Valkuilen data analytics project - ICTinformatiecentrum.nl

Valkuilen bij uw data analytics project

  • Wat zijn de valkuilen bij data analytics projecten?
  • Hoe voorkomt u dat uw data analytics project mislukt?

Projecten rond data management, data analytics of business intelligence betreffen het implementeren en gebruiksklaar maken van nieuwe oplossingen. Dit wordt voornamelijk gezien als een IT project, terwijl de feitelijke introductie van data analytics en business intelligence veel meer is dan dat. Deze misvatting, foute verwachtingen, een slechte voorbereiding en diverse andere factoren vormen de valkuilen die ervoor kunnen zorgen dat uw project mislukt.

Wat zijn de valkuilen en moeilijkheden bij data analytics projecten?

Projecten rond data management, data analytics en business intelligence voldoen eigenlijk niet aan de definitie van een project. Ze zijn namelijk niet eindig, maar duren voort. Belangrijker nog dan de technische IT oplossing, gaat het om een aanpassing in werkmethoden, beslissingsstructuren en de rol van medewerkers daarbij. Doel van een dataproject is dat uw organisatie er beter van wordt. Maar omdat de focus niet altijd goed is en de uitgangspunten niet helder, bestaat het risico dat het project niet goed verloopt. Wat zijn de meest voorkomende valkuilen?

    Verkeerde verwachtingen – Het management is ambitieus en baseert verwachtingen soms op te weinig eigen kennis over data management en data analytics. Hierdoor ontstaan onrealistische verwachtingen. Het management moet op basis van een goede visie overtuigd zijn van de waarde van data en daar middelen en mensen voor vrijmaken. Zonder concrete doelen vooraf bestaat het risico dat het project qua kosten en planning uit de hand loopt en het resultaat tegenvalt. Ook bestaat het risico dat de oplossing niet kan meegroeien met de ontwikkelingen in de organisatie en dat het draagvlak bij toekomstige gebruikers ontbreekt.

    Teveel als IT project zien – Als een data analytics project gezien wordt als IT project en het projectteam uitsluitend uit IT-ers bestaat, gaat het mis. Toekomstige eindgebruikers moeten bij het project betrokken zijn, om de kans op acceptatie te vergroten.

    Bedrijfscultuur is nog niet zo ver – Het toepassen van data analytics tools past bij de transitie naar een datagedreven organisatie. Een voorwaarde voor het goed toepassen van moderne analysetools is dus dat de organisatie al datagedreven werkt of bereid is dat te doen. Zijn medewerkers nog niet zover, dan moet daar eerst aan gewerkt worden.

    Adhoc keuze maken – Het aanbod van tools voor data management, data analytics en BI is groot. Het is lastig om al deze tools te vergelijken en beoordelen zonder te kijken naar uw eigen bedrijfsproces. Als het ontbreekt aan goede selectiecriteria, wordt de keuze meestal ad hoc bepaald, met alle gevolgen van dien.

    Teveel wensen honoreren – De meeste gebruikers kunnen precies aangeven hoe zij rapporten en visualisaties willen ontvangen. Eén oplossing ontwikkelen die beantwoordt aan al die verschillende wensen, is onmogelijk. Gebeurt dat toch, dan lijdt de uiteindelijke oplossing daaronder.

    Gebruikers gebruiken het niet – Gebruikers haken snel af als informatie niet op het goede moment beschikbaar is, niet relevant is of niet actueel is. Is het negatieve gevoel eenmaal opgeroepen, dan is het lastig om dat om te keren.

    Teveel of het verkeerde meten – Meten is weten. Maar helaas betekent dit niet dat hoe meer we meten, hoe meer we weten. Daar kan een overkill in ontstaan, waardoor het lastig wordt het totale overzicht te behouden. Analyseer alleen datgene waaraan behoefte is en wat kan worden vertaald in zinvolle actie.

    Data is niet goed – Goede beslissingen op basis van data zijn alleen maar mogelijk als de data zelf goed is. Er moet dan ook veel aandacht besteed worden aan de datakwaliteit. Is die niet op orde, dan heeft iedere data analytics toepassing weinig waarde.

    Oude systemen – Nieuwe data oplossingen werken het best in moderne IT omgevingen. Als de technische infrastructuur achterloopt, is het implementeren van nieuw data management of analytics technieken lastig of soms zelf onmogelijk.

    Oude gewoonten – Zonder het wellicht te beseffen is Excel voor de meeste organisaties het eerste data analyse tool dat zij gebruiken. Zodra er een nieuw geavanceerder tool komt, blijft Excel vaak gebruikt worden. Vervelend wordt het als Excel bij sommigen de voorkeur houdt boven het nieuwe tool.

Mislukkingen voorkomen

Deze wetenschap over de potentiële fouten biedt u helaas niet de zekerheid dat u niet in een valkuil zal vallen. U moet de situaties waar de valkuilen zitten namelijk ook tijdig kunnen herkennen. Dat kan een probleem zijn, omdat er voor de herkenning van potentiële gevaren voldoende kennis nodig is. De meeste bedrijven die gebruik willen maken van data analytics, schakelen daarom de hulp in van specialisten op dit gebied. Zij kunnen een inschatting maken van de kwaliteit van de beschikbare data, kennen de oplossing voor het efficiënt beheren daarvan en weten de juiste tools te selecteren om uw data mee te analyseren en presenteren.