Wie zijn wij?

Wij zijn een groep van business analisten, architecten en projectleiders bij Capgemini. Ons doel is om bewustzijn over (milieu)duurzaamheid te stimuleren en de kennis van onze collega’s en onze klanten te vergroten. De groep bestaat uit Nienke van der Burg, John Christiaanse, Frans van der Lek, Timo Haakman, Hans van Rijs, en Hans van Zanten. Gezamenlijk behandelen we onderwerpen op het gebied van duurzaamheid en IT in een blogserie.

We leven in een ‘VUCA-wereld’

Dit is een uitspraak die we vaker tegenkomen in een wereld die steeds complexer wordt en waarin veranderingen elkaar steeds sneller opvolgen. VUCA staat voor: Volatility, Uncertainty, Complexity en Ambiguity, oftewel: Volatiel (Turbulent), Onzeker, Complex en Ambigu (dubbelzinnig). Het is een denkmodel bedacht in 1987, gebaseerd op de leiderschapstheorieën van Warren Bennis en Burt Nanus.

Maar wat betekenen deze termen nu eigenlijk?

Het zijn verstorende invloeden:

1. Volatiliteit
   Onverwachte en instabiele invloeden, waarvan niet duidelijk is hoe lang deze zullen aanhouden. Voorbeeld: plotselinge verhoging van brandstofprijzen.
2. Onzekerheid
   Hierbij weten we de basisoorzaak van een invloed, maar hebben hier te weinig informatie over om te kunnen voorspellen of tegenmaatregelen zullen werken. Denk hierbij aan concurrentie van een geheel nieuwe dienst of product die een disruptieve uitwerking heeft op de markt.
3. Complexiteit
   Denk hierbij aan de economie, waarin vele factoren een rol (kunnen) spelen. Hierbij vormt de grote hoeveelheid onderling verbonden variabelen de uitdaging.
4. Ambiguïteit (dubbelzinnigheid)
   Hierbij is weinig informatie voorhanden, en zijn oorzaak en gevolg lastig vast te stellen. Het lijkt chaos. Denk aan een nieuw te veroveren domein waar nog geen ervaring mee is.

Omgaan met verstorende invloeden

Goed kunnen omgaan met verstorende invloeden is cruciaal om op langere termijn te kunnen overleven. Het is daarom zaak om over verstorende invloeden meer te weten.

VUCA is goed bruikbaar in het kader van duurzaamheid. Door inzicht te krijgen in de verschillende soorten verstorende invloeden (van binnen en buitenaf) kunnen organisaties hiermee leren omgaan, tegenmaatregelen implementeren, en zo op lange termijn overleven. Strategisch wendbaar worden dus.

Laten we wat voorbeelden van tegenmaatregelen geven:

1. Tegen volatiliteit kan je van tevoren ruimte incalculeren in de vorm van buffers of extra capaciteit. Dat vergt van een organisatie natuurlijk investeringen die op termijn voldoende waarde moeten opleveren.
2. Onzekerheid kan worden verminderd door kennis te vergaren, goed geïnformeerd te zijn, bijvoorbeeld door goed te observeren. Als organisatie is dat vaak lastig omdat belangrijke maar zwakke signalen (weak signals) niet altijd worden gezien, niet op waarde worden geschat, en niet worden gebruikt om bij te sturen. Met meer bewuste aandacht hiervoor kun je als organisatie deze zwakke signalen beter waarnemen, duiden, en gebruiken.
3. Om complexiteit te kunnen doorgronden moet je kijken naar de variabelen en elementen die voor de organisatie cruciaal zijn, en ervoor zorgen dat daarvoor de juiste expertise op de juiste plaats in de organisatie voorhanden is. Ook dit kun je in je organisatie inrichten.
4. Bij ambiguïteit is het cruciaal om zo snel mogelijk inzicht te krijgen door causale verbanden in de chaos te ontdekken. Dit stelt hoge eisen aan het lerend vermogen van een organisatie.

Strategisch wendbaar en weerbaar worden

Bovenstaande vergt veel van een organisatie. Deze zal wendbaard en weerbaar (agile) moeten zijn. Dat vergt kennis, zowel van het eigen functioneren als van de beïnvloedende signalen uit de omgeving. Meten van de eigen prestaties en het herkennen van relevante zwakke signalen (weak signals) uit de omgeving zijn randvoorwaarden. Met deze kennis kun je scenario’s ontwikkelen en evalueren, en kan je bijsturen met maximaal inzicht.

Door duurzame, optimale communicatie en samenwerking tussen de organisatieonderdelen en de mensen binnen deze onderdelen, kan de organisatie zich duurzaam concentreren op het leveren van waarde (producten en diensten) aan de stakeholders. Organisaties zijn echter vaak (nog) niet ingericht om de ontwikkeling van producten en diensten te stroomlijnen. Zoals de wet van Conway beschrijft: elke organisatie die een systeem (in brede zin des woords) ontwerpt zal een ontwerp produceren waarvan de structuur een kopie is van de communicatiestructuur van de organisatie.

Het is dus ook zaak om de organisatie aan te passen, en wel op basis van de structuur van de producten en diensten die geleverd worden. Dit vergt teams die zelfstandig producten en diensten van begin tot eind (inclusief onderhoud) kunnen leveren en daarbij rechtstreeks contact hebben met de afnemers ervan. Daarmee ontstaat de basis van een wendbare (agile) organisatie die in staat is om veranderingen in de omgeving snel te herkennen, op waarde te schatten, een optimale verandering van richting te bepalen, en bij te sturen.

Zo ontstaat een organisatie die door kennis, inzicht en veranderingsvermogen duurzaam kan (blijven) leren en functioneren.

Meer weten? Wij helpen u graag verder!

• Onze Academy biedt trainingen om uw organisatie agile te maken:

SAFe® for Architects (ARCH) – (NL): In deze training komen de architectuur-gerelateerde onderwerpen en de architect-rollen uit SAFe uitgebreid aan de orde. Dit is dus dé training voor architecten die in een SAFe-omgeving werken. Meer informatie: https://academy.capgemini.nl/training/safe-architects-nl

• Open Agile Architecture O-AA (NL)

(NL): In deze training leer je over Open Agile Architecture, een raamwerk met best practices om Agile Architecture te leveren ter ondersteuning van digitale transformatie en het creëren van bedrijfswaarde. Meer informatie: https://academy.capgemini.nl/training/open-agile-architecture-nl

Wie zijn wij?

Wij zijn een groep van business analisten, architecten en projectleiders bij Capgemini. Ons doel is om bewustzijn over (milieu)duurzaamheid te creëren en de kennis van onze collega’s en onze klanten te vergroten. De groep bestaat uit Nienke van der Burg, John Christiaanse, Frans van der Lek, Timo Haakman, Hans van Rijs, en Hans van Zanten. Gezamenlijk behandelen we onderwerpen op het gebied van duurzaamheid en IT in een blogserie.

Duurzaam zijn mét software

Kijkend naar de stikstofcrisis in Nederland zie je dat de oplossing niet bij één partij gezocht kan worden, en dat deze integraal denken en (samen)werken vergt. Één partij de lasten laten dragen of de oplossing laten verzorgen is bij duurzaamheidsproblemen onvoldoende. De reden is eenvoudig: een duurzame wereld is een wereld waarin structureel aan ieders belang tegemoet wordt gekomen om zo tot handelingen te komen die naast economisch en sociaal ook milieubewust zijn.

Met dit in gedachten ziet u vanzelf een veelheid aan stakeholders ontstaan, temeer omdat milieuproblematiek een ketenprobleem is en geen éénpuntsoplossing verdraagt omdat alles met alles verbonden is. Binnen een organisatie is dit niet anders.

Als we naar de duurzaamheidseisen kijken, Economisch, Sociaal (voor het individu en de groep), Technisch, en Milieu, dan zie je al snel dat al deze factoren doorgaans, buiten Milieu, op één of andere wijze wel worden afgedekt. We lopen dit even na:

Economisch: Geld is altijd een issue. Activiteiten moeten rendabel of zo goedkoop mogelijk zijn.

Sociaal:   We letten al op Privacy, Veiligheid, en Bruikbaarheid. Voor groepen maken we in de regel al gebruik van samenwerkingsmogelijkheden.

Technisch: Ontwikkelaars besteden veel aandacht aan energie-efficiency en het goed functioneren van de software op de hardware. Daarnaast gelden gebruikelijke kwaliteitseisen als: onderhoudbaarheid; langdurig kunnen ondersteunen; betrouwbaarheid; overdraagbaarheid.

