Voordelen en gevaren van Big Data voor Inkoop
Een inkoper, verantwoordelijk voor de inkoop en planning van schepen, maakt een significante besparing op de stookolie. Hij houdt er een dikke bonus aan over. Toch schuift hij een maand later met hangende schouders aan bij Alwin Sixma, associate bij het Big Data Value Center. Hij heeft namelijk geen flauw idee hoe hij die besparing behaald heeft en volgend jaar wordt uiteraard wel weer dezelfde prestatie verwacht.
Sixma is met partner We4Sea aan de slag gegaan. Zij zien dat zeevaart onderhevig is aan een aantal factoren: de motor, de wind, de zee, de vracht en de kapitein. Veel van deze factoren kun je meetbaar maken en dan vind je de reden waarom een schip meer of minder brandstof verbruikt.
Dit voorbeeld illustreert dat je er als inkoper goed aan doet om te kijken wat de duurste processen zijn waarin geïnvesteerd wordt. “Wat zijn de factoren die daarop inwerken? Wat zou ik nog meer willen weten? Zijn er nog zaken die ik niet in beeld heb? Daar kun je op sturen”, vertelt Sixma. “Op het moment dat partijen aan de slag gaan met (Big) Data, dan moeten ze dat doen vanuit een urgente vraag. Het is zelden waardevol om andersom te redeneren; Ik heb een bak data, wat kan ik daarmee?”
De adoptiefases
Steeds meer bedrijven ontdekken dat Big Data ontzettend interessant is. “In de regel gaan bedrijven door een ontdekkingsproces. Ze adopteren de hype en vervolgens raken ze gefrustreerd en teleurgesteld, omdat ze de hype niet goed begrijpen. Ze hebben het idee dat Big Data al hun problemen kan oplossen, maar dat is natuurlijk onzin. Bedrijven die doorzetten, krijgen een realistischer beeld van data-innovatie en waardecreatie. Zij ontdekken dat ze zelf veel data in huis hebben en dat er externe databronnen beschikbaar zijn, die kunnen helpen om het proces te verbeteren, nieuwe diensten te ontwikkelen of anders te functioneren.”
Slimme sensoren
Inkopers kopen spullen in om producten die ze hebben ingezet te vervangen. “In de energiewereld wordt dat bijvoorbeeld gedaan op basis van een theoretische afschrijfdatum. Een element in het elektrische netwerk schrijf je na 50 jaar af en dan bestellen inkopers een duur nieuw element en plaatsen dat. Dat doen ze, omdat ze niet zeker weten of het onderdeel 60, 70 of misschien wel 100 jaar mee kan gaan, en daarom is er een theoretische afschrijfdatum neergezet. Wat als je wel kan weten wat de uiterste afschrijfdatum is? Door slimme sensoren in te zetten, kun je zien wat de performance van het systeem is en kun je beter inschatten wanneer het element vervangen moet worden. Dit scheelt miljoenen.”
Voorzichtige conclusies
Sixma raadt wel aan voorzichtig conclusies te trekken uit data. “Sommige dingen zijn niet altijd zoals je denkt dat ze zijn. Een grote e-commerce organisatie heeft zijn vingers hier al eens aan gesneden bij de introductie van een stuk speelgoed. De organisatie had zich net verdiept in social media verrijking. De inkopers gingen ‘minen’ in data en trokken daaruit conclusies over de behoefte van het nieuwe speelgoed. Zij zagen dat er veel gesproken werd over het product. Ze waren zelfs een tijdje trending topic. Op basis hiervan kochten zij enorme hoeveelheden van het speelgoed in. Na de lancering werden zij met een probleem geconfronteerd,
want ze hielden een flinke voorraad over. Ze hadden bij de social media analyse geen sentimentanalyse uitgevoerd. Er werd weliswaar veel gesproken over het product, maar niet op een positieve manier.”