Slechte gewoontes doorbreken met behulp van geautomatiseerde data-analyses

Door Mischa Masthoff, gepubliceerd op 30-08-2021

Bij mijn vrijwilligerswerk moesten dit weekend voor 150 mensen broodjes worden gesmeerd. Op enig moment zei iemand: “De boter smeren met een lepel gaat sneller.” Het gevolg: vijf minuten later zaten vijf mensen broodjes te smeren met de achterkant van een lepel. Dit artikel gaat niet over de vraag of je inderdaad met een lepel sneller boter op een broodje krijgt dan met een mes (ik ben zelf van de conservatieve leer: “als het echt sneller zou zijn, waarom doet niet iedereen dat dan iedere dag?”). Het gaat er om dat – ook in organisaties – op enig moment gewoontes ontstaan. Gewoontes die ontstaan, blijven bestaan en op een gegeven moment niet meer gezien worden. En daar komt data-analyse om de hoek kijken.

Een voorbeeld uit de praktijk

Bij veel financiële systemen wordt gewerkt met BTW-codes bij boekingen. Bijvoorbeeld om op een snelle manier aan te geven dat een boeking valt onder 9% BTW, omdat hij valt binnen de categorie “Aankoop goederen laag tarief”. Welke precieze code wordt gebruikt (bijvoorbeelde een bepaalde letter(combinatie) of een bepaald cijfer) hangt af van de inrichting van de administratie. Een organisatie kan zelf zijn eigen codes bepalen.

Er was eens een organisatie waarbij BTW code A stond voor de aankoop van goederen tegen laag tarief. Code V stond voor de aankoop van goederen tegen normaal tarief. In de hele organisatie ging dat goed. Behalve bij één business unit.

Iemand daar had gedacht dat A stond voor Aankoop van goederen tegen normaal tarief en V stond voor Verkoop van goederen tegen normaal tarief. Hij had zijn collega’s binnen de business unit geïnstrueerd en de werkinstructies op die foute aanname aangepast.

Eind van het liedje? Er zaten altijd veel meer fouten in de BTW-codes van deze business unit, dan bij de anderen.

Verborgen patronen in je data

Het probleem van dit soort gewoontes is dat ze op enig moment uit het niets ontstaan. Het ontdekken van de negatieve effecten van die gewoontes duurt in de praktijk vaak lang. Veel organisaties controleren hun BTW-codes op zijn best met grote interval (bijvoorbeeld jaarlijks). Als je dat doet, vind je deze fouten en corrigeer je ze op ad hoc basis. Pas als je regelmatig terugkerend analyseert, ontdek je patronen. “Hey, bij business unit X gaat het iedere keer fout met de BTW-codes.” De derde en laatste stap is dat je niet alleen de patronen in de fouten gaat ontdekken, maar ook de onderliggende oorzaak. Terug naar het boter-voorbeeld. Eerst ontdek je een keer dat alle schone lepels op zijn. Als je er op gaat letten en regelmatig kijkt, zie je dat de schone lepels steeds op zijn. Pas als je weet dat mensen hun lepel gebruiken om hun brood mee te smeren, kun je het probleem echt oplossen. Door meer lepels te kopen, of door mensen te vragen om voortaan toch gewoon een mes te gebruiken.

Hoe fouten in je data leiden tot extra werk

Het risico is dat je de negatieve effecten van nieuwe gewoontes niet ontdekt. Bijvoorbeeld omdat je je data-analyses nog in Excel doet en iedere analyse op datakwaliteit je daardoor veel tijd kost. Als iedere data-analyse je veel tijd kost, dan gebeuren er in de praktijk twee dingen. Je gaat minder vaak analyseren op datakwaliteit en je gaat minder breed analyseren op datakwaliteit (met andere woorden je controleert bijvoorbeeld wel op het onjuist gebruik van BTW-codes, maar niet op dubbele facturen of op foutieve reisdeclaraties). Het gevolg is dat je de negatieve effecten van nieuwe gewoontes niet ondekt. En dat is voor een goede administratie gevaarlijk. Het is belangrijk om je te realiseren dat een administratie werkt als een rivier. Administratieve processen vinden altijd een weg. Ook als er een obstakel opduikt. Het is alleen niet altijd de weg die het beste is.

Wat er dan kan gebeuren maakt het volgende voorbeeld duidelijk. Op een financiële administratie gold de werkinstructie bij afdeling A dat facturen die op het eerste gezicht veel op elkaar leken, maar niet dubbel waren in de boekingstekst voorzien werden van een of meerdere sterretjes (*). De eerste factuur kreeg een sterretje. De factuur die er op leek, maar toch net anders was, kreeg er twee. Afdeling B was hier niet van op de hoogte. Bij de uitvoering van hun taak – het gericht onderzoeken van potentieel dubbele facturen - kwamen ze veel sterretjes tegen. Zo veel, dat ze hun werkinstructies besloten aan te passen. Voortaan zouden ze bij iedere boeking met een of meerdere sterretjes eerst de sterretjes verwijderen. Met andere woorden, omdat ze zagen dat de schone lepels altijd op waren, begonnen ze – zo goed en zo kwaad als dat ging – soep te eten met een vork.

Hoe je met data-analyses ongewenst gedrag kunt voorkomen

Hoe je dit probleem het beste kunt oplossen hangt af van je capaciteit en je technische mogelijkheden. Als het enigszins kan, investeer dan in software waarmee je continu veel verschillende data-analyses geautomatiseerd kunt laten uitvoeren. Heb je die mogelijkheden niet, bouw dan desnoods de analyses zelf in Excel. Liever veel eenvoudige analyses, die je makkelijk regelmatig kunt uitvoeren, dan een handjevol complexe analyses, waarbij iedere analyse veel werk is. Omdat je niet weet waar de volgende maffe gewoonte gaat ontstaan, kun je beter regelmatig breed kijken, dan indicidenteel heel gericht. Vergelijk het met een strandwacht. Je kunt beter met een eenvoudige verrekijker continu van links naar rechts de zee afscannen op zoek naar potentiële drenkelingen, dan dat je met de meest geavanceerde telelens elk uur even naar een heel speficiek punt kijkt.

En mensen? Voor de duidelijkheid: we hebben niks tegen mensen die boter smeren met een lepel. Sommige van onze beste vrienden smeren hun boter met een lepel. Met een mes is gewoon handiger. Dat is alles...