Milieu: Dit aspect is in de regel onderbelicht. Denk bijvoorbeeld aan het aspect Tijd. Wat voor impact heeft het technisch gebruiken van software op lange termijn? Wat is de impact van het gebruik van de geleverde functionaliteit?
Wat vaak tekortschiet in requirements engineering is de analyse van de levenscyclus van software zelf, alsmede een impactanalyse van de korte- en lange termijn impact bij het gebruik van de software (de bekende 1e, 2e en 3e orde effecten, zie ook het einde van dit artikel).

Wat u ziet is dat al impliciet bij de definitie van software het nodige omtrent duurzaamheid wordt meegenomen. De hamvraag blijft echter: wat is dan de werkwijze waarbij je juist expliciet rekening met duurzaamheid kan houden wetende dat je dat aspect dan in één keer afdekt?

Bij het werken onder architectuur is, binnen dit vakgebied, een begin gemaakt om duurzaamheid structureel mee te kunnen nemen bij de opzet van een softwarearchitectuur. Daarbij kan een architect gebruik maken van The Open Group Architecture Framework (afkorting: TOGAF) of, specifiek van Capgemini’s Integrated Architecture Framework (afkorting: IAF). In IAF is het aspect Duurzaamheid inmiddels ingebouwd. In versie 10 van TOGAF wordt dit nu nader uitgewerkt.

Echter binnen de wetenschap is al veel eerder nagedacht over het Requirements Engineering proces (RE-proces) in combinatie met duurzaamheid. Hierbij hebben ze het aspect duurzaamheid vervlochten in alle bestaande/huidige producten van het RE-proces. Dit is ook gedaan om te voorkomen dat er weerstand zou ontstaan tegen de extra stappen in het RE-proces.

Doordat duurzaamheid nu in het RE-proces gevlochten is, kunnen we tegemoet komen aan de toenemende wens om duurzaamheid mee te nemen in het software-definitieproces. Ook nemen we zo een mogelijke weerstand weg, omdat duurzaamheid expliciet wordt geadresseerd en de invlechting tot versnelling en betere kwaliteit zal leiden. De onderstaande figuur verbeeldt deze werkwijze. Hierna gaan we kort in op de verschillende benodigde producten.

Als we bij het vaststellen van de requirements van een systeem alle voorgestelde producten of een deel hiervan gebruiken, zullen we uiteindelijk uitkomen op een systeem dat óók duurzaam is mét software.

Als we, ‘zuchtend’, denken: “Maar er zijn al zoveel systemen gedefinieerd”, dan is er geen man overboord. We kunnen het systeem dan met deze producten herbeoordelen op duurzaamheid. Na deze analyse is bekend wat nodig is om duurzaam mét software te zijn en kan men gefundeerd besluiten wat wél en wat niet te realiseren. Én voor architecten ontstaat de mogelijkheid het bestaande landschap opnieuw te beoordelen en mogelijk aan te sturen op veranderingen richting duurzaamheid op een hoger abstractieniveau.

Vooraf is het zinvol zich af te vragen of er voldoende draagvlak is om duurzaamheidseisen te bepalen. Daarvoor zijn deze vragen belangrijk:

1. Heeft het systeem al een expliciet duurzaamheidsdoel?
2. Heeft het systeem een duurzaamheids-impact?
3. Is er een stakeholder die duurzaamheid belangrijk vindt?
4. Heeft het systeem al duurzaamheidsdoelen en -beperkingen zonder dat dit expliciet is gesteld?

Als op die vragen voldoende duidelijkheid is verkregen, kan men besluiten al dan niet op zoek te gaan naar de duurzaamheidsrequirements.

Bij het vinden van duurzaamheidsrequirements volgen we het RE-proces, benoemen we de stappen waar duurzaamheid wordt ingevlochten, en stellen we de vragen die bij een bepaald RE-product horen.  De stappen uit het RE-proces zijn dan^[2]:

1. Stel de context vast waarbinnen duurzaamheid een rol zal spelen. Beschrijf de bedrijfsprocessen en de tastbare of logische objecten waarmee de organisatie haar werkzaamheden verricht. Dit heet ook wel het domeinmodel* van de organisatie.
2. Bepaal wie de stakeholders* zijn voor duurzaamheid.
3. Verrijk het bedrijfsdoelstellingenschema met doelstellingen en meetbare duurzaamheidsdoelen.
4. Maak zichtbaar welke beperkingen en regels van toepassing zijn op duurzaamheid.
5. Stel een systeemvisie op waaraan duurzaamheid is toegevoegd, en maak een usecase-model dat zich ook op duurzaamheid richt.
6. Definieer specifieke duurzaamheidsrequirements die voortvloeien uit algemeen geldende risico’s bij invoering van een systeem zoals invoerings-, kwaliteits- en procescrisico’s en relevante systeembeperkingen.

Met deze minimale artefacts kunt u de duurzaamheidsspecificaties inventariseren en beschrijven.

Als duurzaamheid zo wordt uitgewerkt, zijn daarop nog wat aanvullingen te maken die meespelen tijdens de uitwerking van de duurzaamheidsrequirements. Een aantal voorbeelden om het te verlevendigen:

1. In het verleden werden milieu-effecten bij een keuze niet altijd meegewogen. Simpelweg omdat er geen waarde aan kon worden toegekend of nie tvan belang werden geacht voor de besluitvorming. Een voorbeeld is bijvoorbeeld het vrijkomen van stoffen die ogenschijnlijk geen impact hebben op ons milieu maar nu op de lange duur dat toch blijken te hebben (stikstof, nutritie sloten, gebruik zeldzame materialen zonder recycling etc.). Dit soort effecten konden buiten beschouwing worden gelaten terwijl dat nu zelfs impact op het imago van een organisatie kan hebben.
2. Als een organisatie als doel stelt de leefomgeving te willen beschermen dan is dit niet altijd in cijfers meetbaar te maken en zijn kwalitatieve ciriteria nodig. Voor een kosten/baten analyse in een bedrijf is dit lastig bruikbaar en dan kan verwezen moeten worden naar meer algemene duurzaamheidsdoelen zoals geformuleerd in “Vision 2050” van de WBCSD^[3]. Op deze manier wordt toch op een of ander wijze invulling gegeven aan een duurzaamheidsdoel.
3. Voor een software product gelden requirements omtrent beveiliging en veiligheid steeds zwaarder. De wetgeving stelt ook meer en meer eisen aan software. Zo verlangt de overheid dat slechtzienden gebruik moeten kunnen maken van het Internet, dat iemand veilig het internet kan gebruiken en wordt minder geaccepteerd dat schermgedrag en ingevoerde gegevens worden geregistreerd. Net zoals van fysieke producten verlangd wordt dat ze veilig zijn. Dit zijn feitelijk allemaal eisen die terug zijn te leiden naar allerlei duurzaamheidaspecten waar invulling aan moet worden gegeven. Dus sluiten dit soort requirements impliciet aan op duurzaamheidsdoelstellingen van een organisatie. Daar kan gebruik van worden gemaakt bij het behalen van duurzaamheidsdoelen met software.
4. Als laatste is het van belang mee te wegen bij het opstellen van de requirements wat het duurzaamheidseffect is bij het daadwerkelijk gebruik van het hulpmiddel om de software te gebruiken (bijvoorbeeld je mobiel). Dan het gevolg van het gebruik van de te maken software. Welke effecten heeft dit als wordt ingevoerd, gezocht of gegevens overgedragen. Dit kost op meerdere plaatsen energie, capaciteit etc. En wat bij dit gebruik ook nog een rol spelt is het lange termijn effect. Wat gaat er gebeuren als deze software voor lange termijn wordt gebruikt met grote groepen gebruikers? Wat voor wenselijke of mogelijk onwenselijke gevolgen heeft dit? Ook dit zijn aspecten die meetellen bij het duurzaam zijn mèt software.

In dit artikel heeft u kennis kunnen maken met een werkwijze om mét software duurzaam te kunnen zijn. De werkwijze is vervlochten in het RE-proces, zodat gaandeweg duurzaamheid kan worden uitgewerkt. Dit maakt duurzaamheid toepassen makkelijker te accepteren. De kans is reëel dat een systeemeigenaar, gezien de tijdsgeest, daar positief op zal reageren.

In een volgende blog gaan we weer een stap verder. We weten nu hoe we mét software duurzaam willen zijn. Hierna komt de volgende horde: hoe maken we de software zèlf als product duurzaam? Doen we daar al genoeg aan en kunnen we dan ook vol trots zeggen: Wij leveren een duurzaam product?

