Data Driven Decision making in de supply chain
Data Driven Decision Making staat bij veel organisaties hoog op de agenda. Dashboards worden gebouwd, data lakes ingericht en analytics teams uitgebreid. Toch blijft de impact in de praktijk vaak beperkt. Besluiten worden nog steeds genomen op ervaring, overtuiging of urgentie, terwijl data vooral wordt gebruikt ter onderbouwing achteraf.
Tijdens een recent BLMC-webinar werd precies dit spanningsveld zichtbaar gemaakt aan de hand van een praktijkcase. Niet als technologisch succesverhaal, maar als een fundamentele discussie over sturing, besluitvorming en de rol van data analytics binnen de supply chain.
Waarom DDDM vastloopt in silo’s
De casus startte met een herkenbaar beeld. Een organisatie die formeel datagedreven wil werken, maar operationeel sterk is opgedeeld in silo’s. Divisies met eigen targets, eigen P&L en eigen optimalisaties. Vanuit dat perspectief worden rationele beslissingen genomen, maar op ketenniveau leidt dit tot suboptimale uitkomsten.
Hier werd meteen duidelijk waar Data Driven Decision Making vaak ontspoort. Niet door gebrek aan data, maar door gebrek aan een gedeelde besluitstructuur. Zolang beslissingen per afdeling worden genomen, zal data analytics vooral lokale optimalisatie versterken in plaats van ketenregie.
De doorbraak kwam pas toen het product centraal werd gezet. Niet de organisatie, maar het product werd het verbindende element tussen commercie, finance en supply chain. Door deze verschuiving ontstond ruimte voor ketenbrede besluitvorming, waarbij het totaalresultaat leidend werd boven individuele divisiebelangen.
Data analytics als hulpmiddel voor besluitvorming, niet als doel
Om deze ketenbrede sturing mogelijk te maken, werd gebruikgemaakt van data analytics in de vorm van een System Dynamics model. Dit model maakte het mogelijk om beslissingen te simuleren en de effecten zichtbaar te maken over tijd. Niet alleen op korte termijn, maar ook op strategische horizon.
Hier werd een belangrijk onderscheid zichtbaar. Data analytics werd niet ingezet om historische prestaties te verklaren, maar om toekomstige keuzes expliciet te maken. Wat gebeurt er als we andere verkoopbeslissingen nemen. Welke impact heeft een inkoopkeuze op marges verderop in de supply chain. En welke beslissingen versterken het geheel, ook als ze lokaal pijn doen.
In die zin fungeerde data analytics als een besluitinstrument. Niet als rapportage, maar als gedeeld referentiekader voor discussie en afweging.
DDDM rust op technologie, mensen en processen
Een tweede belangrijke les uit het webinar was dat Data Driven Decision Making nooit los gezien kan worden van organisatie-inrichting. De besproken aanpak rustte expliciet op drie pijlers: technologie, mensen en processen.
Technologie vormde het fundament. Meerdere datasets uit verschillende systemen werden samengebracht, gevalideerd en kritisch beoordeeld op kwaliteit. Niet alle data werd gebruikt. Slechte of onbetrouwbare bronnen werden bewust uitgesloten om discussies te voorkomen en vertrouwen te behouden.
Minstens zo belangrijk was de rol van mensen. Data analytics zonder businesscontext leidt zelden tot betere besluiten. In de case werkten data scientists intensief samen met business experts om aannames te toetsen en inzichten te duiden. Juist die combinatie maakte de modellen bruikbaar in de praktijk.
Processen zorgden voor borging. Heldere afspraken over eigenaarschap, kwaliteitsbewaking en gebruik van het model voorkwamen dat DDDM afhankelijk werd van individuen. Transparantie over dataherkomst en aannames versnelde besluitvorming en verminderde weerstand.
Big data als symptoom van besliscomplexiteit
Hoewel big data vaak wordt genoemd in relatie tot Data Driven Decision Making, liet deze case zien dat het begrip vooral betekenis krijgt vanuit complexiteit. Het ging niet om enorme volumes, maar om onderlinge afhankelijkheden tussen variabelen, divisies en tijdshorizonten.
De eerste fase van het traject bestond daarom uit exploratory data analysis. Deze fase duurde meerdere maanden en was gericht op data validatie en businessbetrokkenheid. Pas toen helder was welke data daadwerkelijk bijdroeg aan de besluitvraag, werd gestart met modelbouw.
Hier werd zichtbaar dat big data binnen DDDM geen startpunt is, maar een gevolg. Het ontstaat zodra beslissingen niet langer intuïtief te overzien zijn en analytische ondersteuning noodzakelijk wordt.
Organisatiebetrokkenheid bepaalt het succes van DDDM
Een terugkerend thema in het webinar was draagvlak. Data Driven Decision Making werkt alleen als mensen het vertrouwen hebben dat besluiten eerlijk, transparant en navolgbaar tot stand komen. Daarom werd vanaf het begin ingezet op brede organisatiebetrokkenheid.
Zowel horizontaal, tussen functies, als verticaal, van analist tot directie. Visualisaties en scenario’s maakten de impact van beslissingen tastbaar. Niet alleen wat de data liet zien, maar ook waarom bepaalde aannames werden gemaakt.
Dit vergrootte de acceptatie van besluiten, zelfs wanneer deze lokaal nadelig uitpakten. Mensen begrepen het ketenbelang en zagen hun eigen rol daarin terug.
Na oplevering werd het model overgedragen aan interne teams. Data science nam het technische beheer over, terwijl ketenteams uit finance, commercie en supply chain het model gebruikten binnen het S&OP-proces. Daarmee werd Data Driven Decision Making structureel onderdeel van de manier van werken.
Realtime data analytics versterkt strategische veerkracht
Een belangrijk voordeel van de gekozen aanpak was de mogelijkheid om realtime data te verwerken. Scenario’s konden direct worden aangepast, met inzicht in effecten op volumes en marges per divisie. Dit maakte besluitvorming sneller en robuuster.
In een volatiele supply chain omgeving vergroot dit de strategische veerkracht. Organisaties kunnen sneller reageren op marktveranderingen en besluiten continu toetsen aan nieuwe informatie. Data analytics wordt daarmee een dynamisch stuurmiddel in plaats van een statisch rapport.
Begin klein, denk groot
Tot slot benadrukten de sprekers het belang van pragmatisme. Data Driven Decision Making is geen alles-of-niets transformatie. Het traject begon klein, met één productgroep, en werd iteratief uitgebreid.
Waar de eerste fase maanden kostte, konden vervolgstappen steeds sneller worden gezet door hergebruik van architectuur en automatisering. Deze aanpak maakt DDDM schaalbaar en legt een stevig fundament voor verdere ontwikkeling richting geavanceerde data analytics, machine learning en AI.
Conclusie
De kernboodschap van het webinar was helder. Data Driven Decision Making is geen IT-initiatief en geen data analytics project. Het is een sturingsvraagstuk.
Pas wanneer data, besluitvorming en organisatie-inrichting expliciet met elkaar worden verbonden, ontstaat echte impact. Door silo’s te doorbreken, data analytics te koppelen aan concrete keuzes en organisatiebetrokkenheid centraal te stellen, wordt de supply chain wendbaarder, robuuster en toekomstbestendig.
Daar ligt de werkelijke waarde van DDDM, data analytics en het doordacht inzetten van big data.