How to: beslissingsgestuurde data-analyse doeltreffend gebruiken


In de praktijk zorgen data-analisten eerst voor de nodige data en gaan bedrijven nadien op zoek naar een manier om waarde te halen uit die gegevens. Dat betekent niet noodzakelijk dat die data dan de juiste vragen beantwoord. Het is daarnaast ook geen bescherming tegen de invloed van bestaande overtuigingen. De oplossing is echter eenvoudig, schrijven De Langhe en Puntoni: in plaats van een doel te zoeken voor de data, vind je data voor een doel. Die aanpak noemen we beslissingsgestuurde data-analyse.

Beantwoorden van de verkeerde vraag 

Bij datagedreven besluitvorming ligt de focus te vaak op de beschikbare gegevens. De potentiële vraagstukken beperken zich daardoor tot de gegevens die voor handen zijn, waardoor leidinggevenden niet verder denken en mogelijk belangrijke vragen uit het oog verliezen. Een goede beslissingsgestuurde data-analyse gaat uit van een beslissing die genomen wordt en de gegevens die nodig zijn om die beslissing te maken. Als voorbeeld zijn de onderzoekers gaan kijken bij RollingBoulder, een Amerikaans mediabedrijf dat met jaarlijkse abonnementen werkt. Het bedrijf heeft in de loop der jaren een rijke dataset verzameld over hun publiek,. Zo hebben ze een geavanceerd algoritme kunnen ontwikkelen dat kan voorspellen welke actieve gebruikers hun abonnement hoogstwaarschijnlijk gaan opzeggen. Die klanten krijgen dan een cadeau toegestuurd om hun lidmaatschap te verankeren. Het bedrijf heeft echter geen antwoord op de vraag welk effect dat cadeau heeft. Hoe groot is de kans dat die klant ook effectief blijft? Dat vereist verdere gegevensverzamelingen en –analyse. 

Versterken van bestaande overtuigingen 

Het bedrijfsmodel van Twitter is een goed voorbeeld. Het social media bedrijf heeft een driestappenproces waarbij ze het aankoopgedrag van klanten die content van een bepaald merk hebben gezien, vergelijken met klanten die de content niet hebben gezien. Dat model toont grote verschillen tussen de twee groepen. Mensen die het merk gezien hebben, komen vaker in de winkels en geven bij elk bezoek meer uit. Maar geeft dat wel een correct beeld? De gegevens suggereren namelijk dat sociale media een grote impact hebben op de verkoop. Dat is ook in overeenstemming met de overtuiging van klanten: sociale media werken en de effectiviteit ervan kan makkelijk gemeten worden. 

Dat is echter niet helemaal correct. Klanten die al loyaal zijn aan een merk, gaan sowieso al meer online informatie opnemen van het merk. Daardoor hebben zij dus veel meer kans om die content op Twitter te zien. Zij consumeren niet omdat ze het merk in hun Twitter feed zagen, maar omdat ze al fan waren. Daarom volgen ze het merk ook op sociale media. Niet andersom. Het is zoals appels met peren vergelijken, schrijven De Langhe en Puntoni. De onderzoekers stellen dus stellen dat de aanpak van Twitter de impact van reclame op de verkoop drastisch overdrijft. Datagedreven besluitvorming maakt dataleveranciers en datawetenschappers dan ook mondig en sterk. Het risico bestaat echter dat besluitvormers kiezen voor data die in overeenstemming is met hun bestaande overtuiging, zonder verdere vragen te stellen. 

Overgang naar beslissingsgestuurde data-analyse 

Een bedrijf moet dus eerst belangrijke beslissingen en beslissingsnemers identificeren. Daarna moeten ze gegevens vinden voor een doel in plaats van een doel te vinden voor de gegevens in kwestie, menen de onderzoekers. 

“Als we de beslissingsgestuurde aanpak bespreken met leidinggevenden, waarschuwen ze dat beleidsmakers die gegevens gebruiken om een reeds genomen beslissing te ondersteunen, waardoor we te maken krijgen met bevestigingsvooroordelen”, schrijven de onderzoekers in MIT Sloan Management Review. “Maar dat is geen beslissingsgestuurde data-analyse. Dat is voorkeursgedreven data-analyse, en het is misschien wel de slechtste manier om beslissingen te nemen.” Helaas is het wel een fenomeen dat de onderzoekers vaak zien terugkeren. Het is dus belangrijk om te weten dat ze niet gelijk zijn aan elkaar. 

