Welkom in een bijna geoptimaliseerde wereld Ronald Buijsse - November 2017 - 1e uitgave - 2e versie

1
Welkom in een
bijna geoptimaliseerde wereld
De waarde van analytics
voor het optimaliseren van beslissingen
Ronald Buijsse
November 2017

2
Inhoud
1. Inleiding.........................................................................................................................5
2. Welkom in een bijna geoptimaliseerde wereld ............................................................14
3. Werken aan een geoptimaliseerde wereld ..................................................................21
4. Analytics nader bekeken .............................................................................................31
4.1. Definitie van analytics...........................................................................................31
4.2. Analytics toepassen: Plus Beslismodel en Analytics Cirkel ..................................33
4.3. Analytics technieken.............................................................................................38
4.4. Voor- en nadelen ..................................................................................................38
5. Analytics toepassen ....................................................................................................42
5.1. Waarom nu ...........................................................................................................42
5.2. Waar toepassen?..................................................................................................47
5.3. Cases van bedrijfsmatige toepassingen ...............................................................49
6. Analytics: een paar aandachtsgebieden......................................................................67
6.1. Denkfouten ...........................................................................................................67
6.2. Acceptatie.............................................................................................................70
6.3. Modelmatig werken...............................................................................................72
6.4. Digitalisering en kwantificering..............................................................................73
6.5. De grote rol van rekentijden..................................................................................76
6.6. Analytics technieken.............................................................................................77
6.7. De analytics specialist ..........................................................................................79
7. Hoe realiseren?...........................................................................................................80
7.1. De projectstappen.................................................................................................80
7.2. Aandachtspunten bij de realisatie.........................................................................88
8. Change Management..................................................................................................90
8.1. Type verandering..................................................................................................90
8.2. Succescriteria voor change management.............................................................94
9. De toekomst: een geoptimaliseerde wereld ................................................................98
Dankwoord.......................................................................................................................103
Colofon ............................................................................................................................103
Noten ...............................................................................................................................104

3
Voorwoord
Instinct versus Analytics
Mensen denken snel en langzaam. Dat heeft Daniel Kahneman, die in 2002 als psycholoog
de Nobelprijs voor economische wetenschap ontving, overtuigend bewezen in de
wereldwijde bestseller “Thinking, Fast and Slow”. Hierin beschrijft hij dat mensen beschikken
over twee manieren van denken. Systeem 1 is onze snelle, automatische, intuïtieve en
vrijwel onbewuste manier van denken. Systeem 2 is onze langzame, doelbewuste,
analytische en bewust moeizame wijze van redeneren.
Dit onderscheid in menselijk denken is van cruciaal belang voor ons huidige dagelijks leven,
als professional en als consument. Want we leven nu in het tijdperk van Analytics en Big
Data, waarbij verschillende trends bij elkaar komen. De trend waarbij, mede dankzij een
steeds meer gedigitaliseerde wereld, de data volumes enorm toenemen, want de
connectiviteit via internet resulteert in een immer toenemende hoeveelheid te analyseren
data. De trend waarbij verschillende domeinen, zoals marketing en productie, dankzij
verbeterde software veel gemakkelijker met elkaar kunnen communiceren. En de trend
waarbij we met de nog steeds enorm sterk groeiende rekenkracht van wiskunde en de
computer, ook daadwerkelijk iets kunnen doen met die data en connectiviteit. Waardoor
analyses en beslissingen binnen secondes of minuten kunnen plaatsvinden, waar dit anders
minimaal uren of dagen aan rekenen kostte.
De vraag is dan ook niet of, maar eerder wanneer en hoe Analytics en Big Data toe te
passen. Het systeem 1, intuïtief denken, komt voort uit persoonlijke ervaringen, waarin een
enorme schat aan vaak niet gekwantificeerde en niet gedigitaliseerde kennis opgesloten ligt,
wat daarmee niet toegankelijk lijkt te zijn voor analytics. Maar moderne computers kunnen
met behulp van Artificial Intelligence (AI) ofwel kunstmatige intelligentie, nu ook deze
ervaring vertalen in data en computermodellen. Computermodellen worden nu aangeleerd
om met spelletjes zoals schaken en het Chinese Go te winnen van menselijke grootmeesters.
Echter: ook modellen kunnen vals spelen, zoals bleek uit een AI onderzoek met het
speedboot-computerspel CoastRunners. De AI had uitgevonden dat de score
gemaximaliseerd kon worden door rondjes te varen in plaats van het volledige parcours.
Menselijke intuïtie blijft van groot belang om er voor te zorgen dat het gebruik van data en
modellen geen absurde uitkomsten oplevert.
Dat de wereld Big Data, Analytics en AI absoluut nodig heeft, blijkt wel uit de wereldwijde
uitdagingen van dreigende schaarste en van vernietigende milieuvervuiling die alleen door
het verbeteren van beslissingen zijn te verhelpen.
Als uitgever en hoofdredacteur van Supply Chain Magazine volg ik de ontwikkelingen in
Analytics al jaren en heb er regelmatig over geschreven en gepubliceerd. Met het boek
“Welkom in een bijna geoptimaliseerde wereld” heeft de lezer een praktisch en compleet

4
overzicht van verschillende theorieën, benaderingen en praktijkvoorbeelden over Analytics
toepassingen. Dit alles moet beslissers verder helpen de laatste stappen te zetten naar een
daadwerkelijk geoptimaliseerde wereld.
Martijn Lofvers
CEO & Chief Trendwatcher Supply Chain Media

5
1. Inleiding
Waar staan we?
We leven in een wereld met bijna ongekende mogelijkheden. In de afgelopen 100 jaar is er
veel verbeterd in onze wereld. Dat blijkt onder andere uit de vele positieve trends die Johan
Norberg in zijn boek Progress schetst.
Figuur 1 Bron Johan Norberg: Progress1 - Ten Reasons to Look Forward to the Future
Toch is er alle reden om voortdurend aan verbeteringen te blijven werken. Dat blijkt onder
andere uit publicaties over de Human Welfare and Ecological Footprints2. Al sinds 1971
verbruikt de wereldbevolking meer grondstoffen dan de wereld kan produceren. Ondanks
het feit dat er meer productieve grondgebieden zijn bijgekomen en dat er per hectare meer
geproduceerd kan worden. De groei van de bevolking en het verbruik per persoon groeien
veel harder dan de capaciteit van de aarde. Zie figuur 2.aaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Figuur 2 Weergave van capaciteit en belasting van de aarde volgens Global Footprint
Netwerk2. Zie ook WNF – 2016 Living Planet Report

6
In 2012 gebruikten mensen gemiddeld de opbrengst van 2.84 gha per jaar, terwijl de wereld
een capaciteit had van gemiddeld 1.7 gha per persoon. Inwoners van Europese landen
gebruiken hierbij gemiddeld 6 gha per jaar, inwoners van de VS gemiddeld 10 ha3 per jaar.
Dat betekent dat pakweg 20 procent van de wereldbevolking in 2012 verantwoordelijk was
voor ongeveer 50 procent van het totale verbruik2. Dit verschil in gebruik per regio komt
goed tot uitdrukking in figuur 3, waarbij ook een relatie wordt gelegd tussen verbruik van
middelen, uitgedrukt in global hectares footprint per persoon (horizontale as) en het niveau
van de welvaart (verticale as).
Figuur 3 Overzicht van Global Footprint per persoon voor een selectie van landen4
Bijzonder is dat binnen de groep van welvarende landen de verschillen in
grondstoffenverbruik groot zijn. Zo verbruiken inwoners van de VS bijna tweeëneenhalf keer
zoveel grondstoffen per persoon als inwoners van andere landen met hetzelfde
welvaartsniveau. Blijkbaar zijn er nu al mogelijkheden om veel effectiever met grondstoffen
om te gaan, zonder aan welvaartsniveau in te boeten. Niet alleen de omvang van het
verbruik, ook de verdeling van het gebruik van grondstoffen over de verschillende
categorieën zoals voeding, huisvesting, mobiliteit en de aankoop van producten en diensten
is sterk verschillend per regio. Zie figuur 4.

7
Figuur 4 Footprint per persoon in drie landen vergeleken. Bron: 2016 Living Planet report
Natuurlijk kan met een restrictief beleid het niveau en de verdeling van verbruik bijgesteld
worden. Echter, de inschatting is dat dit tot veel spanningen zal leiden. Daarom is de
centrale vraag: hoe kunnen we de bronnen van deze wereld bedrijfsmatig op een slimmere
manier inzetten, zonder de wereld uit te putten en tegelijkertijd die bronnen beter te
verdelen? Kortom: hoe realiseren we een optimale wereld, zoals die in het Sustainable
Development Goals programma20 van de Verenigde Naties verwoord is?
Figuur 5 De 17 doelstellingen van het Sustainable Development Goals programma van de
Verenigde Naties
Er is voldoende bewijs dat de menselijke creativiteit groot genoeg is om die uitdaging aan
te gaan. Zowel bedrijven als overheden en consumenten hebben een enorme ambitie om
dit probleem op te lossen. Resultaten zijn er ook en die zijn bemoedigend. Alleen ligt het
tempo van verbeteringen nog steeds laag. Deels is dit te verklaren uit het ontbreken van
voldoende financiële prikkels. Echter, het is ook duidelijk dat mensen, als consument en
producent, zich nog onvoldoende bewust zijn van de problemen. Of onvoldoende bekend

8
zijn met de kansen om ze op te lossen. Wellicht zijn oplossingen nog niet overtuigend
genoeg of ontbreken de randvoorwaarden voor een goede oplossing.
Verbeteringen
Veel verbeteringen zijn al toegepast en voor velen herkenbaar, zoals in de manier waarop
we afvalstromen beter beheersen, of in de nieuwe vormen van klimaatvriendelijk vervoer.
Er zijn ook verbeteringen die nauwelijks zichtbaar zijn, maar evenveel of nog meer impact
hebben. Dat geldt ondermeer voor verbeteringen in de manier waarop we meer inzicht
krijgen en betere beslissingen kunnen nemen, privé en bedrijfsmatig. Vaak beslissen we
nog op basis van onze eigen beperkte ervaring en onvolledige informatie. Maar er komen
steeds meer mogelijkheden om hierbij een beroep te doen op ervaringen van anderen en
op basis van steeds meer volledige informatie. Zoals vastgelegd in beslismodellen en een
bijna oneindige hoeveelheid informatie. Met enorme verbeteringen in besluitvorming en
resultaten tot gevolg.
Wat is het geheim? Analytics.
Analytics
Analytics is het toepassen van analyse- en beslissingsmodellen op uitgebreide
datasets voor meer inzicht, beter advies en betere beslissingsondersteuning.
Modellen zijn hierbij vooral softwarematige modellen, die via enkele van de vele analytics-
technieken zoals clustering, regressie, classificatie en optimalisatie, de datasets verzamelen,
bewerken en presenteren in de vorm van een inzicht, een advies een actie of een planning
met meerdere acties. Datasets bevatten zowel gestructureerde, gedigitaliseerde en
gekwantificeerde datasets uit interne en externe bronnen, ook wel bekend als Small Data.
Maar ook ongestructureerde, niet gekwantificeerde en soms ook nog niet gedigitaliseerde
datasets uit interne en externe bronnen zoals Social Media, beter bekend als Big Data.
Een analytics-oplossing of systeem bestaat uit een combinatie van analytics bewerkingen
die via een algoritme (een recept of set van regels die de volgorde van stappen in een
operatie bepaalt) uitgevoerd worden. Een voorbeeld van zo’n analytics- oplossing wordt
geschetst in de figuur hieronder, waarbij in vijf stappen met vier analytics bewerkingen
(selectie, clustering, discriminant-analyse, modeldefinitie en uitvoering) een prijsmodel voor
een marktsegment bepaald en toegepast wordt.

