Een stappenplan voor succesvolle implementatie van voorspellende data-analyse

Voorspellende data-analyse in het veiligheidsdomein

De potentie van voorspellende data-analyse wordt in de publieke sector, en in het veiligheidsdomein in het bijzonder, ondertussen breed erkend. De vraag is: hoe maak je de volgende stap? Uit eerder onderzoek blijkt dat 85% van de IT-innovaties faalt door niet-technologische factoren. De implementatie van voorspellende data-analyse vormt hier geen uitzondering op. Om de kans op succesvolle implementatie van voorspellende data-analyse te vergroten doen veiligheidsorganisaties er verstandig aan het volgende vijf-stappenplan te volgen.

Gerelateerde content

  1. Zorg voor de juiste expertise
    De groeiende vraag naar de juiste expertise op dit gebied creëert een bepaalde mate van schaarste op de arbeidsmarkt. Organisaties doen er dan ook goed aan te van tevoren te bedenken of zij over de juiste expertise beschikken en hoe deze binnen de organisatie eventueel kan worden versterkt. Als tijdens de ontwikkeling en operationele inzet blijkt dat dit niet het geval is en er een inschattingsfout is gemaakt, komt de innovatie stil te staan. Voorkom dit door het belang van de juiste expertise te erkennen en hier tijdig op te anticiperen in onder andere het HR-beleid.
  2. Betrek vanaf het begin alle relevante afdelingen (en organisaties)
    Het succes van de transitie naar een voorspellende veiligheidsorganisatie valt of staat met de steun van de relevante afdelingen of organisaties. Binnen het veiligheidsdomein wordt veelal met brede organisaties of in netwerken gewerkt. Vaak zijn het de uitvoerende afdelingen of organisaties die eigenaar zijn van de data. Hun steun is dan ook essentieel. Door vanaf het begin een adviesgroep in te stellen waarin alle afdelingen of organisaties vertegenwoordigd zijn, wordt de relatie met deze afdelingen versterkt. Door de ontwikkelingen van het proces te blijven communiceren houden de verschillende afdelingen zicht op de toegevoegde waarde, waardoor het draagvlak groeit. Daarnaast biedt een adviesgroep de kans om de verschillende perspectieven te leren kennen en deze te integreren in het verloop van de innovatie.
  3. Inspireer alle betrokken personen en afdelingen
    Op het eerste gezicht een open deur: iedere innovatie heeft immers baat bij inspirerend leiderschap. Uit het onderzoek blijkt echter dat inspireren bij de implementatie van voorspellende data-analyse extra belangrijk is. Dergelijke toepassingen zijn relatief nieuw, waardoor niet iedereen een concreet beeld bij de toegevoegde waarde heeft. Laat met concrete voorbeelden zien hoe voorspellende data-analyse de slagkracht van de organisatie of het netwerk vergroot, maar laat ook zeker zien hoe bepaalde taken efficiënter en effectiever kunnen worden ingericht.
  4. Creëer een proefomgeving om op een veilige manier de risico’s te leren kennen
    Het implementeren van voorspellende data-analyse is nieuw en spannend. Een proefomgeving waarin op verantwoorde wijze kan worden geëxperimenteerd met data-analyse, kan helpen om op een veilige wijze de risico’s te leren kennen. Innovatie is ten slotte een proces van uitvinden wat wel en niet werkt. Een proefomgeving biedt daarnaast de mogelijkheid om de uitkomsten van de data-analyse te verifiëren. Dit verhoogt niet alleen de kwaliteit en accuraatheid van de uitkomsten, maar biedt tevens ook de kans om tijdig bij te sturen en eventuele veranderingen door te voeren.
  5. Erken de invloed van technologische veranderingen op bestaande organisatorische processen en relaties
    Wanneer de voorspellende data-analyse wordt geïntegreerd in de organisatie kan dit van invloed zijn op de eerdere manier van werken. Zo kan het vaker aanleveren van data worden ervaren als een extra controle van de uitvoerende onderdelen. Vraag je als organisatie af welke processen er veranderen, hoe dit van invloed kan zijn op de relaties en welke gevolgen dit kan hebben. Vervolgens kan het helpen om deze verandering toe te lichten en wederom te wijzen op de achterliggende gedachte en toegevoegde waarde.

Tot slot
De mogelijkheden van voorspellende data-analyse onbenut laten is geen optie, maar starten met een project dat door een verkeerde opzet vervolgens stagneert schiet ook niet op. Dat is niet alleen zonde van het geld en de geïnvesteerde tijd, maar heeft ook een demotiverend effect op vervolgprojecten. Begin daarom klein en bedenk van tevoren goed wat er nodig is om het proces tot een succes te maken. Het bovenstaande vijf-stappenplan biedt hierbij houvast om van uw veiligheidsorganisatie een voorspellende organisatie te maken.

CV:
Elin Berfelo heeft vanuit verschillende functies jarenlange ervaring in het veiligheidsdomein. Zij ziet in het gebruik van voorspellende data-analyse grote meerwaarde voor organisaties in het publieke (veiligheids) domein. Haar specialisaties zijn innovatie en organisatieverandering.

Marcel Vielvoije heeft ter afronding van de master Crisis and Security Management bij KPMG zijn afstudeerscriptie geschreven. Hierbij heeft hij onderzoek gedaan naar voorspellende data-analyse in het veiligheidsdomein.

Extra informatie

Download hier de PDF met meer achtergrondinformatie. (265 kb)

Neem contact met ons op

 

Offerteaanvraag (RFP)

 

Bevestig

Nieuwe digitale platform van KPMG

KPMG International heeft een state of the art digitaal platform ontwikkeld dat uw digitale ervaring verbetert en het vinden van nieuwe en relevante content optimaliseert.