Hoe dan wel? 

Indien leidinggevenden hun beleid willen verschuiven naar beslissingsgestuurde data-analyse zonder in de valkuilen van het voorkeursbeleid te trappen, zijn er drie belangrijke stappen. Ten eerste is het de verantwoordelijkheid van besluitvormers om een beperkt aantal alternatieve handelswijzen in overweging te nemen.  Ten tweede moeten ze samen met de datawetenschappers gegevens identificeren die nodig zijn om te bepalen welke handelswijze de beste is. Als laatste stap kiezen ze de beste handelswijze. 

Stap 1: Wat zijn de alternatieve handelswijzen? 

Denk “wide then narrow”, eerst iets breed bekijken en dan inzoomen dus. Veel beslissingen worden op automatische piloot genomen, zonder verschillende pistes te bekijken. Dat kan de kwaliteit van de besluitvorming schaden. Bij RollingBoulder bijvoorbeeld, willen ze het klantenbestand zo hoog mogelijk houden, maar een cadeautje sturen naar degenen die misschien gaan afvallen, is slechts één van de mogelijke opties. Ze kunnen zich ook focussen op de kwaliteit van hun redactioneel werk of investeringen doen om nieuwe klanten aan te trekken. 

Denk Wide, zo schrijven de onderzoekers. Te veel opties kunnen het probleem echter hardnekkig maken. Narrow betekent dat besluitvormers volgens beslissen welke opties de beste zijn, en wat er dus moet gebeuren. 

Door die techniek toe te passen zal de uiteindelijke handelswijze niet alleen doordacht maar ook haalbaar en kwalitatief hoogstaand zijn, aldus De Langhe en Puntoni. 

Stap 2: Welke gegevens hebben we nodig om alternatieve handelswijzen te rangschikken? 

Om de alternatieve handelswijzen te rangschikken, moeten de besluitvormers en datawetenschappers criteria ontwikkelen. Het doel van data-analyse is om onbekenden om te zetten in kennis, zodat alternatieve handelswijzen objectiever kunnen gerangschikt worden. 

“We nemen een beslissing vanuit onbekenden. Het grote voordeel; het is onmiddellijk duidelijk dat er grenzen zijn aan wat we kunnen weten, en we kunnen onbekenden op verschillende manieren aanpakken”, schrijven De Langhe en Puntoni. 

Het is namelijk niet de bedoeling om zoveel mogelijk data te verzamelen, wel om de waarde van die data in overweging te nemen. Als je dezelfde beslissing zou maken voordat je een onbekende een bekende maakt, dan heeft het geen zin om aan dataverzameling en –analyse te doen. Data die we verzamelen om een beslissing te maken, hebben dan ook meer waarde dan de gegevens die al beschikbaar zijn. 

Stap 3: Wat is de beste handelswijze? 

De laatste stap is meteen ook de makkelijkste. De beste handelswijze is duidelijk indien de vorige twee stappen goed zijn uitgevoerd. 

Uit het voorbeeld van Rollingboulder bleek dat de klanten die misschien hun abonnement zouden opzeggen, na de beloning iets minder geneigd waren om dat te doen. Maar de klanten die het meest geneigd waren om op te zeggen, waren dat nog steeds na de beloning. Het bedrijf richtte zich dus op de verkeerde klanten. Net zoal veel andere bedrijven die blindelings de ‘best practices’ gebruiken om klantenbinding na te streven. 

Pablo Picasso zei ooit: "Computers zijn nutteloos. Ze kunnen je alleen maar antwoorden geven." Beslissingsgestuurde data-analyse benadrukt hoe belangrijk het is om vragen te stellen. Het beoordelingsvermogen van het management en de raad van bestuur is van groot belang. De aandacht moet gevestigd worden op het onbekende en de waarde van aanvullende gegevensverzameling en –analyse. “De overtuigingen van leidinggevenden moet uitgedaagd worden, in de plaats van ze enkel te versterken”, menen De Langhe en Puntoni.

Auteur: Lauren Sadones

Comments
* De e-mail zal niet worden gepubliceerd op de website.