Data Gedreven Werken - Hoe zet je het in beweging?

Binnen steeds meer woningcorporaties wordt hardop nagedacht over wat je allemaal zou kunnen doen met data en slimme technologie. De ideeën zijn al snel niet meer te tellen. We zien veel initiatieven om data te gebruiken, bijvoorbeeld om leegstand te voorspellen of om een Data Lake te vullen met data waarmee predictief onderhoud kan worden gepland.

Veel van deze initiatieven stranden echter voor dat het gewenste resultaat is bereikt. Omdat de benodigde data niet beschikbaar was, het management er niet achter stond, of omdat de rest van de organisatie er nog niet klaar voor was.

Hoe laat je een organisatie organisch groeien in datagedreven werken? In deze blog laten we zien dat een visie op het werken met data onontbeerlijk is voor een goede start. Daarna moet worden bepaald waar de organisatie nu staat, waaruit volgt wat het te volgen groeipad is.

Wat is nou eigenlijk datagedreven werken?

Een organisatie die datagedreven werkt, neemt beslissingen op basis van feiten. Deze feiten worden door de jaren heen verzameld als data, zowel binnen als buiten de organisatie. Voordat deze data bruikbare informatie oplevert moet het worden bewerkt. Vaak wordt onderschat dat medewerkers ook ‘datagedreven’ moeten worden. Van hen wordt ook in meerdere opzichten wat anders gevraagd, zowel met betrekking tot kennis, vaardigheden als vertrouwen in de data.

Data gedreven werken gaat alles raken; keuzes voor software, hardware, investeringen, HRM,.. We hebben het hier over het veranderen van de organisatiecultuur. Dat is nogal wat.

Essentieel, een visie op data

Als het niet uitmaakt waar je uitkomt, is elke keuze goed. Zowel de corporaties waar de transitie niet van de grond komt, als waar spontaan initiatieven gestart worden, hebben richting en noodzaak nodig.

Een visie zet uiteraard de bekende stip op de horizon. Een goede visie legt ook de basis voor draagvlak binnen het management en aandacht voor data governance, datakwaliteit, communicatie, businesscases en een roadmap. Kortom een stevige basis om goed uit de startblokken te kunnen schieten.

De visie hoeft geen zwaar stuk te worden van tientallen pagina’s, absoluut niet zelfs. Laat het ook niet door een beleidsmedewerker vanachter een bureau schrijven. Nee, creëer de visie samen door actief over een aantal zaken hardop na te denken. We raden aan om dit volgens Design Thinking principes te doen en komen hier uitgebreid op terug, onder ander in het webinar. De visie staat niet in beton en zal ongetwijfeld onderweg bijgesteld moeten worden, naarmate er meer geleerd is over het gebruik van data en technologie. Ook op het evalueren en bijsturen komen we later terug.

Wat willen we nou precies bereiken?

Uit de visie moet in ieder geval duidelijk worden wat het uiteindelijke doel is. Moet er nú een probleem worden opgelost of is het een stap in een grotere transitie? En hoe ziet die transitie er dan uit? En wat ook wel fijn is om te weten, waar staan we nu?

Een hulpmiddel om een stip op de horizon te kunnen zetten, is globaal te weten waar die horizon ligt. Bedenk hierbij dat die stip een BHAG, een Big Hairy Audacious Goal mag zijn. We willen een grote verandering te weeg brengen, dus een ambitieus doel dat nog ver weg ligt, is prima. Om te zorgen dat iedereen gemotiveerd blijft en ook weet wat hij morgen moet doen, gebruiken we onderweg de bekende SMART doelen als piketpaaltjes. Die piketpaaltjes en dé stip plotten we op het Data Driven Maturity Model. Een Quickscan, bestaande uit interviews en analyses van de huidige informatievoorziening, is de manier om te bepalen waar de organisatie nu staat en welke competenties als eerste verder ontwikkeld zouden moeten worden.

