Je omzet van afgelopen maand ligt op tafel. Over een week moet je de inkoop voor volgende maand bepalen. Het cijfer laat weliswaar zien wat er is gebeurd, maar niet wat je moet bestellen. Daarvoor heb je een analyse van data nodig: uitzoeken wat er in het verleden gebeurde en wat dat zegt over wat er komt. In dit artikel lees je waarom dat telt, hoe het opzetten van data-analyses werkt en wat een nieuwe manier van data analyseren kan veranderen.
Een beslissing van nu 'werkt’ pas over een tijdje. Dat geldt ook voor die inkoop van volgende maand: pas over weken zie je of je goed hebt besteld. Dat beeld heb je misschien al wel: het zit in iemands hoofd. Maar vooralsnog is het niets meer dan een beeld.
En daar zit het probleem. Een beeld in je hoofd kan niemand natrekken. Je weet niet hoe zeker het is, je kunt het niet voorleggen aan een collega. Het systematisch analyseren van data haalt dat beeld uit het hoofd en zet het op papier: dit verwachten we, met deze marge, op basis van deze jaren aan cijfers.
Daarna gebeurt het belangrijkste. Volgende maand leg je je verwachting naast wat er echt is verkocht. Zo wordt je beeld van de toekomst iedere maand scherper.
Het opzetten van data-analyses begint bij de beslissing
Veel trajecten starten bij de tool en eindigen in rapportages waar niemand iets mee doet. Wij komen oorspronkelijk uit de financebranche en beginnen juist bij de beslissing: eerst de vraag, dan pas de cijfers.
Hoe ziet dat er dan uit? Formuleer wat je wilt kunnen beslissen, bijvoorbeeld hoeveel producten (of mensen) je volgend jaar nodig hebt. Bepaal welke data daarvoor nodig is en of die betrouwbaar beschikbaar is. Test daarna of het totaal aansluit op de cijfers waar je directie nu al op stuurt. Sluit het niet aan, dan zitten de verschillen mogelijk in definities.
Er zijn verschillende vormen. Beschrijvend analyseren toont wat er is gebeurd en diagnostisch analyseren zoekt de oorzaak. Voorspellend analyseren schat wat er gaat komen en adviserend analyseren stelt voor wat je ermee doet. Ga pas naar de volgende stap als de vorige klopt: een voorspelling is zo goed als de beschrijving eronder.
Voor de laatste twee stappen leren modellen uit historische data welke patronen terugkeren. Dat is het werkveld van AI & Data Science. Een model vervangt je oordeel niet. Laat het eerst naast je eigen inschatting draaien en vergelijk de uitkomsten voordat je erop stuurt. Zo bouw je vertrouwen op en zie je waar het model je oordeel aanvult.
Analyseren van kwalitatieve data: het waarom achter de cijfers
Het analyseren van kwalitatieve data begint met coderen: je labelt fragmenten, clustert labels tot thema's en telt per thema hoeveel keer het voorkomt en bij welke klanten. Leg je die thema's naast je cijfers, dan kan blijken dat een dalende herhaalaankoop samenvalt met klachten over levertijd. Kwalitatieve data geeft vroege aanwijzingen: wat klanten nu zeggen, zie je later terug in je cijfers.
Daarvoor heb je een plek nodig waar tekst en cijfers samenkomen. Een AI & Data Platform brengt data uit verschillende bronnen bij elkaar en kan ook ongestructureerde data aan, zoals uitgebreide tekstbestanden. Wij bouwen zulke platformen op Microsoft Fabric of Databricks en dragen de kennis over, zodat je team er daarna zelf mee verder kan.
Zelf vragen kunnen stellen aan je data
Dat ‘zelf verdergaan’ kan bijvoorbeeld met een veilige en ingerichte AI-tool. Via AI-agents typ je bijvoorbeeld "hoeveel moet ik volgende maand inkopen?" en krijg je het antwoord uit je eigen data.
Dát maakt data enerzijds toegankelijk voor iedereen, maar anderzijds neemt het ook meteen een risico met zich mee. Definiëren twee afdelingen omzet verschillend, bruto of netto, met of zonder creditnota's, dan geeft de agent twee antwoorden met evenveel overtuiging. Een financial ziet dat verschil weliswaar direct, maar een agent niet.
Hoeveel je aan zo'n AI-agent hebt, hangt dus af van je definities en je afspraken over wie wat mag zien. Wie die nu op orde brengt, kan deze stap later zetten zonder opnieuw te beginnen.
Begin met één beslissing
Je hoeft niet alles tegelijk aan te pakken. Kies één beslissing waar je nu op gevoel stuurt, zoek de data erbij en bepaal wat de analyse moet opleveren. Wil je dat samen uitwerken, plan dan een gesprek in. We komen graag bij je langs en kijken welke beslissing het eerst loont. Analyseren van data wordt waardevoller met elke beslissing die je erop baseert.
Analyseren van data is het onderzoeken van gegevens om patronen, oorzaken en verwachtingen te vinden. De uitkomst onderbouwt een beslissing, zoals hoeveel capaciteit je volgend jaar nodig hebt of waarom een marge daalt (bijvoorbeeld).
Beslissingen gaan over wat nog komt en data is de belangrijkste onderbouwing die je daarvoor hebt. Een analyse van historische data kan een gerichte verwachting creëren (met een marge) en maakt iedere volgende analyse accurater.
Een data-analyse zet je in enkele stappen op. Formuleer eerst de beslissing die de analyse moet onderbouwen, bijvoorbeeld hoeveel je volgende maand inkoopt. Bepaal dan welke data daarvoor nodig is en of die betrouwbaar beschikbaar is. Test of het totaal aansluit op de cijfers waar je directie momenteel al op stuurt. Begin met één beslissing en breid uit zodra het eerste resultaat er staat. De specifieke tool kies je pas daarna.
Je codeert fragmenten zoals open antwoorden of klachten, clustert de codes tot thema's en telt hoeveel keer elk thema voorkomt. Daarna leg je de thema's naast je cijfers om te zien waar ze samenvallen.
Wat zeggen onze partners en relaties?
Het meest betrouwbare bewijs komt van wat klanten, relaties en partners over ons zeggen. Hier een selectie:
"Chassé Theater zet innovatieve stappen met AI & Data Science"
Chassé theater
Roxanne Beijsens - Data & BI Specialist