9
Figuur 6 Weergave van het toepassen van analytics-bewerkingen om marketingdata te
vertalen in een marketing-model en beslissingen
Analytics kan eenmaal toegepast worden om een herbruikbaar model op te stellen en daarna
vele malen te gebruiken met nieuwe datasets. De analytics stappen kunnen ook steeds
opnieuw doorlopen worden, om voor elke nieuwe dataset steeds het optimale model te
maken.
Het aantal op analytics gebaseerde systemen is de laatste dertig jaar enorm gegroeid. Net
als de analytics technieken om goed te kunnen werken met deze modellen en datasets.
Daarnaast heeft een meer bedrijfskundige aanpak en de overgang naar een sterk
gedigitaliseerde wereld er voor gezorgd dat deze modellen en datasets, samengevat onder
te term analytics, nu ook beter tot hun recht komen. Tot het einde van de 20e eeuw was
dat nog maar beperkt het geval5.
Bij business analytics wordt analytics gecombineerd met bedrijfskunde-kennis voor
succesvolle toepassingen in het bedrijfsleven. Vroeger werd het analytics vakgebied ook wel
omschreven als operations research, management science of besliskunde. Daarnaast
onderscheidt men nog data science, als de gecombineerde inzet van wiskunde, statistiek en
informatie technologie, waarbinnen analytics een belangrijke rol speelt. En er zijn nog veel
meer buzzwords, vaak omschrijvingen van specifieke technieken, die gerelateerd zijn aan
analytics, zoals big data, artificial intelligence, machine learning, forecasting, deep learning
et cetera.
Analytics kent eenvoudige en geavanceerde toepassingen. De eenvoudige toepassingen
worden samengevat onder de term business intelligence of rapportage. De meest vergaande
vorm van analytics noemt men optimalisatie. Daarin worden vrijwel alle analytics-
componenten gecombineerd: het verzamelen en verrijken van data en het analyseren,
voorspellen, adviseren, beslissen, uitvoeren van acties, rapporteren en bijsturen op basis
van modellen en grote datasets. Om vervolgens uit alle haalbare opties de beste oplossing

10
te kunnen kiezen. De analytics-varianten worden goed samengevat in het analytics-model
van Davenport.
Figuur 7 Varianten van analytics volgens Davenport
Een uniek aspect van analytics is het feit dat ervaring van onszelf en van anderen, over hoe
om te gaan met situaties en trends, duurzaam vastgelegd kan worden in analytics-modellen.
Hierdoor is veel ervaring eenvoudiger voor een brede doelgroep toegankelijk. Grote groepen
kunnen hierdoor sneller en beter beslissen op basis van de ervaring van de beste experts
en de meest uitgebreide datasets. Met enorme besparingen in tijd, geld en middelen tot
gevolg.
Voordelen van het gebruik van analytics bij beslissingen ten opzichte van de meer op
perceptie en protocol gebaseerde beslissingen, zijn onder andere: voorgestelde keuzes zijn
realistischer, beter uitvoerbaar, transparanter, robuuster, maken beter gebruik van
middelen en bevatten minder denkfouten dan andere vormen van beslissingsondersteuning.
Daarnaast helpt analytics dus ook bij het beter en sneller vastleggen en doorgeven van
kennis. Zeker als die modellen en bijbehorende data online beschikbaar zijn, waardoor
wereldwijd sneller betere beslissingen gemaakt kunnen worden. Of beter verwerkt zijn in
producten en diensten, als soms onzichtbare kracht op de achtergrond.
Analytics en Big Data?
Kort na de opkomst van de term analytics werd ook de term Big Data populair. Big Data
heeft betrekking op de omvang en samenstelling van de datasets die met analytics bewerkt
kunnen worden. Deze datasets kenmerken zich door de vier V’s, door specialisten soms
uitgebreid tot de zeven V’s. Dankzij analytics kunnen Big Data- bestanden vertaald worden
naar inzichten, beslissingen en acties. Dankzij Big Data is de interesse in analytics enorm
gegroeid. Big Data is met name opgekomen door de digitalisering van de maatschappij,
inclusief de opkomst van social media.

11
De 7 V’s Omschrijving Voorbeelden
Volume De omvang van de
dataset
Datasets kunnen soms tot 100 terabytes (100.000
GB) per bedrijf groot zijn
Velocity De snelheid waarmee
nieuwe informatie
beschikbaar komt
Dit geldt bijvoorbeeld voor informatie van
aandelenbeurzen, of informative gegenereerd door
sensoren, ook wel bekend als “the internet of
things”.
Variety De variëteit in typen
data
Datavarianten zijn o.a. social media content, tekst,
video, tweets et cetera.
Veracity De onzekerheid ten
aanzien van kwaliteit
van data
Uit de informatie zelf (bijvoorbeeld een
verkoopvoorspelling) kan men niet aflezen hoe
betrouwbaar deze is.
Value De mogelijke waarde
van data
Zijn de data “need to have” of “nice to have”, zijn
de data “actionable”: kunnen op basis van de date
beslissingen genomen worden.
Variability De betekenis van data
kan soms variëren,
afhankelijk van het
moment of de context
De term “klimaatbeheersing” heeft in de politiek
een andere betekenis dan bij een specialist van
koelsystemen.
Visualization De mate waarin de data
leesbaar zijn
Door visualisatie kan het inzicht in data sterk
verbeterd worden.
Tabel 1 De 7 V’s van Big Data
Analytics en duurzaamheid: een sterke combinatie?
Bedrijven kunnen al lang niet meer alleen sturen op winstgevendheid. Steeds meer
bedrijven, gestimuleerd door klanten, medewerkers en de overheid, sturen aan op de drie
P’s: Prosperity (welvaart voor het bedrijf en de maatschappij; voorheen omschreven als
Profit), People (medewerkers en klanten) en Planet. Een vergelijkbare focus wordt bereikt
met doelstellingen voor de de drie E’s: economische, ecologische en ethische doelstellingen.
Deze nieuwe focus vereist complexere afwegingen in de besluitvorming, met veel extra
feiten, extra doelstellingen, extra beslisregels en complexere besluitvormingsprocessen.
Figuur 8 De drie E’s als basis voor duurzaamheid

12
De relevantie van analytics voor meer duurzaamheid in het bedrijfsleven komt helder naar
voren op de sites van organisaties zoals Informs6 en Lean and Green7, van belangrijke
analytics-gebruikers als Fedex, Coca Cola, P&G en Heineken en van analytics-adviseurs en
-leveranciers als McKinsey, BCG, ORTEC, Aimms, OM Partners, Slimstock en vele anderen.
De relevantie van analytics voor de overheid en andere publieke organisaties komt naar
voren uit analytics-toepassingen bij instanties zoals het Nederlandse Centraal Planbureau,
Centraal Bureau voor de Statistiek, Eurostats, de Wereldbank, Global Pulse en Global
Compact van de Verenigde Naties, ShrinkThatFootprint, Global Footprint Network en het
Wereldnatuurfonds.
De relevantie van analytics voor duurzaamheid komt vooral opvallend prominent naar voren
in het Sustainability Development Goals 2017 rapport20 van de Verenigde Naties, wat de
kern is van het Parijs akkoord en daarmee gedragen wordt door bijna 200 landen in de
wereld. Analytics wordt in het rapport benoemd als een van de belangrijkste middelen voor
het bereiken van de ambitieuze doelstellingen om de wereld te verbeteren op 17 punten.
Dit wordt verder uitgewerkt in de gerelateerde Global Pulse21 en Global Compact8
programma’s.
In het boek Welkom in de Wereld van het Nieuwe Plannen (2009)9 was verbetering van
besluitvorming op basis van meer data en een betere beslisstructuur al het centrale
onderwerp. Die publicatie ging over hoe bedrijven voortdurend betere planningsresultaten
kunnen bereiken door toepassing van nieuwe communicatie- en dataverwerkingstechnieken
bij resource planning (mensen en middelen). Met duidelijke positieve resultaten voor de
winst, managementcontrole, klanttevredenheid, medewerkerstevredenheid en
duurzaamheid.
De situatie in 2009 liet echter pas het begin van innovaties zien. Destijds waren begrippen
als analytics, big data, modelleren en optimaliseren (o.a. door de toepassing van algoritmes)
alleen bekend bij een kleine groep specialisten. Bedrijfskundige ervaring ontbrak om die
mogelijkheden goed in te zetten. Tegenwoordig komen deze termen vrijwel dagelijks terug
in de krant. Dat geeft aan dat steeds meer mensen de kansen herkennen. Tegelijkertijd is
een enorme reeks van buzzwords ontstaan die veel verwarring zaaien. Dat vertraagt de
toepassing en acceptatie.
Het doel van deze publicatie is om geïnteresseerden, die meer willen weten over de
mogelijkheden van analytics, antwoord te geven op een aantal basisvragen. Zoals: wat is
analytics? Waarom zouden bedrijven en organisaties analytics moeten inzetten voor meer
winstgevendheid en duurzaamheid? Waar, hoe en wanneer? Wat is de relevantie voor
bedrijven, consumenten, overheid en maatschappij? En wat is de samenhang tussen de vele
buzzwords?

13
Voeding
In deze publicatie zullen we o.a. cases gebruiken van analytics in de voedingswereld.
Redenen hiervoor zijn: deze wereld is bij iedereen bekend en er zijn veel voorbeelden
waarbij analytics ingezet wordt voor een betere bedrijfsvoering en meer duurzaamheid.
Voeding is verantwoordelijk voor ongeveer 25 procent van de Europese footprint. Meer dan
80 procent van de footprint bij voedselproducerende bedrijven wordt in de productieketen
bepaald. Over de rest beslist de consument. Veel van de verbeteringen zullen dan ook uit
het producentendeel van de keten moeten komen. Daarnaast geldt dat er ongeveer 33
procent voedselverspilling is in de totale keten, waarvan 80 procent bij productie en 20
procent bij consumptie.
Figuur 9 Klimaatbelasting in de hele keten. Bron: Voedingscentrum/Sandra de Haan/Food
Matters14

14
2. Welkom in een bijna geoptimaliseerde wereld
In een geoptimaliseerde wereld streven we er bedrijfsmatig en privé naar optimaal en
duurzaam met mensen en middelen om te gaan. De criteria voor optimaal en duurzaam
worden vaak gegroepeerd in drie groepen: economische, ecologische en sociale criteria10.
Ook samengevat onder de term Profit, Planet en People11. Voor deze publicatie gebruiken
we als definitie:
een geoptimaliseerde wereld is een wereld waarin mensen op basis van
economische, ecologische en ethische criteria duurzaam kunnen samenleven.
Om zo’n wereld te realiseren is het noodzakelijk om criteria te bepalen, zodat helder is waar
knelpunten zijn, waar vooruitgang nodig is en waar vooruitgang gerealiseerd wordt. De
ecologische criteria worden vaak samengevat onder de term voetafdruk of footprint, o.a.
samengevat in global hectares (gha)12.
Een ecologisch geoptimaliseerde wereld kan op basis hiervan omschreven worden als een
wereld met een ecologische footprint per persoon, die gemiddeld, ondanks een nog steeds
groeiende wereldbevolking, ligt onder of op de gemiddelde capaciteit van de wereld. Met
een evenwichtige verdeling over de wereld en zonder een sterke achteruitgang in welvaart.
De tabel hieronder geeft een schets van de status in 2012 en een mogelijk doel voor 2030.
Factor Status in 2012 Uitdaging voor 2030
Footprint-verbruik per
persoon, per jaar, in gha.
Wereldwijd: 2.84 gha
West-Europa: 6.3 gha.
Wereldwijd: 2.0 gha
West-Europa: 3 gha (-50%)
Footprint-capaciteit van de
wereld, per persoon, in gha.
Wereldwijd: 1.7 gha. Wereldwijd: 1.7 gha,
ondanks groei van de
bevolking
Grondstoffen-
verdelingsindex
50% verbruik door 20% van
de mensen
50% verbruik door 40% van
de mensen
Welvaartsniveau Index = 100 Index = 120
Tabel 2 Schets van een geoptimaliseerde wereld, met huidige en beoogde status. Bronnen
o.a. Global Footprint Netwerk13, WNF – 2016 Living Planet Report en Parijs akkoord
Welke veranderingen zijn nodig?
Wat is er nodig om een geoptimaliseerde, duurzame wereld te realiseren? Bij gelijkblijvende
winstgevendheid van bedrijven en een gelijk of hoger welvaartsniveau? En welke kansen
zijn er om dit ook daadwerkelijk voor elkaar te krijgen? Hierna kijken we naar de situatie
voor een inwoner van West -Europa: hoe is het huidige verbruik en wat zou er moeten c.q.
kunnen veranderen om te komen tot een gemiddeld 50% lager verbruik in 2030? Wat is de
mogelijke rol van analytics-toepassingen hierbij?

15
De footprint kan hierbij, analoog aan het WNF Living Planet rapport, verdeeld worden in vier
sectoren: voeding, wonen, mobiliteit en aangekochte producten en diensten. De
belangrijkste kansen voor een kleinere footprint voor consumenten liggen bij voeding14,
wonen en mobiliteit. Voor bedrijven liggen de kansen vooral bij een betere inkoop van
middelen, innovatie in producten, productieprocessen en de supply chain. Hierna worden
deze kansen toegelicht en wordt aangegeven hoe analytics voor beide partijen een bijdrage
kan leveren aan een geoptimaliseerde wereld. Hierbij maken we onderscheid tussen wat
consumenten en bedrijven nu al kunnen bereiken door een betere inzet van bestaande
middelen (zoals: betere beslissingen nemen) en waar verbeteringen op termijn in producten,
diensten, infrastructuren en beleid (innovaties) nodig zijn om het doel te bereiken.
Kansen bij consumenten.
Volgens de cijfers van het WNF is de footprint van inwoners van West-Europa vrijwel
gelijkelijk te verdelen over vier categorieën: voeding (24%), wonen (27%), mobiliteit (26%)
en producten en diensten (24%). Binnen elk van die categorieën zijn nu al mogelijkheden
om tot sterke verbeteringen te komen.
Voeding. Een groot deel van de footprint voor voeding (26% van totaal) zit
in vlees en zuivel. Het uitsluiten van vlees kan de footprint van voedsel soms
met 40% verminderen. Een halvering, gecombineerd met een verschuiving
van rundvlees naar kip, kan de footprint al snel met 30% verminderen. Met
een effect van 8% op de totale footprint. Het halveren van de afvalstroom bij
voeding zou een effect hebben van 4% op de totale footprint. Totaal aan
kansen: 12% vermindering van de totale footprint
Wonen. Het grootste deel van de footprint voor wonen bestaat uit
verwarming en de inzet van elektronische middelen. Door betere isolatie en
door het aanspreken van alternatieve bronnen (zonnecellen) kan deze
footprint met de huidige middelen vaak al met 30% verlaagd worden. Totaal
aan kansen: 9% vermindering van de totale footprint
Mobiliteit. Het grootste deel van de footprint voor mobiliteit zit in het gebruik
van auto’s met de conventionele fossiele brandstof-verbrandingsmotor en
vliegen. Omschakelen naar elektronische aandrijving, lichtere en kleinere
auto’s, meer gebruik van openbaar vervoer of fietsen en gebruik van
hernieuwbare energie (eigen zonnecellen) kan deze footprint met de huidige
middelen verminderen met 40%15. Totaal aan kansen: 10% vermindering van
de totale footprint
Producten en diensten. Het grootste deel van de footprint van producten
en diensten zit in de aankoop van kleding en huishoudelijke apparatuur. Door
meer producten te delen in plaats van aan te schaffen (zie opkomst van de
deeleconomie) en door bij de aanschaf meer te kiezen voor producten met
een kleinere footprint, zou deze footprint met de huidige middelen al met 20%
verlaagd kunnen worden. Totaal aan kansen: 4% vermindering van de totale
footprint