1. Onderhoud wordt reactief en periodiek gepland. Gegevens uit controles (prikken) worden handmatig ingevoerd in het systeem. Veel gaat in Excel. Hoge onderhoudskosten door relatief veel reparaties.
2. Gegevens over de staat van onderhoud wordt periodiek opgehaald en vastgelegd in een onderhoudsmanagement systeem. Gegevens compleet krijgen is veel werk. Definities zijn vaak nog onduidelijk. Kosten op complexniveau. Preventief onderhoud op basis van benchmarks.
3. Definities en eigenaren (governance) zijn meestal duidelijk. De invoer van gegevens gaat vaak automatisch met API’s e.d. Weinig Excel. Dashboards maken stand van onderhoud inzichtelijk. Hieraan worden ook gegevens van onderhoudspartijen toegevoegd. De planning verschuift verder naar preventief door betere benchmarks en meer data over de locatie.
4. Alle data over onderhoud zit in een Data Warehouse en is met elkaar verbonden. Onderhoudspartijen leveren digitaal meetgegevens aan. Door het complete beeld worden onderhoudspartijen effectiever ingepland. Slimme manieren om de staat van het onderhoud vast te leggen vullen een Data Lake, zoals apps die de staat van schilderwerk vastleggen, IoT dat daken en dakgoten¹ monitort, etc.
5. Onderhoud verschuift van preventief naar predictief door het gebruik van Machine Learning. Modellen adviseren bijvoorbeeld bij renovaties over CO₂ reductie¹. Data uit boilers, zonnepanelen, ketels, etc, maken rendement inzichtelijk. Onderhoudskosten zijn relatief laag door Just-in-Time onderhoud en een langere levensduur van materialen.
6. IoT zorgt voor een continue stroom aan data. Machine Learning adviseert bij elk onderhoudsaspect. Inspectie op basis van diverse bronnen zoals Google Streetview, drones en satellietbeelden. Onderhoudspartijen leveren onderhoud via een platform¹, zonder tussenkomst van de corporatie. Talking Buildings¹ geven zelf aan wanneer verf, dakgoten, deuren e.d. binnenkort onderhoud nodig hebben.

Eerst leren lopen, voordat je kunt gaan rennen

Zoals een mens de adolescentie niet kan overslaan, geldt ook voor de ontwikkeling naar data-volwassenheid dat een stap overslaan later tot problemen leidt. Het adopteren van kunstmatige intelligentie zal niet lukken, als de meeste medewerkers nog met data in persoonlijke Excel-bestanden werken.

De visie beschrijft waar we nu staan en wat we dit jaar én de komende jaren willen bereiken. Per (deel)project wordt een doel vastgesteld, bijvoorbeeld om dit jaar van volwassenheidsniveau 2 naar 3 te groeien met de afdeling onderhoud, omdat we daarmee veel denken te kunnen besparen en een betere woonervaring kunnen leveren. Dit wordt concreet ingevuld met doelstellingen zoals het verhogen van de datakwaliteit door het aanwijzen en opleiden van data-eigenaren, het automatiseren van de gegevensuitwisseling tussen het ERP en leveranciers en de realisatie van een dashboard met KPI’s rond onderhoud.

Wacht niet te lang met visievorming

Omdat de waarde van data steeds duidelijker wordt, zien we steeds vaker initiatieven ontstaan, getrokken door enthousiaste medewerkers. Koester ze, geeft ze de ruimte, maar geef ze ook kaders! Er worden hele wijken volgehangen met sensoren, zonder te weten wat er precies gemeten moet gaan worden en waarom!

Digitaliseren is vooral een kwestie van organiseren

Dit is de eerste van een serie blogs over de transitie naar datagedreven werken. We zullen de komende tijd meer kennis en ervaring delen over de organisatie van deze grootschalige verandering. In de webinair Data-gedreven Werken gaan we dieper in op een aantal toepassingen van Change Management en Design Thinking zoals: De visie workshop, de risico analyse en de Data Driven Quickscan. Daarnaast schetsen we hoe je je organisatie langzaam maar zeker kunt ontwikkelen tot een data-gedreven organisatie.

1. Genoemde voorbeelden zijn allemaal bestaande oplossingen en modellen, of in ieder geval in vergevorderd stadium van ontwikkeling.