Transcript
We focussen te veel op het fiksen van symptomen in plaats van het oplossen van problemen zelf. Volgens Piet Clancy zit de oplossing in het verzamelen en analyseren van data.
Dag Piet, welkom in de studio.
Dag Kevin.
In gesprek hier voor de opname zei je tegen mij dat we veel te veel focussen op het oplossen van symptomen, in plaats van problemen zelf.
Ja.
Hoe zou je het dan wel moeten aanpakken als we problemen tegengekomen?
Eigenlijk wat je moet doen is echt goed nadenken over wat het probleem is. Echt goed praten met de mensen, in je team, in je omgeving, om te zien wat voor soort problemen er zijn. En wat zijn de symptomen. Inderdaad, die zijn belangrijk om te helpen om effectief het probleem te zoeken.
Maar je moet dieper gaan graven dan?
Je moet absoluut dieper gaan graven. Proberen te zien, wat zijn de oorzaken, vanwaar komen de symptomen. Het kan zijn dat alle symptomen van één bepaalde soort zijn, waar je aan kunt zien, vanwaar komen dat soort problemen. En dan een soort tracing van een probleem. Met als gevolg: je kunt zien wat de oorsprong is van het probleem.
Oké, maar aan de basis van die oplossingen ligt data en het analyseren van data.
Absoluut. En eigenlijk is de basis wat je zou vinden: alle bedrijven hebben wel heel veel data over alles wat ze doen, maar zij weten niet precies welke data ze hebben. Ze weten ook niet welke data geïmpliceerd kan zijn van andere data die ze hebben. En ze weten niet hoe zij die data dan kunnen gebruiken om problemen te zoeken. Want aan de verhoudingen tussen data kun je wel zien, waar zijn mogelijke problemen. Door statistiekanalyse, door uitwisseling van intelligence en decision-making zien, waar de mogelijke problemen in een bepaalde set of data zijn. Maar natuurlijk moet je een firma eerst helpen en gidsen om die data zelf te zoeken.
Kun je dat eens concreet maken? Heb je een voorbeeld waarvan je zegt dat is een omgeving waarin ik terecht ben gekomen, daar was een bepaald probleem en dat hebben we met data op die manier opgelost?
Ja. Ik heb een aantal verschillende klanten, interieur interieurontwerpers en zo, global bouw, enzovoort. En met een van de klanten ben ik binnengegaan. Ze hadden zogezegd geen data, ze hadden geen database, ze hadden geen informatie. Volgens hen. Maar wat ze eigenlijk wel hadden waren offertes. Waarvan ze goed konden zeggen: voor wat waren die offertes, welke soort meubels waren gebouwd, wat waren de details achter de meubels, en hoe hebben ze dat gedaan, waar waren de klanten. Dus je hebt afstandinformatie. Je had bijvoorbeeld vierkante meters van hout. Je had het aantal scharnieren, je had het aantal geleiders. Je had alle soorten informatie…
Dat is eigenlijk data.
Eigenlijk heel veel informatie. Maar het formaat van die informatie was wel gewoon van offertes. Dus ze hebben gewoon al die offertes aan mij gegeven. In Excel-formaat. Ik heb de informatie uit die offertes kunnen halen en vergeleken met de facturen, vergeleken met financiële data. En vergelijken met dingen als het aantal werkuren, over tijd op projecten.
Want wat was daar het concrete probleem?
Het probleem was: ze maken wel veel offertes voor klanten, of mogelijke klanten, maar met die offertes zelf verliezen zij tijd. Want in dit specifieke geval, verliezen zij ongeveer 60% van die offertes. Dus ze doen heel veel werk, om maar 40% van die offertes goed te keuren. Dus zij verliezen de uren die zij steken in de 60%. En het probleem was dan: dat is verloren tijd. En wat ze moesten proberen te doen, is zien of zij die 60% kunnen verminderen. En focussen op de soort offertes en het soort werk die meer rendabel is. En eigenlijk meer van dat werk vinden.
Dus je bent met die data aan de slag gaan, en wat om daar dan uit?