16
In totaal zou de footprint door consumenten met de huidige middelen al met 35% verlaagd
kunnen worden. Wat kunnen bedrijven en overheden doen om dit ook daadwerkelijk te
laten gebeuren? Welke verbeteringen in producten en randvoorwaarden zijn daarvoor
nodig? En wat kunnen bedrijven en overheden doen om de overige 15% (en meer) ook te
realiseren?
Kansen bij bedrijven
Bedrijven stellen vaak drie zaken centraal in hun doelstellingen: People, Profit en Planet.
Nog niet alle bedrijven kunnen afgewogen beslissingen nemen op deze drie punten.
Daarvoor ontbreken vaak het inzicht en de middelen.
Het probleem van een niet optimale inzet van middelen is al lang bekend bij bedrijven. Een
betere inzet van middelen is pure noodzaak om de concurrentie voor te blijven. Dat heeft
geleid tot methodes om voorbeelden van verspilling beter te herkennen. Zoals in de Lean
Six Sigma-aanpak, waarbij acht gebieden van verspilling zijn gedefinieerd. Al jaren wordt
analytics hierbij als beslissingsondersteuning ingezet om tot betere beslissingen te komen
voor verbeteringen in de supply chain (inkoop, productie en distrubutie) en de producten
en diensten zelf.
Figuur 10 Acht Lean Six Sigma vormen van verspilling16

17
Binnen elk van de bij de consumenten genoemde categorieën zijn ook voor bedrijven
mogelijkheden om tot sterke verbeteringen te komen. Omdat bijna 80% van de beslissingen
over de inzet van middelen in de productieketen bepaald wordt binnen bedrijven, ligt er ook
een sterke verantwoordelijkheid bij bedrijven om hier actie te ondernemen. En door
innovaties de kans dat consumenten hun footprint daadwerkelijk kunnen verlagen, te
verhogen.
Enkele kansen die door bedrijven benut kunnen worden met nu al bestaande middelen zijn:
Voeding. Er zijn al veel innovaties bekend die de footprint van
voedselproductie sterk verbeteren. Zie ontwikkelingen bij de teelt in kassen.
Er is daar veel meer productie mogelijk, bij een lagere footprint. Kansen zijn
er o.a. met betrekking tot:
• andere grondstoffen
• minder transport
• meer gebruik van afval voor eigen productieprocessen
Wonen. Het grootste deel van de footprint voor wonen is gerelateerd aan
verwarming en de inzet van elektrische apparatuur. Kansen zijn er door het
toepassen van betere en meer isolatie, het terugdringen van energie door
apparatuur en het aanbieden van oplossingen voor hernieuwbare
energiebronnen: zonnecellen, aardwarmte, e.d.
Mobiliteit. Het grootste deel van de footprint voor mobiliteit zit in het
gebruik van auto’s met de conventionele fossiele brandstof
verbrandingsmotor en vliegen. Bedrijven kunnen net als consumenten
overstappen op andere vervoersmiddelen (elektrische auto’s) maar ook sterk
werken aan andere producten, processen en vervoersconcepten, die veel
minder energie vereisen. Zoals het toenemend vervoer van volumeproducten,
zoals bier, over water en minder over de weg.
Producten en diensten. Het grootste deel van de footprint van producten
zit in grondstoffen en fabricage. Door de footprint meer expliciet op te nemen
in beslissingen t.a.v. productontwerp en productie kunnen hier grote
besparingen gerealiseerd worden. Positieve voorbeelden zijn o.a. de
toepassing van de Life Cycle Assesments24 bij het ontwerp van producten.
Waar kunnen bedrijven zelf beter scoren?
Naast kansen die verbonden zijn aan het leveren van meer duurzame producten en diensten,
waarmee gebruikers hun footprint kunnen verkleinen, zijn er ook kansen voor bedrijven zelf,
zoals:
• Grondstoffen meer lokaal verwerven
• De eigen supply chain duurzamer inrichten, o.a. door de inzet van Advanced Planning
and Scheduling systemen. Eventueel in nauwe samenwerking met logistieke bedrijven

18
of collegabedrijven die vergelijkbare of goed aanvullende vervoerstromen kennen,
waardoor minder lege kilometers gemaakt worden.
• Afvalstromen anders beheren, bijvoorbeeld door deze te gebruiken als bron voor energie
of als bron voor nabijgelegen bedrijven.
Zie de vele landelijke duurzaamheidsprogramma’s en het Global Compact programma8 van
het Sustainable Development Goals programma voor meer voorbeelden. Alle kansen voor
consumenten en bedrijven zijn samengevat in onderstaande tabel, inclusief een
kwantificering van de mogelijke verbeteringen. aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa
Footprint
component
in % en
Gha
Mogelijke
verbeteringen door
bedrijven
Mogelijke verbeteringen
door consumenten
Effect
t.o.v
totaal17
Voeding
24% van
totaal,
1.6 Gha
Andere
voedingsproducten
aanbieden
Andere voeding kopen,
bijvoorbeeld minder vlees. Vlees
heeft weliswaar 5x zoveel
voedingswaarde per kg, maar
vereist meer dan 25x zoveel
energie. Halvering in vleesgebruik
levert al snel 30% besparing op in
de footprint voor voeding18
en 8%
voor de totale footprint
12%
Meer local for local
aanbieden
Meer local for local producten
kopen
Minder afval in het
proces. Resterende afval
beter gebruiken.
Halvering van afval
Minder dan de huidige 33%
weggooien. Halvering van waste
betekent een vermindering van
16.5% 24%, dus 4% op de totale
footprint
Wonen
27% van
totaal,
1.7 Gha
Andere bouwmaterialen Minder energie- en waterverbruik
thuis door meer energiezuinige
producten, ander gedrag (beter
isoleren, minder verwarmen,
minder lang douchen) en energie
uit eigen bronnen (zonnecellen,
aardwarmte). Potentieel 30%
besparing op 27%, dus 9% op
totale footprint.
9%
Mobilteit
(26%), 1.6
Gha
Ander vervoer
aantrekkelijker maken
Ander gedrag: auto minder
gebruiken, ander vervoer kiezen
10%Anders werken mogelijk
maken
Minder op stap, zowel voor werk
als privé
Zuinigere auto’s Minder energie door aanschaf
andere auto
(2e deel van tabel, zie volgende pagina)

19
(1e deel van tabel, zie vorige pagina)
Footprint
component
in % en
Gha
Mogelijke
verbeteringen door
bedrijven
Mogelijke verbeteringen
door consumenten
Effect
t.o.v
totaal17
Producten en
diensten
(23%), 1,4
Gha
Goederen op andere
manier maken, met
andere grondstoffen
Andere goederen aanschaffen
4%
Minder goederen aanschaffen,
meer delen, meer tweedehands
De belangrijkste kosten
van diensten zijn die van
kantoren, medewerkers
en fysieke middelen
(vrachtwagens, treinen en
transportvliegtuigen).
Bedrijven kunnen
kantoren en de inzet van
fysieke middelen
optimaliseren.
Consumenten zouden kunnen
kiezen voor minder diensten, meer
lokale diensten en energiezuinige
diensten. Echter, voor diensten is
er geen energielabel (zoals voor
huizen en producten)
Gemiddelde
West-
Europa, totaal
6.3 Gha
35%
besparing
op 6.3
Gha
Tabel 3 Mogelijke verbeteringen in duurzaamheid door een betere inzet van bestaande
oplossingen door bedrijven en consumenten
Case: hoe kan analytics consumenten helpen bij het verlagen van de footprint?
Analytics kan helpen schijnbaar complexe zaken terug te brengen tot een bijna eenvoudig
spel. Dit is o.a. gedaan door het Nederlandse Voedingscentrum met de online
Klimaatweegschaal19. Met deze toepassing kan men menu’s doorrekenen en visualiseren.
Hierdoor is snel de impact van vlees in de footprint van een menu duidelijk. Als men geen
rundvlees eet en minder zuivelproducten gebruikt, dan is de footprint voor voeding al snel
40% lager. Zie figuur 11.

20
Figuur 11 klimaatweegschaal toepassing van Voedingscentrum
Enkele andere door analytics mogelijk gemaakte online footprint berekeningen zijn:
Voor personen:
http://shrinkthatfootprint.com/welcome-to-shrink-that-footprint
http://www.voedingscentrum.nl/nl/mijn-boodschappen/eten-
kopen/voedselafdruk/verantwoording2.aspx
www.voedingscentrum.nl19
Voor agrarische bedrijven:
http://www.klimaatlat.nl/
http://www.agri-footprint.com/
Case: het Global Sustainability Development Program van de Verenigde Naties
Een betere inzet van middelen om verspilling tegen te gaan is expliciet onderdeel van meer
dan 12 van de 17 Global Sustainability Development Program20 van de Verenigde Naties.
Een deelprogramma, Global Compact8, is gericht op het verzamelen en mobiliseren van
analytics-kennis van bedrijven uit de hele wereld. Een ander deel, Global Pulse21, is gericht
op het steunen van initiatieven bij de inzet van analytics voor het monitoren van de
voortgang van projecten. Er zijn ook aparte bijeenkomsten, zoals het World Data Forum22.

21
3. Werken aan een geoptimaliseerde wereld
3.1 Oorzaken van een niet optimale inzet
Het geven van inzicht in de huidige situatie en het stellen van doelen is het meest
eenvoudige deel. Het achterhalen van de oorzaken bij de huidige, niet geoptimaliseerde
situatie en het vinden van oplossingen, is het moeilijkste deel.
De belangrijkste oorzaken voor de sterke groei in middelengebruik zijn wereldwijde
technologische vooruitgang, groei in de wereldhandel, en groei in koopkracht van de
wereldbevolking. Sommige landen lukt het net zo hoog te scoren als de VS op de Human
Development Index en toch maar 40 procent van de resources per persoon te gebruiken.
Dat geeft aan dat er mogelijkheden zijn voor een betere inzet van middelen. Wat zijn de
oorzaken van het hoge verbruik en de niet goed verdeelde inzet, als er toch oplossingen
voor handen zijn? Enkele oorzaken zijn samengevat in onderstaande tabel.
Oorzaken voor niet optimale inzet van middelen
1. Onbekendheid met het probleem en de urgentie: als er geen
schaarste is of als schaarste in andere regio’s onbekend is, dan is er minder
ambitie zo efficiënt mogelijk met middelen om te gaan. Via overheidsbeleid,
wetgeving en ook acties van bedrijven wordt e.e.a. wel meer bekend, maar de
focus bij veel bedrijven blijft primair op winst.
2. Onbekendheid met oplossingen: als er geen noodzaak is om naar
andere oplossingen te kijken of als verbeteringen onbekend zijn, dan gaan
mensen door met een niet efficiënte inzet van middelen
3. Ontbreken van acceptabele oplossingen: het (nog) niet beschikbaar
zijn van technisch of economisch haalbare en acceptabele oplossingen. Voor
veel situaties de meest zichtbare oorzaak van een niet optimale inzet. Zo is het
bekend dat mobiliteit op een veel efficiëntere manier kan plaatsvinden, maar
de ontwikkeling van de middelen (elektrische auto’s en oplaadpunten) is nog te
beperkt voor een haalbare inzet op grote schaal.
4. Ontbreken van randvoorwaarden: wettelijke, fiscale of economische
beperkingen en gebrekkige acceptatie van nieuwe oplossingen.
5. Ontbreken van voldoende hoogwaardige besliscapaciteit: ook al zijn
de bovengenoemde oorzaken weggenomen, toch blijft er sprake van
verspilling. Omdat inzicht, overzicht, kennis, urgentie en ervaring ontbreken
om de optimale keuze te vinden en ook toe te passen. Hierdoor worden niet de
juiste beslissingen genomen.
Tabel 4 Oorzaken voor een niet optimale wereld

22
In onderstaand figuur is te zien wat het effect is van gebrekkige beslissingen (oorzaak
nummer vijf), zoals beslissingen gebaseerd op alleen perceptie.
Figuur 12 Schets van verspilling bij beslissen op basis van perceptie
Wat gaat er fout bij beslissingen op basis van perceptie? Door beslissingen te baseren op
persoonlijke waarnemingen en intuïtieve beslisregels ontstaat verspilling, want:
a. er is geen of onvoldoende vraagvoorspelling (blauwe lijn)
b. er is geen of onvoldoende snelle aanpassing van het aanbod (groene lijn)
c. er is geen of weinig grip op het niveau van de vraag. En als men die wel heeft, dan
is nog het probleem niet opgelost. Want men heeft de voorspelling niet op orde,
waardoor het bijsturen van de vraag (blauwe lijn) onvoldoende effectief zal zijn.
Dit alles leidt tot een verspilling op twee gebieden:
a. te weinig aanbod en daardoor gemiste omzet
b. te veel aanbod en daardoor te hoge kosten, afhankelijk van de mogelijkheid om het
aanbod in een latere fase opnieuw in te zetten.
Case: analytics voor het onderkennen en oplossen van een probleem
Vrijwel iedereen weet hoeveel kilometer je kan rijden met één liter benzine. Lag dat bij
auto’s voorheen rond één liter op tien kilometer, nu worden cijfers gehaald van één op 30.
Maar de meeste mensen kennen geen vergelijkbare cijfers als het gaat om hun
voedselkeuzes. Wat is de impact van een pizza eten? Of van een viergangenmenu? Wat is
daarvan de footprint? Al jarenlang ligt de focus op voedingswaarde, het aantal calorieën
(kcal) of kilojoule (kJ). Maar hoeveel energie is nodig voor de hoeveelheid voedsel die je
dagelijks eet of verspilt? De aandacht hiervoor is beperkt. Terwijl de totale footprint van
voedsel per persoon per jaar vrijwel net zo groot is als de footprint van mobiliteit
(brandstofverbruik auto en vliegtuig) of wonen (huisverwarming). Net als bij mobiliteit en
wonen valt bij voedsel nog veel te optimaliseren in de besluitvorming. Want knelpunt en
feiten zijn vaak onbekend, specifieke doelstellingen zijn meestal niet vastgesteld en er zijn
weinig beslisregels voor bedrijven en consumenten beschikbaar. Hierdoor wordt de
besluitvorming (“wat eten we vandaag, of morgen?”) vooral bepaald door smaak en nog
niet door het effect op de footprint. Met een hoge footprint tot gevolg.