^[1] Zoek op Penzenstadler: Artefact-based Requirements Engineering: The AMDiRE Approach

^[2] Voor wie bekend is met de IAF-methode van Capgemini is het raadzaam daar de beschikbaarheid van de producten bij op te zoeken. Voor het gemak is in de opsomming een * toegevoegd voor het betreffende product dat onderdeel is van IAF.

^[3] World Business Council for Sustainable Development.

Waar houden jullie je dagelijks mee bezig?

Kilian: “Een grote retailer heeft door middel van een Proof of Concept een eerste versie gemaakt van een voorspelmodel wat ervoor moet zorgen dat de juiste hoeveelheid voorraad beschikbaar is op de juiste distributielocatie, op het juiste moment. Als Machine Learning Engineers werken wij samen met een Data Scientist, om het initiële model te verbeteren en naar productie te brengen zodat stakeholders er daadwerkelijk gebruik van kunnen maken. Hiervoor hebben wij een MLOps straat ingericht die door middel van ML pipelines nieuwe modellen traint en naar productie brengt.”

Hoe hebben jullie deze MLOps straat opgezet?

Marije: “Onze architectuur bestaat uit verschillende stappen, als eerste in de lijn staat GitHub waar onze code opgeslagen staat. Jenkins wordt gebruikt om de CI/CD pipeline te draaien en daarmee automatisch de ML pipelines in Amazon SageMaker aan te maken. Met een key-vault slaan we verschillende secrets op zodat de Jenkins pipeline connectie kan maken met Amazon. We gebruiken Amazon EventBridge om de ML pipelines te triggeren. Hierbij hebben wij twee ML pipelines: een training pipeline en een inference pipeline. De nieuwste data wordt ingeladen vanuit snowflake en na de preprocessing steps wordt dit opgeslagen in Amazon S3. Vanuit daar wordt het verwerkt in de ML pipelines en worden de resulterende modellen in S3 en de voorspellingen in Snowflake opgeslagen.”

Kilian: “Wanneer de ML pipelines worden gerund worden er automatisch allerlei checks uitgevoerd die de data en model kwaliteit en drift bewaken. Op deze manier kunnen we monitoren of alle stappen goed worden doorlopen en het model nog even goed presteerd met nieuwe data. Onze backend (NodeJS) laadt de voorspellingen in vanuit Snowflake en de frontend (React) geeft deze weer in een interactief dashboard. Een business medewerker kan het dashboard gebruiken om inzichten te krijgen en signalen aan het logistieke team te versturen om de benodigde voorraad aan te vullen.”

Wat is het grootste voordeel van deze werkwijze?

Marije: “Een veel voorkomende valkuil bij Data Science projecten is dat er alleen gefocust wordt op het creeëren van een goed presterend model. Hierbij wordt de uiteindelijk toegevoegde business value achterwege gelaten. Door een MLOps straat in te richten met een bijbehorende UI applicatie geven wij de business de mogelijkheid om met de resultaten van het model te werken. Door vanaf moment één te focussen op een stabiele architectuur, waarin de pipelines en modellen worden gebouwd kan in de toekomst sneller worden geïtereerd over nieuwe model versies.”

Waar liggen jullie uitdagingen voor de komende tijd?

Kilian: “De komende tijd gaan we ons vooral richten op het verder professionaliseren van de setup. Het initiële model maakte voorspellingen op productfamilies, dit kan het model vrij accuraat maar het is minder waardevol dan voorspellingen op meer gedetailleerde product kenmerken. We willen voorspellingen doen per maat, kleur of stijl om het model waardevoller te maken voor de business. De uitdaging hierin is de enorme stijging van hoeveelheid data die hierbij komt kijken. Hiervoor zullen wij onze pipeline structuur meer modulair moeten maken en slimmer omgaan met ons geheugen management door bijvoorbeeld parallel computing te implementeren.”

Wetgeving

Op 11 December 2019, heeft de Europese Commissie (EC) het Green Deal plan[1] gepresenteerd. Dit plan moet de Europese Unie (EU) omvormen in een moderne, grondstoffenefficiënte en concurrerende economie. De EU heeft op dit onderwerp een voortrekkersrol ingenomen.

Het green deal plan omvat de Europese klimaatwet waarin de volgende klimaatdoelen wat betreft het reduceren van de uitstoot van broeikasgassen zijn vastgelegd:

• Tegen 2030 de uitstoot van broeikasgassen in de Europese Unie te reduceren met ten minste 55% ten opzichte van 1990.
• Het bereiken van een netto-nul uitstoot van broeikasgassen voor 2050.

Om deze doelen te behalen is de Europese Commissie afhankelijk van overheden en ondernemingen. Ondernemingen worden doormiddel van wetgeving verplicht gesteld om duurzaamheidsinformatie te rapporteren. Op 28 November 2022 heeft de Europese Raad zijn definitieve goedkeuring gegeven aan de richtlijn duurzaamheids­rapportage door ondernemingen genaamd het Corporate Sustainability Reporting Directive[2] (CSRD).  Dit is de laatste stap voor de invoering van de richtlijn door de EU-lidstaten. De duurzaamheidsrapportage vereisten onder CSRD zijn gespecificeerd in de European Sustainability Reporting Standards[3] (ESRS). De ESRS bestaat uit generieke standaarden en sectorspecifieke standaarden. De generieke standaarden zijn beschikbaar. De sectorspecifieke standaarden worden in fases ontwikkeld. Het duurzaamheidsverslag waarin de informatie wordt gerapporteerd dient onderdeel uit te maken van het bestuursverslag en zal aan een auditverplichting onderhevig worden. Dit geeft de intentie aan om de rapportage van duurzaamheidsinformatie aan dezelfde verwachtingen te laten voldoen als de financiële rapportage.   

CSRD is de opvolger van de Non Financial Reporting Directive (NFRD), op basis waarvan beursgenoteerde ondernemingen met meer dan 500 werknemers al vanaf 2020 duurzaamheidsinformatie moeten rapporteren. CSRD introduceert echter een aantal belangrijke uitbereidingen ten opzichte van NFRD. De wijzigingen met de grootste impact betreffen:

• Reikwijdte: De reikwijdte van de CSRD-wetgeving omvat alle beursgenoteerde ondernemingen en grote niet-beursgenoteerde ondernemingen alsook bedrijven uit het midden- en kleinbedrijf met een beursnotering en vanaf 2028 ook ondernemingen buiten de EU die onder de kwalificatiecriteria vallen.
• Waardeketen: De ondernemingen die op grond van de CSRD moeten rapporteren moeten ook over hun waardeketen verschillende duurzaamheidsindicatoren vermelden. Dit omvat onder anderen scope 3 emissies, CO2-emissies veroorzaakt in de keten. Hier wordt onder het kopje “CO2 emissies” verder op ingegaan.
• Verplichte audit: Om de betrouwbaarheid van duurzaamheidsverslaggeving te waarborgen, zal een mate van zekerheid door middel van een externe audit verkregen moeten worden.
• Materialiteit: Ondernemingen zullen een materialiteitsanalyse moeten uitvoeren om te identificeren wat de materiele duurzaamheidstopics voor de onderneming zijn. Waarbij materialiteit gedefinieerd is als potentiële financiële impact op de onderneming als gevolg van duurzaamheidsrisico’s en kansen alsook impact van de bedrijfsoperaties op mens en planeet. Voor onderwerpen die volgens de onderneming als niet materieel aangemerkt worden zal uitgelegd moeten worden hoe deze beoordeling tot stand is gekomen.
• Digitale aanlevering: Om de leesbaarheid en identificatie van de duurzaamheidsverslaglegging te bevorderen, dienen ondernemingen de duurzaamheidsrapportage te voorzien van digital tagging (XBRL). Deze tagging wordt al langer voor rapportage van financiële data gebruikt en wordt met de invoering van de CSRD ook voor niet-financiële rapportage geïntroduceerd.

De rapportverplichting voor ondernemingen voortvloeiend uit CSRD staat gepland om volgens onderstaande schema in werking te treden. Naar schatting zullen meer dan 50.000 ondernemingen die in de Europese Unie actief zijn onder de CSRD vallen, waarvan rond de 5.000 Nederlandse ondernemingen.

