Onderdelen Data Maturity Scan
De data maturity scan bestaat uit de volgende vier essentiële onderdelen.
Terug naar HSO.com
Pagina 4/5
Hoofdstuk 3
Data Excellence: waar begin je?
Veel bedrijven experimenteren met IoT, predictive maintenance en smart maintenance, zoals het plaatsen van sensoren en het ontwikkelen van machine learning modellen. Helaas blijft het vaak bij deze verkennende fase. Terwijl er zoveel kansen zijn om data toe te passen, óók in jouw productiebedrijf.
Om Data Excellence te bereiken is het nodig om verschillende data- en analyse-tools te gebruiken, voor bijvoorbeeld voorspellend onderhoud, geavanceerde robotica en track-and-tracing. Het begint allemaal met een datastrategie en data governance: de twee belangrijkste pijlers om Data Excellence te bereiken in de manufacturing.
Pijler 1: Datastrategie
Een datastrategie vormt de basis voor Data Excellence en beschrijft hoe data bijdraagt aan de langetermijndoelen van de organisatie. Een strategie geeft richting én wordt vertaald naar concrete acties. Zonder strategie is het moeilijk om maximale waarde te behalen uit je data. Bovendien wil je ook rekening houden met integriteit, veiligheid en compliancy. Dit zijn zaken die allemaal terugkomen in je datastrategie.
In een strategie maak je keuzes waarbij je je focust op de onderdelen die de meeste bedrijfsimpact hebben. Hierbij gaat het niet om middelen als IoT-sensoren of operational performance dashboards, maar om fundamentele zaken als operationele efficiëntie, procesoptimalisatie en nauwkeurige demand forecasts.
Stap 1 - Begin met een Data Maturity Scan
Stap één naar een goede datastrategie? Het in kaart brengen van de huidige situatie. Gebruik hiervoor het Data Maturity Model. Aan de hand van dit model onderzoek en beoordeel je de huidige situatie en bepaal je de ambitie van het bedrijf. Een datastrategie beschrijft namelijk het verschil tussen die stip op de horizon en de huidige situatie en vertaalt dit naar een roadmap. Zo kom je tot een optimale volwassenheid van datagedreven werken. Je kunt de huidige situatie in kaart brengen met behulp van een Data Maturity Scan.
- 1
Bedrijfsstrategie
De datacultuur, het leiderschap rondom Data Excellence (functies en draagvlak), en de huidige impact van data worden onderzocht. En is er een heldere businesscase voor de huidige data-initiatieven? Het is belangrijk dat de bedrijfs- en datastrategie in lijn zijn met elkaar.
- 2
Dataorganisatie
Is data toegankelijk voor de juiste personen en is er sprake van een Single Source of Truth (SSOT)? Stakeholders en communicatielijnen worden in kaart gebracht en er wordt gekeken of er voldoende vertrouwen is om op basis van de bestaande data besluiten te nemen.
- 3
Data
Wat is er al aan analytics- en reportingtools? Ook wordt onderzocht hoe datamanagement is geregeld, denk aan operating models, richtlijnen, resources en vaardigheden. Ook aspecten als data governance, security, privacy en compliancy worden meegenomen in de scan.
- 4
Technologie
Tot slot worden het IT-landschap en de verschillende databronnen en -stromen in kaart gebracht. Is er een gecentraliseerd data warehouse? En is deze geïntegreerd met andere systemen en applicaties, zoals een ERP- of CRM-systeem? Ook schaalbaarheid en de strategie rondom technologische updates komen aan bod.
Stap 2 - Ontwikkel je roadmap
Nu de huidige en gewenste situatie in kaart zijn gebracht, kun je aan de slag met de roadmap. Hierin zet je de datastrategie om naar concrete acties, prioriteiten en KPI’s. Ga je voor Data Excellence, hou dan rekening met een looptijd van drie tot vijf jaar. Laat je niet afschrikken, want de uitvoering is een kortcyclisch en agile proces van ideation, prototyping en implementing. Je behaalt dus al snel de eerste resultaten.
Pijler 2: Data governance
Zoals je hierboven al hebt gelezen, wordt binnen de Data Maturity Scan ook data governance meegenomen. Dat is niet voor niets, want zeker in manufacturing worden enorme hoeveelheden data gegenereerd door machines, sensoren en robots. En het is een uitdaging om efficiënt en adequaat om te gaan met zulke grote datasets. Data governance is een cruciaal onderdeel van een datastrategie en richt zich op het beleid, de processen en mensen die zijn betrokken bij het beheren, beschermen en optimaal benutten van de waarde van data.
Kwaliteitscriteria voor data governance
- Data Architecture
- Data Modeling & Design
- Data Management
- Data Quality
- Data Science
- Data Security & Privacy
- Data Warehousing & BI
- Document & Content Management
- Integration and Interoperability
- Metadata
- Reference & Master Data
- Storage & Operations
De voordelen van data governance
Data governance zorgt ervoor dat de kwaliteit van data op het juiste niveau komt om betrouwbare inzichten te krijgen die je weer kunt gebruiken voor het maken van besluiten. Je gaat per slot van rekening voor een Single Source of Truth (SSOT). Andere voordelen van data governance:
- Security, privacy en compliancy op het gebied van kwaliteitseisen en wet- en regelgeving worden gewaarborgd.
- Consistentie en eenduidigheid in datasets, terminologie en rapportage.
- Beleggen van eigenaarschap, zodat de verantwoordelijkheden bekend zijn en liggen bij de juiste afdelingen en personen.
- Draagvlak en samenwerking, door te werken vanuit een bedrijfsbrede visie en het doorbreken van datasilo’s.
Tijd, kwaliteit, veiligheid en transparantie zijn essentiële factoren in manufacturing. Om data als strategisch middel in te zetten en het gebruik hiervan te optimaliseren, is data governance onmisbaar. Je kunt dit vormgeven in een data mesh, waarbij bepaalde data toebehoort aan een expert op een specifiek domein. Hoewel methodieken en frameworks wel richting geven, is er geen standaardaanpak om data governance in te zetten. Data governance is maatwerk en leunt op de identiteit, cultuur en het onderscheidend vermogen van een productiebedrijf.