Adoptie data-gedreven besluitvorming belemmerd door matig personeelsmanagement

De auteurs danken Jadé Dieteren (RaboResearch) voor
haar bijdrage gedurende de eerste fase van dit onderzoek.

Big Data en gerelateerde technologieën als artificial intelligence bieden enorme mogelijkheden voor bedrijven om betere beslissingen te nemen (Brynjolfsson et al., 2018; Bartelsman, 2019). Dit roept de vraag op in hoeverre Nederlandse bedrijven data-gedreven besluitvorming omarmen en welke bedrijfskenmerken samenhangen met de adoptie van data-gedreven besluitvorming (data-driven decision making (DDD). Door onderzoek dat eerder is verricht bij Amerikaanse bedrijven (Brynjolfsson & McElheran, 2016) voor het eerst ook onder Nederlandse bedrijven uit te voeren geven we antwoord op deze vragen.

Afgelopen decennia werden gekenmerkt door ongekende ontwikkelingen op het gebied van beschikbaarheid, opslag en verwerking van data. Er wordt ook wel gesproken van het tijdperk van Big Data (Lohr, 2012). Zo is de hoeveelheid opgeslagen data afgelopen jaren enorm toegenomen: van 2,6 exabyte in 1986 tot zo’n 175 zettabytes in 2025 (Reinsel et al., 2018).[1] Ook is de frequentie waarmee data beschikbaar komen, drastisch toegenomen. Data worden veelal real time in plaats van enkel periodiek (bijvoorbeeld jaarlijks of op kwartaalbasis) verzameld.

Eerder werd slechts gebruik gemaakt van administratieve data en enquêtedata (Einav & Levin, 2014). Tegenwoordig hebben met de introductie van vooral sociale media en smartphones, nieuwe data hun intrede gedaan. Voor bedrijven betekent de komst van Big Data dat ze voor hun besluitvorming minder hoeven te vertrouwen op de intuïtie van leidinggevenden en zich meer kunnen laten leiden door objectieve gegevens (McAfee & Brynjolfsson, 2012). Daarbij moet voor ieder bedrijf de relevante data daadwerkelijk beschikbaar zijn. Ook moeten ze duidelijk hebben hoe Big Data een rol kan spelen in hun bedrijfsvoering en moeten bedrijven over de mensen en capaciteit beschikken om met data aan de slag te gaan (Agrawal et al., 2018).

[1] Er gaan een miljoen terabytes in 1 exabyte en een miljard terabytes in 1 zettabyte.

Om na te gaan in hoeverre Nederlandse bedrijven gebruikmaken van Data Driven Decisionmaking (DDD) hebben we een enquête uitgezet in een representatieve steekproef onder Nederlandse bedrijven (alle bedrijven met tenminste één werknemer; zzp’ers nemen we niet mee). De enquête is door marktonderzoeksbureau Ipsos tussen augustus en oktober 2018 online afgenomen onder 3000 leidinggevenden van Nederlandse bedrijven. Van deze leidinggevenden hebben 1708 respondenten de enquête daadwerkelijk ingevuld (respons van 59 procent).

De maat voor DDD bij bedrijven bestaat uit het gemiddelde van hun zelf-gerapporteerde scores voor beschikbaarheid van data voor besluitvorming, en het daadwerkelijk gebruik van data bij besluitvorming. Op basis hiervan kennen we aan elk bedrijf in onze steekproef een score tussen nul en tien toe (zie appendix voor de exacte samenstelling van de DDD-score).

Figuur 1 laat zien hoe data-gedreven Nederlandse bedrijven te werk gaan. Wat allereerst opvalt, is dat er een piek aan het begin van de verdeling zit. Een flink aantal bedrijven maakt geen gebruik van data bij beslissingen, omdat ze niet over geschikte data beschikken of om andere redenen. Los van de piek aan het begin, valt verder op dat er grote verschillen bestaan tussen bedrijven, met een grote middenmoot en slechts enkele bedrijven die data-gedreven besluitvorming ten volste omarmen.

Om na te gaan welke bedrijfskenmerken samenhangen met de mate waarin bedrijven DDD omarmen, hebben we binnen de enquête ook andere gegevens van bedrijven verzameld, zoals de sector waarbinnen ze actief zijn, hun eigenaarschapsvorm, hun omvang, opleidingsniveau van hun werknemers en kwaliteit van hun managementpraktijken.