CO2 Emissies

Een belangrijk onderdeel van de duurzaamheidsrapportage omvat de uitstoot van broeikasgassen door de organisatie en in de waardeketen. De grootste categorie broeikasgas is CO2. Dit komt voornamelijk in de atmosfeer terecht door verbranding van fossiele brandstoffen. CO2 uitstoot wordt onderverdeelt in drie categorieën zoals gedefinieerd door het greenhouse gas protocol[4]:

Scope 1: Directe emissies van bronnen in eigen bezit of onder controle.
Scope 2: Indirecte emissies veroorzaakt door de generatie van ingekochte elektriciteit, stoom, warmte en koeling.
Scope 3: Alle overige indirecte emissies die voorkomen in de waardeketen van een bedrijf, zowel vanuit de input (i.e. leveranciers) als output (i.e. klanten) kant.

Uit het recente data for net zero rapport[5], waarvoor 900 CxOs ondervraagt zijn over hun net zero doelstellingen, blijkt dat de meeste ondernemingen nog niet goed zijn voorbereid om CO2-emissie data te verzamelen en hier inzichten uit te verkrijgen. Met name scope 3 emissie data is een uitdaging. Slechts 22% van de ondernemingen geeft aan dat ze momenteel scope 3 emissie data verzamelen.

Uitdagingen

We hebben de CxOs ook gevraagd wat de grootste uitdagingen zijn wat betreft het rapporteren van emissie data. De respondenten geven aan dat de grootste uitdagingen zijn:

• Het ontbreken van data
  • Data zoals emissiedata van toeleveranciers is niet beschikbaar
• De betrouwbaarheid van de data
  • Veel van de emissiedata wordt in spreadsheets verzameld en aangeleverd waarbij het niet inzichtelijk is hoe de data tot stand gekomen is en wat de kwaliteit van de data is.
• De hoge kosten verbonden aan het verzamelen van de data
  • Het is tijdsintensief om alle emissiedata te verzamelen en consolideren.
• De actualiteit van de data
  • De beschikbare data heeft betrekking op het verleden en is vaak statisch waardoor het geen actuele inzichten verschaft.
• Het voldoen aan audit vereisten
  • Doordat data niet via gecontroleerde datastromen beschikbaar wordt gemaakt, ontbreekt inzicht in de origine en kwaliteit van de data waardoor niet aan de audit vereisten worden voldaan.

Aanbevelingen

CSRD introduceert nieuwe, complexe rapportagevereisten welke een goede voorbereiding vereisen. Ondernemingen met meer dan 500 werknemers in de EU zullen voor het eerst over boekjaar 2024 moeten rapporteren. Het is voor ondernemingen van belang om zo snel mogelijk inzicht te verkrijgen in wat er moet gebeuren om aan de rapportageverplichting te voldoen.

De volgende stappen helpen voor een goede voorbereiding:

• Erken het belang van CSRD voor de onderneming: Zorg ervoor dat er onder het leiderschap van de onderneming kennis is, en erkenning heeft over het belang van CSRD. Dit is noodzakelijk om voorbereidingen te treffen en voldoende middelen beschikbaar te hebben voor de rapportageverplichting onder CSRD.
• Voer een CSRD-gereedheidsanalyse uit: Voer een analyse uit om te identificeren wat er gerapporteerd moet worden, welke informatie en kennis er al is, en wat er nog ontbreekt. Zorg ervoor dat er binnen de onderneming de vereiste kennis is, of verkregen wordt.
• Ga het gesprek aan met ketenpartners: Ga met ketenpartners in gesprek over de verwachtingen wat betreft informatievoorziening zodat ze zich hierop kunnen voorbereiden. Het is van belang om ervoor te zorgdragen dat de data volgens dezelfde definities berekend wordt en in een eenduidig formaat wordt aangeleverd.  
• Creëer een centrale bron voor duurzaamheidsdata: Het rapporteren van betrouwbare duurzaamheidsdata vereist een gedegen fundering in de vorm van een informatiesysteem. De vereisten aan de data, het (toenemende) volume en update frequentie van de data alsook de diversiteit aan databronnen benadrukken het belang van een centrale bron voor duurzaamheidsdata binnen de onderneming waarin de kwaliteit van de data gewaarborgd wordt.
• Actieplan: Begin tijdig met het opstellen van een plan van aanpak om inzicht te krijgen in de benodigdheden en tijdslijn. Vaak moet er nog heel wat werk verzet worden.

Er is een veelvoud aan duurzaamheidsrapportage oplossingen beschikbaar in de markt, maar geen één voorziet in de totale behoefte van data verzameling, bewerking, tot rapportage. Het is dan ook onoverkomelijk dat er binnen de onderneming verschillende applicaties gebruikt worden. Om hierin te voorzien en te zorgen voor consistentie in het gebruik van de data, is het van belang om een centrale databron voor duurzaamheidsdata te creëren. De meeste ondernemingen hebben al een dataplatform maar veelal is duurzaamheidsdata hier nog niet volledig in geïntegreerd. Het is aan te raden om de verzameling van duurzaamheidsdata zoveel mogelijk te automatiseren en de data te integreren in de al bestaande omgeving. Een centrale bron voor duurzaamheidsdata binnen de onderneming zorgt voor:

• Controle over de data: Behoudt controle over de data en faciliteer en beheer toegang en gebruik van de data.
• Betrouwbaarheid van de data: Zorg voor betrouwbaarheid en consistentie van de data door transparantie in herkomst van de data en kwaliteitsmanagement.
• Flexibiliteit: Faciliteer het gebruik verschillende applicaties en voeg eenvoudig meer datapunten en -bronnen toe. Reduceer afhankelijkheid van partijen die applicaties en oplossingen aanbieden.
• Relevant datamodel: Creëer en beheer een duurzaamheidsdatamodel wat aansluit bij, en kan meegroeien met de behoefte van de onderneming.
• Data gedreven besluitvorming: Geef toegang tot duurzaamheidsdata aan de verschillende functies binnen de onderneming en stimuleer het creëren van inzichten uit de data voor besluitvorming.

Capgemini helpt klanten in hun data, technologie en duurzaamheidstransitie met advies, inzichten en implementatie. Met gebruik van onze kennis, ervaring en oplossingen helpen we klanten van strategie tot implementatie, om in de huidige en toekomstige duurzaamheidsbehoeften te voorzien.

Naam: Martijn van Schaik
Functie: Sustainability Data Leader, Insights & Data

Email: martijn.van.schaik@capgemini.com
LinkedIn: https://www.linkedin.com/in/vsmartijn/

[1] https://ec.europa.eu/clima/eu-action/european-green-deal/european-climate-law_en

[2] https://finance.ec.europa.eu/capital-markets-union-and-financial-markets/company-reporting-and-auditing/company-reporting/corporate-sustainability-reporting_en

[3] https://www.efrag.org/lab6

[4] https://ghgprotocol.org/

[5] https://www.capgemini.com/insights/research-library/data-for-net-zero/

Privacy by Design als ISO-standaard

De term en toepassing van privacy by design is voor veel organisaties al ruim bekend. Goed nieuws: privacy by design zet een volgende stap richting een hogere volwassenheid. Dit jaar zijn we op het punt gekomen dat privacy by design wordt opgenomen als ISO standaard.[1] Deze standaard realiseert een borging van privacy door de gehele levenscyclus van een product of proces. Oftewel, een nog betere garantie op privacy-borging in de organisatie!

(Nieuwe) privacy-uitdagingen in de Metaverse

Een virtuele wereld naast de onze, de Metaverse, is here to stay. Door de internationale werking van de Metaverse, waardoor data over diverse landgrenzen kan reizen, ontstaan er al snel privacy-zorgen. Van Avatars tot het leggen van contacten, scoreborden in online games en de transacties die plaatsvinden over grenzen heen: er zijn tal van aspecten die vragen om extra aandacht. Door goed na te denken over welke data noodzakelijk is om te verwerken, te werken met policy ’s en door risico’s in kaart te brengen en te mitigeren is privacy by design ook bij de Metaverse mogelijk. De risico’s zijn niet onoverkomelijk. Steeds meer bedrijven en gebruikers zetten de stap richting de Metaverse en privacy moet daarin vanzelfsprekend meebewegen.

Toename Europese AI-wetgeving

Daarnaast staat Europa en daaruit voortvloeiende richtlijnen en wet- en regelgeving ook niet stil. Zo is de Autoriteit Persoonsgegevens ook de toezichthouder geworden voor AI en Algoritmes. Zowel op het vlak van Artificial Intelligence (AI) als privacy volgen ontwikkelingen elkaar snel op. Het gebruik van AI neemt rap toe en zal blijven toenemen. Naast alle voordelen die AI te bieden heeft, laten huidige onderzoeken zien dat het voorkomen van vooroordelen en daarmee ook het voorkomen van privacy risico’s aandacht vraagt. Het gebruik van AI vraagt om duidelijkheid, duidelijkheid in frameworks, in richtlijnen, in standaardisatie, maar vooral in transparantie. Er zijn richtlijnen die daarbij kunnen helpen zoals het rapport van de IAPP: Privacy and AI Governance Report [2] en het voorstel voor de AI-verordening[3].

