Ton van Amelsfort

dinsdag 5 september 2017

Circulair Denken kan bij Data Science heel goed helpen om een vraagstuk scherper te formuleren, data makkelijker te interpreteren en de resultaten te implementeren. Daarnaast is er een vierde  aspect waarvoor Circulair Denken nuttig is bij Data Science: daar waar sprake is van dynamisch gedrag (tijdgebonden patronen) van en tussen de onderzochte elementen. Daarover gaat deze blog.

Steeds meer bedrijven en organisaties herkennen de waarde van gegevens. Zij hebben ook de intentie om die te gebruiken om ingezet beleid (bij) te sturen. Om die gegevens daartoe geschikt te maken is een hele industrie aan het ontstaan onder de naam: Data Science. In de bijbehorende folders wordt aangegeven dat het daarbij gaat om erachter te komen wat er gebeurt (met klanten, burgers, producten of machines), waarom dat gebeurt en of het voorspelbaar is. En als dat laatste zo is komt het ultieme doel: is het te beïnvloeden? Om dat allemaal te kunnen bereiken moet data worden verzameld, veredeld, samengevoegd en geanalyseerd. Bij die analyse wordt veel statistiek toegepast.

Veel van die statistiek is bedoeld om situaties die op elkaar lijken te vinden (“lijkt op … statistiek” of correlaties). Als je op internet een artikel koopt krijg je vaak daarna een klein lijstje met suggesties: mensen die dit artikel gekocht hebben, hebben ook dat artikel gekocht. Dat lijstje is een resultaat van statistische analyses. De bedoeling van de verkoper is duidelijk: jou zo snel mogelijk (bijna spontaan) nog een product verkopen ook al was dat niet je eerste doel. Deze impulsaankoop is dan het resultaat van een succesvolle beïnvloeding van het koopgedrag. Direct daarna worden de statistische gegevens  op de achtergrond weer geactualiseerd. Vanuit een IT oogpunt erg dynamisch. In het individuele verkoopproces wordt het statistisch resultaat echter statisch ingezet. Want tijdens het individuele verkoopproces worden geen veranderingen aangebracht in de statistische gegevens.

Wat in bovenstaande statistiek niet wordt meegenomen, en ook (nog) niet nodig is, is het dynamische gedrag of koopproces van de klant zelf. Het gaat immers allemaal erg snel. Nu is in bovenstaand voorbeeld de beïnvloeding  beperkt om je als klant zeer snel door de eerste vier fasen van de marketing cyclus te laten stappen: Attention, Interest, Desire en Action (AIDA) . Stel nu dat dit niet zo snel gaat en dat er als aanbieder meer tijd nodig is om te regelen dat de ander tot de gewenste actie over gaat. Dat langzamere proces gaat dan gepaard met feedback en geheugenwerking: er is sprake van een circulair proces tussen aanbieder en klant. Daarmee ontstaan afhankelijkheden tussen de verschillende elementen waarmee gemeten wordt in welke van de vier fasen de klant zit (A, I, D of A). Afhankelijk daarvan worden andere prikkels afgegeven. Immers, bij iemand die al interesse getoond heeft hoef je die interesse niet meer op te wekken. Door in dit circulaire proces alleen naar de meetgegevens te kijken is geen verklaring te vinden voor de zichtbare dynamische patronen tussen aanbieder en klant. Vaak wordt deze intuïtief geformuleerd (zie blog over emergentie)

Eerst maar even een eenvoudig voorbeeld: de voorraad in een keukenkastje. De gemiddelde manager in het huishouden zal (on)bewust de voorraad van een bepaald(e set van) product(en) in huis willen hebben. Er is dan sprake van onderstaande regelkringen:

diagram van een regelkring

Figuur 1 Circulair Diagram voorraad keukenkastje

De figuur is als volgt te lezen. Als de voorraad omlaag gaat zal de kans tot inkoop toenemen (rode pijl) . Als net voorraad is ingekocht zal de voorraad toenemen (groene pijl). De huishoudelijk manager zal de voorraad aanvullen als er een tekort dreigt en geen aankopen doen als de verwachting is dat er genoeg voorraad is. De behoefte van aanschaf ontstaat dus pas bij een (dreigend) tekort: als de jam (bijna) op is. En niet als er al genoeg voorraad. Indien in het laatste geval toch gekocht wordt zal dat alleen bij een groot financieel voordeel zijn. Dan komt er weer een regelkring bij, die van de financiële consequenties. Als alleen naar de data wordt gekeken (de aankoop van het potje jam) , kan het verschijnsel, dat er periodiek een potje jam gekocht wordt, niet verklaard worden. Vaak wordt de verklaring dan intuïtief geformuleerd: de klant koopt ongeveer elk kwartaal een potje jam omdat hij elke maand ongeveer de inhoud van een potje opmaakt. Dat onder dat koopgedrag een Circulaire structuur zit van enkele regelkringen wordt dan niet expliciet gemaakt. Nu is dit een vrij eenvoudig voorbeeld. Als het complexer wordt ( klantbehoud, personeelsbeleid, preventie, crowd management, participatie, inzet sociale media, etc) is het handig die Circulaire structuren expliciet zichtbaar te maken. Dit kan met Circulair Denken (een praktisch dialect van Systeemdenken). Door een Circulair diagram te maken (zoals in figuur 1), kan niet alleen een expliciete verklaring gevonden worden voor het zichtbare patroon in de meetgegevens. Er ontstaan tegelijkertijd suggesties voor andere meetgegevens zoals gemiddelde doorlooptijd of vertraging.

Waaraan kun je nu herkennen of er in een vraagstuk sprake is van een (traag) circulair proces? Dat herken je als er sprake is van een dynamische wisselwerking tussen aanbieder en klant en elementen van je vraagstuk tijdgebonden patronen in hun gedrag laten zien. Door nu direct bij begin van het formuleren van het (statistische) vraagstuk waarbij sprake is van (in de tijd gespreide) wisselwerking een Circulair Diagram te formuleren, wordt het vraagstuk zelf scherper geformuleerd, kunnen de gegevens makkelijker en expliciet geïnterpreteerd worden en de resultaten sneller met succes geïmplementeerd. Een Circulair diagram werkt dan als een vorm van “user interface” tussen de eigenaar van het vraagstuk, de data scientists en de verandermanager die verantwoordelijk is voor de implementatie van de consequenties. Sterker, met een Circulair Diagram kunnen inzichten uit de regeltechniek worden toegepast om de gewenste invloed op het Circulaire proces gerichter en effectiever te maken. Het voert te ver om hier uitvoerig op die regeltechniek in te gaan.

Mocht je meer willen weten hoe Circulair Denken kan helpen in het domein van de Data Science, Big Data of online marketing, neem dan contact met Ton van Amelsfort. Wil je dat anderen meer te weten komen over Circulair Denken dan kun je de url: www.circulairdenken.nl  naar de website doorgeven op LinkedIn of Facebook