Wat allereerst opvalt, is dat de verschillen tussen sectoren en eigenaarschapsvormen op gebied van DDD klein zijn. Alhoewel de industrie voorop lijkt te lopen (figuur 2), valt het verschil met andere sectoren weg zodra we rekening houden met andere bedrijfskenmerken, zoals bedrijfsomvang en managementkwaliteit. Hetzelfde geldt voor verschillen tussen familiebedrijven en niet-familiebedrijven (figuur 3). Wanneer we rekening houden met verschillen in bedrijfsomvang en managementkwaliteit, zien we dat niet-familiebedrijven niet méér data-gedreven werken dan familiebedrijven.

Welke factoren verklaren dan de verschillen in DDD? Uit een regressieanalyse blijkt allereerst dat grote bedrijven meer data-gedreven werken (model 1). Ook wanneer we rekening houden met de kwaliteit van managementpraktijken en het aanwezige menselijk kapitaal, blijft deze relatie staan (model 4). Een verklaring voor de relatie tussen omvang en datagebruik is dat grote bedrijven meer van de benodigde kennis, middelen en mensen hebben om data-gedreven te werken (Varian, 2014). Een andere uitleg is dat gebruik van data in kleine bedrijven minder noodzakelijk is; het is eenvoudiger voor leidinggevenden om alle werkprocessen te monitoren zonder gebruik te maken van systematisch verzamelde data en data-analyses.

Een tweede belangrijke factor die bijdraagt aan de adoptie van DDD is de kwaliteit van managementpraktijken (model 2); ook wanneer we rekening houden met de omvang van bedrijven (model 4). Om de kwaliteit van managementpraktijken te meten, volgen we met onze enquête de methode van de Management & Organizational Practices Survey (MOPS), afgenomen door het Amerikaanse bureau voor de statistiek (Bloom et al., 2017). Evenals de MOPS maken we onderscheid tussen doelenmanagement, prestatiemanagement en personeelsmanagement (zie ook: Dieteren et al., 2019). Het feit dat de managementkwaliteit van bedrijven samenhangt met de mate van DDD suggereert dat DDD niet zonder goede managementpraktijken kan. Dit resultaat past in bredere observaties dat nieuwe technologie niet zonder bijpassende bedrijfspraktijken kan (Garretsen, 2019; Volberda & Heij, 2019).

In de derde plaats hangt data-gedreven besluitvorming samen met het binnen bedrijven aanwezige menselijk kapitaal (model 3). Menselijk kapitaal is hierbij gemeten op basis van het percentage hoogopgeleide werknemers. In lijn met bevindingen uit eerdere studies die ingaan op de adoptie van IT door bedrijven (Bresnahan et al., 2002), suggereert dit dat het gebruik van data-gedreven besluitvorming afhankelijk is van het niveau van de opleidingsachtergrond van werknemers binnen bedrijven. Overigens blijft deze relatie niet overeind staan zodra we rekening houden met de omvang bedrijven en hun managementkwaliteit (model 4), wat suggereert dat vooral die laatste twee bedrijfskenmerken essentieel zijn voor omarming van data-gedreven besluitvormingspraktijken.

Al met al hangen dus vooral bedrijfsomvang en kwaliteit van managementpraktijken sterk samen met omarming van DDD. Ervan uitgaande dat bedrijfsomvang op ieder gegeven moment niet zomaar is aan te passen, roept dit vooral de vraag op welke managementpraktijken vooral van belang zijn voor omarming van DDD. Om dit te onderzoeken regresseren we de adoptie van DDD op de kwaliteit van onderliggende managementdimensies binnen bedrijven. Alle managementdimensies hangen positief en significant samen met de mate waarin bedrijven DDD omarmen. Afgaand op de R-kwadraat en significantieniveaus constateren we dat vooral personeelsmanagement van belang is. Goed personeelsmanagement, gedefinieerd als het aantrekken, ontwikkelen en behouden van talent, heeft het sterkste verband met DDD (zie tabel 2). Dit impliceert dat omarming van DDD voor een groot deel afhangt van hoe het bedrijf interne processen inricht om het maximale uit werknemers te halen.

Big Data biedt mogelijkheden voor bedrijven om beslissingen en prestaties te verbeteren. Toch is data-gedreven besluitvorming niet bij alle Nederlandse bedrijven even belangrijk. Uit onze analyse blijkt dat bedrijfsgrootte en kwaliteit van managementpraktijken binnen bedrijven cruciaal zijn bij data-gedreven besluitvorming. Vooral bedrijven die met behulp van goed personeelsmanagement het meeste uit hun werknemers trachten te halen, adopteren data-gedreven besluitvorming. Om meer uit hun data te halen, doen bedrijven er goed aan meer aandacht te besteden aan hun bedrijfspraktijken, met name hun personeelsmanagement.

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: the simple economics of artificial intelligence. Harvard Business Press.

Bartelsman, E. (2019). De weg naar een mooie toekomst met nieuwe technologie. MeJudice, 28 oktober 2019.

