Van data naar continu verbeteren

Door Dirk Westra van Holthe, gepubliceerd op 14-12-2023

Dit is deel 1 van een drieluik waarin we de kern uitleggen hoe je data kunt gebruiken om als organisatie, als team continu te verbeteren. Een methode die we een jaar of 10 geleden hebben bedacht en zich heeft bewezen. Dit eerste deel gaat in op de methode die onze klanten al jaren gebruiken om data uit hun systemen slim te gebruiken voor continue verbetering.

De formule voor continu verbeteren

In onderstaand plaatje vatten we de methode samen. Het eerste deel is het meest voorspelbare deel. Je verzamelt gegevens uit je systemen en analyseert die zo vaak als relevant. Controleresultaten volg je op en dan volgt wat maakt dat je tot continue verbetering komt. De gegevens die je tijdens de controle hebt verzamelt, combineer je met hoe je het controleresultaat hebt opgevolgd. En dat gebruik je om te analyseren wat er structureel verbeterd zou moeten worden.

We gaan nu in meer detail in op elk van de stappen, waarin we onder andere stil staan bij uitdagingen die je in de praktijk vaak tegen komt en hoe die op te lossen.

1. Verzamelen gegevens

Ondanks dat je deze methode ook kunt gebruiken om geautomatiseerd te sturen op uitzonderingen in je managementinformatie, werkt het volgens ons het beste om zo gedetailleerd mogelijke gegevens boven water te krijgen. De transactiegegevens van de verwerking van een specifieke factuur, van een (voorgenomen) betaling, van één declaratie. Of - als je in verkoop zit - individuele leads of (bijna) deals. Of als je voorraden hebt, een individueel item dat je op voorraad hebt.

Van zo'n individueel specifiek item wil je dan de voor je controle relevante gegevens hebben. Laten we een inkoopfactuur als voorbeeld nemen. Als je wilt controleren of er functiescheiding heeft plaatsgevonden, dan moet je de betrokken medewerkers bij de verwerking van die factuur in beeld krijgen. Als je wilt weten of je de factuur kunt betalen, dan moet je in beeld krijgen of de dienst of het product is geleverd. En als je wat verder wil gaan, kun je data verzamelen over verkoopfacturen aan dezelfde partij, financiële gezondheid van de crediteur en of ze in bepaalde registers voorkomen zoals surseance en op sanctielijsten.

Toegang tot de relevante data is in onze ervaring de grootste uitdaging bij deze stap. Zeker als je continu of heel vaak controles wilt uitvoeren. Je hebt dan of toegang nodig tot een dashboard of analyse module waar je zelf op elk gewenst moment de juiste data uit kan halen. Of - beter nog - toegang tot de API van het bronsysteem of een datawarehouse/datalake waar de voor jou relevante data in zit. Zo'n API is eigenlijk niet meer dan een stopcontact waar jij de stekker van jouw controle applicatie in kunt steken.

Vanwege privacy en beveiliging is het niet meer dan logisch dat niet iedereen zomaar een stekker in bronsystemen kan stoppen. Er zou dan maar zo sprake kunnen zijn van een data lek of schending van de privacy van medewerkers. Ga dan ook zo vroeg mogelijk met betrokken collega's om tafel of - als je zelf toegang hebt tot de data - zorg dat je borgt en netjes documenteert dat je netjes omgaat met de data.

2. Continu analyseren

Ok, de data heb je. En dan nu de controle of analyse. Hierbij is het in eerste instantie belangrijk dat je heel scherp krijgt wat je wilt controleren en waarom. Het helpt om heel expliciet uit te schrijven waarom je de data wilt controleren bijvoorbeeld om met de controle tijdig in te kunnen grijpen / te voorkomen dat een bepaald risico zich voordoet. Degene die dan de controle zelf gaan ontwikkelen kan dan - vanuit de data - meedenken of er nog andere manieren zijn waarop het risico zich voor zou kunnen doen.

Neem het voorkomen van dubbele betalingen. Stel je definieert je controle als volgt: "alle facturen waarbij de referentie, de factuurdatum, de leverancier en het bedrag gelijk is" dan krijg je een lijst met dubbele facturen. Maar de kans is groot dat je dubbele betalingen gaat missen. Stel dat herinneringen ook worden ingeboekt maar met een toevoeging op de referentie - iets dat we in de praktijk tegen zijn gekomen - dan doe je alsnog een dubbele betaling. Stel dat een uitzendbureau dezelfde periode dubbel in rekening brengt met een nieuwe referentie, dan mist je die ook. Zeker als de eerste factuur de inzet in januari en februari bevat, en de tweede de inzet in februari en maart.

Door het doel expliciet te maken "voorkomen van dubbele betalingen" stel je alle betrokkenen in staat om actief mee te denken hoe dit risico te voorkomen. Dit kan door met slimmere algoritmes de data te analyseren; via machine learning / AI. Dit kan ook door een slim moment te kiezen om te controleren; bijvoorbeeld vlak voordat de betaalbatch naar de bank gaat.

In de praktijk zien we iets geks. Op de één of andere manier is het heel moeilijk zo niet onmogelijk om een controle te definiëren die alle "goed" verwerkte transacties detecteert en de rest op een uitvallijst zet. Wat we wel kunnen, is controleren op alles wat fout kan gaan.