Na al die data-analyse komt er een rapport wat een idee geeft van waar de problemen zitten. Waar zitten de efficiënties, waar zijn de inefficiënties. Hoe kunnen zij hun projecten beter kiezen. Welk soort projecten zijn meer rendabel en minder rendabel voor hen. En de bedoeling is dat ze op het eind van de rit kunnen zeggen, oké, dit soort projecten wil ik doen, dit soort projecten wil ik niet doen. Met als gevolg dat ze een telefoongesprek kunnen hebben met een mogelijke klant, waar ze kunnen zeggen, met een aantal vragen, met een aantal bepaalde karakteristieken, te vinden wat voor soort project het zal zijn. En voordat het gesprek klaar is, kunnen ze zeggen: kijk, wij doen dat niet, ga maar naar een concurrent.
Maar als ik het me goed herinner - want je hebt mij dit verhaal al ooit eens verteld - lag de crux in dit verhaal bij de scharnieren.
Ja. Dus wat je zoekt in de data… Je zoekt relatiestussen de verschillende onderdelen van het werk. In dit verhaal was er inderdaad een link, een indicatie. Dat, als er zoveel scharnieren of zoveel geleiders waren, in verhouding met het werk, in verhouding met andere dingen, dat dat een idee geeft van de rendabiliteit van het project.
Maar het is toch wel leuk dat je dat allemaal uit data kunt halen.
Je kunt heel veel uit data halen. Het is meestal niet één ding maar je moet meerdere stukken informatie hebben. In dit verhaal waren het 58 verschillende datastukken die geanalyseerd moesten worden. En met de verhouding tussen die allemaal en met een analyse, kon je zien dat er een directe link was tussen die allemaal.
Zou je dit soort aanpak ook kunnen toepassen op de evenementensector?
Ik denk, je kunt dat aanpassen op alle sectoren. Een evenement; ik heb er niet direct aan gewerkt. Maar je hebt bijvoorbeeld heel veel informatie over de soort evenementen waar mensen naartoe gaan. Het aantal mogelijkheden van de grootte van zalen. Mogelijkheden van de soorten van muziek of soorten van events.
Of voor inschrijven, een ticket kopen.
Ja, ticketverkoop. Maar je kunt ook zien… Veel mensen denken heel nauwover hun specifieke ding. Maar wat je eigenlijk ook moet doen is kijken outside the box. Kijk naar de andere dingen die aan het gebeuren zijn. Wat er indirect is. Indirecte informatie is ook heel belangrijk. En soms heb je niet zelf genoeg informatie om iets te bepalen, dus moet je ergens anders informatie zoeken waar je een link mee kunt maken. En dan kun je een beslissing maken op basis van dat. En soms is indirecte informatie gemakkelijker te vinden dan directe informatie. Maar de truc is, hoe kan je dat vinden?
En dan ook weer de link kunnen leggen. Wat ik straks in dat voorbeeld wel interessant vond, is dat soms informatie en data ook in iets als een offerte kan zitten. Dat het niet per se een database of iets heel voor de hand liggend moet zijn.
Inderdaad. En dat is ook een fout die veel bedrijven maken. Ze denken dat als zij data moeten geven aan iemand dat dat data in een soort database moet zijn. Maar eigenlijk moet je data niet zien als data in een database, maar data is ook in een boek, in een kladblok. Data is ook op stukken papier ergens, in een Excelspreadsheet, in een Worddocument; er is data overal. Maar wat je moet doen is proberen data te vinden en op een consequente en systematische manier naar voren brengen, voor alle projecten en voor alle stuk werk. En dan kun je de data gebruiken. Als je het kunt becijferen, en je kunt bijna alles becijferen, kun je het gebruiken.
En daar heb je natuurlijk niets meer bij nodig dan jij die die data kan interpreteren.
Absoluut. Of mee te helpen.
Oké, Piet, dank je wel voor je komst naar de studio.
Graag gedaan.
En u beste kijker, bedankt voor het kijken en alweer dat volgende week.