23
3.2 Oplossingen voor een optimale inzet
In onderstaande tabel zijn de meest voor de hand liggende oplossingen samengevat,
gerelateerd aan de vijf oorzaken uit de vorige paragraaf.
Oorzaken Oplossingen
1. Onbekendheid met
problemen en
urgentie
Oplossing voor 1 en 2: analyse, inzicht, kennisdeling,
wetgeving.
Om onbekendheid met problemen en oplossingen te verminderen
en de focus op acties te vergroten is een mix van analyse (wat is er
aan de hand, wat kan men doen), kennisdeling (wat hebben
anderen al gedaan) en wetgeving (wat kunnen we samen doen)
noodzakelijk. Duurzaamheid zal naast winstgevendheid een
expliciete, continu te meten doelstelling moeten worden.
2. Onbekendheid met
oplossingen
3. Ontbreken van
oplossingen en
randvoorwaarden
Oplossing voor 3 en 4: Innovatie.
Om gebrek aan oplossingen en juiste randvoorwaarden op te lossen
zijn innovaties nodig waarin het effect op de footprint expliciet
wordt meegenomen. Voor betere producten, systemen, processen,
businessmodellen en ook wetgeving. Hierdoor kan structurele en
operationele verspilling worden voorkomen.
4. Ontbreken van
oplossingen en
randvoorwaarden
5. Ontbreken van
juiste
besliscapaciteit
Oplossing voor 5: betere beslissingen door betere
beslisondersteuning.
Om de niet optimale inzet van middelen op korte termijn terug te
dringen moet de besluitvorming bij bedrijven en consumenten
verbeterd worden. Zowel voor de winstgevendheid, duurzaamheid
en sociale aspecten. Onder andere door verbeterde data (intern en
extern), analyse-, beslis- en rapportage mogelijkheden.
Tabel 5 Oorzaken en oplossingen voor een optimalere middelenverdeling
Het belang van meer analyse, inzicht, kennisdeling en wetgeving is met name
duidelijk geworden door de vereiste CO2-reductie. Door feitelijke analyses, een
modelmatige aanpak, een uitgebreide voorlichting en nieuwe wetgeving is het probleem
van verspilling van fossiele brandstoffen veel breder bekend, geaccepteerd en onderdeel
van actief beleid geworden voor bijna 200 landen via het Parijs akkoord20. Hierdoor maken
overheden, bedrijven en consumenten nu ook betere keuzes.
Het belang van innovatie blijkt vooral uit de introductie van nieuwe producten, diensten,
processen en bedrijfsmodellen en hun effect op de duurzaamheid. Denk aan elektrische
auto’s, verbeterde zonnepanelen, maar ook aan de opkomst van de deeleconomie, de
opkomst van local-for-local beleid bij supermarkten en het koppelen van CO2-uitstoot aan
CO2-gebruik (teelt in de kassen).
Het belang van betere beslissingen bij de inzet van middelen blijkt vooral uit de realisatie
van enorme besparingen die door een betere beslissingsondersteuning bij de inzet van
grondstoffen, machines en vervoersmiddelen bereikt worden. Beter beslissen is ook voor

24
consumenten relevant. Door de opkomst van online-beslismodellen, zoals verwerkt in
Google Maps, 9292.nl en in de vele online marktplaatsen (Amazon, Bol.com, Marktplaats,
Booking.com) en advieswijzers (zoals de Pensioenwijzer, de Klimaatlat en de
Klimaatweegschaal), kunnen ook consumenten veel betere keuzes maken. Met besparingen
tot gevolg.
De bijdrage van analytics
Analytics kan bij alle drie de oplossingsgebieden een positieve rol spelen.
Oplossing Rol voor analytics
1. Analytics voor analyse,
inzicht, kennisdeling,
wetgeving
Analytics kan sterk bijdragen in het analyseren van issues, het
vastleggen en delen van kennis en het werken in lijn met de
wetgeving
2. Analytics voor
innovatie
Met data-analyses, zoals simulaties en impact analyses, zoals
toegepast in Life Cycle Assesments24, kunnen innovatie-alternatieven
snel getoetst worden. Daarnaast kan analytics nieuwe trends en
verbanden laten zien
3. Analytics voor betere
beslissingen
Analytics kent vele technieken die ingezet kunnen worden om
beslissingen voor te bereiden (data collectie en verrijking), te nemen
(optimalisatie modellen), uit te voeren (advanced planning and
schedulingsystemen) en de resultaten te rapporteren
Tabel 6 De rol van analytics per oplossingsgebied
Oplossing 1: analytics voor inzicht en kennisdeling
Meer inzicht is zowel voor overheden, bedrijven en consumenten van groot belang. Zo zijn
er in het kader van het verbeteren van de bedrijfsvoering en de duurzaamheid al tientallen
initiatieven opgezet, waarbij analytics (werken met advies- en beslismodellen en grote
datasets) een centrale rol speelt.
Voor bedrijven is het opzetten van branchespecifieke benchmarks een goed voorbeeld. Zo
zijn er datasets opgezet rond het Business Canvas Model. Andere voorbeelden zijn de
initiatieven rond duurzaamheidsjaarverslagen, als aanvulling op de financiële
jaarverslaggeving. En initiatieven van organisaties zoals Lean and Green7 en bedrijven zoals
ThinkStep, Ecovadis en Transparancy Lab.
Voorbeelden van analytics-gebruik bij overheden zijn Eurostats en het Sustainable
Development Goals (SDG) programma. Volgens het SDG 2017 rapport speelt de inzet van
data en modellen een cruciale rol bij het opbouwen van een beter begrip van duurzaamheid
in de wereld. Datawetenschappers en -analisten kunnen met data en modellen issues beter
zichtbaar maken, helpen met kennis delen en opties en keuzes beter inzichtelijk en
vergelijkbaar maken.

25
Het ontwikkelen van nationale statistiek en planningsinstanties die per land de analytics-
aanpak opbouwen is centraal onderdeel van het SDG-programma. Hiervoor is ook een
speciaal programma opgezet waarbij landen ondersteuning krijgen bij de verbetering van
nationale analytics-capaciteiten (Cape Town Global Action Plan for Sustainable Development
Data22). Hierbij worden afspraken gemaakt om modellen en data wereldwijd te delen. Zo
ontstaat een versnelde deling van kennis.
Case: met analytics meer inzicht en kennisdeling.
Inzicht onstaat o.a. door eenvoudige vergelijkingen, die dankzij analytics toepassingen op
meer betrouwbare wijze te maken zijn. CO2 rekenmodellen zijn daar een goed voorbeeld
van. Door deze complexe berekeningen terug te brengen naar eenvoudige persoonlijk
herkenbare kentallen, onstaat inzicht. Zoals met de tabel hieronder.
Bestemming Vervoer CO2 effect
Australie retour Vliegen 5.400 kg
VS West retour Vliegen 2.200 kg
Madrid Vliegen 800 kg
Madrid Auto 370 kg
Madrid Bus 250 kg
Madrid Trein 70 kg
Madrid Elektrische fiets 10 kg
Thuisblijven, per dag 0.9 kg
Tabel 7 De CO2 uitstoot per type vervoer op basis van de Treesforall calculator23
Oplossing 2: analytics voor innovaties
Een belangrijk voorbeeld van analytics, toegepast voor innovatie, is terug te vinden in Life
Cycle Assesments (LCA)24 die toegepast worden bij het ontwerpen van nieuwe producten.
Deze assesments staan ook bekend onder de termen “cradle to cradle” en “well to wheel”
analyses. De uitkomsten van deze analyses zijn beschikbaar via diverse bestanden
waaronder de GaBi database van ThinkStep en in te lezen in ontwerpsoftware zoals
SolidWorks. Hierdoor kunnen nieuwe ontwerpen al in de ontwerpfase getoetst worden op
hun ecologische impact. Juist dit inzicht is een belangrijk hulpmiddel voor het realiseren van
meer duurzaamheid via innovaties. aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa aaaa
Figuur 13 Voorbeeld van een Life Cycle Assesment in de ontwerpfase. Bron: SolidWorks

26
Oplossing 3: analytics voor betere besluitvorming
Analytics toegepast als ondersteuning voor beslissingen kent eenvoudige en geavanceerde
varianten. Daarnaast zijn er ook andere vormen van beslissingsondersteuning. In het
overzicht hieronder wordt het beslissen op basis van analytics gepositioneerd ten opzichte
van het beslissen met weinig of geen analytics. Dit schema is gemaakt om duidelijk te maken
dat er een groot gebied is in de besluitvorming waar analytics nog geen of een beperkte rol
speelt. En om duidelijk te maken dat er alternatieven zijn, zoals beslissen op basis van
perceptie en protocollen, waar mensen aan vasthouden en daarmee de inzet en van
analytics vertragen.
Figuur 14 Overzicht van beslissingsvarianten op basis van variatie in bronnen en
beslissingsondersteuning. Mede gebaseerd op Davenport
De besluitvormingsvarianten staan hieronder kort beschreven, inclusief de mate waarin
analytics daarbij een rol speelt.

27
De mogelijke bijdrage van analytics aan de beslissingsvarianten
Beslissings-
variant
Betekenis en mogelijke bijdrage van analytics
1. Perceptie Beslissen op persoonlijke, niet gekwantificeerde en niet gedigitaliseerde
waarnemingen en ervaringen. In de dagelijkse praktijk de meest
voorkomende variant.
Bijdrage analytics: de bijdrage van analytics is nihil.
2. Protocol Beslissen op basis van regels die ontstaan zijn uit gemeenschappelijke
ervaringen en overleg. Een veel voorkomende variant in openbaar
bestuur en in de medische wereld.
Bijdrage analytics: analytics kan wel een bijdrage leveren aan de
vaststelling van protocollen, maar speelt een beperkte rol bij het
daadwerkelijke toepassen van protocollen.
3. Descriptive
Analytics
(rapportage)
Beslissen op basis van historische of actuele data. Bij besluitvorming
meestal aangevuld met percepties en protocollen als bron.
Bijdrage analytics: digitale rapportages zijn een lichte analytics
variant. Analytics kan helpen bij het filteren, verrijken, samenvoegen
en visualiseren van data om tot constateringen (waaronder alerts) en
inzichten te komen.
4. Predictive
Analytics
(voorspelling)
Voorspellingen kunnen gedaan worden op basis van intuïtie en op basis
van data.
Bijdrage analytics: analytics kan een grote rol spelen bij het
voorbereiden van de data voor een voorspelling en bij het opstellen
van een voorspellingsmodel.
5. Prescriptive
Analytics
(optimalisatie)
Bij optimalisatie komen alle feiten, doelstellingen en beslisregels samen
in een beslismodel, om tot een optimale keuze te kunnen komen. Deze
werkwijze is in opmars, vooral bij toepassingen waar veel actuele data
voorhanden is en waar de noodzaak tot snel beslissen in complexe
situaties noodzakelijk is, zoals bij online marketing en supply chains.
Bijdrage analytics: analytics is hierbij een cruciaal aspect: zowel bij
de data-analyse, het opstellen en toepassen van een beslismodel en
het rapporteren en bijsturen.
Tabel 8