Je kunt transacties die goed gaan niet controleren, je kunt transacties wel controleren op fouten

Neem de stamgegevens crediteuren en debiteuren. Het is makkelijker om de controleren op dubbele relaties, op IBANs die niet kloppen, op de juistheid van BTW nummers, op relaties op sanctielijsten, in het insolventieregister of op andere lijstjes waar je liever niet op wilt staan als organisatie, etc. dan een controle te verzinnen die de relaties oplevert waar alles klopt, waar niks mee aan de hand is. Eigenlijk kun je "goed" in de praktijk alleen definiëren als die stamgegevens waar niks mee aan de hand is. Voor de opvolging is dit overigens wel zo prettig; je weet precies wat je moet oplossen. Voor het doel wat je wilt bereiken is het belangrijk om je te realiseren dat je nooit alle risico's in je controle kunt vangen. Wel heel veel risico's, echt heel veel, maar er zal altijd een restrisico zijn. Zeker wanneer er bewust sprake is van fraude en om controles heen wordt gewerkt.

Iets anders dat relevant is bij deze stap is hoe vaak en wanneer je je controle draait. Het werkt het beste als je dit afstemt op logische momenten wanneer de juiste mensen beschikbaar zijn om controleresultaten op te volgen. Wat we hiermee bedoelen is dat het technisch gezien geen enkel probleem is om alles continu en real time te analyseren. Maar het is veel effectiever om de controle op dubbele betalingen vlak voor de betaalbatch te draaien en om een controle op stamgegevens crediteuren en debiteuren 1 keer per maand halverwege de maand omdat het dan iets rustiger is en het team niet in een maandafsluiting zit.

Wel merken we dat een hogere controlefrequentie sterk bijdraagt aan het reduceren van risico's. Je kunt beter een paar keer per week een paar facturen op dat ze mogelijk dubbel zijn dan 1 of een paar keer per jaar achteraf. Door de hogere frequentie controleer je in de praktijk veel meer risicovolle facturen dan als je één keer per jaar alle mogelijke dubbele facturen van het afgelopen jaar gaat nemen. Je zit dichter op de bal en het lerend effect bij degene die de fout hebben veroorzaakt is groter als ze een fout moeten oplossen die gisteren of net nog is ontstaan, dan een fout die een half jaar geleden is ontstaan.

3. Opvolgen issues

In deze stap zorg je er idealiter voor dat degene die zelf betrokken is geweest bij de transactie, ook betrokken is om het controleresultaat op te volgen. Ofwel dat degene die een fout heeft veroorzaakt, ook zelf de fout corrigeert. IT technisch kun je vaak goed gebruik maken van log files om te zien wie wanneer betrokken was bij een transactie. Mensgericht wil je dat het resultaat zo wordt teruggekoppeld dat degene ook snapt waarom het fout was en waarom het zo moet worden gecorrigeerd.

Dit zorgt ervoor dat je als organisatie niet alleen brandjes blijft blussen, maar dat je op dit transactieniveau al leert van fouten die gemaakt zijn. In deel twee uit het drieluik zullen we dieper ingaan wat je nog meer kunt doen om het leereffect zo groot mogelijk te laten zijn.

Als je Excel, PowerBI of - in bredere zin - een analysetool of BI pakket gebruikt om je data te controleren, dan maak je in deze stap vaak gebruik van e-mail, Teams of telefoon om collega's te vragen controleresultaten te helpen oplossen. Ook als de collega's zelf toegang hebben tot een dashboard met controleresultaten, zien we in de praktijk dat er wel wordt gezegd dat resultaten worden opgevolgd, maar dat door de waan van de dag dit niet (volledig) gebeurt. Waardoor de brandjes alsnog in je administratie blijven zitten.

In onze oplossingen hebben we een workflow toegevoegd waardoor je efficiënt met eventuele meerdere collega's controleresultaten op kunt volgen. En groot voordeel is dat je met deze workflow ook vastlegt wat er in de opvolging is gedaan. Ofwel hoe het brandje is geblust.

4. Structureel verbeteren

En dat brengt ons bij de laatste stap. De controleresultaten uit de 2e stap en de registratie van hoe de resultaten zijn opgevolgd uit de 3e stap zijn goud waard als het gaat om het structureel verbeteren en oplossen van problemen. Je krijgt gedetailleerd inzicht in waar problemen zich precies voordoen, hoe groot (materieel) de impact is en in welke richting de oplossing gezocht moet worden.

Klanten die inmiddels de nodige stappen hebben gemaakt, zien we maandelijkse een analyse uitvoeren op deze data. De resultaten bespreken ze dan met een afvaardiging van iedereen die betrokken is. Dat overleg levert grotere en kleinere verbeteringen op die vaak diezelfde maand nog tot minder uitzonderingen leiden. En als de benodigde verbeteringen groter zijn, dan helpt de data om op feiten duidelijk te maken wat de business case is om die verbetering door te voeren.

Onze oplossingen bevatten de nodige dashboards en rapportages om deze stap te ondersteunen. Ook is het voor diepgaandere analyses mogelijk om de controleresultaten te visualiseren in onze eigen process mining oplossing. Met de data uit de bronsystemen maken we visueel inzichtelijk hoe processen feitelijk lopen - iets dat concurrerende oplossingen ook doen - waarbij we dan direct kwantificeren waar verspilling in processen ontstaan - iets dat een stuk minder concurrerende oplossingen doen. Ook koppelen we de controleresultaten aan deze procesanalyse - iets wat geen enkele concurrent doet - zodat je vanuit de procesanalyse op zoek kunt naar structurele oorzaken. Eerlijk is eerlijk, deze module is in de praktijk alleen relevant voor klanten die al de nodige stappen hebben gezet op datagedreven continu verbeteren.

De andere delen uit dit drieluik bevatten meer praktische handvatten om je data slim te gebruiken en aan de gang te gaan met continu verbeteren. Abonneer je op ons LinkedIn kanaal om een berichtje te krijgen als een volgende deel beschikbaar komt.