Denk jij ook dat je weloverwogen beslissingen neemt? Helaas is dat een illusie. Uit de psychologie blijkt dat we vaak vooringenomen zijn en ons laten leiden door allerlei vooroordelen. Zo houdt ons brein ons voor de gek. Ook in organisaties creëren we onze eigen werkelijkheid en is de kans groot dat we onze besluitvorming baseren op verkeerde aannames. Met data driven decision making voorkom je dit. Hoe werkt dat in de praktijk?
Data versus vooroordelen
De kern van data driven decision making is dat je beslissingen neemt op basis van data. Je gaat niet af op je ervaringen, het advies van anderen of je intuïtie (het welbekende ‘onderbuikgevoel’). In plaats daarvan baseer je je besluitvorming op het onderzoeken van historische data of op direct (real-time) beschikbare gegevens in bijv. een dashboard. Daarmee kun je je aannames of gevoel ontkrachten of juist bevestigen. Denk aan het analyseren van data om hypotheses te testen of verbanden te leggen. Of aan een machine die in real-time informatie geeft over z’n staat van onderhoud. Aan een manager die aan de hand van actuele verkoopgegevens zijn sales aanstuurt. Of zelfs aan een magazijn waarin goederen automatisch op de meest optimale manier worden neergelegd, volledig datagestuurd.
Maar wat gaat er nu eigenlijk precies mis met het nemen van beslissingen zonder data?
Beschikbaarheidsheuristiek
Binnen organisaties hebben we te maken met twee fenomenen die onze keuzes beïnvloeden: beschikbaarheidsheuristiek en framing. Ze kunnen tegen je werken bij het nemen van belangrijke beslissingen. Laten we naar het eerstgenoemde fenomeen kijken. Het is logisch dat je er alles aan doet om een veelbesproken incident op te lossen. Want als je ergens veel aan denkt of mee bezig bent, ga je er automatisch vanuit dat dit ook belangrijk is. Maar komt het probleem echt zo vaak voor? En is het echt zo erg? Soms helemaal niet. Dit fenomeen staat bekend als beschikbaarheidsheuristiek. Het kan er bijvoorbeeld toe leiden dat je organisatie enorm veel aandacht (en geld) spendeert aan onderwerpen zonder strategische of commerciële waarde, die dus uiteindelijk weinig tot geen toegevoegde waarde hebben.
Schiphol als voorbeeld
Een mooi voorbeeld van de invloed van beschikbaarheidsheuristiek kwam voor bij Schiphol. De luchthaven is voortdurend bezig om de efficiëntie te verbeteren. In eerste instantie ging Schiphol ervan uit dat de snelheid van het off- en on-board-proces de tevredenheid van passagiers bepaalt. Dit bleek echter niet altijd op te gaan. Schiphol besloot de zaak te onderzoeken. Wat bleek: snelheid was op zich niet de grootste factor, maar reizigers houden vooral niet van wachten. Dus besloot Schiphol de looppaden beter af te stemmen op de duur van de processen. Bij een langere bagageafhandeling werden bijvoorbeeld de looppaden langer gemaakt, waardoor passagiers minder tijd in een wachtrij stonden. Zo steeg de tevredenheid van de passagiers zonder dat het proces daadwerkelijk sneller verliep.
Framing
Een tweede fenomeen dat de besluitvorming in organisaties beïnvloedt is framing. Veel beslissingen komen tot stand tijdens teamvergaderingen. De manier waarop er binnen zo’n overleg over bepaalde zaken wordt gesproken, speelt een belangrijke rol bij de keuzes die dat team maakt. Een salesmanager schetst bijvoorbeeld een positiever beeld van zijn afdeling om toch zijn bonus te behalen of moeilijke gesprekken uit de weg te gaan. Of hij laat zich negatief uit over een directe collega, zodat zijn afdeling er beter uitziet. Dit soort verhalen stuurt de gedachten van het managementteam in een bepaalde richting. Dat heet framing. Het kan ervoor zorgen dat de aandacht naar de verkeerde afdelingen gaat bij het nemen van beslissingen.
Moneyball als voorbeeld
Een bekend voorbeeld van framing is terug te vinden in de film Moneyball. Het waargebeurde verhaal vertelt over een honkbalteam dat met behulp van data bijna kampioen wordt. In de film zit een groep mannen bij elkaar om te bedenken hoe ze hun drie beste spelers kunnen vervangen. Het team is op zijn best middelmatig en wordt ieder jaar ‘beroofd’ van zijn beste spelers. Al jarenlang wordt dit probleem door het management ‘geframed’ als een personeel probleem: we hebben nieuwe topspelers nodig. Tot er een gesprek ontstaat waarin een van de teamleden voorstelt om anders tegen het probleem aan te kijken: in plaats van het zoeken naar vervanging voor de drie spelers wil hij als team op zoek gaan naar een mogelijkheid om kampioen te worden.Tot dat moment keek het team ieder jaar naar het probleem als een personele uitdaging, in plaats van de uitdaging hoe je als middelmatig team toch kampioen kan worden. Dit is framing binnen een organisatie: hoe je aankijkt tegen een probleem beïnvloedt de wijze waarop je zoekt naar een oplossing.
