Data analyse & dashboarding

Data analyse & dashboarding in Finance & Control.

Data analyse is een belangrijk element binnen organisaties om gerichter te kunnen sturen op bedrijfsvoering en strategie. Nieuwe ontwikkelingen, kansen en bedreigingen zijn aan de orde van de dag. Cijfermatige inzichten van Finance & Control bieden een actueel en betrouwbaar overzicht van de impact en mogelijkheden waardoor de juiste en snelle besluitvorming kan plaatsvinden.

Om goed en snel te komen tot de juiste inzichten heeft Mazars een aanpak ontwikkeld die organisaties helpt data analyse toe te passen. Onze aanpak geeft handvatten om hier gestructureerd mee aan de slag te gaan. 

Het 7-stappenplan

Het 7-stappenplan is een methode met zeven deelstappen voor data analyse projecten. Op deze manier worden ideeën en ambities uitvoerbaar en beheersbaar en zorgt u ervoor dat alles gefaseerd tot concrete einddoelen komt.

DT&IT.png

Stap 1: Informatie analyse

De eerste stap binnen het model is de informatieanalyse. 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: Databronnen

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. 

Stap 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.

Stap 6: Visualisatie

Het is nu van belang dat de informatie toegankelijk wordt gemaakt voor de gebruiker. De verkregen data moet niet alleen gebruiksvriendelijk of overzichtelijk zijn, maar ook visueel aantrekkelijk en gemakkelijk te absorberen. Er zijn veel best practices aanwezig omtrent de do’s and don’ts voor visualisatie en daarnaast heeft visualisatie ook een persoonlijk element. Het vragen van feedback van de eindgebruiker op de visualisatie is daarbij het sluitstuk om de informatie behoefte en informatie voorziening naadloos op elkaar aan te laten sluiten.

Stap 7: Implementatie

Het succes van implementeren van het eindproduct in de onderneming is sterk afhankelijk van het draagvlak binnen de onderneming. Wat het draagvlak kan vergroten is door de uiteindelijke gebruikers nauw te betrekken bij het innovatieproces. Stap één kan hierbij een uitgelezen mogelijkheid zijn om de eindgebruiker direct te betrekken bij het definiëren van het eindresultaat.

De cirkel is rond

Mazars laat met bovenstaand denkmodel zien hoe een onderneming altijd bezig kan zijn met het verbeteren van processen. De laatste stap in dit model is dus niet altijd het eindstation. De onderneming kan vanuit de laatste stap verder finetunen, voortbordurend op het bestaande proces of opnieuw instappen met een nieuw idee. De 7 stappen zorgen ervoor dat het data-analyse proces meer gestructureerd en beheersbaar wordt gemaakt en daardoor het doel makkelijker te behalen is.