Blog over Intelligente organisaties

Als jouw koers niet klopt, dan loop je steeds vast. Dan is het prachtig wat je allemaal agile weet op te tuigen, maar dat heeft dan geen enkele zin. Je moet weten waar je naar toe wilt en waarom je op een bepaalde plek uit wilt komen. Met alleen een juiste koers ben je er echter ook nog niet. Om te weten of je op de juiste koers zit en blijft, heb je eenduidige KPI’s en data analytics nodig.

Stel je geen Key Performance Indicators (zie ook voorbeelden) op, dan kun je heel veel plezier hebben in je werk, maar dan zal je niet systematisch werken en niet als de beste probleemoplosser te boek staan. Uiteindelijk gaat het om het blijven doorlopen van een leer- en verbetercyclus. Dat is nooit een eenmalig traject, maar een doorlopende activiteit. Je bevindt je altijd in de Plan-fase, de Do-fase, de Check-fase of de Act-fase.

Als je denkt vanuit een allesoverstijgend perspectief, zorgt datacratisch werken voor de (noodzakelijke) overgang van manage­mentgedreven “pappen en nathouden” naar daadwerkelijk datagedreven verbeteren.

Autonome, ondernemende medewerkers, kort houd­bare, moderne klantgerichte strategieën en flexibele structuren vormen de contouren van een intelligente, datagedreven organisatie. Het zijn dezelfde ingrediënten om te komen tot een grote mate van agility en snelle adaptatie aan de omgeving. Kortom: hoe kom je van managementgedreven naar datagedreven verbeteren?

Ook in de sport wordt steeds vaker met grote hoeveelheden (big) data gewerkt. Laten we de wereld van voetbal als voorbeeld nemen. Steeds meer voetbalstadions zijn uitgerust met geavanceerde op gps gebaseerde systemen, zoals bijvoorbeeld TRACAB. Dit systeem hangt al in meer dan 125 voetbalstadions, waaronder vele stadions in de Premier League en de Bundesliga. Ze zorgen samen met apparaten zoals accelerometers en hartslagsensoren voor data die de performance en effectiviteit van spelers in beeld brengt (Rejec, 2016).

In het eerste deel van de NPRZ-case beschreef ik hoe de partners uit het programma probeerden mensen weer richting werk te begeleiden. Maar het gaat niet om mensen aan het werk helpen, maar om mensen aan het werk te hóuden. Maar hoe doe je dat? Lees nu deel II van de NPRZ-case.

Hanteer je ‘het aantal jongeren dat aan het werk is geholpen’ als enige KPI (Plan-fase van de PDCA-cyclus) en richt je hier al je acties op (Do-fase), dan ontstaat er een probleem. Dan werk je de situatie in de hand dat je óók mensen met verslavingsproblematiek of mensen zonder vast verblijfadres eveneens aan een baan probeert te helpen. Maar mensen met een verslaving, mensen met een complexe thuissituatie of mensen zonder een dak boven hun hoofd, zullen uitvallen. Zij kunnen vaak niet duurzaam aan het werk blijven. Je weet gewoonweg van deze groep dat ze binnen de kortste keren weer in de WW of bijstand zitten.

In deze blog laat ik zien wat het betekent om van data naar verbeteren te komen. Met alleen data verzamelen of structureren ben je er namelijk niet. De grootste uitdaging is om van data naar werkelijk leren en verbeteren te komen. Juist door het vervlechten van (big) data met het dagelijks leren via PDCA-cirkels ontstaat de grootste waarde. De case van het Nationaal Programma Rotterdam Zuid (NPRZ) laat treffend zien hoe de medewerkers daar uiteindelijk van data tot continu verbeteren zijn gekomen.

Uit de case van NPRZ blijkt dat er heel veel partijen parallel aan elkaar met veel verschillende deeltaken bezig zijn. Deeltaken die allemaal ergens te maken hebben met het thema om mensen naar werk te brengen. Maar in een grotere organisatieomgeving of bij een stedelijk programma mag het nooit bij losse taken blijven. Alles draait tegenwoordig om procesdenken en het visualiseren van ketenafhankelijkheden.

De PDCA-cyclus van dr. Deming blijkt nog altijd hét fundament te zijn om met stuurinformatie en data analytics grote successen te boeken. Daarnaast moet je een leersysteem organiseren en faciliteren met data.

bepaal normen en targets op je (onvervalste) KPI’s, evalueer die regelmatig en stel ze bij (plan, act)
gebruik data en informatie consequent voor analyse en actie (plan, do)
gebruik data en informatie doelbewust om te verbeteren en te innoveren (do)

Als je de noodzaak onderschrijft om sneller te leren en sneller te verbeteren komt onvermijdelijk de vraag: hoe doe je dat nu: sneller leren, je sneller aanpassen, sneller verbeteringen doorvoeren? De sleutel hier is het slim gebruik van data en die consequent aan alle stappen van de PDCA-cyclus toe te voegen. Zo ontstaat een datacratisch raamwerk, waarvan de twee hoofdcomponenten al direct terugkomen in de term “Datagedreven verbetercirkels”. De eerste hoofdcomponent gaat over datagedrevenheid. De tweede hoofdcomponent betreft het gebruik van data in verbetercirkels.

Ook als er wél geleerd wordt in organisaties, dan is dit steeds vaker niet genoeg meer. Het is niet enkel een noodzaak om te leren en te verbeteren, maar het is op steeds meer gebieden een noodzaak om versneld te leren, versneld te verbeteren en versneld te innoveren. Alleen dan kan er sprake zijn van een intelligente organisatie (het concept).

Denk aan organisaties als Coolblue, Albert Heijn, fietsenwinkel.nl of Spotify: zij zijn dagelijks bezig om versnelling en verbeteringen aan te brengen. Dit verbeteren ziet er in het ene geval anders uit dan het andere. Is de verkoopcyclus een dag (ontbijt op het station) dan gaat het bijvoorbeeld om het versnellen van de doorlooptijd. Gaat het om een verkoopcyclus van veertien dagen, zoals bij toiletpapier, dan draait alles om slim voorraad houden, of je kunt manieren bedenken waarbij je geen voorraad meer hoeft te houden.

De term datacratisch in de titel van het boek ‘Datacratisch werken’ is een samenstelling van data (gegevens, feiten) met de uitgang -cratisch. Dat laatste woorddeel stamt van het Griekse kratos, wat kracht, beheersing of gezag betekent. Vergelijk het met termen als bureaucratisch of democratisch, die respectievelijk te vertalen zijn als ‘geleid door het bureau’ of ‘geleid door het volk’ (demos). Datacratisch betekent dus letterlijk: ‘geleid door gegevens en feiten’, oftewel datagedreven.