Datagedreven besluiten hoeven echt niet perfect te zijn: 54 procent goed is ook effectief

Na de eindejaarsconference van Peter Pannekoek bleef tenminste één uitspraak me bij: De beste tennissers ter wereld winnen helemaal niet zo veel punten in een wedstrijd. Vaak net iets meer dan de helft. Maar toch winnen ze voldoende wedstrijden en toernooien om de beste van de wereld te zijn.

“AI hoeft het spel niet perfect te maken, als het helpt om vaker de juiste beslissing te nemen, is het al winst”

Die gedachte zette me aan het denken. Niet vanwege tennis (ik ben niet zo’n sporter), maar omdat dit zo herkenbaar is voor datagedreven besluitvorming in organisaties.

Topsport als spiegel voor besluitvorming

Tennissers als Rafael Nadal en Roger Federer zijn inmiddels gestopt als professioneel tennisspeler, maar hun cijfers zijn nog steeds leerzaam. Over hun hele carrière bekeken wonnen zij gemiddeld slechts 52 tot 54 procent van hun punten. Dat betekent dat ze bijna net zo vaak een punt verloren als wonnen.

Wat daarbij vaak wordt vergeten, is dat elk punt het resultaat is van een reeks keuzes. Waar sla ik de bal heen? Neem ik risico of speel ik veilig? Ga ik aanvallen of blijf ik in de rally? En hoe reageer ik op wat mijn tegenstander doet? Die keuzes maken ze in een fractie van een seconde, zonder volledige informatie. Ze weten niet wat het volgende punt oplevert. Ze weten alleen wat in vergelijkbare situaties vaker werkte. Soms pakt dat goed uit, soms niet. En dat accepteren ze.

Hun kracht zat niet in altijd de juiste bal slaan, maar in over de hele wedstrijd net iets vaker de juiste beslissing nemen dan de tegenstander. Net als bij tennis gaat het in organisaties zelden om één beslissing, maar om een opeenstapeling van kleine keuzes die samen het verschil maken.

Datagedreven besluitvorming vraagt geen perfectie

In mijn werk zie ik dat datagedreven besluitvorming vaak wordt gekoppeld aan zekerheid. Alsof data en analyses het juiste antwoord geven, mits je data maar perfect is en als je maar genoeg cijfers verzamelt. Maar zo werkt het niet. Data helpen om betere keuzes te maken, niet om fouten uit te sluiten. Je werkt altijd met onvolledige informatie en met waarschijnlijkheden. Wachten tot alles zeker is, betekent meestal dat je te laat bent.

“Modellen zitten er soms naast. Dat is geen probleem, zolang je blijft kijken, leren en bijsturen”

Datagedreven besluitvorming vraagt dus om nuchterheid én lef. Je gebruikt data om richting te kiezen, je neemt een besluit en je kijkt wat het effect is. Werkt het niet zoals verwacht, dan stuur je bij. Net als veel sporten gaat het niet om dat ene punt, maar om het resultaat over tijd.

Wanneer kleine verbeteringen het verschil maken

Dat heb ik zelf concreet ervaren toen ik een tijdje interim als analist werkte bij T-Mobile Nederland, tegenwoordig Odido. In een competitieve telecommarkt ging het niet om één grote doorbraak. Het ging om structureel iets beter presteren dan de concurrent.

Met data keken we naar klantgedrag, uitstroom, klantwaarde en campagnes. Niet om elke individuele klant perfect te voorspellen, maar om op groepsniveau betere keuzes te maken. Wie benader je wel, wie niet. Waar zet je budget in. Wat werkt en wat niet.

Dat leidde niet tot spectaculaire sprongen, maar wel tot een groei, destijds, van het marktaandeel van 6,8 procent naar 7,2 procent (huidige cijfers zijn anders). Op papier een klein verschil. In de praktijk ging het om duizenden extra klanten en een duidelijke bijdrage aan de businessdoelstellingen. Precies dat is de kracht van kleine verbeteringen, mits je ze consequent doorvoert.

HR Analytics Opleiding

De 4-daagse HR Analytics Opleiding is een compacte, gespecialiseerde opleiding, waarin je leert om datagedreven HR-analyses te ontwikkelen, strategische HR-beslissingen met data te onderbouwen en data en AI in te zetten binnen HR. Cases en oefeningen helpen je de theorie in de praktijksituaties te plaatsen.

Meer informatie

Van klanten naar medewerkers

Diezelfde logica geldt ook voor het werven en behouden van medewerkers. Veel organisaties zoeken naar de ideale kandidaat of het perfecte HR-beleid. Maar ook hier werkt het spel anders. Met HR-data en AI kun je patronen zien in instroom, doorstroom en uitstroom. Je krijgt beter zicht op waar het goed gaat en waar risico’s ontstaan. Niet om elke individuele beslissing foutloos te maken, maar om gemiddeld betere keuzes te maken dan voorheen.

Iets betere selectie. Iets gerichtere aandacht voor behoud. Iets eerder ingrijpen bij een hoger risico op verzuim of een verhoogd verlooprisico. Op schaal vertaalt zich dat direct naar het realiseren van de businessdoelstellingen.

AI in HR: praktisch en ondersteunend

AI kan dit versterken, zolang je het praktisch houdt. AI toepassen in HR-analytics betekent niet meteen het vervangen van mensen, maar is slechts een hulpmiddel. Het helpt om sneller patronen te herkennen in grote hoeveelheden data, zoals medewerkersonderzoeken, verzuimcijfers of verloopanalyses.

Ook hier geldt dat AI werkt op basis van kansen, niet op basis van zekerheden. Modellen zitten er soms naast. Dat is geen probleem, zolang je blijft kijken, leren en bijsturen. Organisaties die daar nuchter mee omgaan, halen daar juist veel waarde uit. AI hoeft het spel niet perfect te maken. Als het helpt om vaker de juiste beslissing te nemen, is het al winst.

Vooruitkijken met realisme

Dus stop met het streven naar perfecte besluiten. Alles hoeft niet op voorhand te kloppen. Niet elk risico hoeft te zijn afgedekt. Wie zo speelt, durft nauwelijks te bewegen. Datagedreven besluitvorming vraagt iets anders. Het vraagt dat je accepteert dat 54 procent van de maximale score soms genoeg is. Dat je keuzes maakt, kijkt wat het effect is en bijstuurt waar nodig.

“Een prettige gedachte voor goede voornemens… niet de vraag of je alles zeker weet, maar of je bereid bent om stap voor stap beter te worden”

Als je wacht op de perfecte data, het perfecte moment of het perfecte plan, begin je vaak helemaal niet. Als je accepteert dat kleine verbeteringen genoeg zijn, hou je het langer vol en kom je verder. Misschien is dat wel een prettige gedachte voor goede voornemens, in werk én privé. Niet de vraag of je alles zeker weet, maar of je bereid bent om stap voor stap beter te worden. In besluiten, in HR en in het realiseren van je doelen. Dat blijkt in de praktijk vaak meer dan genoeg om te winnen.

LEES OOK:

• Onboarden voor managers: waarom data en analytics niet mogen ontbreken
• Cijfers liegen niet – maar onze luiheid zorgt nog wel eens voor verkeerd interpreteren…