Naar data driven decision making in drie stappen
Hoe helpt data je organisatie nu om de effecten van beschikbaarheidsheuristiek en framing tegen te gaan? Hoe neem je wel de juiste beslissingen en los je de juiste problemen op?
Dat doe je in drie stappen:
Stap 1. Zorg voor awareness binnen je organisatie
Maak allereerst alle medewerkers attent op het feit dat hun besluitvorming onbewust wordt beïnvloed. Leer ze daarna om data te gebruiken om hun vooringenomenheid tegen te gaan. Door het datavaardig maken van je medewerkers zet je ze aan om hun aannames te controleren. Ze krijgen ook nieuwe inzichten doordat ze in staat zijn om de betekenis achter de data te doorgronden.
Stap 2. Beheers je processen met KPI’s
Gaan je medewerkers met data aan de slag, dan moeten ze wel allemaal dezelfde taal spreken. KPI’s (Key Performance Indicators) zijn daarbij een krachtig middel. Een KPI is een meetbare variabele die aangeeft hoe bepaalde processen binnen een organisatie verlopen, gekoppeld aan een bepaald doel. Dat kunnen bijvoorbeeld de wachttijden van een telefonische hulplijn, het aantal verkopen van een salesafdeling of de levertijden van leveranciers zijn.
KPI’s zijn afgeleid van de strategische bedrijfsdoelen en helpen om de ontwikkeling van deze doelen te volgen. Ze zorgen dat iedere medewerker volgens dezelfde definities werkt en begrippen op dezelfde manier interpreteert. Door de indicatoren beschikbaar te maken voor alle lagen in je organisatie, geef je medewerkers bovendien inzicht in hun bijdrage aan het behalen van de organisatiedoelstellingen. Dit doe je met behulp van dashboards. KPI’s helpen bedrijfsprocessen inzichtelijk te maken en de prestaties van je organisatie te verbeteren. Meer weten over KPI’s en wat erbij komt kijken? Daar is dit een mooi artikel over.
Stap 3. Los problemen op met data science
Met deze eerste twee stappen ben je al behoorlijk ver in het ‘data driven’ maken van je besluitvorming. Data science is de volgende stap. Daarmee haalt je organisatie het maximale uit haar data en laat ze geen kansen liggen. Data science zoekt binnen data naar verbanden. Blijven de resultaten uit of wijken de KPI’s te veel af? Of zijn er onvoorziene gebeurtenissen? Data science ondersteunt je bij de zoektocht naar de oorzaken én de oplossing van deze problemen. Het helpt je complexe vraagstukken te tackelen en de bedrijfsstrategie te herijken.
Met data science is het ook mogelijk problemen te ontdekken voordat ze schade aanrichten. Denk aan het voorspellen van de uitval van een onderdeel van een productiemachine. Of aan het voorspellen van uitvallen van servers voorspellen op basis van sensorische data. Dit zou zonder deze gegevens moeilijk opgemerkt kunnen worden. Daarnaast kun je met data science nieuwe kansen ontdekken. In het eerdergenoemde voorbeeld van Schiphol werd bijvoorbeeld gebruikgemaakt van data science.
Nog een stap verder gaat de inzet van machine learning en artificial intelligence (AI). Met deze technologieën kun je beslissingen volledig aan de computer overlaten. Een voorbeeld is het automatisch gestuurde warehousingproces dat ik aan het begin van dit artikel noemde. Een ander mooi voorbeeld hiervan zijn de griepvoorspellingen van Google: zij weten door analyse van zoekresultaten eerder dan de overheid dat er sprake is van een griepepidemie. Niet alle processen zijn hier echter geschikt voor, dat is een afweging die je altijd moet maken. Binnen de zorg en de rechtspraak bijvoorbeeld, zal de mens altijd een onmisbare schakel blijven, omdat hier ethische afwegingen gemaakt moeten worden. Dit is (voorlopig) nog niet over te laten aan algoritmes op basis van data.
Hoe goed onderbouwd zijn de beslissingen die in jouw organisatie worden genomen? En waar liggen voor jou de kansen van data driven decision making?