28
Wat is het effect van analytics op de besluitvorming?
Onderstaand figuur toont bij optie 2 en 3 het effect van het gebruik van predictive analytics
en prescriptive analytics ofwel het gebruik van sterk op data gebaseerde voorspellingen en
optimalisaties bij beslissingen.
Figuur 15 Minder verspilling ten opzichte van beslissen op basis van perceptie, door inzet
van twee analytics-varianten: predictive en prescriptive analytics
Waarom is de verspilling bij optie 2 en optie 3 verminderd? Bij optie 2 komt dit door het
toepassen van wiskundige voorspellingstechnieken, waardoor variaties in de vraag eerder
zichtbaar worden en er ook eerder op ingespeeld kan worden, met minder verspilling tot
gevolg. Bij optie 3 onstaat nog minder verspilling o.a. door het toepassen van dynamic
pricing, waarbij de prijs van een product of dienst verandert wordt afhankelijk van het
verloop van de vraag en de beschikbaarheid van het aanbod. Hiermee verminderen de
pieken en dalen in de vraag en is het eenvoudiger om met het aanbod de vraag te volgen
en verspilling te minimaliseren. Door naast dynamic pricing ook dynamic sourcing en
dynamic production planning toe te passen, kan de verspilling op alle fronten sterk
verminderd worden. De voor optie 2 en 3 relevante analytics stappen worden geschetst
onderstaande figuren.
Figuur 16 Analytics stappen voor beslissen op basis van voorspelling

29
Figuur 17 Analytics stappen voor beslissen op basis van optimalisatie
Zo helpt analytics in vrijwel alle bedrijfstakken al dagelijks om te komen tot betere
strategische, tactische en operationele beslissingen. Met enorme besparingen tot gevolg.
Vele voorbeelden van analytics toepassingen zijn te vinden bij Informs en in publicaties zoals
Predictive Analytics van Eric Siegel25 en Competing on Analytics van Davenport26.
Bijdrage van analytics voor consumenten beslissingen.
Analytics helpt ook in privésituaties. Dit gebeurt vooral door de modellen en data die
bedrijven en overheden beschikbaar stellen aan consumenten. Of via voorlichting direct bij
producten en diensten, zoals duurzaamheids indicaties via online platforms. Voor
consumenten zijn de diverse online footprint calculators een aansprekend voorbeeld. Een
selectie van voorbeelden:
https://pro.energytransitionmodel.com/
http://www.voedingscentrum.nl/nl/mijn-boodschappen/eten-kopen/klimaatweegschaal.aspx
http://www.clm.nl/thema-s/meetlatten
http://www.agri-footprint.com/life-cycle-assessments-carbon-footprints/
http://www.gabi-software.com/international/databases/
http://open.sourcemap.com/
https://www.treesforall.nl/uw-bijdrage/co2-compenseren/
https://www.milieucentraal.nl/klimaat-en-aarde/klimaatverandering/bereken-je-co2-uitstoot/
http://www.footprintcalculator.org

30
Extra: analytics voor borgen en delen van kennis
Analytics biedt nog een belangrijk voordeel. Als men feiten en ervaringen vastlegt in analyse-
en beslismodellen dan kan kennis beter geborgd, beheerd en gedeeld worden. Binnen maar
ook buiten bedrijven, zoals via de cloud. Het niveau van kennisborging verschilt per
beslisvariant.
Beslisvariant Niveau van kennisborging
Perceptie Kennis is niet goed geborgd. Beperkte capaciteit van kennisvastlegging,
consistentie kan laag zijn, overdracht is relatief langzaam.
Voorspelling Enige kennis is geborgd in de beslisregels en datasets voor de voorspelling.
Goede capaciteit van kennisvastlegging is goed, consistentie kan goed zijn,
overdracht ook.
Optimalisatie Kennis is uitgebreid geborgd in de analyse-, voorspel-, beslis-, actie-,
rapportage-, bijsturings- en evaluatiemodellen en datasets die bij optimalisatie
horen. Grote capaciteit van kennisvastlegging (groot aantal beslisregels) en
consistentie kan sterk zijn. Overdracht kan veel tijd kosten, maar is ten
opzichte van de hoeveelheid overgedragen kennis weer relatief hoog. Zeker
als modellen online beschikbaar zijn.
Tabel 9 Het niveau van borging van kennis per beslisvariant
Case: modellen delen voor duurzaamheid
Rond het thema sustainability zijn goede voorbeelden van kennisdeling via modellen terug
te vinden. Zo stimuleert de Verenigde Naties ondernemingen hun modellen te delen met
organisaties in de hele wereld. Dat gebeurt via het Global Compact programma. Bedrijven
bieden niet alleen modellen aan, maar ook uitgebreide datasets. Bijvoorbeeld bedrijven als
Ecovadis27 en ThinkStep28.
Case: export van transportkennis van Nederland naar de Verenigde Staten
In Europa is de problematiek van transport binnen grote binnensteden groter dan in de
Verenigde Staten. Europese binnensteden zijn vaak compact en voorzien van nauwe straten,
veel voetgangersgebieden en een strikte wetgeving. Onder andere op het gebied van milieu.
In de VS beleveren zelfs de grootste vrachtwagens winkels in grote winkelstraten. Maar ook
daar worden de eisen steeds strenger. Pas sinds enkele jaren begrijpen Amerikaanse
gebruikers van Europese optimalisatiemodellen voor transport waarom deze voorzien zijn
van een enorme verzameling aan opties voor vervoer in binnensteden.

31
4. Analytics nader bekeken
4.1. Definitie van analytics
Analytics kan een grote rol spelen bij betere beslissingen, vastlegging, beheer en
verspreiding van kennis. Een goede reden om het fenomeen analytics goed onder de loep
te nemen. En daarbinnen optimalisatie, als de meest geavanceerde variant van analytics.
Met daarna een blik op de triggers en teasers. Want als analytics zoveel kan betekenen,
waarom komt het dan toch soms nog heel moeizaam tot stand? En blijven veel mensen
leunen op persoonlijke inschattingen en ervaringen (door Kahnemann omschreven als
system 1) in plaats van meer cijfermatige en modelgebaseerde beslissingen (door
Kahnemann omschreven als system 2)?
Analytics hebben we eerder gedefinieerd als:
• Analytics is het toepassen van analyse- en beslissingsmodellen op uitgebreide
datasets voor meer inzicht, beter advies en betere beslissingsondersteuning.
Davenport definieert analytics in “Competing on Analytics”26 als volgt:
• Analytics omvat het extensieve gebruik van data, statistische en kwantitatieve analyses,
verklarende en voorspellende modellen en op feiten gebaseerd management, voor het
aansturen van beslissingen en acties.
Aanvullende criteria zijn:
• De uitkomsten van analytics kunnen input zijn voor menselijke beslissingen of voor
volledig geautomatiseerde processen.
• Analytics als vakgebied is onderdeel van wat wordt omschreven als business intelligence:
een verzameling van technieken en processen die op basis van data de prestaties van
een bedrijf inzichtelijk en voorspelbaar maken.
In de Field Guide to Data Science29 wordt analytics omschreven als:
• een verzameling van gespecialiseerde en schaalbare rekenkundige hulpmiddelen die
relevante inzichten kunnen creëren in de sterk groeiende hoeveelheid data.
• Er zijn drie groepen van toepassingen te onderscheiden als het gaat om
databewerkingen: verzamelen/verwerken, ontdekken/analyseren en adviseren/
voorspellen. Binnen elke groep worden weer deelbewerkingen onderscheiden waarbij,
afhankelijk van de bedrijfskundige analyse (“wat is het probleem”), wiskundige
technieken worden toegepast op de data.
De meest eenvoudige vorm van analytics zou je kunnen omschrijven als
beslissingsondersteuning op basis van data en (softwarematige) analyse-, advies-,
voorspellings- en beslismodellen.

32
Analytics is in feite de verzamelnaam voor alle moderne vormen van beslissings-
ondersteuning. Eerder werd het ook wel besliskunde, operations research of management
science genoemd.
Naast analytics wordt er ook gesproken over data science. Data science richt zich in een
nog bredere vorm op alle aspecten van modellen en data. Waarbij analytics gezien wordt
als de verzameling van technieken om voor data science de data te kunnen analyseren en
modellen te kunnen bouwen.
Een analytics-oplossing bestaat meestal uit een groot aantal stappen, waarbij per stap
bewerkingen, beslissingen of evaluaties uitgevoerd worden, of combinaties daarvan. In een
algoritme is de logica tussen de bewerkingen vastgelegd. In de figuren 16 en 17 zijn
voorbeelden gegeven van de bewerkingen die in een beslisronde worden uitgevoerd, om op
basis van data (feiten, doelen en beslisregels) te komen tot een beslissing. Beslissingen
leiden via planningen en acties tot uitvoering eb resultaten. Deze worden geëvalueerd om
daarna te komen tot weer nieuwe, verbeterrde beslisrondes.
Case: analytics en dynamisch plannen voor duurzaamheid in transport
Een bijzonder helder voorbeeld waarbij analytics rechtstreeks bijdraagt aan winst en
duurzaamheid is de inzet van analytics voor supply chain planning en dan met name
transportplanning daarbinnen. Dankzij analytics kan supply chain planning meer dynamisch
ingericht en geëxploiteerd worden, met veel minder verspilling tot gevolg. Zo was er vroeger
vaak sprake van vaste routes voor het brengen en halen van goederen. Bij veel opdrachten
moest er een extra vrachtwagen ingezet worden, bij weinig opdrachten reden vrachtwagens
deels leeg rond of stonden stil. Door de daadwerkelijke transportorders op een specifieke
dag als vertrekpunt te nemen voor de planning, kan de inzet van vrachtwagens op maat
gemaakt worden. Drukke ritten krijgen extra capaciteit, minder drukke ritten worden met
kleine vrachtwagens uitgevoerd. Ritten worden per dag aangepast. Deze dynamiek is voor
planners zonder de inzet van analytics via een Advanced Planning en Scheduling systeem
(APS) vaak niet te organiseren. Alleen door de inzet van analytics via een APS kunnen elke
dag opnieuw miljoenen stops opnieuw berekend worden. Met minder kilometers, minder
brandstof en toch een hogere tevredenheid bij vervoerder en ontvanger.

33
4.2. Analytics toepassen: Plus Beslismodel en Analytics Cirkel
Om eenvoudiger duidelijk te maken, hoe analytics kan bijdragen aan het nemen van betere
beslissingen voor profit, people of planet, is het Plus Beslismodel en de Analytics Cirkel
ontwikkeld. Het Plus Beslismodel is een model waarin de componenten voor een beslissing
centraal staan en waarin ook de rol van analytics per component aangeven kan worden.
Met de Analytics Cirkel wordt aangegeven bij welke vragen en op welke punten analytics
een rol kan spelen bij het optimaliseren van beslissingen.
Het Plus Beslismodel
De vijf componenten van het Plus Beslismodel, feiten, doelen, regels, besluitvorming en
resultaten worden hieronder visueel weergegeven 30.
Figuur 18 Het Plus Beslismodel: een bedrijfskundige weergave van de componenten van
een beslissing
Met de bedrijfskundige visualisatie van het Plus Beslismodel is sneller duidelijk: wat zijn de
componenten die de kwaliteit van een beslissing bepalen en waar liggen de kansen voor
verbetering? Deze visualisatie wordt toegelicht in onderstaande tabel.
Doelen
Regels
Feiten ResultatenBesluit-
vorming

34
Component Toelichting bij component
Feiten Welke feiten zijn bekend rond de beslissituatie? Welke feiten ontbreken nog?
Wat is de kwaliteit en actualiteit van de feiten? Welke voor beslissingen
relevante feiten zijn gekwantificeerd en gedigitaliseerd, welke nog niet?
Doelen Welke doelen zijn vastgesteld? Met welke prioriteit? Wat is de scope van de
doelen? Betreft het economische, ecologische en ethische doelstellingen?
Regels Welke beslisregels zijn relevant voor de beslissing? Deze regels kunnen
betrekking hebben op inzichten uit het verleden. Maar ze kunnen ook
betrekking hebben op beperkingen in de beslissituatie, interne en externe
regelgeving, et cetera
Besluitvorming Uit welke stappen bestaat het beslisproces? Welke middelen en mensen zijn
betrokken? Welke beslissingsondersteuning is beschikbaar? Wat zijn de
haalbare opties? En wat is de uitkomst: één of meer adviezen, beslissingen,
acties of planningen?
Resultaten Wat zijn de beoogde en gerealiseerde resultaten na uitvoering van beslissing
of advies? Is eventuele bijsturing tijdens de uitvoering mogelijk?
Tabel 10 Toelichting bij de componenten van het Plus Beslismodel
Het Plus Beslismodel kan o.a. helpen bij het inventariseren van de verschillende
besliscomponenten op vorm (wel of niet digitaal, wel of niet gekwantificeerd) en kwaliteit.
Bij een beslisomgeving op basis van perceptie, zullen de componenten vaak heel beperkt
gekwantificeerd en gedigitaliseerd zijn. Voor effectieve analytics- toepassingen moeten de
meeste componenten gedigitaliseerd en gekwantificeerd zijn.

