Het Data Maturity model geeft inzicht in welke fase een bedrijf zich bevindt met data en analytics. Het is een goede tool voor digitale transformatie en het beoordelen van bedrijfsprocessen.
De theorie achter een Maturity Model
Een Maturity Model is een veel gebruikte manier om bedrijfsprocessen te beoordelen. De meeste modellen bestaan uit 5 fases, van de laagste naar de hoogst haalbare. Na een ‘maturity assessment’ weet het bedrijf in welke fase het zich bevindt. Het kan dan de sterktes en zwaktes definiëren en een groeipad ontwikkelen om naar hogere fases te komen. Onderzoekers Proenca & Borbinha (2016) hebben 63 modellen geanalyseerd. Zij concluderen dat een maturity model een bedrijf op 3 manieren kan helpen:
- Om audits te doen en benchmarks te meten.
- Om de voortgang te beoordelen tov de doelstellingen.
- Om inzicht te geven in de sterktes, zwaktes en kansen van een organisatie. Dat helpt bij het bepalen van de strategie en een groeipad.
De basis: het Capability Maturity Model
Het Data Maturity model is, net als vele andere modellen, gebaseerd op het Het Capability Maturity Model (CMM) dat in 1987 is ontwikkeld door het US Department of Defense Software Engineering Institute. Het werd gebruikt om bedrijven te beoordelen op basis van hun software ontwikkeling proces. Het was een manier om te bepalen hoe gekwalificeerd bedrijven zijn om aan software-projecten van de overheid te werken. Hoe hoger het maturity level, hoe beter bedrijven in staat zijn om te leveren wat beloofd is. Naast data en analytics zijn er ook modellen voor Big Data, data kwaliteit of social media ontwikkeld. Ze maken allen gebruik van de verschillende niveaus van Capability Maturity Model:
- Begin. Het software proces is chaotisch en ad hoc. Het wiel wordt steeds opnieuw uitgevonden zonder een vastgelegd proces en werkwijze.
- Herhaalbaar. Processen zijn minimaal gedocumenteerd zodat in herhaling zaken op eenzelfde manier verlopen.
- Gedefinieerd. Processen zijn goed uitgedacht en gedocumenteerd voor alle (software) processen.
- Capabel. Processen worden beoordeeld en geëvalueerd op productiviteit en kwaliteit.
- Efficiënt. Er is sprake van continue procesverbetering en organisaties kunnen slecht lopende processen identificeren en verbeteren.
Het Data maturity model van The Big Story
Een maturity model onderzoekt in essentie het proces van een organisatie. Het CMM richt zich op de processen die te maken hebben met software ontwikkeling. Nu is de opzet van het model ook geschikt om andere processen in een organisatie te analyseren. Zoals het beleid, de processen en de investeringen die nodig zijn om succesvol met data en analytics te zijn, bijvoorbeeld om succes te voorspellen voor het introduceren van een data-gedreven werkwijze bij uitgevers van content (zowel bij commerciële uitgevers als in content marketing). Om te komen tot het Data Maturity Model van The Big Story zijn diverse maturity modellen met elkaar vergeleken en toegespitst op de bedrijfsprocessen van data, analytics en marketing tools.
De maturity-niveaus in het model definiëren schalen van volgroeidheid in relatie tot data-gedreven werk. Naarmate een bedrijf verder is in het maturity model is het in staat om de werkzaamheden beter uit te voeren en met een hogere kwaliteit. Het model kent vijf niveaus van Data Maturity: Ad hoc, Opportunistisch, Systematisch, Onderscheidend en Transformerend. Om te bepalen in welke fase een organisatie zich bevindt wordt er naar 4 onderdelen van een bedrijf gekeken: de aansturing vanuit het management, de rollen en verantwoordelijkheden in de organisatie, de opslag en gebruik van data en de benodigde technologie.
