Mijn werk stopt dus niet bij het analyseren van data. Juist de combinatie van data-analyse, klantfeedback en experimenten maakt het interessant. Voeg daar AI aan toe en je kunt die cyclus steeds sneller doorlopen.

Van zien wat er gebeurt naar begrijpen waarom

Binnen de online salesflow hebben we ontzettend veel data beschikbaar. Met tools als Piano Analytics zien we vrij nauwkeurig hoe klanten door de funnel bewegen en waar opvallende drop-offs ontstaan. Maar weten waar iemand afhaakt, betekent nog niet dat je weet waarom.

Daar komt voor mij het CXO-gedeelte samen met analytics. We draaien continu experimenten om de customer experience te verbeteren, conversie te verhogen, drop-offs tegen te gaan en nieuwe functionaliteiten te testen. Dat zijn vooral A/B-tests, maar samen met collega’s heb ik bijvoorbeeld ook fake-door-tests geïntroduceerd. Daarmee onderzoeken we eerst of klanten daadwerkelijk interesse hebben in een nieuwe functionaliteit, voordat we die volledig ontwikkelen. Zo doen we niet alleen aannames over wat de klant nodig heeft, maar toetsen we die aannames ook echt.

Tegelijkertijd analyseer ik kwalitatieve feedback uit bijvoorbeeld online enquêtes. Door die feedback te koppelen aan het gedrag in de salesfunnel, ontstaat een veel rijker beeld. De kwantitatieve data laten zien wat er gebeurt. De kwalitatieve data helpen verklaren waarom. Juist daar zag ik een kans om AI toe te voegen.

AI als versneller, niet als eindresultaat

Het begon relatief klein. Grote hoeveelheden open klantfeedback handmatig analyseren kost veel tijd. Daarom onderzocht ik hoe we AI kunnen inzetten om deze data sneller te verwerken en patronen beter zichtbaar te maken.

Met onder andere Snowflake, SQL en Cortex AI heb ik de open klantfeedback feedback gekoppeld aan verschillende stappen in de funnel. In een dashboard zien we zo sneller welke thema’s terugkomen en welke mogelijke verklaringen er zijn voor het gedrag dat we in de data zien.

De volgende stap was om AI ook te gebruiken bij het formuleren van nieuwe hypotheses. Op basis van funneldata, klantfeedback en eerdere inzichten kunnen mogelijke verklaringen en optimalisatierichtingen worden opgesteld. Die vormen vervolgens weer input voor nieuwe CXO-experimenten. En daarmee is de cirkel rond.

Een experiment levert nieuwe gedragsdata en nieuwe klantfeedback op. Die analyseren we opnieuw. Daaruit ontstaan weer nieuwe inzichten en hypotheses. Vervolgens testen we die opnieuw. AI helpt om sneller door die cyclus heen te bewegen.

Data → inzicht → hypothese → experiment → nieuwe data → nieuw inzicht.

Inmiddels hebben we een deel van dit proces ook geautomatiseerd. Via automatiseringen ontvangen betrokken collega’s periodiek updates met analyses, conclusies en nieuwe inzichten uit de beschikbare data. Daarmee blijven inzichten niet in een dashboard of analyse hangen, maar komen ze terecht bij de mensen die ermee aan de slag kunnen.

AI verandert het werk van een analist

Door met AI te experimenteren, ben ik er steeds meer van overtuigd dat AI het werk van een analist fundamenteel verandert. Mijn uitgangspunt daarbij is simpel: AI gaat je baan niet overnemen, iemand die met AI kan werken wel. Dat betekent voor mij niet dat je ieder vraagstuk aan AI moet overlaten. Integendeel. AI is een assistent, niet het eindresultaat.

AI helpt een analist om sneller grote hoeveelheden informatie te verwerken, verbanden te ontdekken, repetitieve stappen te automatiseren en sneller tot mogelijke hypotheses te komen. Maar iemand moet nog steeds bepalen of een uitkomst logisch is, begrijpen in welke context de data staat en beslissen wat je daarna gaat testen.

“AI helps analysts move faster. Judgement is what turns output into value.” Juist die combinatie vind ik interessant: nieuwe technologie gebruiken om sneller te werken, zonder het kritisch denken uit het vak te halen.

