken het verschil
De Vos wijst erop dat krachtige AI-modellen voor vrijwel iedere organisatie beschikbaar zijn. "De modellen zelf worden daarmee steeds minder onderscheidend. Concurrenten kunnen toegang krijgen tot vergelijkbare modellen, marktinformatie en analyses. AI-modellen worden in toenemende mate een commodity. Het werkelijke onderscheid zit 'm in de specifieke kennis over klanten, processen, medewerkers, producten, prestaties en eerdere beslissingen. Deze kennis is alleen binnen de organisatie aanwezig. Wie die interne data doelgericht vastlegt, zorgvuldig beheert en koppelt aan scherpe businessvragen, bouwt een informatiepositie op die een concurrent niet kan kopiëren."
De Vos tot slot: "Zonder data vaar je blind, maar wie blindelings data volgt, gaat ook fout. Het gaat er niet om zo veel mogelijk data te verzamelen. Het gaat erom betere vragen te stellen, de juiste data te selecteren, context toe te voegen en vervolgens betere beslissingen te nemen. De controller van morgen kijkt niet alleen in de achteruitkijkspiegel. Hij wordt de radar van de onderneming."
