Analytics: leer het monster beheersen

Analytics

Analytics en gerelateerde termen zoals big data, data science, Internet of Things en dergelijke zijn enorm populair. Volgens Google Trends nog populairder dan de term duurzaamheid. Hierdoor wordt Analytics als buzzword te pas en onpas ingezet, terwijl de kern van Analytics vaak niet voldoende wordt herkend. Wat is die kern en wat kunnen supply chain professionals daarmee?

Door Ronald Buijsse

Analytics is het zoeken, toetsen en toepassen van verbanden* in datasets om te komen tot betere beslissingen. Bij het zoeken naar verbanden kan worden uitgegaan van hypotheses. Maar volkomen onbevangen in een dataset zoeken kan ook. Bij het toetsen van verbanden staat de betrouwbaarheid van gewoontes, vuistregels, best practices, protocollen en modellen voorop. Zijn die nog wel geldig, wat zijn de resultaten, zijn er geen betere versies? Bij het toepassen van gevonden verbanden staat selectie, prioritering en modellering voor het eigen bedrijf voorop: welke verbanden zijn echt relevant, gegeven de eigen doelstellingen? Welke zijn wanneer hoofdzaak, wanneer bijzaak? Kunnen ze worden verwerkt in een praktisch werkend model?

Datasets kunnen interne en/of externe datasets zijn. Ze kunnen bestaan uit cijfers, maar ook uit beeld (foto/video), tekst en geluid. Datasets kunnen gestructureerd en ongestructureerd zijn. Het kan gaan om historische en realtime, streaming data. Voor het vinden en toepassen van verbanden worden bedrijfskundige en wiskundige modellen en algoritmes (recepten) gebruikt. Zo kunnen klanten meer dynamisch en op maat worden bediend dan bij het gebruik van generieke vuistregels. Succesvolle toepassingen van Analytics in de supply chain zijn Advanced Planning & Scheduling (APS), Sales & Operations Planning (S&OP, met daarbinnen System of Differentiation, SOD), Inventory Optimization, Netwerk Planning, Dynamic en Inventory Routing. Aan de supply chain gerelateerde toepassingen zijn Dynamic Pricing en Demand Sensing.

Eigen ervaring

De grootste showstoppers voor het toepassen van Analytics zijn: eigen ervaring en groepsdenken. Wie durft toe te geven dat de eigen inzichten niet de beste zijn? Dat Analytics tot betere keuzes komt? Wie durft in te gaan tegen wat de groep al jaren als best practices hanteert? Dat is het einde van je carrière. Dus waarom zou je Analytics in huis halen?

Als datasets geen goede afspiegeling geven van de werkelijkheid, dan is het wellicht beter om voorlopig door te gaan met bewezen best practices. Maar datasets zijn enorm veel beter geworden. Of veel beter te maken. Met bijvoorbeeld Internet of Things-toepassingen. Open data groeien elke dag als kool, dus niet alles hoeft in huis te gebeuren. Het doorrekenen gaat met de seconde sneller. Eigen ervaring is vaak niet voldoende. Goed geïnformeerd zijn, is veel belangrijker. Waarom niet een goede sanity check met Analytics? Zie Analytics als een monster: het kan je enorm helpen en het kan je volledig misleiden. Maar de beste aanpak is: leer het monster te beheersen.

Wat nu?

Door de populariteit is de verleiding groot om veel projecten een Analytics-label te geven. Vaak zijn dit zogenaamde pretprojecten: projecten die nieuwe en bestaande medewerkers een goed gevoel moeten geven, maar het bedrijf in de kern niet helpen. Zoals de omzet in de kantine analyseren met de vraag: is er verband tussen omzet en de verkoop van kroketten? Of zonder vraagstelling de grote berg met facturen laten doorspitten door jonge high potentials.

Beter is het om Analytics in te zetten op pijn- en poenprojecten. Pijnprojecten zijn projecten waarbij de noodzaak groot is: als er niets wordt gedaan, dan loopt het bedrijf grote, wellicht blijvende schade op. Poenprojecten zijn projecten die alleen doorgaan bij een bewezen positieve return on investment (ROI). Analytics kan hierbij helpen om sneller en beter oorzaken en oplossingen te achterhalen, door het achterhalen van verbanden. Zoals: wat zijn waar en wanneer de belangrijkste redenen voor te late leveringen? Per regio, per depot, per dag van de week, per route.

Voortdurend zoeken

Verbanden vinden, toetsen en toepassen, is geen eenmalige activiteit. Het is een kwestie van goed wakker blijven, niet terugvallen op blinde routine, maar voortdurend op scherp staan. En vooral de kansen grijpen door meer (externe) informatie eerder en beter modelmatig te analyseren. En laat de vele buzzwords in de wereld van Analytics, zoals data mining, proces mining, artificial intelligence, machine learning en deep learning u niet overdonderen. Stel steeds de vraag: wat draagt dit bij aan het ontdekken, toetsen en toepassen van verbanden voor het nemen van betere beslissingen? Zo simpel kan het zijn. Kortom: Gij zult met Analytics voortdurend zoeken naar de meest relevante verbanden.

* Het woord verband kan soms vervangen worden door inzichten. Het woord verband geeft echter beter aan dat het vooral gaat om causale verbanden.