35
Beslisomgeving op basis van
percepties
De besliscomponenten zijn beperkt
gekwantificeerd en gedigitaliseerd en daardoor
beperkt geschikt voor analytics toepassingen.
Beslisomgeving op basis van data
De besliscomponenten zijn vrijwel volledig
gekwantificeerd en gedigitaliseerd en daarmee
goed geschikt voor analytics toepassingen.
Figuur 19 Twee beslisomgevingen vergeleken op basis van mate van kwantificering en
digitalisering
De Analytics Cirkel
Het Plus Beslismodel kan op vrijwel alle aspecten ondersteund worden met analytics
oplossingen. Zo kan analytics de feitenverzameling versterken en betere doelen,
beslisregels, besluitvormingsprocesen en resultaten vaststellen. Daarnaast kan analytics
helpen bij het analyseren en verbeteren van de consistentie tussen de besliscomponenten
met vragen zoals:
• zijn de doelstellingen nog in lijn met de feiten?
• zijn de beslisregels nog reëel en up to date?
• wat is het effect van beslisregels, waaronder restricties en variabelen, op de
resultaten?
• zijn de resultaten in lijn met de doelen?
• wat is de kwaliteit van het besluitvormingsproces?
• wat is de consistentie tussen alle componenten?
In onderstaand figuur wordt het Plus Beslismodel aangevuld met de Analytics Cirkel: een
samenvatting van alle mogelijke bijdrages van analytics aan de diverse componenten van
het Plus Beslismodel.
Doelen
Regels
Feiten ResultatenBesluitvorming
Gekwantificeerd en digitaal Niet gekwantifideerd, wel digitaal Niet gekwantifideerd, niet digitaal

36
Figuur 20 Het Plus Beslismodel en de Analytics Cirkel: een weergave van de mogelijke
bijdragen van analytics aan de componenten van besluitvorming volgens het Plus
Beslismodel
Doelstellingen
analytics
Resultaten
analytics
Beslisregel
analytics
Feiten
analytics
Analytics voor
check feiten -
doelstellingen
Analytics
voor check
resultaten -
doelstellingen
Analytics voor
check feiten -
beslisregels
Analytics
voor check
resultaten -
beslisregels
Datacollectie
Data classificatie
Cluster analyse
Regressie analyse
Optimalisatie
Model validatie
Voorspelling
Rapportage
Model gebruik
Simulatie
Analytics Cirkel

37
De bijdrage van analytics aan de items in de Analytics Cirkel wordt toegelicht in
onderstaande tabel.
Component Bijdrage van analytics
Feiten Analytics kan helpen om niet actuele persoonlijke waarnemingen en
diverse bronnen, om te zetten in gekwantificeerde en sterk
geactualiseerde bronnen
Doelen Analytics kan helpen bij het selecteren en prioriteren van doelstellingen
en tevens toetsen op haalbaarheid
Regels Analytics helpt bij het achterhalen en toetsen van beslisregels
Besluitvorming Analytics helpt bij de besluitvorming, door het bieden van inzicht
(visualisatie), het doen van aanbevelingen en bepalen van de beste,
haalbare optie, gegeven doelen en regels
Resultaten Analytics biedt mogelijkheden om resultaten real-time te visualiseren en
aan te geven waar issues zijn zodat eventueel direct bijgestuurd kan
worden
Samenhang Door feiten en analytics in te zetten komt sneller naar boven of er
voldoende samenhang is tussen de verschillende componenten:
- tussen feiten en doelstellingen
- tussen feiten en beslisregels
- tussen beslisregels en resultaten
- tussen resultaten en doelen
Daarnaast kan met analytics de consistentie en robuustheid van de
gebruikte modellen getoetst worden, net als de totale samenhang.
Tabel 11 De mogelijke rol van data en analytics voor meer winst en duurzaamheid

38
4.3. Analytics technieken
In het analytics-domein zijn vele technieken beschikbaar. Alleen voor predictive analytics
kunnen zijn al snel meer dan twintig 20 technieken31 te benoemen.
Een helder overzicht van toepassingsgebieden en technieken staat in de Field Guide to Data
Science29. Hierbij worden per stap (beschrijven, ontdekken, voorspellen, adviseren en
beslissen) de bewerkingen en technieken benoemd. Ook in Creating Value with Big Data
Analytics32 wordt een uitgebreide reeks van technieken benoemd. Hieronder een selectie
van analytics-technieken. In hoofdstuk 6 volgt een meer uitgebreide toelichting.
Figuur 21 Selectie van analytics technieken
4.4. Voor- en nadelen
Voordelen van analytics
De toepassing van analytics leidt tot meer inzicht, betere beslissingen, vastlegging en deling
van kennis. Hieronder de belangrijkste voordelen van beslissen op basis van analytics op
een rijtje:
• Betere resultaten door betere beslissingsprocessen. Zowel op strategisch, tactisch,
operationeel als real-time niveau. Dat is vooral een gevolg van betere input, minder
denkfouten/bias en minder verstoringen bij de uitvoering. Je werkt op basis van meer
(actueel) inzicht, zodat je met meer zaken rekening kunt houden bij beslissing en
uitvoering.
• Minder discussies door transparantere beslissingen. Je maakt de stappen in
besluitvorming en de afwegingen meer expliciet.

39
• Snellere beslissingen omdat delen van het proces geautomatiseerd plaatsvinden,
waaronder de beslissing zelf.
• Directe vertaling naar acties. Optimalisatie geeft niet alleen inzicht maar vooral ook de
beste optie, in een uitvoerbaar formaat.
De laatste twee voordelen spelen vooral bij optimalisatie, de meest geavanceerde
toepassing van analytics. Een meer volledig overzicht is terug te vinden in het zeven
waardenmodel33 van AT Kearny.
Nadelen van analytics
Belangrijke nadelen en beperkingen van analytics zijn:
• Toepasbaarheid: niet alles is samen te vatten in feiten of beschikbaar in de vorm van
gekwantificeerde, digitale data
• Risico’s: analytics introduceert kansen op nieuwe soorten fouten
• Voorbereiding: vereist een degelijke voorbereiding waarvoor niet altijd voldoende tijd is
• Acceptatie: beslissingen die op optimalisatie zijn gebaseerd, worden niet altijd even goed
geaccepteerd
• Robuustheid: data en modellen die bij optimalisatie worden gebruikt, moeten
voortdurend worden aangepast aan de actualiteit. Dat kan leiden tot vertraging.
Om de voordelen te benutten en de beperkingen te beheersen, is een goede bedrijfskundige
aanpak vereist. Daarmee richt je je op een duidelijke probleemstelling en een
multidisciplinaire aanpak.
Oorzaken voor betere resultaten door analytics
Hoe leidt het toepassen van analytics tot betere resultaten? Hieronder een opsomming van
de aspecten die daarbij een belangrijke rol spelen.
Meer en betere
feiten
Bij beslissingen die meer op perceptie en protocol zijn gebaseerd, zijn de feiten
vaak beperkt, verouderd en eenzijdig. Je beslist aan de hand van wat je ziet of
hoort en vertaalt dit naar een inschatting en beslissing. Naar eigen inzicht. Vaak
val je terug op vergelijkbare cases uit het verleden en schakelt daarmee zelfs
een deel van de recente data uit. Om de overeenkomst met een case uit het
verleden te kunnen rechtvaardigen. Dat leidt tot problemen bij de uitvoering.
Ter plekke moeten de uitvoerders beslissingen bijsturen op basis van
daadwerkelijke feiten. Kortom: meer en betere feiten kunnen dit alles
voorkomen. Maar dan moeten die feiten wel met analytics zijn bewerkt tot een
vorm die voor de beslissers hanteerbaar is.
Meer en betere
doelstellingen
Het is enorm motiverend als de doelstellingen bij een beslissing helder zijn.
Maar vaak is die helderheid er niet, omdat betrokkenen regelmatig
verschillende doelstellingen hebben. En deze vooraf niet kunnen of willen
delen. Dat leidt tot halfslachtige besluiten of beslissingen die maar half worden
uitgevoerd. Met analytics moet je doelstellingen expliciet maken, anders
worden ze niet meegenomen. Bovendien kun je meerdere doelstellingen per
situatie meenemen, dankzij de sterke rekenkundige capaciteiten van analytics-

40
middelen. Bij beslissingen die zijn gebaseerd op perceptie of protocol is dat
vaak niet mogelijk.
Meer opties Als je vraag en aanbod moet combineren, ontstaat de neiging om het aantal
productopties gestandaardiseerd en beperkt te houden. Daarmee wordt de
besluitvorming eenvoudiger. Maar hierdoor groeit ook de kans op verspilling.
Is er vraag naar een halve kilo goederen, maar verkoop je alleen per kilo? Dan
ontstaat er 50 procent verspilling bij de koper en zal hij minder willen betalen.
Als je meer variaties aanbiedt, bijvoorbeeld een halve en één kilo, dan kun je
met één kilo twee klanten helpen. Tegen een kiloprijs die al snel 20 tot 30
procent hoger ligt. Bij een te groot aantal varianten kan het voordeel
wegvallen. Door de hogere kosten die ontstaan in de productie en de
magazijnen. Met analytics kun je van alle haalbare opties het optimale aantal
varianten en bijbehorende prijsstelling bepalen. Om tot een maximale omzet
of winst te komen.
Meer resources Een groep planners bepaalt meestal de inplanning van medewerkers op een
aantal diensten. Elk team zal daarbij enige vorm van verspilling kennen: soms
zijn er te weinig medewerkers, soms is er te weinig werk. Door de planning
van een groot aantal groepen samen te voegen, loopt die verspilling flink terug.
In plaats van tien procent leegloop per groep is er opeens maar vijf procent
leegloop over het totaal. Simpelweg omdat je overschotten en tekorten tussen
groepen kunt uitwisselen. Zo kun je met behulp van optimalisatie over een
groep van 1000 medewerkers al snel een besparing van vijf procent realiseren.
Elke dag.
Sneller
beslissen
Veel beslissingen komen tot stand op basis van niet geautomatiseerde
processen. Je verzamelt input via overleg, evalueert op persoonlijke wijze en
neemt beslissingen via overleg. Hierbij kan veel tijd zitten tussen verzameling
van de input en uitvoering van de beslissing. Daardoor past deze vaak niet
meer bij de situatie. Dat vereist bijsturing tijdens de operatie, meestal met
beperkte mogelijkheden. Gevolg? Verwarring richting andere processen en
besluiten, omdat de gecommuniceerde beslissing achteraf niet blijkt uitgevoerd
te zijn. Analytics zorgt voor snellere beslissingen die dit risico verkleinen.
Meer en betere
beslisregels
Beslisregels zijn van grote impact. Hierin leg je variabelen, beperkingen, best
practices en wettelijke eisen vast. Bij beslissingen gebaseerd op perceptie en
protocol worden deze regels vaak onbewust overschreden. En moet je tijdens
of na de uitvoering gaan corrigeren. Dankzij analytics kun je beslisregels al da
niet meenemen, afhankelijk van de feiten en doelen. Zo wordt ervaring ook
maximaal ingezet.
Meer
transparantie
Veel beslissingen starten met onvoldoende expliciet gemaakte feiten,
doelstellingen, beslisregels en besluitvormingsprocessen. Het kan voorkomen
dat de betrokkenen bij de besluitvorming op al deze punten verschillende
informatie hebben. En dat ze zich daar onderling niet bewust van zijn. Dat leidt
tot veel discussies, verwarring en niet geaccepteerde besluiten. En daarmee
tot gebrekkige uitvoering en slechte resultaten. Door toepassing van analytics
moeten feiten, doelstellingen, beslisregels en besluitvorming expliciet en
concreet worden gemaakt. Hierdoor ontstaat een basis voor transparante
beslissingen. Dat hoeft niet bij elke beslissing opnieuw te gebeuren. Goed

41
uitgevoerde analytics zorgt ook voor concretiseren en evalueren van feiten,
doelstellingen en beslisregels, goed geborgd in de beslissingsondersteuning.
Hierdoor kun je dit voordeel op alle volgende beslissingen toepassen.
Meer
dynamische
beslissingen
Zeker bij beslissingen die op perceptie en protocol zijn gebaseerd, ontstaat de
neiging dezelfde beslissing te hanteren voor terugkerende situaties. Ook al zijn
een aantal feiten anders. Juist met analytics kun je de actuele situatie
meenemen. En wellicht daardoor steeds tot andere, betere beslissingen
komen.
Meer robuuste
beslissingen
Bij beslissingen die op perceptie en protocol zijn gebaseerd, kun je niet
eenvoudig uittesten wat er gebeurt als bepaalde startwaardes sterk afwijken
van normaal. Stel er is een brand geweest waardoor de helft van het pand niet
beschikbaar is. Of er is een griepepidemie in de vakantietijd waardoor normale
spelregels niet meer werken. Deze situaties kun je simuleren met analytics-
middelen. Hierdoor zie je eerder waar het systeem nog aan robuustheid kan
winnen.
Tabel 12 Factoren die bijdrage aan betere resultaten bij gebruik van analytics
Bij al deze voorbeelden geldt: analytics doorbreekt de capaciteitsgrenzen van het menselijk
en rekenkundig denken. Dankzij alle toegepaste bedrijfskundige inzichten, beslisregels en
wiskundige en ICT-technieken. Het voordeel wordt groter naarmate de impact van een
beslissing groter is. En naarmate de randvoorwaarden beter zijn ingevuld.