Volgende stappen data soevereiniteit

Regie op gegevens, regie over je data en regie over je eigen privacy. Meer soevereiniteit over je gegevens speelt een steeds grotere rol. Dit is zichtbaar bij de overheid en TNO op het gebied van het vergroten van de invloed van organisaties op hun eigen data, maar speelt een net zo grote rol voor de eindgebruikers zelf. Terwijl we vroeger niet altijd bewust waren wat we online plaatsten, is er meer bewustzijn bij zowel gebruikers als organisaties. Toestemming is in toenemende mate belangrijk om klanten te kunnen benaderen en diensten aan te bieden. Zelfbeschikking en ethisch handelen zijn cruciaal. Hieraan voorbijgaan kan een impact hebben op hoe klanten uw organisatie beschouwen. Naast de voorwaarden die verbonden zijn aan direct marketing, kan het geen kwaad om na te denken wat u zelf kunt doen om klanten meer regie te bieden inzake informatie die klanten willen ontvangen. Denk daarbij bijvoorbeeld aan een kaartprovider die klanten de optie geeft om tijdelijk geen mailing te ontvangen rondom feestdagen als dat niet gewenst is. Kleine moeite, groots gebaar, en dankbare klanten.

Namens het privacyteam van Capgemini Nederland: Happy Data Privacy Day!

[1] https://www.iso.org/standard/76772.html.

[2] https://iapp.org/resources/article/ai-governance-report-summary/?mkt_tok=MTM4LUVaTS0wNDIAAAGJg-zvvbHkEDL7838nBANa9Vx1wea46t-lQjMVPbbjCM1b3k83uiI3ON-h6LLHzr1whgmI6PIft-1TGRCRi7SqmkMjVgb7ZJfDMbyagRZlNcKG

[3] https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex%3A52021PC0206

Auteur

Natasja Pieterman

Managing Consultant en Deputy Chapter Lead van de Chapters Data, Identity, Security & Trust (DIST) en Agile, Threat, Protection & Response (ATPR). Daarnaast is ze strategisch adviseur Privacy voor de Vereniging van Nederlandse Gemeenten en trainer bij de Capgemini Academy.

Jeroen Rombouts

Machine Learning Engineer, gespecialiseerd in computer vision, deep learning en het naar productie brengen van data science projecten.

Mandy Shao

Data Scientist, gespecialiseerd in deep learning image analysis en machine learning.

Jack Xu

Data Scientist, gespecialiseerd in toegepaste machine learning, met een achtergrond in Business Information Management

De inspecteur van de toekomst is een sensor

Kun je vertellen hoe dit in z’n werk gaat?

Jeroen: “Om het werk van de inspecteurs veiliger en efficiënter te maken, vervangen we handmatige inspecties van objecten in het havengebied door analyse van ingewonnen beelddata. We zijn gestart door de auto’s waarin inspecteurs van HBR rondrijden uit te rusten met een 4k camera en GPS. Je kunt het vergelijken met de auto’s die voor Google Maps beelden maken. In de video’s detecteren we interessante objecten: onze beeldherkenningsoftware knipt elke lantarenpaal, betonblok en verkeersbord uit. Daarna gaan specifieke modellen over de afzondelijke objecttypes heen om bijvoorbeeld scheve lichtmasten, verbogen verkeersborden of gaten in het asfalt te detecteren. We hebben dit project generiek en herbruikbaar opgezet. Inmiddels denken we na over het uitrusten van schepen met de camera en GPS om zo geautomatiseerde inspecties van kademuren uit te kunnen voeren.”

Wat levert dit op?

Jeroen: “Nu moet men elke locatie inspecteren door zelf de straat op te gaan. De inspecteurs krijgen er een collega bij: een kunstmatige intelligentie! De uitkomsten van de AI-modellen presenteren we als een video. Ook voegen we de resultaten toe aan een kaartje in de geo-informatie-tool die nu al in gebruik is voor assetregistratie. Zo kan de inspecteur vanachter zijn bureau de bevindingen van de AI controleren en is de eerste inspectieronde dus veiliger, sneller en meer kosteneffectief. Door frequenter te inspecteren, met een hogere dekkingsgraad dan mogelijk zou zijn met handmatige inspectie, levert dit uiteindelijk input voor zogenaamde “predictive maintenance”, slim pro-actief onderhoud op basis van voorspelde degeneratie van objecten.”

Kan je iets vertellen over jullie werkwijze?

Jack: “Het team begon door consumenten-hardware op een slimme manier aan elkaar te knopen. Zo kon bewijs geleverd worden voor wat er mogelijk is. Met dit bewijs kon de volgende fase van het project starten: nu gebruiken we een industriële camera die in 4k opneemt, met hoge kwaliteit. Deze beelden zijn wel 50 keer zo groot als die van de webcam; je moet de code dus hier en daar wel slim optimaliseren!”

Mandy: “Het is mooi om te zien hoe we als team super pragmatisch aan de slag moeten. Het is niet alleen maar data science en softwareontwikkeling, maar bijvoorbeeld ook met plaatjes voor de camera heen en weer lopen om deze te kalibreren. Daarnaast veel discussiëren over hoe we de camera-hardware werkend gaan krijgen.”

De waarde van luchtfotografie

Luchtfoto’s van heel Nederland zijn gratis beschikbaar via de open data voorziening van de overheid. We hebben onderzocht of vervaagde wegmarkeringen op het asfalt (invoegstroken, haaientanden, blokstrepen etc.) hierop goed te detecteren zijn. Deze luchtfoto’s worden elke zes maanden opnieuw ingewonnen. Een wegmarkering is niet van de ene op de andere dag geheel verdwenen, zoals een lantarenpaal wel ineens omvergereden kan worden. Ook zijn wegmarkeringen vooral goed te zien van bovenaf. Zo is data uit luchtfoto’s dus een mooie complementaire databron, ter aanvulling op de beelddata die vanuit de auto’s verzameld word. 

Hoe zijn jullie begonnen?

Jack: “We hebben eerst een tooltje gebouwd in Python om alle luchtfotos binnen te halen. Daarna moesten we de data labelen om het model op te kunnen trainen. Dat is wel een flinke klus om die data met de hand te labelen. Daar zijn externe bureaus voor, maar voor ons proof-of-concept was het sneller om zelf een paar honderd foto’s te voorzien van labels. Daarna hebben we ons eigen model getraind op deze data.”

Mandy: “We hebben gezien hoe subjectief labelen eigenlijk is en hoe belangrijk het is om duidelijke werkinstructies op te stellen. In discussies met de inspecteurs bij het havenbedrijf zie je dat de één een markering nog heel acceptabel kan vinden, terwijl de ander deze zou vervangen. Dat laat ook de kracht van AI zien. Als je heldere, goede data in het model stopt, dan krijg je daar stabiele en objectieve beoordelingen uit. Iets wat voor mensen toch moeilijk kan zijn.”

Tegen welke uitdagingen zijn jullie aangelopen?

Jeroen: “HBR faciliteert ons om een Lean Startup aanpak te hanteren met veel autonomie. Bij autonomie en snelheid komt ook wel een groot stuk eigen verantwoordelijkheid kijken. Hoe pak je iets aan? Gaat het wel lukken? En dat moet allemaal passen binnen een strakke deadline, zonder de requirements van de klant uit het oog te verliezen. Dat is soms een wel een uitdaging.”

Mandy: “Stakeholder management is bij innovatieve projecten heel belangrijk. Soms moet je eerst flink investeren in de software zelf om een sterke algoritmische basis te leggen. Dat levert dan niet direct waarde op voor de eindgebruiker, maar is wel noodzakelijk voor het slagen van het project. Een andere uitdaging was de kwaliteit en de kwantiteit van de trainingsdata. Zonder goede data geen goede modellen. Er zijn zoveel zaken waar je aan kan denken: hoe lang train je, doe je augmentatie op je data, leert het model echt wat het moet leren?”

Wat zou je verder ku­nnen doen met beeldherkenning op luchtfotografie?

