Hoe kun je de juiste conclusies trekken op basis van het verleden? Andreas Mikkers, de data & analytics specialist van PwC gebruikt hiervoor een model dat heet predictive analytics.
Voordat Mikkers uitlegt wat predictive analytics is, plaatst hij eerst een opmerking: “Ik begin altijd graag te zeggen dat ik me het liefst uitdruk in simpele termen. Ik ben een groot voorstander van jip-en-janneketaal. Bepaalde problemen die je ziet, maak je in essentie simpel.”
Collegereeks Data Driven Finance
Met alle nieuwe technologieën en methoden is het als financial belangrijk om het overzicht te bewaren en verbanden te leggen. Tijdens deze collegereeks kijken we hoe u data optimaal kunt gebruiken om de organisatie te laten groeien.
Na het volgen van de collegereeks
– Weet u hoe u data slim kunt gebruiken;
– Haalt u meer uit uw mensen en organisatie;
– Transformeert u naar een data gedreven organisatie.
Analyseren en voorspellen
Mikkers maakte jaren geleden onderdeel uit van het bestuur van PwC. Toen hij daarmee stopte, werd hij gevraagd uit te zoeken wat de organisatie kon doen met data-analyse en de her en der al gestarte initiatieven bij elkaar te brengen. “Ik heb toen het Data Experience Lab opgericht. Daar onderzochten wij welke mogelijkheden verscholen zitten in data. Een vorm daarvan is predictive analytics.” Om uit te leggen wat het is, gebruikt Mikkers een voorbeeld. “Als je vroeger, tegenwoordig is het wat gecompliceerder, met de auto naar de garage ging om de gloeilamp in je rechter koplamp te vervangen omdat dat lampje stuk was, gaf een goede garagehouder het advies ook het lampje in de linker koplamp te vervangen. De linker lamp had namelijk net zo lang gebrand en onder dezelfde omstandigheden. De verwachting was dat ook die snel kapot zou gaan. Dat is in essentie predictive analytics. Door te kijken naar actuele en historische gegevens kun je voorspellingen maken wat er in de toekomst kan gebeuren.”
Naast voorspellingen maken, helpt predictive analytics ook bij risico’s identificeren, nieuwe kansen ontdekken en beslissingen nemen. Een aantal technieken worden daarvoor gebruikt: data mining, machine learning, predictive modelling en kunstmatige intelligentie.
Anders naar data kijken
De data-experts van PwC hebben het model van predictive analytics toegepast bij een retailconcern dat duurzame consumentenproducten verkoopt. “Wij hebben daar een zogenoemde cross selling-analyse gedaan. Om te kijken of er paralellen waren. Als product a wordt verkocht, wordt dan product b ook gekocht? In sommige filialen van dat concern was er een hoge correlatie en in andere filialen helemaal niet. Een collega kreeg het idee eens in de winkel te kijken wat de fysieke afstand was tussen de producten. In het ene filiaal, waar een correlatie in meer dan de helft van de gevallen aanwezig was, lagen de producten naast elkaar. In het andere filiaal, waar een veel lagere correlatie bestond, lagen die complementaire aanvullende producten een gangpad verder. Ze hebben vervolgens in het tweede filiaal de producten naast elkaar gelegd en de cross selling explodeerde. Het was een heel simpele oplossing, maar je hebt iemand nodig die het ziet. Door op een andere manier naar je data te kijken, kun je daar toegevoegde waarde uithalen. Daarnaast is er lef voor nodig, met je poten in de modder durven te staan en fysiek zo’n winkel inlopen en gewoon eens te kijken.”
Analyse op papier en praktijk
Predictive analytics is een combinatie van data analyseren op papier, maar ook de situatie in de praktijk onder ogen zien. Mikkers: “Je moet methodisch een goede onderbouwing hebben, maar je moet ook begrijpen wat je doet en er de specialisten voor hebben. Ik kan de beste verf, de beste schildersezel en de beste kwasten hebben, maar dat betekent nog niet dat ik een schilderij kan maken. Met heel eenvoudige technieken, talenten, inzichten en durf kun je iets prachtigs neerzetten. We hebben allemaal vast wel eens een afbeelding gezien van de achterkant van een door sneeuw en pekel besmeurde auto. Iemand heeft daar met zijn of haar vingers een prachtige tekening in gemaakt.”
“Veel ondernemingen denken dat ze moeten investeren in data-analisten, tooling en dure apparatuur. Dat klopt en dat heb je uiteindelijk nodig. Net zo goed dat, als je een prachtig schilderij wilt maken, je goede verf en kwasten nodig hebt. Alleen begint het ermee dat je het talent en een idee hebt wat je wilt gaan maken en daar vervolgens voor durft te gaan.”
"Ik kan de beste verf, de beste schildersezel en de beste kwasten hebben, maar dat betekent nog niet dat ik een schilderij kan maken."