42
5. Analytics toepassen
Waarom, waar en wanneer is het toepassen van analytics relevent? Dit hangt mede af van
het antwoord op de vragen: wat is de mogelijke impact (wat levert het op?) en wat is de
vereiste inspanning (wat kost het, welke randvoorwaarden zijn al ingevuld?). Hierna komt
in het kort aan de orde:
• waarom nu?
• waar zijn binnen bedrijven de meest bekende toepassingsgebieden?
• wat zijn de bewijzen van succes?
5.1. Waarom nu
Sinds 2007 staat analytics sterk in de belangstelling. Daarvoor was analytics, toen nog onder
de term operations research of management science, jarenlang een vakgebied waar weinig
belangstelling voor bestond. Uitgezonderd in de financiële wereld, waar analytics onder de
term financiële wiskunde al decennia lang toegepast wordt. Waarom staat analytics in het
hele bedrijfsleven nu opeens zo in de belangstelling? En wanneer is dat voor een bedrijf
echt relevant? En waar? De randvoorwaarden en een aantal speciale aandachtsgebieden
komen in hoofdstuk 6 aan bod.
Bedrijven zien nu steeds meer de voordelen en kansen van analytics. Het enthousiasme is
aangewakkerd door een reeks trends en bijbehorende publicaties. Hierin staan twee
kenmerken centraal:
• enorme opkomst van de digitale wereld
• groeiende aandacht voor data en fact based decision making
• succesvolle toepassingen van modellen met automatische beslisregels
Figuur 22 De belangstelling voor analytics en gerelateerde topics volgens Google Trends
Door de opkomst van de digitale wereld is het voor steeds meer mensen gebruikelijk ook
besluitvorming te baseren op digitale middelen. Denk aan informatie op het web en in
software-applicaties. Vooral in handel en de media is dit zichtbaar. Waar mensen voorheen

43
kennis en expertise vooral via persoonlijk contact overdroegen, raakt de jongere generatie
gewend aan digitaal beschikbare kennis.
Keken oudere mensen vaak nog sceptisch aan tegen de beperkingen (“wat op internet staat
is niet compleet en kun je vaak niet vertrouwen”), de jeugd ziet vooral de onbegrensde
mogelijkheden. En heeft leren omgaan met de beperkingen.
Sinds begin jaren negentig ligt de focus op kwaliteitsmanagement. Hierdoor is de aandacht
voor fact based decision making enorm gegroeid. Vanuit deze trends zijn ook
managementtechnieken als Lean en Six Sigma ontstaan. Deze hebben de basis gelegd voor
veel succesvolle analytics projecten. Daarnaast hebben veel boeken bijgedragen aan meer
inzicht in de kansen van analytics. Eerst nog onder de klassieke term van Operations
Research (OR), zoals in ‘OR at Work’ (Fortuin, van Beek, Wassenhove, 1996), daarna onder
de noemer van key performance indicators in ‘Good to Great’ (Jim Colins, 2001). Daarna als
analytics in ‘Competing on Analytics (Davenport, Harris, 2007), ‘Analytics at Work’
(Davenport, 2010), ‘The Optimization Edge’ (Sashihara, 2011), ‘Keeping Up with the Quants’
(Davenport, Kim, 2013) en ‘Predictive Analytics’ (Siegel, 2013).
Risico’s
In 1979 meldde Ackoff nog dat de toekomst van Operational Research(OR), nu analytics,
eindig was (bron: OR at Work5). Hij stelde dat mensen OR te veel associeerden met het
gebruik van wiskundige modellen en algoritmes. Die stonden te ver af van de werkelijkheid.
Hij benadrukte het belang van de vaardigheid om managementproblemen helder te
formuleren. En oplossingen succesvol te implementeren en te onderhouden in turbulente
omgevingen. In plaats van het verschuilen achter niet afdoende werkende modellen.
Liefhebbers van het vakgebied, zoals de schrijvers van OR at Work, hebben zich deze kritiek
aangetrokken. Ze hebben de focus verlegd en zijn meer aandacht gaan geven aan een
heldere schets van succesvolle OR toepassingen als oplossing voor managementproblemen.
Inclusief de randvoorwaarden voor succesvolle implementaties, zoals het meer
bedrijfskundig benaderen van problemen en meer aandacht geven aan communicatie met
opdrachtgevers. Zo stelt Hayes dat de grootste waarde van kwantitatieve oplossingen zoals
OR zit in helpen een probleem te formuleren. En niet bij voorbaat in de oplossing ervan.
Interessant te ontdekken dat alle pogingen het vakgebied beter te positioneren alsnog zijn
geslaagd. Zeker nu, bijna 40 jaar na de kritiek van Ackoff.
Hoe komt het dat bedrijven opeens de voordelen en kansen van analytics zagen, na grote
scepsis in de jaren zeventig en tachtig? Wat waren de motieven? Het antwoord zit in een
combinatie van factoren:
• de beschikbaarheid van steeds meer data en wiskundige modellen met voldoende
rekenkracht
• de beschikbaarheid van steeds betere analysetools

44
• de bedrijfskundige benadering: eerst een probleem over alle functionele gebieden helder
maken, dan pas gaan denken in oplossingen. Met analytics als hulpmiddel
• de ontdekkingen en positieve resultaten die via storytelling bij het grote publiek terecht
zijn gekomen
• de sterke opkomst van bedrijven met bedrijfsmodellen die volledig op data en analytics
drijven (Google, Amazon, Facebook)
• de opkomst van een generatie die leeft en werkt in een digitale wereld
• het bewijs van maatschappelijke relevantie van analytics, zoals bij de klimaatdiscussie
Overigens heeft de financiële sector nooit getwijfeld aan de kracht van analytics. Deze sector
heeft altijd voorop gelopen, ondermeer met het aan analytics gerelateerde financiële
wiskunde, omdat juist in de financiële wereld al snel veel digitale data beschikbaar kwam.
Net als de noodzaak om snel en transparant te kunnen beslissen, zoals op beurzen en bij
beleggingsfondsen.
Dat geldt ook voor delen van de publieke sector. Veel overheden en NGO’s (Niet-
Gouvermentele Organisaties) hebben flink geïnvesteerd in data gestuurd en modelmatig
werken. Om discussies transparanter te maken en standpunten geloofwaardiger. Denk
bijvoorbeeld aan klimaatmodellen, transitiekunde en de toepassing van modellen door
wereldwijd erkende instituten, zoals de FAO, de Wereldbank en de Verenigde Naties.
Beschikbaarheid van data, rekenkracht en connectiviteit in cijfers
Toen operations research (OR) eind jaren zeventig ter discussie stond, moest het vakgebied
zich nog bewijzen met behulp van beperkte beschikbaarheid van data en rekenkracht. Sinds
die tijd hebben een aantal ontwikkelingen elkaar enorm versterkt:
• Beschikbaarheid van data: door opkomst van bedrijfsapplicaties als ERP, CRM,
HRM en SCM is de beschikbaarheid van data wel 20.000 keer zo groot geworden.
Ook is veel kwalitatieve informatie omgezet in kwantitatieve normeringen. Hierdoor
zijn veel management-issues nu via meetbare items te volgen. In plaats van via
kwalitatieve normeringen vastgelegd door waarneming of in tekst. Hierdoor kunnen
dergelijke issues beter worden gemodelleerd.
• ICT-rekenkracht: vooral via de wet van Moore werd duidelijk dat de rekenkracht
van IT-systemen zich elke twee jaar verdubbelde.
• Wiskunde-rekenkracht: een minder bekende revolutie, maar wellicht met meer
impact. Had een computer begin jaren negentig een factor één aan oplossnelheid,
deze lag rond 2000 al op 8.000. In 2010 zelfs op 80.000. Kortom, de ontwikkelingen
in de wiskunde hebben nog meer bijgedragen aan de huidige rekenmogelijkheden
dan de ICT.
• Connectiviteit: in de afgelopen 20 jaar zijn bereik (wereldwijd), snelheid, kosten
en toegankelijkheid (o.a. via de cloud) gigantisch gegroeid. Dat geldt niet alleen voor
data en rekenkracht, maar ook voor een veel beter bereikbaarheid.

45
• Nieuwe bedrijfsmodellen: ook in bedrijfskundig opzicht zijn er enorme
ontwikkelingen. Dat wil zeggen in de manier waarop resources binnen en tussen
bedrijven worden georganiseerd. Vroeger was het de norm alles binnen één concern
te regelen, met een hoge mate van geheimhouding en exclusiviteit. Tegenwoordig is
het bijna standaard alles via open verbanden te regelen. Vanuit het standpunt “delen
is vermenigvuldigen”. Gold dat eerst vooral binnen de wetenschap, nu gaat het ook
voor het bedrijfsleven op. De concurrentiekracht komt voort uit slim “engineeren” of
in de markt zetten. Niet meer uit bezitten, zelf managen of geheim houden. Zie de
opkomst van online marktplaatsen zoals Amazon, waar een aantal trends samen
komen. Zoals meer digital aanbod, meer digitale vraag, meer connectiviteit en meer
open bedrijfsmodellen. En daardoor een veel betere matching van vraag en aanbod,
met meer handel tot gevolg.
Kortom: voor bedrijven is het geen optie meer deze positieve trends te negeren. Als een
bedrijf of branche het niet zelf doet, dan doet de concurrentie of een gerelateerde branche
het wel.
Beschikbaarheid van digitale data.
De beschikbaarheid van data groeit enorm.
Vooral door de digitalisering van veel
processen, de opkomst van social media en
een groeiend aantal sensoren (Internet of
Things). Daarnaast zijn die data ook veel
beter toegankelijk, o.a. via cloud
toepassingen.
Beschikbaarheid van rekenkundige
technieken.
De sterke groei van de kracht van wiskunde
is tot nu toe een sterk onderschatte factor.
De kracht heeft zich 10 keer sneller
ontwikkeld dan de verwerkingskracht van
processoren.
Beschikbaarheid van rekenkracht.
De groei in rekenkracht van computers is
bekend geworden via de Wet van Moore die
stelt: de rekenkracht van computer
systemen verdubbelt zich elke twee jaar.
Tabel 13 De groei in analytics data en technieken

46
Wanneer starten?
Wanneer analytics daadwerkelijk toegepast wordt, hangt af van een aantal factoren:
• urgentie, moet het? Wanneer voldoet het niet langer zonder analytics als
beslisonderteuning te werken? Urgentie vanuit klanten, concurrentie of intern (werkdruk,
verloop van personeel). Hierbij kun je de urgentie nog indelen aan de hand van de 3 P’s:
pijn, poen en prestige.
Trigger Toelichting
Pijn
Is er een dringend issue dat op korte termijn bedreigend is voor een proces,
business-unit of het hele bedrijf?
Poen
Kan de investering in analytics in korte tijd worden terugverdiend? Met daarna
een substantiële bijdrage aan de winst?
Prestige
Kan analytics bijdragen aan een betere uitstraling naar klanten, prospects,
(nieuwe) medewerkers of leveranciers? Wat met andere middelen niet of moeilijk
te realiseren is? Zeker als analytics een trending topic is, kan deze factor een
grote rol spelen bij de start.
• maturity, kan het? Wanneer is een bedrijf klaar voor vaststelling van beslisitems,
inrichting van beslisomgeving en acceptatie door beslissers en uitvoerders? Wanneer kan
een volgende stap gezet worden naar meer analytics gedreven beslissingen? Belangrijke
argumenten zijn hiervoor zijn:
a. komen er veel extra data beschikbaar?
b. komen er nieuwe, generieke modellen beschikbaar?
c. in elke mate is de ervaring gegroeid om met analytics te werken?
d. wanneer is er een concrete aanleiding om processen te kwantificeren en te
digitaliseren?
e. wanneer is er behoefte om kennis via modellen vast te leggen en over te dragen?
Case
Vooral de financiële wereld kent veel voorbeelden van succesvol gebruik van analytics.
Ervaringen zijn in modellen vastgelegd waardoor beslisdata al jaren in digitale vorm
beschikbaar zijn. Om tot steeds betere beslissingen voor beleggingen te komen. Een
herkenbaar voorbeeld in de consumentenwereld is de opkomst van routeplanners. Eerst in
de vorm van standalone producten, maar daarna al snel in de vorm van online toepassingen.
Hierdoor konden adviezen nog meer op maat en up-to-date worden gemaakt. Voor auto en

47
trein, maar ook voor fietsen en wandelen. Daarnaast bevat vrijwel elke online marktplaats
een voorbeeld van een optimalisatiemodel. Op basis van ervaringen uit het verleden en veel
data krijg je voorstellen voor het beste product volgens de ingevoerde zoekopdracht. Veel
markten hebben hier enorm van geprofiteerd. Bijvoorbeeld de handel in tweedehands
producten (lokaal en wereldwijd) en de opkomst van de deeleconomie.
5.2. Waar toepassen?
De ambitie om te werken aan een betere bedrijfsvoering is inherent aan het bedrijfsleven.
Gezonde concurrentie stimuleert bedrijven tot het voortdurend op de markt brengen van
betere producten en diensten. De behoefte om dit met een minimum aan middelen te doen
komt niet alleen tot uiting in de meeste financiële doelstellingen, maar ook uit de
doelstellingen op het gebied van kwaliteit en duurzaamheid. Een bedrijfsconcept dat de
functionele gebieden van een bedrijf helder weergeeft, en daarmee ook de potentiële
toepassingen voor analytics, is het Business Canvas Model.
Figuur 23 Het Business Canvas model, met daarbinnen 3 clusters: 1) vraag gerelateerde
activiteiten, 2) aanbod gerelateerde activiteiten en 3) ondersteunende activiteiten,
waaronder rapportages over financiën en duurzaamheid
Veel voorkomende analytics toepassingen, gerelateerd aan het Business Canvas Model,
worden weergegeven in onderstaande tabel.