Jack: “Er staat veel meer in een luchtfoto dan alleen wegmarkeringen. Het lijkt me dat die dataset voor zaken te gebruiken is. Belangrijk is hierbij om de privacy van personen op de beelden te waarborgen door ze onherkenbaar te maken, zodat er niet onbedoeld tot personen herleidbare gegevens worden geregistreerd.”

Mandy: “Of voor wetenschappelijke onderzoeken naar klimaatverandering, je kan door de jaren heen heel duidelijk zien hoe je omgeving verandert! Als je ziet hoe ver we zijn gekomen in korte tijd, denk ik dat er nog zoveel meer waarde te halen is uit deze dataset. Of je nou klimaatverandering wil volgen, zonnepanelen wil verkopen aan consumenten of vervaagde haaientanden wil detecteren!”

Digital twins zijn virtuele replica’s van fysieke systemen. Ze modelleren, simuleren, monitoren, analyseren en optimaliseren continu de fysieke wereld – en ze staan aan de basis van de nieuwe transformatie. Meer dan genoeg reden voor het Capgemini Research Institute om er een nieuw rapport aan te wijden: Digital Twins: Adding Intelligence to the Real World. Om de grote impact van de nieuwe technologie te doorgronden deden we onderzoek onder meer dan 1000 organisaties en spraken we intensief met industrieleiders en wetenschappers.

Uit onze bevindingen bleek dat organisaties die werken met digital twins gemiddeld genomen 15% hogere verkopen weten te realiseren en een verbetering van 25% als het gaat om prestatie van het systeem/fabriek als geheel. Het is dus niet verrassend dat organisaties de inzet van digital twins gemiddeld in de komende vijf jaar met 36% willen uitbreiden. Digital twins bieden daarbij ook nog eens unieke kansen om winstgevende groei hand in hand te laten gaan met een verbetering van de duurzaamheid kengetallen. Dankzij de inzet van digital twins werden organisaties gemiddeld 16% duurzamer.

Er is, kortom, veel interesse in digital twins en de voordelen ervan. Toch slaagt slechts 13% van de door ons onderzochte organisaties erin echt uit te blinken in de zes voornaamste transformatiegebieden die door ons zijn vastgesteld. Hier is dus nog werk te verrichten want het zijn deze gebieden die wat ons betreft echt het verschil maken in effectieve toepassing van digital twins. De koplopers in deze transformaties halen minstens 65% meer voordeel uit hun digital twins, in de vorm van toenemende sales, grotere klanttevredenheid, minder kosten en meer verduurzaming.

Om handvatten te bieden voor organisaties die op zoek zijn naar de beste manier van implementeren en de impact van digital twins te doorgronden gaat ons rapport dieper in op de volgende vijf vragen:

• Zijn organisaties goed voorbereid op veranderende trends?
• Hoe kunnen digital twins bijdragen aan prestaties en duurzaamheid?
• Hoe kunnen digital twins waarde toevoegen in de gehele waardeketen?
• Welke organisaties passen digital twins met succes toe?
• Hoe kunnen organisaties hun digital twin journey versnellen?

Wilt u meer weten over digital twins? Download dan ons rapport of neem contact met met Jeroen Kersten.

In de reeks Data Stories zetten we verschillende Data Scientists van Capgemini Insights & Data in de spotlight om te vertellen over de toffe dataprojecten waar zij aan werken. In deze editie geven we je een kijkje in de werkzaamheden van Hans Kattouw.

Introductie Hans Kattouw

Sinds 2019 werk ik als data scientist bij Capgemini. Na enkele projecten met technieken als Optical Character Recognition, Object Recognition en Natural Language Processing ben ik me sinds mei 2021 meer gaan specialiseren in Linear Programming. Dit sloot erg mooi aan op mijn achtergrond in Wiskunde, wat ik gestudeerd heb aan de Radboud Universiteit in Nijmegen. In mijn vrije tijd doe ik graag aan hardlopen en boulderen.

Waar hou jij je dagelijks mee bezig?

“Ik hou me dagelijks mee bezig met Linear Programming bij ProRail en Defensie. Linear programming is een methode om een optimalisatieprobleem als een wiskundig model op te stellen en daar een zo goed mogelijke oplossing voor te vinden. Zo’n model bestaat vaak uit een (lineaire) doelfunctie die gemaximaliseerd (of geminimaliseerd) moet worden, waarbij dan ook moet worden voldaan aan een verzameling van lineaire constraints. Een voorbeeld hiervan is het knapzakprobleem, waarbij je een aantal voorwerpen mag kiezen om mee te nemen. Deze voorwerpen hebben een waarde en een gewicht. In dit geval wil je dan de waarde van de voorwerpen die je meeneemt maximaliseren, waarbij je als constraint bijvoorbeeld kan hebben dat je niet meer dan 20 kilo mee mag nemen. Een ander bekend optimalisatieprobleem is het handelsreizigersprobleem waarbij het doel is om, gegeven een aantal steden, de kortste weg te vinden die een keer langs iedere stad komt en eindigt bij de eerste stad.”

Dat klinkt interessant! Hoe maken klanten daar gebruik van?

ProRail: “Bij ProRail hebben we een planningstool gemaakt voor incidentbestrijders. Dit zijn mensen die moeten reageren op incidenten bij het spoor zoals bijvoorbeeld een storing, spoorlopers of aanrijdingen. Natuurlijk zitten deze mensen niet alleen maar te wachten tot er iets gebeurt. Ze doen ook preventieve taken, zoals surveillances langs het spoor. De taken van deze medewerkers moeten op zo’n manier worden ingepland dat je verwachte responsetijd laag blijft in het geval van een incident. Zo wil je bijvoorbeeld niet dat alle medewerkers in het zuiden zijn en dat er in het noorden een incident gebeurd, omdat het dan te lang duurt voordat je op de plaats van het incident bent.”

“Het Linear Programming model dat we voor dit probleem gemaakt hebben is behoorlijk complex. Er moeten variabelen worden aangemaakt die bijhouden op welke locatie iemand is en op welk tijdstip, of zij zich op een tijdstip tussen twee bepaalde locaties hebben bewogen en of ze aan een bepaalde taak zijn begonnen. Voor een dagplanning met 10 medewerkers en 15 mogelijke taken hebben we zo’n 18.000 variabelen en 47.000 constraints in ons model. Met behulp van een krachtige Linear Programming Solver zijn we in staat om in enkele minuten toch een goede planning te maken!”

Defensie: “Bij de luchtmacht maken we ook gebruik van linear programming. Er is hier een Data Science team opgericht om te helpen bij het over gaan naar de 5^de generatie van de luchtmacht. Bij deze transitie hoort onder andere het vervangen van F16’s door F35’s en het steeds meer gebruik maken van data.”

“Ook hier maken we een planningstool, niet voor een dagelijkse planning, maar om op jaarbasis de vluchten en onderhoud van vliegtuigen in te plannen. Voorheen waren mensen hier weken mee bezig en dit kan nu binnen enkele minuten.

Wat vind je zelf de grootste uitdaging bij linear programming?

“Omgaan met hoge rekentijden is altijd een grote uitdaging. Bij complexe modellen kun je hier al snel mee te maken krijgen. Dit kan deels opgevangen worden door gebruik te maken van krachtige (commerciële) Linear Programming solvers, maar ook daar zitten grenzen aan. Een groot deel van de werkzaamheden bestaat dan ook uit het kleiner/simpeler maken van het model. Bij ProRail doen we dit onder andere door niet alle locaties in het netwerk mee te geven, maar eerst het netwerk te versimpelen met een greedy covering waar alle belangrijke locaties in ieder geval in zitten. Ook kan het nuttig zijn om een probleem op te delen in deelproblemen en die apart op te lossen. Dit soort methodes zorgen vaak voor een flinke verbetering in de rekentijd. Vaak heeft het echter ook tot gevolg dat de gevonden oplossingen minder goed worden. Dit is een trade-off die je soms moet maken. Dit hangt ook af van de wensen van de klant. Als het een uur duurt om een jaarplanning te maken kan dat bijvoorbeeld wel acceptabelel zijn, maar bij dagplanningen die elke dag gemaakt moeten worden niet.”

Zijn er nog andere use cases waar linear programming gebruikt kan worden?

“Jazeker! Je kunt denken aan onderhoudsplanningen, supply chain management, task scheduling, maar ook bijvoorbeeld aan portfolio management of riskmanagement in finance. Eigenlijk alles waarbij je iets wilt optimaliseren en lineaire constraints hebt. Laatst moest ik een keer een aantal mensen verdelen in groepjes, waarbij het doel was om mensen bij elkaar in te delen die elkaar nog niet goed kenden. Hier heb ik toen een Linear Program model voor gemaakt die de beste indeling kon vinden.”