De 5 fases van het Data Maturity model
Een bedrijf zit in een van de 5 fases als de organisatie en beleid rondom data en analytics overeenkomt met de beschrijving van het model. Het is ook mogelijk om gebruik te maken van een vragenlijst om te bepalen in welke fase een bedrijf zich bevindt.
- Ad hoc: In deze fase is niemand in de organisatie verantwoordelijk voor data en staat het niet op de agenda van het management. Er zijn een paar werknemers bezig met data en analytics, maar zonder een data strategie of beleid. De kwaliteit van data-analytics is zeer laag en alleen de verantwoordelijken hebben toegang. De data wordt niet opgeslagen en er wordt gewerkt met een basic analytics pakket.
- Opportunistisch: In deze fase zijn een aantal medewerkers verantwoordelijk voor data en analytics, maar binnen de directie is er nog weinig aandacht voor het onderwerp. De verantwoordelijke medewerkers hebben een vage strategie geformuleerd. Er is een kleine groep experts in het bedrijf aanwezig die de werkzaamheden uitvoeren. De data wordt in een kleine kring gedeeld en kwaliteit van data-analytics is laag. Een klein beetje data wordt opgeslagen. Het team werkt met een basic analytics pakket en rapportages worden vooral gedeeld via excel.
- Systematisch: In deze fase is data en analytics van redelijk strategisch belang voor het management en behoort het tot een takenpakket van een directielid. Er is een data strategie aanwezig en een afdeling van experts werkt eraan met een duidelijk beleid en proces. De kwaliteit van data-analytics is redelijk, veel werknemers hebben toegang tot de data en er wordt veel data opgeslagen. De medewerkers werken met een geavanceerd analytics programma en de data wordt via simpele dashboards met het bedrijf gedeeld.
- Onderscheidend: In deze fase is data van strategisch belang en ligt de verantwoordelijkheid voor het beleid bij een directielid. Die krijgt de opdracht op data hoog op de prioriteitenlijst van het bedrijf te zetten. Er is een duidelijke data strategie en de experts zijn verspreid over de hele organisatie. Er is duidelijk en goed gecommuniceerd data- en analytics beleid. De kwaliteit van data-analytics is goed en de meeste medewerkers hebben toegang tot de tools en data. Er wordt veel data opgeslagen, gewerkt met een geavanceerd analytics programma en de data wordt gedeeld via geavanceerde dashboards.
- Transformerend: In deze fase is data strategisch heel erg belangrijk en is het de enige taak van een directielid (chief digital officer of chief data officer). Er is een zeer duidelijke strategie en iedereen in het bedrijf is expert en ermee bezig. De kwaliteit van data-analytics is zeer goed, iedereen heeft toegang en alle data wordt opgeslagen. Er wordt gewerkt met een geavanceerd analytics programma en de data wordt gebruikt voor big data algoritmes.
Data Maturity vertalen naar ambitie en strategie
Het Data maturity model helpt bedrijven ook bij het formuleren van een strategie of beleid voor data en analytics. Zodra een bedrijf zijn data en analytics processen heeft geanalyseerd weet het in welke fase van data maturity het zit. Aan de hand van het model zijn op het gebied van management, organisatie, data en technologie kritische succesfactoren beschreven. Deze zijn te vertalen naar een nieuwe strategieën en stappenplannen.
Bij het bepalen van een strategie voor data en analytics helpt het ook om te kijken naar de ambitie van een bedrijf in vergelijking tot de huidige situatie. Je zou de ambitie kunnen vertalen naar een van de niveaus van data maturity. Als deze lager is dat de werkelijke situatie bij een bedrijf is het zaak als management veel zwaarder in te zetten op data. Het bedrijf is er immers al klaar voor. Maar het zal vaker voorkomen dat dat ambitie van een organisatie hoger is dat het data maturity niveau. Dan is het formuleren van een strategie of ambitie niet voldoende. Deze zal daadwerkelijk geïmplementeerd moeten worden met de nodige investeringen. En dat betekent mensen aannemen of omscholen, data centraal opslaan en er meer over rapporteren en gebruik maken van de juiste technologie.