48
Toepassingsgebied Analytics varianten
1. Vraag gerelateerde
analytics
(demand analytics)
• Marketing analytics
• Marketing Budget
optimization
• Revenu of Yield Management
• Customer analytics
2. Aanbodgerelateerde
analytics
(supply analytics)
•Sales & Operations
analytics
•Production analytics
• Workforce analytics
• Portfolio analytics
• Transportation analytics
• HR analytics
3. Ondersteunende analytics • Revenue analytics
• Cost analytics
• Financial analytics
• Sustainability
Tabel 14 Toepassingsgebieden voor analytics
Welke van deze gebieden als eerste in aanmerking komen voor analytics hangt volledig af
van de sector en het type bedrijf. Waar is de meeste toegevoegde waarde: in de verkoop,
de productie, distributie of service? Ook de ambitie van het bedrijf speelt een belangrijke
rol. Wil het excelleren in productie of in service?
Als analytics steeds per functioneel gebied wordt toegepast zou dat tot sub-optimalisatie
kunnen leiden. Daarom wordt een aantal gebieden vaak gecombineerd. Bekende
voorbeelden zijn analytics voor Sales & Operations Planning (S&OP), analytics voor
Marketing, Sales, analytics voor Operations en Services (Revenue Management) en
analytics voor alle inkoop, productie, voorraadbeheer en distributie (Supply Chain Analtyics).
Voor deze laatste toepassing wordt vaak het SCOR34 model als referentiekader gebruikt.

49
5.3. Cases van bedrijfsmatige toepassingen
Er zijn inmiddels duizenden cases die het succes van analytics bewijzen. Deze cases zijn in
te delen naar:
• Toepassingsgebied: analytics voor vraag gerelateerde toepassingen (zoals
marktonderzoek en marketing, inclusief vraagvoorspelling) en voor aanbod gerelateerde
toepassingen (productie, voorbeheer, inkoop, dienstverlening)
• Beslissingsniveau: strategisch, tactisch, operationeel of real-time
• Industrie: fabricage van industriële of consumenten producten, dienstverlening
• Gebruikersgroep: bedrijfsleven, overheid, consumenten
• Resultaat: economisch, ecologisch, sociaal
Gekozen is voor een indeling naar toepassingsgebied, waarbij per case de industrie,
gebruikersgroep, beslissingsniveau en het resultaat vermeld worden. Er zijn enigszins
analoog aan het Business Canvas model 3 toepassingsgebieden onderscheiden:
1. Demand of vraag gerelateerde toepassingen: alle toepassingen waarbij analytics ingezet
wordt om de vraag in kaart te brengen en te beïnvloeden (sense en shape)
2. Supply analytics: aanbod gerelateerde toepassingen: alle toepassingen waarbij analytics
ingezet wordt om het noodzakelijke aanbod in kaart te brengen en te realiseren, binnen
en buiten bedrijven
- supply chain analytics
- workforce analytics
3. Ondersteunende analytics
- sustainability analytics
Hiermee worden met de cases alle drie de P’s (people, planet, profit) belicht.
5.3.1 Demand Analytics toepassingen
Demand of vraag-analytics35 bestaat uit het verzamelen en analyseren van data om de
vraagzijde van beslisslingen, zoals gedrag rondom prijs, klantvoorkeuren en te verwachten
klanttransacties in kaart te brengen. Demand analytics is van toepassing in vrijwel elke
branche, maar speelt vooral bij consumentengoederen, retail en de financiële wereld. Bij de
groei van demand analytics komen drie trends samen: de opkomst van big data ensocial
media, de digitalisering van marketing en verkoopprocessen en de behoefte aan het meer
op maat aanbieden van goederen en diensten (customer centricity).
Demand analytics kan een sterke bijdrage leveren aan de 3 P’s: profit, people en planet:
meer winst, minder stress voor de medewerkers en minder verspilling. De meeste factoren
die de vraag bepalen zijn vaak moeilijk te achterhalen, omdat ze door partijen buiten de
onderneming of organisatie bepaald worden. Mede daarom zijn er waarschijnlijk meer
demand-analytics dan supply analytics-toepassingen. Dat blijkt o.a. uit het overzicht hierna,
waaruit de diversiteit en de mate van toepassing naar voren komt voor sales en marketing.

50
Figuur 24 Demand analytics toepassingen bij leidende demand analytics ondernemingen,
inclusief het percentage van ondernemingen waar de desbetreffende vorm wordt
toegepast36
De samenhang tussen de hierboven genoemde demand analytics toepassingen wordt
gegeven in het schema hierna. Waarbij de hierboven genoemde toepassingen vooral
betrekking hebben op de bronnen in de figuur hierna in het linkerdeel genoemd worden.

51
Figuur 25 Een overzicht van demand analytics factoren37
Demand analytics-toepassingen zijn zowel strategisch, tactisch, operationeel en real-time
van aard.
Strategische
toepassingen
Onderzoek naar aantrekkelijkheid van nieuwe regio’s en nieuwe product
markt combinaties
Taktische
toepassing
Onderzoek voor het op de juiste manier inzetten van schaarse productie
en voorraadcapaciteit, intern en extern, en voor het afsluiten van de juiste
inkoopcontracten
Operationele
toepassing
Voorspellingen voor het doen van de juiste campagnes en productie runs
Real-time
toepassingen
Analytics voor o.a. real-time bidding bij Google Adwords en Facebook
De meeste demand analytics-toepassingen zijn te vinden in de business-to-consumer
wereld. Het toepassen van analytics voor deze vraaggerelateerde gebieden betekent vaak
het meer kwantitatief, digitaal en breder maken van de vraagfactoren en meetpunten.
Waaronder het vaker en sneller ontvangen van data van gebruikers en verkoopkanalen. De
toegevoegde waarde van analytics voor de verschillende aan de vraaggerelaterede
besliscomponenten is hieronder samengevat.

52
Beslis
component
Demand Analytics bijdrage
Feiten Met analytics-toepassingen kunnen extra cijfers en extra inzichten over
de vraag beschikbaar komen. Daarnaast kan men met analytics de vraag
clusteren, voorspellingen doen en de vraag analyseren op attributen
zoals: leeftijd, tijd van het jaar, prijsgevoeligheid
Doelen Met analytics kan de aantrekkelijkheid van specifieke product/markt
combinaties beter bepaald worden. Analytics leidt tot extra info over
doelen m.b.t. winstmaximalisatie, klant tevredenheid,
medewerkerstevredenheid, duurzaamheid (verminderen van afval)
Regels Met analytics kan men extra regels afleiden uit feiten en uit eigen best
practices.
Besluitvorming Persoonlijke overwegingen/inschattingen, vervangen door analytics
gebaseerde overwegingen, o.a. met S&OP en optimalisatie
toepassingen, inclusief revenu management
Resultaten Nog beter achterhalen door welke factoren de vraag bepaald wordt
(sensing) en nog beter leren door welke zelf te beïnvloeden factoren de
vraag beïnvloedt kan worden.
Tabel 15 De toegevoegde waarde van Demand Analytics
Het toepassen van demand analytics vereist wel dat de besliscomponenten voldoende
gekwantificeerd en gedigitaliseerd zijn. Zie twee voorbeelden van beslisomgevingen
hieronder.

53
Beslisomgeving 1.
De besliscomponenten zijn beperkt
gekwantificeerd en gedigitaliseerd.
Demand Analytics is beperkt toepasbaar.
Beslisomgeving 2.
De besliscomponenten zijn vrijwel volledig
gekwantificeerd en gedigitaliseerd. Demand
Analytics is uitgebreid toepasbaar.
Figuur 26 Het Plus Beslismodel ingevuld voor twee verschillende beslisomgevingen.
In de tabel hieronder zijn een aantal demand analytics voorbeelden verzameld.
Branche Demand Analytics toepassing Resultaten
Webshop voor
consumenten
Real-time toepassing voor business-to-consumer
leveranciers: Media budget optimalisatie met real
time bidding voor beter bereik tegen lagere kosten
Lagere kosten, meer
relevante leads
Vakantie-
huizen
verhuur
Demand shaping met revenu management voor
hogere opbrengsten via beter verdeelde bezetting
Hogere opbrengsten
Reis-
organisatie
Demand shaping met Revenu management voor
betere marge
Hogere opbrengsten
Bakkerij Demand sensing met forecasting voor beter
resultaat en minder afval
Minder kosten, minder
afval
Retailer Demand sensing met Forecasting voor beter
resultaat en minder afval
Hogere opbrengsten,
minder kosten, o.a.
door minder afval
(2e deel van tabel op volgende pagina)
Doelen
Regels
Feiten ResultatenBesluitvorming
Gekwantificeerd en digitaal Niet gekwantifideerd, wel digitaal Niet gekwantifideerd, niet digitaal

54
(1e deel van tabel op vorige pagina)
Branche Demand Analytics toepassing Resultaten
Luchtvaart
maatschappij
Veel consumenten zijn inmiddels bekend met de
sterk fluctuerende prijzen. Deze fluctuaties zijn vaak
het gevolg van de invoering van analytics in het
kader van revenu management. Mede dankzij het
online zoekgedrag kunnen
luchtvaartmaatschappijen veel eerder dan vroeger,
een beeld opbouwen van ontwikkelingen in de
vraag. Op basis hiervan en eventueel gedrag uit het
verleden, kunnen potentiele kopers van tickets
geclassificeerd worden en op basis daarvan een
prijs aangeboden worden, die past bij het profiel
van de klant, het aantal nog beschikbare plaatsen,
de tijd van het jaar etc. Extra resultaat dankzij
revenu management bij American Airlines: 0.5 mrd
per jaar op een omzet van ruim 14 mrd38
Hogere opbrengsten
Tabel 16 Demand analytics cases
5.3.2 Supply Analytics toepassingen
Supply Chain analytics.
De definitie van de supply chain van de Supply Chain Council39 maakt duideljk voor welke
activiteiten analytics toegepast kan worden: inkoop, productie en distributie.
Supply chain analytics omvat anlaytics toepassingen voor al deze gebieden en kan daarbij
ook betrekking hebben op de effecten van beslissingen voor leveranciers en voor klanten.
Dit kunnen naast logistieke en financiele effecten, ecologische en sociale effecten zijn. Voor
de ecologische effecten heeft de Supply Chain Council specifieke KPI’s gedefinieerd, de
zogenaamde GreenSCOR.

55
Figuur 27 Supply Chain definitie volgens Supply Chain Council
Onderstaande tabel bevat een selectie van supply analytics toepassingen.
Toepassingsgebied Supply Chain Analytics toepassing
Supply Chain Supply Chain Design
Sourcing Optimized order allocation
Arrival time optimization
Sourcing cost analytics
Production Management Perfect Order fulfillment analytics
Order fulfillment analytics
Cost to serve analytics
Asset Management analytics
Inventory Management Inventory cost optimization
Optimal stocking
Stock-out prediction
Distribution Planning Network Design
Vehicle Routing
Freight cost optimization
Trailer utilization
Returns management Return tracking
Cost recovery analysis
Tabel 17 Supply Chain analytics toepassingebieden. Bron: Supply Chain Council40
De supply chain is één van de meest volwassen gebieden voor analytics toepassingen. Dit
komt mede door de vroege aandacht voor kwaliteitsdenken in de supply chain, waardoor al
vroeg, o.a. voor JIT en Lean Six Sigma toepassingen, veel criteria voor beslissingen
gekwantificeerd en gedigitaliseerd werden. Daarnaast was de supply chain het gebied waar
de voorloper van analytics, operations research, ontstaan is, waardoor er al veel kennis en
affiniteit is met beslissen op basis van analytics.

56
Er is dan ook een groot aantal succesvolle supply chain analytics cases beschikbaar, voor
alle niveaus: strategisch, tactisch, operationeel en real-time.
Figuur 28 Analytics-toepassingen op strategisch, tactisch, operationeel en real-time niveau
voor supply chain optimization (bron: ORTEC)
De toepassing van supply chain analytics verloopt bij veel bedrijven in stappen:
• stap 1: analytics voor de interne supply chain, met focus op productie
• stap 2: analytics toepassen voor de extended supply chain, met focus op transport
naar klanten. Meestal wordt gestart met statische, gecentraliseerde oplossing, met
een planningsscope van een week of enkele dagen.
• stap 3: de analytics toepassingen wordt dynamisch gemaakt, waardoor
veranderingen in de supply chain vrijwel real-time gemeten en verwerkt kunnen
worden (real-time sensing)
• stap 4: de supply chain toepassingen worden voorzien van forecasting en soms ook
van shaping opties, zoals dynamic pricing, om de bezetting en voorspelbaarheid van
de supply chain nog verder te verbeteren.
Om een stap te kunnen maken moet de verschillende besliscomponenten beter ingevuld
worden met behulp van data en analytics-middelen. De verbeteringen die met analytics
gerealiseerd kunnen worden zijn in onderstaande tabel samengevat.

Welkom in een bijna geoptimaliseerde wereld Ronald Buijsse - November 2017 - 1e uitgave - 2e versie

Welkom in een bijna geoptimaliseerde wereld Ronald Buijsse - November 2017 - 1e uitgave - 2e versie

Recommended

Recommended

More Related Content

Similar to Welkom in een bijna geoptimaliseerde wereld Ronald Buijsse - November 2017 - 1e uitgave - 2e versie

Similar to Welkom in een bijna geoptimaliseerde wereld Ronald Buijsse - November 2017 - 1e uitgave - 2e versie (20)

Welkom in een bijna geoptimaliseerde wereld Ronald Buijsse - November 2017 - 1e uitgave - 2e versie