Berend Nannes

Ik ben Berend Nannes. Ik heb een studieachtergrond in Natuurkunde (bachelor) en Computational Science (master). Ik ben vooral geïnteresseerd in het vertalen van complexe systemen naar begrijpbare modellen. Ik werk nu Capgemini als Data Scientist en ben nu al ruim een jaar ingezet in het Data Science team van een Nederlandse zaadveredelaar, waar ik aan verschillende projecten heb gewerkt.

Kun je wat meer vertellen over het project waar je nu aan werkt?

“In ons huidige project zijn we bezig om met behulp van genetische data voorspellingen te doen over de eindproducten van kruisingen tussen verschillende rassen. Bij mijn huidige klant wordt het DNA-profiel van zaden met dusdanige precisie bepaald dat je de genetica van een kruising kan simuleren met een computermodel. Het resultaat van een kruising kan op die manier worden gereduceerd tot een statistisch probleem.”

Kun je uitleggen hoe die analyse werkt?

“Jazeker, met behulp van PCR-analyse wordt het genetische materiaal van een ras gedetailleerd in kaart gebracht. Dit gebeurt op basis van een set genetische markers of – simpel gezegd – herkenbare DNA-sequenties op het chromosoom. Een ras kan voor elke marker een verschillende variant van zo’n DNA-sequentie bevatten. Die variaties worden allelen genoemd. Bij het ‘simuleren’ van een kruising tussen twee rassen wil je bepalen wat de frequentie is waarmee bepaalde allelen voorkomen. Als je die informatie van beide ouders hebt kun je namelijk ook de waarschijnlijkheid berekenen dat het nageslacht een bepaalde samenstelling van allelen heeft.”

Klinkt interessant, maar wat kunnen jullie uiteindelijk met deze inzichten?

“In eerste instantie wordt deze methode gebruikt voor validatie. Bij het kruisen komt veel ‘mensenwerk’ kijken en is dus gevoelig voor menselijke fouten. Bestuiving wordt met de hand gedaan en wordt door het personeel gedocumenteerd. Als verschillende rassen bij elkaar in één kas staan, kan er nogal wat misgaan. Een nieuwe kruising die wordt verkocht aan een klant, die eigenlijk een andere kruising blijkt te zijn met andere eigenschappen, kan enorme gevolgen hebben voor de klant en dus ook voor de zaadveredelaar. Het rekenmodel kan hierbij gebruikt worden om de voorspelde uitkomst van een kruising te vergelijken met de daadwerkelijke uitkomst om de kans te bepalen dat er een fout gemaakt is.”

Wat spreekt je aan bij dit project?

 “Ik vind het fascinerend dat we een biologisch proces als voortplanting op deze vereenvoudigde manier kunnen simuleren, en dat het toch zo goed werkt. Het is gaaf om te zien dat zaadveredeling steeds geavanceerder wordt door de toenemende hoeveelheid data die verzameld wordt. Ik verwacht dan ook dat er in dit vakgebied steeds vaker rollen weggelegd zullen zijn voor Data Scientists of vergelijkbare functies ”

Relevantie, verrassing, inspiratie: dat zijn dan ook de aspecten waarop een merk moet inspelen om een sterke klantervaring te bouwen.
De kunst is daarbij bovendien een gevoel van gedeelde waarden te kweken. Elke goede relatie is immers gebaseerd op vertrouwen, en vertrouwen komt voort uit het delen van ervaringen, elkaar begrijpen en helpen en dezelfde waarden nastreven (Capgemini, 2017). Als retailers een sterke relatie kunnen realiseren, wordt de consument de drijvende kracht achter commercieel succes.

Nu is natuurlijk de vraag: hoe doe je dat? Wij onderscheiden vier gebieden die samen invloed hebben op het centraal stellen van de klant. Een goed begin is het definiëren van de klantenreis en daarmee de verschillende klant-kanalen op het goed moment en op de juiste manier in te zetten. Zo kun je op verschillende momenten observeren hoe de klant zich door de klantreis heen beweegt (door de zogenoemde “Consumer Engagement Channels”). Vervolgens is er relevante informatie over de consument nodig om te beoordelen hoe deze klant het huidige aanbod en de service ervaart. Op basis van deze informatie kan de service, ervaring of het aanbod richting de klant aangepast worden (“Data-based decisions”). Dit vergt weer aanpassingsvermogen van de retailer, zowel met betrekking tot de huidige manier van werken en besluitvorming, als de denkwijze van medewerkers (Business Process Adaptability). Wanneer retailers comfortabel worden met het maken van beslissingen gebaseerd op data, zal dit leiden tot een wendbare organisatie die snel kan inspelen op veranderende behoeften van de klant en een lerend vermogen opbouwt (Mindset agility). Deze stappen zullen er uiteindelijk voor zorgen dat je je klant beter kent en dus beter kunt bedienen. In de rest van dit artikel diepen we deze vier stappen verder uit.

1. Consumer Engagement Channels

Via welke kanalen kan ik mijn klant het beste bedienen? Hoe goed ken ik mijn huidige klanten? En hoe zorg ik ervoor dat ik op de lange termijn mijn klanten nog beter leer kennen, om hun behoeftes te achterhalen?

Inmiddels kunnen retailers via vele verschillende kanalen met klanten communiceren: via de website (bijvoorbeeld door middel van chatbots/contactformulieren), in de winkel, via e-mail, sociale media, apps en natuurlijk loyaliteitsprogramma’s. Dit biedt veel mogelijkheden klanten te leren kennen en hun behoeften te achterhalen. Zo kun je de klant een goede ervaring bieden en een echte relatie starten of verder uitbouwen. Denk hierbij aan het begrijpen welke producten relevant zijn voor een specifieke klant, of door welk type promotie iemand getriggerd wordt een aankoop te doen. Daarvoor is het belangrijk te weten wat de, soms latente, behoeften zijn van de klant in elke fase van de klantreis. Hoe wil welke klant benaderd worden? Welk soort communicatie en welk communicatiemiddel heeft de voorkeur? Via welke kanalen shopt deze klant graag? Welk assortiment is voor deze klant belangrijk? Voor welke promoties komt deze klant naar de winkel, en in welke prijscategorie shopt de klant? We zien dat er een verschil zit tussen de voorkeuren die klanten geven via polls of focusgroepen en hun daadwerkelijke gedrag. Daarom kunnen retailers het best kijken naar data rondom het winkel- en aankoopgedrag van (potentiële) klanten.

2. Data-Based Decisions

In welke mate ben ik in staat klantdata te genereren? Wat is de kwaliteit van mijn data? En hoe zet ik deze gegevens om naar inzichten, waarmee ik relevante besluiten kan nemen?

Om klanten op het juiste moment precies te bieden wat ze nodig hebben, is het zaak om de juiste informatie te hebben om beslissingen op te baseren. Dit begint bij een zo volledig mogelijk beeld van elke klant. Naast basisgegevens zoals personalia (verwerkt en opgeslagen volgens de geldende wet- en regelgeving), kan een holistisch klantbeeld gevormd worden door deze personalia aan te vullen met informatie over (historisch) zoekgedrag, winkelgedrag, koopgedrag en klantinteracties. Daarnaast kunnen deze gegevens verrijkt worden met externe data.

Dit klantbeeld kan vervolgens gebruikt worden om bepaalde vergelijkbare klantprofielen te definiëren die ingezet kunnen worden om relevante relaties op te bouwen op basis van overeenkomstige behoeftes. Ook kunnen retailers op deze manier de klantreis optimaliseren door deze beter in kaart brengen, gerichtere campagnes te bedenken en productinnovaties te accelereren.

Retailers die hiermee aan de slag gaan, moeten er rekening mee houden dat klanten zich steeds bewuster zijn van de hoeveelheid data die zij on- en offline achterlaten. Retailers doen er dan ook goed aan transparantie te bieden en inzichtelijk te maken waar klantdata voor gebruikt wordt (namelijk: de klant op de juiste momenten beter bedienen). Een ‘best practice’ is het regelmatig uitvragen van feedback (zowel achteraf over hoe iets ervaren is, als op voorhand voordat iets voor de klant gepresenteerd wordt, om inzicht te krijgen in mogelijke wensen). Daarmee kan een retailer zijn strategieën en tactieken weer verfijnen. Daarbij heeft de klant juist meer het gevoel dat hij/zij kan meebeslissen over welke data opgeslagen wordt en wat ermee gebeurt. Ook blijft er op deze manier controle over de stroom aan relatieopbouwende communicatie.

