Nart Wielaard

De mens is een kuddedier. Een prachtige scene uit Monty Python’s Life of Brian (1979) legt dat messcherp bloot. De hoofdpersoon wordt gevolgd door een menigte die ervan overtuigd is dat hij de messias is. Vanaf een balkon wil hij hen bij zinnen krijgen en roept hen op om toch vooral zelf na te denken. “You’re all individuals”, zo houdt hij het volk voor. “We’re all individuals”, zo scandeert de menigte in koor terug.

Dergelijk kuddegedrag speelt ook onder managers en bestuurders. Als collega’s, business goeroes, hoogleraren en consultants vol vuur vertellen dat Robotic Process Automation, Big Data of Artificial Intelligence echt een waanzinnige manier is om de prestaties van je organisatie te verbeteren, dan gaan ze al gauw voor de bijl. Je zou immers wel gek zijn als je zo’n kans liet lopen en misschien ook voor gek worden versleten.

Betere beslissingen

Dit gedrag leidt uiteraard maar zelden tot succes. Het is beter om je nu en dan aan de kudde te onttrekken en zelf een analyse te doen over wat er nodig is voor succes. Dan wordt duidelijk dat het in dit digital tijdperk gaat om betere beslissingen. Betere beslissingen over de verkoopprijs van een product in de winkelschappen, betere beslissingen over fusies en overnames, betere beslissingen over de keuze van een sollicitant, betere beslissingen over het tegengaan van frauduleuze claims bij een verzekeraar en nog vele andere voorbeelden. Het mooie is dat data een geweldige brandstof kan zijn om die beslissingen te verbeteren.

Wie het niet kan bijbenen is straks out of business, want slechte beslissingen zijn kostbaar.

Nu alle denkbare informatie beschikbaar is, is er in een transparante wereld sprake van felle concurrentie. En nu alle denkbare informatie beschikbaar is, wordt de concurrentiestrijd gestreden over wie de beste beslissingen kan nemen. Wie het niet kan bijbenen is straks out of business, want slechte beslissingen zijn kostbaar.

De vraag komt dan op: hoe maak je een analyse van de beslissingen die relevant zijn voor een organisatie? In algemene zin geldt daarbij dat beslissingen twee dimensies hebben. Ten eerste de snelheid waarmee de beslissing wordt genomen (of moet worden genomen). Ten tweede de impact van de beslissingen. Door deze dimensies op twee assen uit te zetten, ontstaat een eenvoudige matrix met vier verschillende soorten beslissingen.

	Low Speed	High Speed
High Impact	Smart scenario	Advanced Algorithm
Low Impact	Human decision	Business rule

Met dit simpele model in de hand kan iedereen de dynamiek van de eigen organisatie (of afdeling) plotten en op basis daarvan consequenties trekken voor wat er nodig is om goede beslissingen te nemen. In algemene zin zijn daar enkele uitgangspunten voor:

Ten eerste: hoe hoger de snelheid, (1) hoe meer autonomie er moet zijn op de werkvloer voor die beslissingen (hiërarchische stroperigheid is immer funest voor de snelheid) en (2) hoe wenselijker het is om die beslissingen waar dat mogelijk is geautomatiseerd te nemen (een machine kan in een fractie van een seconde een analyse maken, een mens doet daar langer over).

Ten tweede: hoe hoger de impact, hoe belangrijker het is om (1) voldoende middelen vrij te maken voor investeringen in projecten die leiden tot betere besluitvorming en (2) hoe belangrijker het is om te zorgen voor betrouwbare data voor die beslissingen. Er staat immers veel op het spel. 

Komen tot betere beslissingen – gebaseerd op data – is niet eenvoudig. Het vergt onder meer (1) dat de datakwaliteit op orde is, (2) dat je buiten de gebaande paden gaat om informatie voor je besluit te verzamelen en (3) dat je als mens de machine echt durft toe te staan in je besluitvormingsproces.

1. Zorg dat datakwaliteit een zaak is van iedereen

Datakwaliteit is echter geen afdeling, maar een basishouding.

Voor beslissingen met een hoge impact moet je kunnen rekenen op betrouwbare data. Datakwaliteit is echter geen afdeling, maar een basishouding. De hele organisatie moet beseffen wat er op het spel staat. Er is de afgelopen jaren bepaald geen gebrek aan aandacht voor het thema. Veel managers en bestuurders beseffen dat ze te maken hebben met een versnipperd en complex IT-landschap, vaak een van de belangrijkste oorzaken van tekort schietende datakwaliteit. Binnen dat landschap bestaat vaak geen eenheid in hoe data in systemen wordt geregistreerd, bewerkt en geaggregeerd. Ook bestaan er nog veel workarounds. IT managers geven het niet graag toe, maar veel organisaties kennen nog een flinke waaier aan Excel toepassingen. Data wordt dan vaak uit een bronsysteem naar Excel gedownload, en na bewerking weer geüpload naar dit systeem. Uiteraard met de nodige risico’s op fouten. Dat alles wordt een probleem zodra managers hun dromen over allerlei datagerelateerde toepassingen van de tekentafel naar de praktijk willen krijgen. Je kunt dan nog zulke mooie algoritmes ontwikkelen, als de brandstof voor die algoritmes niet deugt zal het niet gaan werken.

