Laatst sprak ik een collega. Hij was teleurgesteld. Hij had op verzoek van het bedrijf waar hij werkte met spoed een rapportage opgezet. Het was nu twee weken later en hij had nog steeds niet gemerkt dat er iets met die rapportage gebeurd was. En dat terwijl hij zelf al had gezien dat er op basis van die rapportage actie moest worden ondernomen.

Dit verhaal zette me aan het denken, want waar houdt ons werk als BI professional op? Leveren wij alleen de inzichten of gaan we een stap verder om ook te helpen om iets met die inzichten te doen?  Ons motto als BI professional is immers: met business intelligence komen we tot “actionable insights”. Ons werk draagt bij aan het bewustzijn van organisaties dat er op basis van getallen actie moet worden ondernomen. Wij leveren de getallen, de afnemer gaat tot actie over. Of is dat te simpel gedacht?

In de jaren ‘90 was ik betrokken bij een groot project om de afkeur van een bepaalde staalsoort te verminderen. Het ging om staal dat gebruikt wordt in de auto-industrie. Het staal moet tegen hoge vervorming kunnen (om de mooie lijnen in de carrosserie te krijgen), en het moet ook heel sterk zijn (om klappen op te vangen). Dit staal was destijds zeer moeilijk te maken. In het maakproces waren veel factoren van invloed op de eindkwaliteit. Gezien de hoge marges op dit materiaal was het interessant om de kijken hoe de afkeur aan het einde van het proces kon worden verminderd. Besloten werd om de 100 rollen met de hoogste kwaliteit te vergelijken met de 100 rollen van de slechtste kwaliteit. Alle beschikbare procesdata werd met elkaar vergeleken via een aantal eenvoudige statistische correlatie technieken.

En de data begon te spreken, en de inzichten begonnen te komen. Het is één van de  meest leerzame ervaringen in mijn werkzame leven geweest. We vonden bijna 60 variabelen die van invloed waren op de eindkwaliteit. Het goede nieuws was dat ongeveer de helft bekend was bij de kwaliteitsmensen. Van de overige 30 variabelen waren er circa 15  nieuw. Zo ontstond het inzicht dat de stand van een gietbak de kwaliteit hoog beïnvloedde. Als de bak naar links was gedraaid was er een veel hogere afkeur dan wanneer de bak naar rechts stond.  Dit inzicht werd aanvankelijk als onwaarschijnlijk getypeerd. Het leidde tot vreemde discussies. Zo ontstond zelfs het idee dat de draaiing van de aarde hier van invloed was. 

Totdat men in gesprek raakte met de mensen op de werkvloer. Als de bak naar links stond werd een nieuwe gietpijp bevestigd. Deze stenen pijp lag op de werkvloer.  De pijp was vervuild en bij het gieten kwam dit vuil in het staal. Later in het walsproces leidde deze vervuiling tot minuscule gaatjes in het staal. Als de bak naar rechts werd gedraaid was de pijp inmiddels schoongespoeld en leidde niet meer tot vervuiling. De simpele actie die werd ondernomen was om bij het plaatsen van de nieuwe gietpijp deze eerst schoon te maken. Deze simpele actie alleen al leidde tot een verlaging van de afkeur met enkele procenten. De waarde van deze actie? Vele miljoenen Euro’s per jaar!

Waar ligt onze taak als BI professional? Leveren we alleen het inzicht of gaan we ook de werkvloer op? Ik zou willen pleiten voor het laatste. De tegenwerping die ik dan vaak hoor is: maar we hebben die domeinkennis niet. Mijn reactie: dan moeten we ons uiterste best gaan doen om die te verkrijgen, want simpel en alleen maar het inzicht aanleveren is niet genoeg meer. We moeten ook helpen om organisaties tot de juiste acties te laten komen. Want dan voegen we echt waarde toe.

Overigens voor hen die zich afvragen wat de laatste 15 verklaarbare variabelen waren. Dit waren variabelen die een tegengesteld effect hadden op de kwaliteit van het staal dan tot dusver door de kwaliteitsmensen was aangenomen. Dat was echt heel vervelend voor de kwaliteitsmensen, want daar ging hun koninkrijk, ten val gebracht door data die ging spreken…

meer over dit onderwerp