Soepel starten met data analytics als SAP-gebruiker? Pas deze vijf best practices toe

SAP biedt allerlei eigen oplossingen voor het verzamelen en analyseren van data. Dat werkt prima zolang de data uit SAP komen. Het wordt echter lastig zodra je data uit andere bronnen wilt verwerken of andere tooling wilt inzetten. Lees hier vijf ‘best practices’ om effectief te starten met data analytics als SAP-gebruiker.

SAP biedt een aantal usual suspects om ‘iets met data’ te doen: SAP Business Warehouse, SAP S/4HANA en dan daarboven mooie rapportages in Business Objects-tools zoals Web Intelligence (Web-I), Design Studio, Lumira Designer of SAP Analytics Cloud. Momenteel heeft S/4HANA Embedded Analytics maar liefst 70.000 verschillende rapportage views waaruit je kunt kiezen.

Met alle klantgegevens, productgegevens en klanthistorie in SAP kun je inzichten creëren waarmee je snel businesswaarde creëert, zoals een RFM-model, just in time-logistiek en predictive analytics.

Maar niet alle data zitten echter in SAP.

SAP is onderdeel van een IT-infrastructuur

Waar je vroeger SAP als monoliet inzette voor bijna alles, is er nu een landschap waarin SAP nieuwe modules heeft aangekocht – zoals Hybris en SuccessFactors – of zelf heeft ontwikkeld, zoals Cloud for Customer (C4C). Maar als je kiest voor een alternatief om CRM mee te doen, zoals Salesforce bijvoorbeeld, dan komt de vraag waar je vervolgens je data analytics doet.

Nu is SAP heel goed in het rapporteren over SAP-data: de S/4HANA-database bijvoorbeeld is bijzonder snel. Wil je echter rapporteren over data die niet uit SAP komt, dan kun je die niet allemaal in deze snelle database opslaan. Dat is niet altijd toegestaan, of niet meest kostenefficiënt. Omdat het bovendien steeds belangrijker om een 360-graden-klantbeeld te creëren uit alle datastromen, zoek je naar een totaaloplossing voor je data analytics. Je wilt niet alleen orders verwerken, je wilt ook weten waarom een klant iets wel of niet heeft besteld. Daar heb je data van social media, het e-commerce platform of een advertentieplatform zoals Google voor nodig.

Tegenwoordig zijn er allerlei goede cloudoplossingen beschikbaar waarin je data kunt samenbrengen, zoals Microsoft Power BI. Hoe werkt dat met SAP-data?

SAP-data komen met SAP-businesslogica

Iets met SAP-data doen varieert van het downloaden naar een CSV-bestand en dit op SharePoint plaatsen tot het optuigen van een compleet enterprise data lake op een van de ‘grote drie’: Amazon AWS, Microsoft Azure of Google Cloud Platform. Maar dan komt er een stortvloed aan vragen. Hoe krijg je inzicht in waar je data vandaan komen (lineage)? Hoe ga je om met diverse gebruikersgroepen (zoals key users en data scientists)? Hoe zorg je dat de data ‘governed’ is wat toegang/beveiliging betreft? En kijk ik eigenlijk wel naar dezelfde data in mijn data lake?

Iets als ‘voldoen aan de AVG’ is gewaarborgd in SAP, maar wanneer je dezelfde data ophaalt en voor een jaar in een data lake laat staan, overtreed je mogelijk wel de AVG-wet. Alle typische datavraagstukken zijn beantwoord door SAP maar deze moet je zelf opnieuw gaan stellen wanneer je SAP-data buiten SAP wilt gaan verwerken.

De volgende best practices helpen je om een soepele start te maken met data analytics als SAP-gebruiker.

