Heb je vanochtend op de weegschaal gestaan? Heb je op de klok gekeken hoe lang je nog moet werken?  Dan ben je al bezig met datagedreven werken. Want datagedreven werken betekent allereerst dat je je baseert op feiten en cijfers om beslissingen te maken in je werk. 

Beslissingen
Iedereen maakt beslissingen, grote beslissingen die gaan over investeringen of het aannemen van personeel. Maar ook kleine beslissingen, zoals wanneer je pauze gaat houden of welk dozen je als eerste gaat picken. Als die beslissingen die jij maakt, beïnvloedt kunnen worden door betere informatie, dan kun je een overstap maken naar meer datagedreven werken. 

Dat je je keuzes baseert op feiten is eigenlijk heel natuurlijk. Kijk maar eens hoe je bepaalt of je dieet nog werkt. Je staat elke dag of elke week op de weegschaal en ziet dat je doelgewicht dichterbij komt (of niet). Als je doel dichterbij komt, dan werkt de aanpak die je hebt gekozen blijkbaar. Als je doel niet dichterbij komt, dan is dit dieet ook weer onzin en kan je je energie beter gaan steken in iets anders. 

Meten
Waarom lukt het bij afvallen wel om de datagedreven te werken en bij zoveel andere dingen niet? Het antwoord is: Meten. We kunnen gewichten heel goed en makkelijk meten. Doordat je snel de relevante data hebt, is het sturen op die data eenvoudig. Maar in veel andere situaties heb je data nodig waar niet zo makkelijk aan te komen is. Data die niet eenvoudig, met een eenduidige meting aan je (dieet)keuzes te koppelen is. 

Kijk maar naar de vraag wanneer je pauze kunt gaan houden. Als je weet dat het komende halfuur rustig is, dan kun je nu even pauze gaan houden. Maar als je dat niet weet… dan ga je maar pauze houden en wordt je misschien halverwege gestoord door je collega die vraagt of je asjeblieft bij kan springen. 

Data is vaak al beschikbaar
Hoe zou je aan die wijsheid kunnen komen? Je zou bijvoorbeeld elke moment de drukte in de winkel kunnen meten. Of misschien zou je de aankomsttijden van de bevoorrading kunnen opvragen. En vaak is de data er al wel, de ruwe gegevens zijn ergens opgeslagen. Staat er niet op elk kassabonnetje een tijdstip? En hebben niet alle vrachtwagens een route en een planning?

Natuurlijk! Maar je kunt niet op je eigen houtje al die data door gaan spitten. Dat kost je meer pauzes dan dat het je oplevert. Gelukkig kunnen we vandaag de dag met behulp van moderne analyse tools, zoals PowerBI, Qlik Sense of Tableau (of zelfs Excel), overzichten en diagrammen maken die dergelijke vragen kunnen beantwoorden. 

Nu is het fijn dat je (of je collega) pauze kunt houden op een rustig moment. Maar dan komen we wel aan bij de crux van datagedreven werken. Namelijk dat je kúnt kiezen. Je moet een keuze kunnen maken om in te spelen op de data. Al is het maar iets simpels als eerder of later pauze nemen. 

Aansluiten bij relevante keuzes
In de trein van Rotterdam naar Uitgeest hangen beeldschermen. Daarop staat de aankomsttijd, de buitentemperatuur en de snelheid van de trein. De aankomsttijd is handig: Dan kan je communiceren hoe laat je wilt worden opgehaald. Ook de buitentemperatuur is handig: Je kan beslissen of je je jas aan moet trekken, of dat het ook wel zonder kan. En de snelheid van de trein… handig… om euhhh… Ja, waarvoor eigenlijk? Je kunt geen enkele beslissing maken gebaseerd op de snelheid van de trein. Het is wel informatie, maar omdat de vrijheid om iets te kiezen ontbreekt, kun je niets met die informatie.

Daarom begin je bij datagedreven werken altijd aan de keuzekant. Welke keuze kun je anders, sneller of beter gaan maken als je de juiste data hebt? Het hoeft niet eens anders uit te pakken – als de keuze die je op je onderbuikgevoel zou maken, dezelfde keuze is als uit de data blijkt; dat kan. Sterker nog, vaak is het zo. Waarschijnlijk weet je al lang wat de rustige tijden zijn om pauze te houden. Ervaring en onderbuikgevoel blijven cruciale factoren, ook als je datagedreven gaat werken.

A/B-testen
Een aparte tak van datagedreven werken is het A/B-testen. Bij A/B-testen ga je bewust een gedeelte op een andere manier werken, zodat je weet wat betere resultaten oplevert. Je begint dan met het meten van de gewenste output. 

In een slachterij kan het zijn dat je meet hoeveel kilo een slachter per uur kan versnijden tot mooie, magere hamlappen. Dat is de A-meting. Dan ga je bewust iets aanpassen. Bijvoorbeeld; je hangt nieuwe lampen op die extra licht geven. Dan meet je opnieuw hoeveel kilo diezelfde slachter per uur kan versnijden. Dat is de B-meting.

Dan heb je twee metingen, waarvan de een hopelijk beter is dan de ander. En zo komt het beste naar boven. In het bovenstaande voorbeeld gaat het over verlichting; maar je kan het ook doen met het benaderen van klanten via mail of telefoon, twee verschillende routes naar je werk, of verschillende kooktijden voor je ei.

De bijbehorende metingen zijn dan de nieuwe omzet die je binnenhaalt, de aankomsttijd op je werk en de smaakbeleving van het ei wat je net hebt gegeten. 

Bij deze methode van datagedreven werken is het essentieel dat je niet alleen de uitkomsten vastlegt, maar ook de verschillende manieren van werken die je hebt gehanteerd en in welk tijdvak. Op die manier kan je de gemeten uitkomsten altijd relateren aan de gekozen benadering. 

En als je eenmaal een keuze hebt gemaakt, je weet welke manier beter is om te werken… dan begin je gewoon opnieuw. Je verzint een alternatieve werkwijze. En je gaat weer meten. Vooral niet bang zijn om een werkwijze te kiezen die niet zo voor de hand ligt. Misschien leer je wel meer dan je had verwacht…