De coo weet waar data de meeste impact heeft
Overal zijn bedrijven bezig met het versneld digitaliseren van hun business. Slimme technologie en data helpen betere beslissingen te nemen en bedrijfsprocessen te versnellen. Toch verloopt de digitale transformatie binnen bedrijven met wisselend succes: van een deel van de projecten wordt na een proof of concept niets meer vernomen.
Vooral focus en een pragmatische aanpak vergroten de slagingskans, zo blijkt uit de praktijk. Betrokkenheid van de chief operations officer (coo) is bovendien een niet te negeren succesfactor. De coo weet als geen ander in welke kernprocessen digitalisering en het gebruik van data werkelijk het verschil kunnen maken. Focus op deze kernprocessen helpt om het businessprobleem beter te begrijpen, zodat sneller duidelijk is welke technologie en data zich lenen voor het oplossen ervan – zonder de rol van de medewerkers die ermee moeten werken uit het oog te verliezen.
Terug naar de kern
Focus op kernprocessen is belangrijk, want bij de digitale transformatie van de organisatie ligt afleiding op de loer. Hoe innovatief de technologische mogelijkheden ook zijn, ze leveren niet altijd het gewenste effect. Aan de coo de taak om dergelijke innovatieve experimenten terug te brengen naar de kern: de verwachte impact ervan op de onderneming. Neem de toenemende aandacht voor predictive maintenance van productielijnen, ofwel het voorspellen van noodzakelijk onderhoud aan de hand van data: een toepassing die zijn waarde al in diverse bedrijven heeft bewezen, maar om grote investeringen vraagt. Wie zich niet laat tegenhouden door de kosten, concludeert in de praktijk soms toch dat de resultaten van predictive maintenance tegenvallen. Dat komt onder andere omdat uitval in de meest cruciale onderdelen van de productielijn vaak relatief beperkt is – juist omdat iedereen zich bewust is van het belang ervan. Onderhoud wordt goed ingepland en de operator haalt regelmatig een spreekwoordelijk doekje over de machines. Het gevolg: er zijn te weinig storingsdata beschikbaar voor het algoritme om noodzakelijk onderhoud goed te voorspellen.
Met het plaatsen van een simpele sensor die trillingen meet, of met een highspeed camera die productiekwaliteit vastlegt, is mogelijk meer te bereiken. Bij een grote producent gebruikt Viqtor Davis data van onder andere camera’s om verbanden te vinden tussen productieomstandigheden en de variaties in de productkwaliteit. Dat levert waardevolle informatie op, zeker in combinatie met andere databronnen. Zo kon de hoeveelheid productiefouten gerelateerd worden aan verschillende factoren zoals de uptime van de machines en de omgevingstemperatuur op de productielocatie.
Ondersteunen bij beslissingen
De mogelijkheden van data zijn talrijk, daarom is het belangrijk prioriteiten te stellen. Bepaal op basis van de kernprocessen en het doel dat je wilt bereiken welke data nodig zijn, en op welk detailniveau je inzicht wilt hebben. Neem klantsegmentatie: waarom 30 verschillende klantsegmenten definiëren als je maar drie verschillende customer journeys kunt bieden aan klanten?
We zien dat digitalisering en het gebruik van data vooral veel waarde kunnen toevoegen bij het maken van complexe beslissingen en vergelijkingen. De mens is immers maar beperkt in staat data te combineren. Technologie kan daar veel verder in gaan.
Een grote winkelketen wist zo de prestaties van winkels veel beter met elkaar te vergelijken. Naast de standaarddimensies als winkeloppervlakte en winkeltype bracht de coo van deze keten data over onder andere klantdemografie, concurrentiedichtheid en assortiment in kaart. Het beter vergelijken van winkels biedt de winkelketen nieuwe inzichten in bijvoorbeeld het potentieel van specifieke filialen. Sommige filialen bleken al op de toppen van hun kunnen te presteren, andere filialen kregen relatief weinig aandacht omdat ze hun target kpi’s keer op keer wisten te behalen. De data lieten zien dat de potentie van deze filialen echter veel groter was dan gedacht.
Effectiever maken van de mens
Het is belangrijk dat digitale transformatie gericht is op het effectiever maken van de mens en niet op het toepassen van nieuwe digitale technologie. Dat kan door processen volledig te automatiseren, of te ondersteunen aan de hand van data en artificial intelligence-methoden. Het volledig automatiseren van basisprocessen, door bijvoorbeeld toepassing van robotic process automation (rpa), heeft een aantal belangrijke voordelen. Vooral repeterende taken kunnen goedkoper, sneller en kwalitatief beter. Medewerkers kunnen zich daardoor richten op activiteiten die meer waarde toevoegen. Dat komt ten goede aan het bedrijf, maar verhoogt ook de medewerkerstevredenheid.
Ook voor meer complexe processen is de inzet van data en technologie de manier om mensen effectiever te maken. Dit betekent niet meteen dat er hoogstaande kunstmatige intelligentie toegepast moet worden of complexe machine learning-methodes. Vaak levert het samenbrengen en visualiseren van de benodigde informatie om een beslissing te nemen al een enorme winst op. Hoe vaak gebeurt het niet dat medewerkers vier verschillende systemen met zeven verschillende databronnen moeten raadplegen om een beslissing te nemen? In onze ervaring een stuk vaker dan wenselijk is.
Mens en machine
Wat rpa voor simpele processen kan betekenen, dat kunnen artificial intelligence (ai) en machine learning (ml) voor complexe processen betekenen. Door middel van ai & ml kunnen complexe processen goedkoper, sneller en beter. Al dan niet in samenwerking met de mens. Zo hebben wij een financiële dienstverlener operationeel geholpen om de beoordeling van kredietaanvragen verder te automatiseren en te verbeteren met behulp van ml. Inmiddels wordt 90 procent automatisch beoordeeld – goedgekeurd of afgewezen – door het model. De 10 procent waar het model geen uitsluitsel over kan geven, wordt voorgelegd aan de experts. Naast hun expertise kunnen deze medewerkers ook andere, voor het model onzichtbare, variabelen meenemen zoals het vertrouwen in de relatie. Door de samenwerking van mens en machine worden er betere beslissingen genomen met een kortere doorlooptijd én loopt de financiële dienstverlener minder risico.
Vertrouwen opbouwen
Een belangrijke uitdaging bij het toepassen van ai & ml is het opbouwen van vertrouwen in en transparantie van het model. Nog vaak zien we dat acceptatie van ai & ml lastig is, omdat het een black box is: de input en output zijn zichtbaar, maar de interne werking van het systeem is onbekend. Om deze black box-modellen inzichtelijk te maken hebben wij een methode ontwikkeld die laat zien op basis van welke overwegingen en combinaties van data de computermodellen een beslissing nemen. Ook identificeert deze toepassing eventuele oneigenlijke voorkeuren in de modellen – model bias – en laat zien waar verbeteringen nodig zijn.
Het is cruciaal dat mens en machine echt kunnen samenwerken en op elkaar kunnen vertrouwen. Het identificeren waar in de processen de technologie het volledig kan overnemen en waar de combinatie mens en machine het meest effectief is en op welke manier: dat is de handschoen die de coo moet oppakken.
Dit essay is gepubliceerd in Management Scope 05 2021.