Begin met een discovery-fase

Waar sta je precies als organisatie als het gaat om data verzamelen, analyseren en inzetten voor de business? Soms ben je als bedrijf nog niet zo ver als je zelf in eerste instantie denkt. Breng dus alles in kaart: de bedrijfsprocessen en communicatiestromen, de softwaresystemen eromheen, de data in termen van kwaliteit, consistentie en accuraatheid, de rapportages en forecasting die er al zijn en eventuele pijnpunten. Kijk ook naar de interne capaciteiten: zijn er medewerkers met een data-achtergrond én een goede kennis van de business?

Bepaal vooraf wat je wilt doen

De grootste valkuil is beginnen zonder je doel. Veel bedrijven snappen dat data het nieuwe goud is en willen zoveel mogelijk data verzamelen om er ‘iets’ mee te doen. Het wordt vaak gezien als haarlemmerolie om beter te voorspellen, de supply chain te verbeteren en de productiviteit te verhogen. Dat klopt ook allemaal uiteindelijk, maar wanneer je begint is er vooral behoefte aan een concrete invulling. Wat gaan we precies doen? Welke tool gaan we gebruiken? Welke data hebben we nodig en wat verwachten we hiermee te kunnen bereiken? En hoe meten we dat?

Houd het klein

Dit is de allerbelangrijkste best practice wanneer je begint met data analytics. Je wilt in alle gevallen voorkomen dat je na een implementatie van twee jaar tot de conclusie komt dat het te veel tijd kost en te weinig oplevert. Je zult de waarde eerst moeten bewijzen aan je organisatie. Begin daarom klein. Kies een afgebakende use case zoals een specifieke klantengroep, een regio of domein. Bepaal vooraf wat je wilt bereiken, leren of uitsluiten. Zo kun je vooraf inschatten wat het kost en wat het zal opleveren.

Na je eerste traject kun je vervolgens stapsgewijs verdergaan. Kijk hierbij ook naar zogenaamde accelerators waarmee je een vooraf gedefinieerde aanpak kunt inzetten, of een tool waarmee je snel data uit SAP kunt extraheren en klaarzetten in een data lake-omgeving.

Neem de AVG direct mee

Onder de AVG zijn er nieuwe processen die je moet inrichten, zoals een verwerkingsregister, DPIA-protocol, inzage- en verwijderingsprocedures en een datalekkenregister. Dit is een goed moment om te kijken hoe je de AVG regelt in je data analytics-landschap: als bedrijf kun je je niet achter je softwareleverancier schuilen. Zo is er de hardnekkige misvatting dat de AVG alleen van toepassing is op B2C. Maar ook medewerkers hebben specifieke persoonsgegevens waarmee ze herkend kunnen worden, zoals een e-mailadres, telefoonnummer of Twitter-handle.

Hieraan gekoppeld zit data governance. Wie heeft er toegang tot welke data en waarom? Wanneer je data uit SAP haalt en elders plaatst, zul je het exacte gebruik ervan moeten vaststellen en toetsen aan de AVG. Een hoofd binnendienst die regelmatig zelfstandig rapportages draait heeft een ander datagebruik dan een data scientist die vooral met geaggregeerde data werkt.

Wees bewust van datakwaliteit

En tot slot: elk bedrijf dat werkt met SAP heeft ook mensen die verantwoordelijk zijn voor de kwaliteit, accuraatheid en volledigheid van de data waarmee gewerkt wordt. Zo voorkom je doublures en onnodige retouren, en zorg je voor een efficiëntere bedrijfsvoering. Wanneer je begint met data analytics wordt de noodzaak voor een hoge datakwaliteit ook groter. Je gaat namelijk handelen naar de inzichten die je uit de data krijgt, zoals het proactief benaderen van een VIP-klant die al geruime tijd niet heeft besteld. Als vervolgens blijkt dat dezelfde klant ook via een ander e-mailadres bestelt, dan kan je marketingboodschap helemaal verkeerd vallen. Een hoge datakwaliteit is daarom de basis van data analytics.

Over de auteur: Ralf Slofstra is Director Data & Analytics bij EPAM Systems.

Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op social media: LinkedIn, Twitter en Facebook.