Hulp van data-analyse
De financial die zich binnen een organisatie alleen bezighoudt met het registreren van financiële activiteiten. Wat kan die met predictive analytics? Mikkers: “Een financial kan met behulp van data-analyse naar zijn verkopen kijken. Per afnemer of in een bepaald segment. Het kan je dan bijvoorbeeld opvallen dat betaaltermijnen van een afnemer opeens oplopen en dat er een steeds grotere vraag naar kortingen komt. Dat kan een signaal zijn dat iemand dreigt in liquiditeitsproblemen te komen. Een ander voorbeeld: Ik lever een bepaald product of een bepaalde dienst in een bepaalde sector. Van de vijf klanten melden vier klanten zich met betalingsproblemen omdat het slecht gaat in de sector. Dan durf ik wel te voorspellen dat nummer vijf ook in diezelfde problemen komt. Kijk naar de reisbranche afgelopen jaar. Een aantal touroperators kwam in de problemen en je kon wel voorspellen dat ze daar allemaal mee te maken kregen. Maar ook andere spelers in de hele keten van waardecreatie zullen de gevolgen vroeger of later gaan merken. Je hoeft geen rocket science gestudeerd te hebben om dit
te begrijpen.”
“Ik heb ooit met een beleidsbepaler bij een grote internationale bank gesproken. Die bank had een zakenbank en een bank voor particulieren. In beide takken werden fantastische analyses uitgevoerd. Heel goed en waardevol. Maar wat men niet deed, was over elkaars’ schutting kijken. Een directeur-grootaandeelhouder die privé (afdeling consumenten) krapper komt te zitten, wat kan blijken uit afnemend spaar- of beleggingstegoed of toenemende kredietbehoefte, kan daarmee een indicatie afgeven dat het bij de onderneming (afdeling zakenbank) ook wat minder gaat. Door alleen binnen de eigen competentie te kijken, zal de zakenbank hier pas veel later achter komen.”
Mix van competenties
Het is volgens Mikkers een misvatting te denken dat een organisatie alleen data scientists nodig heeft om predictive analytics toe te passen. “Niets is minder waar. Juist een mix van competenties is effectief gebleken. Mensen die verstand hebben van cijfers en data-analyse, maar ook specialisten die verstand hebben van menselijk gedrag. Een van mijn teamleden in het Data Experience Lab was gepromoveerd in biologie. Een ander iemand had de toneelacademie gedaan. Wat moeten deze mensen bij een onderzoeksbureau? Deze bioloog was gepromoveerd op hoe mieren samenwerken om een mierenhoop te maken. Wij staan er natuurlijk helemaal niet bij stil hoe dat werkt. Maar hoe die individuele mieren samenwerken in het geheel is iets waar menselijke organisaties best wat van kunnen leren. Een gedragswetenschapper weet misschien niets van cijfers en data-analyse, maar snapt wel het gedrag van mensen en vraagt zich af waarom we dingen doen. En iemand met een artistieke achtergrond, zoals de toneelacademie, weet als geen ander woorden in beelden uit te drukken.”
“Wat volgens mij dus het beste werkt, is als je een team samenstelt met verschillende competenties. Daarin moet een sfeer of cultuur heersen waarbij je zegt dat je geen fouten maakt, maar dat het leermomenten zijn. Je leert van elke stap die je maakt en krijgt de ruimte om te experimenteren. Op deze manier kun je nieuwe kansen ontdekken voor de organisatie.”
Mislukkingen incalculeren
Mikkers is er een groot voorstander van dat leidinggevenden hun medewerkers ruimte geven om te experimenteren en zo kansen te ontdekken die er liggen in de organisatie. Het is daarbij inherent dat het op niets uitloopt. “In het Data Expericence Lab kregen de medewerkers de mogelijkheid investeringsvoorstellen te doen. Van alle tien voorstellen, weet ik dat er zeven mislukken. Twee worden een redelijk succes en één wordt een pareltje. Ik weet alleen van tevoren niet welke een succes of een pareltje wordt. Ik moet dus incalculeren dat ik ook zeven mislukkingen accepteer. Als je dit accepteert, dan dúrven je medewerkers en verrassen ze je met de uitkomsten. In de praktijk blijkt dat er dan veel meer succesvol zijn. Je creëert geen sfeer en cultuur waarin mensen durven als je ze afrekent op elke fout en geen mislukkingen accepteert.”
Lef hebben
Mikkers besluit zijn verhaal door nogmaals te stellen dat het belangrijk is om lef te hebben. “Lef hebben om afstand te nemen en te kijken wat je nou eigenlijk doet als organisatie. Welke ontwikkelingen zijn er in de markt? Wat kan ik voorspellen wat zich gaat voordoen en kan ik daar op inspelen? Heel veel informatie over ontwikkelingen heb je al in huis. Je moet alleen leren er dieper naar te kijken.”