Men beseft vaak wel dat er hier een serieus probleem ligt, maar zoekt de oplossing in data-kwaliteitsprojecten waarin (grote) teams worden opgetuigd om de kwaliteit te verbeteren. Het komt feitelijk neer op reparatiewerkzaamheden en workarounds. Het levert geen structurele verbetering op, want de kwaliteit zal alleen op niveau zal komen als iedereen is overtuigd dat winnen of verliezen van die data afhangt.

De huidige werkwijze doet denken aan mensen die willen afvallen. Een paar maanden op dieet in combinatie met een abonnement op de sportschool levert aansprekende resultaten op. Maar wie de levensstijl niet aanpast, weet diep van binnen al dat het effect tijdelijk zal zijn. Alleen als je handelt vanuit de overtuiging dat een andere levensstijl je een beter en fitter leven oplevert, zul je ook op termijn succesvol zijn.

Ook in het bedrijfsleven is het dus essentieel dat een organisatie gelooft in de kracht van data als bron van succes. Dat de organisatie ervan overtuigd is dat de concurrentie wordt uitgevochten op het verwerken van een enorme rijkdom aan informatie tot de beste beslissingen.

Als data niet betrouwbaar zijn, zullen managers de data ook niet gebruiken om beslissingen te nemen.

Immers: gebrekkige data mag dan leiden tot kostbare incidenten of hogere operationele kosten – die problemen zijn over het algemeen wel bekend – maar dit effect valt in het niet bij de kansen die je laat liggen als je niet op data kunt vertrouwen. Je kunt bijvoorbeeld geen nieuwe (product)innovaties neerzetten, geen betrouwbare gepersonaliseerde aanbiedingen doen of geen dynamic pricing toepassen. Het is je bestaansrecht. Als data niet betrouwbaar zijn, zullen managers de data ook niet gebruiken om beslissingen te nemen. Dat maakt je als organisatie eigenlijk aangeschoten wild in de markt.

2. Kijk voorbij de financiële informatie

Bij managementinformatie gaat het niet om het genereren van informatie, maar het invullen van informatiebehoeften voor de beste beslissingen. Dat klinkt basaal, maar is wel degelijk een wereld van verschil. Het zit zelfs ingebakken in het vocabulaire onder financials. Eigenlijk zouden we niet moeten spreken over reporting, maar over insights.

Van oorsprong komt managementinformatie grotendeels uit grootboeksystemen. Het grootboek is daar echter helemaal niet primair voor bedoeld. Het is eigenlijk geen informatiesysteem, maar vooral als een systeem om transacties goed te verantwoorden.

De echt belangrijke informatie komt uit alle hoeken en gaten – zowel intern als extern, zowel cijfermatig als niet-cijfermatig, zowel gestructureerd als ongestructureerd. Juist op dat vlak is zoveel winst te boeken in een digitale omgeving. De tools en technieken daarvoor worden steeds beter, nuttiger en gebruiksvriendelijker. Net zoals we een kroket uit de muur kunnen trekken als we daar zin in hebben kunnen we feitelijk ook business insights uit een data lade trekken als dat nodig is.

De werkelijkheid is echter nog weerbarstig. Er is nog een grote stap te maken bij veel organisaties om daadwerkelijk datagedreven tot beslissingen te komen. James Taylor, ceo van Decision Management Solutions stuurde in april 2019 de volgende tweet de wereld in: "Building good #analytics is not the hard part. Even deploying analytic models is not really hard anymore. EMPLOYING analytics to improve decision-making in the real-world is the hard part."

Deze tweet legt de vinger op de zere plek: veel organisaties hebben inmiddels voor veel operationele en tactische beslissingen wel de benodigde tools en platforms ingericht. Maar zodra het gaat om echte managementbeslissingen, die wat meer op strategisch niveau liggen, ziet de wereld er heel anders uit. Natuurlijk wordt er ook op dat vlak veel gedaan met data. Business intelligence tooling helpt om het management betere inzichten te geven, maar van het echt opnieuw uitvinden van de management informatie is nog geen sprake.

De praktijk anno nu is dat financiële afdelingen zich nog steeds focussen op het grootboek.