Bloom, N., Brynjolfsson, E., Foster, L., Jarmin, R. S., Patnaik, M., Saporta-Eksten, I., & Van Reenen, J. (2017). What drives differences in management?, National Bureau of Economic Research, No. w23300.

Bresnahan, T. F., Brynjolfsson, E., & Hitt, L. M. (2002). Information technology, workplace organization, and the demand for skilled labor: Firm-level evidence. The Quarterly Journal of Economics, 117(1), 339-376.

Brynjolfsson, E., & McElheran, K. (2016). The rapid adoption of data-driven decision-making. American Economic Review, 106(5), 133-39.

Brynjolfsson, E., Rock, D., & Syverson, C. (2018). Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics. In: The economics of artificial intelligence: an agenda. University of Chicago Press.

Dieteren, J.; Groenewegen, J.; Hardeman, S. (2019). Gericht beleid nodig voor verbeteren managementkwaliteit bij bedrijven. ESB, 17 oktober 2019.

Einav, L., & Levin, J. (2014). Economics in the age of big data. Science, 346(6210), 1243089.

Garretsen, H. (2019). Een pleidooi voor indirect innovatiebeleid. MeJudice, 26 september 2019.

Lohr, S. (2012). The age of big data. New York Times, 11(2012).

McAfee, A., & Brynjolfsson, E. (2012). Big data: the management revolution. Harvard Business Review, Oktober 2012: 3-8.

Reinsel, D., Gantz, J., & Rydning, J. (2018). The digitization of the world: from edge to core. IDC White Paper, Nr. US44413318, gedownload, 13 mei 2018 van: www.seagate.com

Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28.

Volberda, H.; Heij, K. (2019). Moet Nederland alles inzetten op sleuteltechnologieën? MeJudice, 8 oktober 2019.

De enquête is door marktonderzoeksbureau Ipsos online afgenomen onder 3000 leidinggevenden van Nederlandse bedrijven. Van deze leidinggevenden hebben 1708 respondenten de enquête daadwerkelijk ingevuld (respons van 59 procent). Voor het verkrijgen van een representatieve steekproef is bij het samenstellen van de set aan leidinggevenden rekening gehouden met de bedrijfsgrootte en sector waarin zij werken. Binnen de enquête wordt aandacht besteed aan o.a. (i) algemene bedrijfsinformatie, (ii) data-gedreven besluitvorming en (iii) managementpraktijken.

De vragen over data-gedreven besluitvorming zijn gebaseerd op Brynjolfsson & McElheran (2016). Er wordt gevraagd naar (i) beschikbaarheid en (ii) afhankelijkheid van data voor besluitvorming binnen het bedrijf:

Aanvullend op Brynjolfsson & McElheran (2016) is gevraagd om te specificeren op welk vlak van besluitvorming data beschikbaar zijn en worden gebruikt: d.w.z. voorraadbeheersing, het optimaliseren van relaties met leveranciers, het optimaliseren van klantrelaties en personeelsmanagement. Dit levert vier scores op voor de beschikbaarheid en het gebruik van data voor besluitvorming. Aan de hand van een min/max-transformatie zijn de vier scores genormaliseerd zodat ze op een schaal van 0 tot 10 komen te liggen en gemiddeld. Daarnaast is respondenten ook gevraagd naar het gebruik van verschillende softwaresystemen (ERP, SRM, CRM en HRM). Dit levert een dummy-variabele die aangeeft of een bedrijf wel (=1) of niet (=0) beschikt over één van de vier softwaresystemen. We gaan ervan uit dat als bedrijven niet over tenminste één van deze softwaresystemen beschikken, ze überhaupt niet aan data-gedreven besluitvorming kunnen doen.

In onze uiteindelijke DDD-maatstaf hebben we geëxperimenteerd met en zonder de toevoeging van de dummy-variabele voor aanwezigheid van softwaresystemen. Dat wil zeggen, we hebben een maat van DDD geconstrueerd op basis van de vier genormaliseerde en gemiddelde scores en we hebben een maat van DDD geconstrueerd op basis van de vier genormaliseerde en gemiddelde scores vermenigvuldigd met een dummy-variabele die aangeeft of een bedrijf wel (=1) of niet (=0) beschikt over één van de vier softwaresystemen. De uitkomsten van beide benaderingen zijn kwalitatief vergelijkbaar (zowel in termen van de verdeling van DDD over bedrijven als de regressie-uitkomsten). De hier gerapporteerde uitkomsten zijn op basis van een DDD-maat zonder inbegrip van een dummy-variabele voor aanwezigheid van softwaresystemen.

Verschenen op MeJudice, 29 november 2019