In zeven stappen grip op data analytics en dashboarding
Data-analyse is een steeds vaker terugkerend thema binnen ondernemingen die gerichter willen sturen en vooruitgang ambiëren. Nieuwe ontwikkelingen zijn in de logistieke sector aan de orde van de dag. Gebrek aan middelen, mogelijkheden of ideeën kunnen concrete toepassing belemmeren. Ook ontbreekt vaak een proces om data-analyse heen dat kan zorgen voor concreet resultaat.
Het hebben en concretiseren van een heldere visie door de directie, maar ook het uitvoeren van de ideeën die ontstaan op de werkvloer, zijn belangrijke factoren voor het succesvol toepassen van data-analyse binnen een transportonderneming. Om dit proces goed te ondersteunen heeft Mazars een aanpak ontwikkeld om ondernemingen die data-analyse willen toepassen meer handvatten te geven om hier gestructureerd mee aan de slag te gaan. Marc Engel, partner bij Mazars legt het model uit.
Lees verder
7-stappenplan
In de gesprekken met logistiek dienstverleners, valt het op dat er binnen de bedrijven veel bruikbare data beschikbaar is. Toch wordt de potentie van deze data niet altijd benut. Het Mazars 7-stappenplan is een denkmodel met zeven deelstappen voor innovatieprojecten met een specifieke focus op data-analyse. Op deze manier blijven omvangrijke projectideeën uitvoerbaar en beheersbaar en zorg je ervoor dat alles gefaseerd tot concrete einddoelen komt.
Stap 1: Informatie analyse
De eerste stap binnen het model is de informatie analyse. In deze analyse wordt bepaald wat de informatie behoefte van één of meerdere gebruikers van het eindproduct is. Door het formuleren van een duidelijk eindproduct wordt het project concreet gemaakt. Dit voorkomt een wildgroei aan initiatieven binnen een bestaand project. Daarnaast zorgt deze stap voor een duidelijke afbakening bij de invulling van de vervolgstappen en het managen van de verwachtingen ten aanzien van het eindproduct. Een voorbeeld van een eindproduct kan bijvoorbeeld zijn de kostprijs van een medewerker of vrachtwagen per gereden kilometer.
Stap 2: Data bronnen
Bij stap twee wordt geïnventariseerd welke data er nodig is om te voorzien in de informatiebehoefte van de gebruikers zoals gedefinieerd onder stap één. Daarnaast wordt er gekeken waar deze data in de onderneming aanwezig is en welke interne / externe bronnen of systemen nodig zijn om het einddoel te realiseren. Interne bronnen kunnen bijvoorbeeld zijn het gebruik van boordcomputerdata, financiële data of verloningsdata. Externe bronnen kunnen zijn wegennet data of benchmark data.
Stap 3: Data-extractie
Wanneer de data onder stap twee is geïnventariseerd en het duidelijk is uit welke systemen deze data dient te komen, is het tijd om na te denken over de extractie van deze data. Er zijn hierin legio opties om data te extraheren. Dit kan door stand-alone exports in Excel tot een geautomatiseerde interface tussen bestaande systemen en Business Intelligence tooling. Onderwerpen die hierbij een rol spelen zijn: volume van data, de variatie in data structuren of frequentie van informatie behoefte. In het hiervoor geschetste voorbeeld kan het interessant zijn om de boordcomputer data per dag op te halen, en de externe benchmark data per maand op te halen.
Stap 4: Datamodel
In stap vier wordt nagedacht over de inrichting van het datamodel, oftewel hoe de verschillende tabellen uit de voorgaande stappen door middel van relaties elkaar kunnen verrijken. Een goed ingericht datamodel voorkomt het onnodig verwerken van grote hoeveelheden data. Een datamodel kan variëren van heel eenvoudig tot extreem complex. Belangrijke factoren om te overwegen bij het opstellen van een datamodel zijn: onderscheid tussen feiten en dimensie tabellen, aanwezigheid van unieke koppelingen tussen tabellen en de keuze voor de juiste type relatie tussen tabellen. In relatie tot het gegeven voorbeeld is het bijvoorbeeld niet handig om in zowel de verloningsdata als de boord-computer data de naam van een medewerker op te nemen. Het creëren van een dimensietabel voor medewerkers zorgt ervoor dat de naam van de medewerker (en eventueel andere persoonsgegevens) slechts één keer worden uitgelezen.
5: Analytics
In stap vijf wordt met behulp van analytics de omslag van data naar informatie voor de eindgebruiker gemaakt. De variatie in analytics is hierbij eindeloos. Van de meer simpele sommeringen of vermenigvuldigen tot meer complexere voortschrijdende gemiddelde of optimalisatie modellen. Het kan bijvoorbeeld interessant zijn om het verloop van kostprijs per medewerker door de tijd te analyseren of voortschrijdend inzicht te creëren op basis van scenario analyses