De praktijk anno nu is dat financiële afdelingen zich nog steeds focussen op het grootboek. De maandelijkse afsluiting is heilig: alles op alles wordt gezet om de informatie zo snel mogelijk op te leveren en zo betrouwbaar mogelijk te maken. Het resultaat van al die inspanningen: de data in de managementinformatie zijn accuraat. Maar de data zijn ook grotendeels irrelevant voor het management om grip te houden op de toekomst. Er is dan ook een omkering nodig in het denken over managementinformatie.

Gaat dit veranderen? Zo goed als zeker. De vraag is vooral wanneer. Er dient zich een nieuwe generatie managers aan, die beter getraind is in data en analyse en die heel andere verwachtingen heeft ten aanzien van de informatie waarop zij hun beslissingen baseren. Zij nemen geen genoegen met standaardrapportages, maar willen instant en maatwerk antwoorden op de vragen die ze hebben. Ze nemen er geen genoegen mee dat de financiële functie excelleert in dataverzameling en reporting, maar willen dat de financiële functie hen helpt om meer vooruit te kijken en inzichten geeft voor betere beslissingen.

3. Erken dat machines prima beslissers zijn

De opkomst van datagedreven beslissingen is even wennen voor managers die gewend zijn om vanuit ervaring, deskundigheid en intuïtie beslissingen te nemen. Ze moeten hun relatie met deze beslismachines opnieuw uitvinden. En daar vooral niet bang voor zijn. Veel managers en bestuurders weifelen echter of ze belangrijke beslissingen wel moeten toevertrouwen aan technologie en mede daardoor worden de echte vruchten van de digitale technologie nog niet geplukt.

Wie koeltjes naar de feiten kijkt, ziet een ongelijke strijd tussen mens en machine in dit verband. Het menselijk brein kan namelijk maar een beperkt volume en complexiteit aan. Onderzoek laat zelfs zien dat de meeste van onze beslissingen niet eens bewust tot stand komen, maar in het onderbewustzijn worden genomen. Het onderbewustzijn heeft simpelweg een grotere verwerkingscapaciteit. Een ‘nachtje slapen’ over een moeilijke beslissing is dan ook niet alleen vaak een goed idee maar ook een wetenschappelijk onderbouwd goed idee.

Het is dan ook heel simpel: de machine neemt betere beslissingen.

Machines gaan ’s nachts niet slapen en hoeven dat ook helemaal niet. Met hun grote rekenkracht zijn ze in staat om beslissingen te nemen gebaseerd op oneindig veel variabelen. En door machine learning technieken kunnen ze die beslissingen gaandeweg ook steeds verbeteren. Het is dan ook heel simpel: de machine neemt betere beslissingen.

Precies die conclusie trekt Daniel Kahneman in zijn boek Thinking Fast and Slow. Hij concludeert dat in onzekere en onvoorspelbare domeinen de mens het onderspit delft, op een indrukwekkend aantal terreinen: “the longevity of cancer patients, the length of hospital stays, the diagnosis of cardiac disease, and the susceptibility of babies to sudden infant death syndrome; economic measures such as the prospects of success for new businesses, the evaluation of credit risks by banks, and the future career satisfaction of workers; questions of interest to government agencies, including assessments of the suitability of foster parents, the odds of recidivism among juvenile offenders, and the likelihood of other forms of violent behavior; and miscellaneous outcomes such as the evaluation of scientific presentations, the winners of football games, and the future prices of Bordeaux wine.”

Daarmee is ook duidelijk dat de menselijke intuïtie en ervaring terzijde moeten worden geschoven omdat deze niet bijdragen aan betere beslissingen. We moeten managers ervan gaan overtuigen om niet op hun eigen inschatting te vertrouwen en wat nederig te zijn ten opzichte van wat machines kunnen. Maar dat wil absoluut niet zeggen dat de mens buitenspel staat in het beslissingsproces. Het wil zeggen dat we een nieuwe vorm moeten vinden waarin mens en machine samen data gebruiken om tot de beste beslissingen te komen.

De menselijke expertise blijft van groot belang voor het stellen van de juiste vragen – daar is de mens in elk geval voorlopig nog beter in dan de machine – en het ‘trainen’ van machine learning modellen. Bovendien: de mens heeft ook een sterk associërend vermogen, veel sterker dan de machine. Als we mensen confronteren met verschillende lagen informatie – cijfers, beelden, teksten en andere informatiesoorten – dan kan de mens logische patronen zien, of daar vragen over stellen, die een machine niet ziet. Het is dan ook tijd om de manager naast de machine te positioneren.

Een verkorte versie van dit verhaal is opgenomen in het magazine Accountant, editie 2 van 2021.