Klein beginnen en vervolgens verder bouwen

Wat begon met AI inzetten binnen een concreet analysevraagstuk, wordt inmiddels steeds breder. Ik ben nu ook betrokken bij gesprekken over toekomstige AI-toepassingen binnen de digitale customer journey. Denk bijvoorbeeld aan intent-based journeys en op termijn mogelijk aan vormen van conversational AI of conversational sales.

Die ideeën staan nog in de kinderschoenen en onderzoeken we bewust stap voor stap. Voor mij maakt dat het juist interessant. Niet beginnen met de vraag: “Waar kunnen we AI gebruiken?” maar met: “Welk klant- of businessprobleem willen we oplossen en kan AI daarbij helpen?”

Dat ik bij deze ontwikkelingen betrokken ben geraakt, komt voor een groot deel doordat ik zelf kansen ben blijven aandragen en ermee ben gaan experimenteren. Minstens zo belangrijk is dat ik binnen Vattenfall de ruimte krijg om dat te doen. Collega’s raakten enthousiast, haakten aan en zo groeiden losse ideeën steeds meer uit tot gezamenlijke projecten.

Dat is voor mij misschien wel een van de belangrijkste lessen van deze opdracht: impact ontstaat niet alleen doordat je een goed idee hebt. Je moet het ook klein genoeg maken om ermee te beginnen, laten zien wat het oplevert en anderen daarin meenemen.

Van trainee naar spreker op Data Expo

Toen ik bij Vattenfall begon, wist ik dat ik technisch veel zou leren. Inmiddels werk ik met onder andere Piano Analytics, Mopinion, Power BI, Snowflake, SQL, Cortex AI, Power Automate en verschillende tools voor experimenten- en automatisering. En misschien nog belangrijker is dat mijn manier van denken is veranderd.

Werken met zoveel rijke data biedt bijna eindeloos veel mogelijkheden. Daardoor leer je steeds beter om niet direct een dashboard te bouwen of een analyse uit te voeren, maar eerst de juiste vraag te stellen. Wat willen we eigenlijk weten? Welke beslissing willen we hiermee nemen? En welke combinatie van data hebben we daarvoor nodig?

Daarnaast ontdekte ik hoe belangrijk stakeholdermanagement is binnen een grote organisatie. Een goede analyse alleen verandert namelijk nog niets. Je moet het inzicht vertalen, mensen meenemen en zorgen dat er uiteindelijk iets mee gebeurt. Dat samenspel tussen data, techniek en mensen vind ik misschien wel net zo leuk als het analyseren zelf.

Dat ik snel waarde kon leveren en kansen kon pakken, heeft inmiddels tot twee bijzondere mijlpalen geleid. Na mijn traineeship treed ik vast in dienst bij Vattenfall. Daarnaast mag ik namens Vattenfall spreken op Data Expo.

Daar vertel ik over een herkenbare analytics-paradox: organisaties willen eerst de waarde van analytics zien voordat ze investeren in extra capaciteit. Tegelijk heb je juist capaciteit nodig om die waarde aan te tonen. Onze aanpak is om klein te beginnen met concrete use cases, impact zichtbaar te maken en vanuit daar verder te bouwen. CXO, automatisering en AI zijn daar mooie voorbeelden van.

Twee jaar SchaalX als basis

Mijn opdracht bij Vattenfall voelt tegelijk als het resultaat van de ontwikkeling die ik de afgelopen twee jaar binnen het SchaalX-traineeship heb doorgemaakt.

Masterclasses over onder andere customer journeys, data, AI en stakeholdermanagement hielpen mij om verschillende kanten van het vak beter te begrijpen. Ook mijn eerdere opdracht bij Arbo Unie was daarin een belangrijke tussenstap. Daar werkte ik al veel met AI en leerde ik hoe je nieuwe technologie inzet voor een concreet organisatievraagstuk.

Bij Vattenfall komen veel van die onderdelen samen: data, klantgedrag, experimenteren, AI, adviseren en stakeholders meenemen. En juist die combinatie zorgt ervoor dat ik nog iedere dag nieuwe vragen tegenkom. Want uiteindelijk is dat misschien wel het leukste aan data: ieder antwoord levert bijna automatisch weer een nieuwe vraag op. En dus een volgende hypothese om te testen.

Ook een SchaalX professional nodig die meteen impact maakt? SchaalX staat voor je klaar.