3. Business Process Adaptability

Zijn bedrijfsprocessen en kanalen zodanig ingericht dat veranderingen en korte-termijnbeslissingen makkelijk door te voeren zijn, zodat je kunt meebewegen met de veranderende interesses en behoeftes van de consument?

Wanneer een duidelijk klantbeeld gevormd is, kunnen betere beslissingen worden genomen over onder andere het aanbod. Wanneer retailers bijvoorbeeld zien dat klanten opeens meer kindervoeding kopen, kunnen ze hier vervolgens het assortiment op aanpassen.  Een klant zou bijvoorbeeld ook aan een ander segment toegewezen kunnen worden, zodat het aangeboden assortiment als relevanter wordt ervaren. Ook kan uit klantonderzoek blijken dat klanten graag gebruik zouden willen maken van andere betaalopties, wat zou kunnen leiden tot klant gedreven procesveranderingen.  Sowieso is feedback vragen dé manier om bevestiging te krijgen of de keuze om een proces aan te passen of een ander assortiment aan te bieden, de juiste was.

Besluitvormers moeten flexibel en tijdig beslissingen en aanpassingen door kunnen voeren, zodat ze bij dergelijke inzichten de bedrijfsprocessen en assortimentskeuzes aan kunnen passen. Hiermee zullen ze de ervaring voor de klant telkens kunnen optimaliseren. Dit zorgt ervoor dat klanten zich gewaardeerd en gehoord voelen en het als positief en waardevol ervaren wanneer producten die hen aanspreken, extra onder de aandacht worden gebracht. Door met de klantenwensen mee te bewegen en zo op een wendbare en persoonlijke manier iets aan te kunnen blijven bieden, is de kans groot dat je de aansluiting vindt waar de klant bewust of onbewust naar op zoek was.

4. Mindset Agility

In welke mate is mijn organisatie vertrouwd met data-gedreven werken? Durven mijn medewerkers te acteren op de geconcludeerde inzichten?

In de retailmarkt wordt nog relatief vaak gestuurd op onderbuikgevoel. Ook is de ene afdeling vaak verder op het gebied van data-gedreven werken dan de andere (Ramanathan et al., 2017). Niet alle medewerkers zijn even bedreven in het juist presenteren en/of interpreteren van data, of het juist genereren van inzichten (Capgemini Research Institute, 2021). Dit leidt ertoe dat het voor veel retailers nog altijd erg lastig blijft om data om te zetten in bruikbare inzichten waarin het bedrijf vertrouwen heeft. Dit vergt namelijk niet enkel een solide technische basis, maar ook een verandering op organisatorisch en cultureel vlak.

Erg bepalend voor een bedrijfscultuur is de mindset van zowel leiderschapsteams als de medewerkers. Uit intern onderzoek (van Bon, 2022) blijkt dat leiders vaak bang zijn de controle te verliezen als beslissingen worden gemaakt op basis van data die zij niet (volledig) kunnen begrijpen/interpreteren. Toch is het van belang dat het team of bedrijf uitdraagt dat de uitvoering van beslissingen en projecten voortaan (deels) wordt onderbouwd door relevante data. Wij willen er wel voor pleiten dat retailers data altijd aanvullen en verrijken  met (menselijke) inzichten.

Om meer volwassenheid in deze beslisprocessen te kunnen realiseren is dus een verandering van mindset nodig. De juiste mindset om data-gedreven werken te stimuleren is een ‘learning’ mindset, een denkwijze waarbij geëxperimenteerd mag worden, waarbij fouten gemaakt mogen worden en waarin er ruimte is om te leren. Deze manier van denken beweegt mee in een veranderende wereld en staat open voor nieuwe ideeën en werkwijzen. Tegelijkertijd zien we dat retailers ook geduld moeten hebben. Idealiter nemen zij de tijd om zaken goed door te denken en op te zetten, om de potentiële waarde van data goed te identificeren en om te zetten naar bruikbare inzichten. Wij adviseren retailers dan ook om klein te beginnen met data-gedreven werken, zodat de organisatie als een geheel incrementeel kan mee veranderen naarmate de kennis en het vertrouwen groeit.

Customer Driven Commerce – Durf jij de relatie aan?

De vier onderwerpen die we hierboven aanstippen, zijn complementair aan elkaar en helpen retailers om actief mee te bewegen met de verwachtingen van de klant in een snel ontwikkelende markt. Een relatie is geven en nemen. Dit betekent dat retailers het denkwerk moeten doen, maar klanten ook mogen vragen mee te reflecteren. Onderaan de streep gaat het erom de klant centraal te stellen: de wijze waarop de klant acteert bepaalt de innovatie en invulling van de processen van de retailer. Retailers moeten beschikbare bedrijfsprocessen en kanalen in de basis zodanig inrichten, dat ze makkelijk kunnen inspringen op veranderende behoeftes van de klant en snel nieuwe kanalen kunnen opnemen – met als einddoel de optimale invulling van de wensen van de klant. Want alleen als ze voldoen aan verwachtingen – of deze overtreffen – laten retailers zien dat ze hun klanten en de relatie die zij met de klanten hebben, serieus nemen en begrijpen. Als resultaat winnen en behouden ze de klantrelatie en wordt de klant de drijver van commercieel succes.

Wij, als Capgemini, helpen retailers relevant te blijven en te excelleren in de retailmarkt door in te spelen op de vier besproken gebieden. Het is van belang om mee te kunnen groeien in deze snel veranderende wereld, waar digitalisatie een steeds grotere rol speelt en de omni-channel competitie intensiveert. Klanten zijn steeds meer op zoek naar een betekenisvolle relatie met de retailer. Ze zoeken retailers die hun (tijdelijke) behoeftes begrijpen en aanbieden. Wil jij het gesprek met ons aangaan om te kijken of we iets voor elkaar kunnen betekenen? We komen graag bij jou aan tafel om hierover verder te praten en u verder te helpen. Durf jij de relatie aan?

Emilie Verbanck, Ilse van Bon, Nick de Mooij & Thomas Verspeek

Auteurs

Emilie Verbanck
Senior Consultant
Customer Engagement Expert

Emilie is een ervaren Senior Consultant met diepgaande expertise op het gebied van Digital en Supply Chain in de Retail markt. Ze leidt de focusgroep Customer Engagement. Met haar ontwerpachtergrond streeft ze naar de beste oplossing voor de eindgebruiker op het snijvlak van business en technologie.

Ilse van Bon
Senior Consultant
Insights Driven Business Expert

Ilse is senior consultant binnen het Consumer Value Chain cluster van BTS. Zij heeft geruime kennis en ervaring op het gebied van marketing, e-commerce en consumentengedrag. Ze is gespecialiseerd in data analytics en het creëren van waardevolle inzichten. Hiermee helpt ze haar Retail klanten meer data-gedreven te gaan werken.

Thomas Verspeek
Senior Consultant
Price, Promotion & Commerce Expert

Thomas is een expert op het gebied van Commerce Processen binnen de Retail en Consumer Product markt. Als Senior Consultant deelt hij zijn kennis en acteert hij als Trusted Advisor voor zijn klanten. Hij helpt bedrijven te innoveren die voor willen blijven lopen in de markt en die de klant centraal zetten in hun business.

Nick de Mooij
Managing Consultant
Customer Engagement Expert

Nick heeft 10 jaar ervaring binnen de Retail en Consumer Products markt en is expert op het gebied van customer service en e-Commerce. Met zijn kennis en ervaring helpt hij klanten om bedrijfswaarde te creëren door de consument optimaal te bedienen. Hierbij staan Nick innovatie en productgericht werken hoog in het vaandel.

Bronnen

Bon, I. van (2022). Generating Business Value from Big Data in the Dutch Retail Industry. TIAS Business School.

Capgemini (2017). Klantloyaliteit: hogere emotionele binding kan leiden tot 5% hogere jaaromzet bij retailers, (https://www.capgemini.com/nl-nl/nieuws/klantloyaliteit-hogere-emotionele-binding-kan-leiden-tot-5-hogere-jaaromzet-bij-retailers/)

Capgemini Research Institute (2021). The Age of Insight: How Consumer Products and Retail organizations can accelerate value capture from data.

Ramanathan, R., Philpott, E., Duan, Y., & Cao, G. (2017). Adoption of business analytics and impact on performance: a qualitative study in retail. Production Planning & Control, 28(11-12), 985-998.