15 oktober 2020

Data Value Mapping: welke waarde schuilt er achter je product?

Een klant koopt je product voor een bepaalde toepassing. Maar is die toepassing ook de grens van de waarde die je bedrijf kan creëren? Voor mij begint daar een interessante vraag. Klantbehoeften begrijpen blijft essentieel, maar wie alleen naar het huidige gebruik kijkt, ziet mogelijk niet welke andere inzichten en mogelijkheden in het product of proces besloten liggen.

Ik kijk daarom graag ook vanuit het product en het proces naar de wereld. Niet om de klant uit het oog te verliezen, maar om los te komen van de eerste toepassing. Wat neemt het product waar? Met welke omstandigheden komt het in aanraking? Welke kennis ontstaat tijdens het gebruik? Zo verschuift de aandacht van wat we vandaag verkopen naar de waarde die we daarmee mogelijk kunnen maken.

Vanuit die gedachte begon ik de Empathy Mapping-tool anders te gebruiken. Gewoonlijk staat de gebruiker centraal. Ik plaatste het product in het midden en stelde vergelijkbare vragen: wat ‘ziet’ het, wat ‘voelt’ het en wat doet het? Niet letterlijk, maar als manier om te verkennen welke omstandigheden sensoren, meetinstrumenten en procesgegevens zichtbaar kunnen maken.

Wanneer ik vraag wat een slim product of proces betekent, gaat het gesprek vaak eerst over voordelen voor de directe klant. Maar wie in het ecosysteem zou nog iets aan die inzichten kunnen hebben? Denk aan een onderhoudspartner die slijtage beter wil begrijpen, of een procespartner die terugkerende afwijkingen wil herkennen. Dat zijn geen automatische nieuwe inkomstenbronnen, maar mogelijke waardeproposities die je kunt onderzoeken.

Ik noem die oefening Data Value Mapping. Je brengt niet alleen mogelijke data in kaart, maar vooral de verbinding tussen waarneming, inzicht en waarde: wat kunnen we meten, wat kunnen we daaruit leren, voor wie is dat relevant en welke beslissing wordt daardoor beter? Een meetwaarde is nog geen bruikbaar inzicht, en een bruikbaar inzicht is nog geen houdbaar businessmodel.

Stel je een voertuig voor dat een wegennet in kaart brengt. Tijdens dezelfde rit zouden aanvullende meetinstrumenten ook informatie over het wegdek kunnen verzamelen. De interessante vraag is niet hoeveel sensoren je kunt toevoegen, maar wie die informatie nodig heeft en wat die ermee kan doen. Zijn de metingen betrouwbaar genoeg? Kun je de inzichten herhaaldelijk leveren zonder telkens een apart maatwerkproject te starten? En wegen de kosten op tegen de waarde voor de afnemer?

Meer data verzamelen is daarbij niet vanzelf beter. Begin bij een relevante vraag en onderzoek welke gegevens daarvoor nodig zijn. Privacy, toestemming waar vereist, gebruiksrechten, beveiliging en ethische gevolgen horen vanaf het begin bij die afweging. Hetzelfde geldt voor algoritmes en artificiële intelligentie: die worden pas interessant wanneer ze een bruikbaar inzicht of een betere beslissing mogelijk maken, niet omdat er toevallig veel data beschikbaar zijn.

Voor mij sluit Data Value Mapping daarom aan bij Scalendi Growth Logic: kijk voorbij het huidige product naar de waarde die je creëert, de capaciteiten die dat mogelijk maken en de voorwaarden waaronder je die waarde herhaalbaar kunt leveren. Data zijn dan geen doel op zich, maar een mogelijke bouwsteen voor groei. De vraag is niet alleen ‘Hoe maken we dit product slimmer?’, maar vooral ‘Welke waarde kunnen we vanuit dit product opbouwen die ook buiten de eerste toepassing relevant blijft?’