In heel wat bedrijven evolueert de finance-afdeling van een transactionele naar analytische aanpak. Dit is ook het geval bij Bose, bekend als ontwikkelaar en fabrikant van toonaangevende audio-oplossingen. In dit bedrijf is de voorbije jaren volop geïnvesteerd in een synergie tussen finance en data science. Hoe kwam dit tot stand? Wim Theuwissen, Financial Advisor European Wholesale, Maarten Werckx, Financial & Business Advisor, en Vincent Mullers, Senior Data Scientist, schetsen het verhaal.
De naam van Bose is letterlijk toonaangevend in de wereld van audio-apparatuur en wearables. Het bedrijf werd in 1964 opgericht door Dr. Amar Bose, een Amerikaans ingenieur met Bengaalse roots die gepassioneerd onderzoek deed rond akoestiek en luidsprekerontwerp. De voorbije decennia groeide Bose uit tot een baanbrekende producent van diverse audio-oplossingen, voor zowel recreatief als professioneel gebruik. Vandaag heeft Bose Corporation vestigingen over de hele wereld. Technologische innovatie en duurzaamheid zitten in het DNA van deze multinational, waarbij medewerkers echte ontdekkingsreizigers in geluid zijn.
Finance afdeling in volle evolutie
Binnen Bose – met een Belgische vestiging in Tongeren – onderging de finance afdeling de voorbije jaren een grondige metamorfose, van transactioneel naar analytisch. In Portugal werd een Shared Service Center opgestart. In het bedrijf werken country controllers nauw samen met het SSC voor de statutaire jaarrekening. Het finance navigation team staat dan weer in voor alle managementrapporteringen, inclusief forecasting, budgettering en rapportering.
Om dit analytische takenpakket zo efficiënt en secuur mogelijk uit te voeren en de business maximale meerwaarde te bieden, maakt het finance navigation team gebruik van data science. Lees: statistisch en wetenschappelijk onderbouwde analyses op basis van grote datasets – inclusief externe data – om op die manier een heldere kijk te krijgen op de business en nieuwe opportuniteiten zo goed mogelijk in te schatten. Binnen Bose is een intern data science-team aan de slag om data te verzamelen en voorspellende modellen te bouwen.
Van silo’s tot ‘data democratisation’
De weg naar een professioneel uitgebouwde data science-aanpak startte binnen Bose zo’n vier jaar geleden. Op dat moment waren beschikbare bedrijfsdata verdeeld in silo’s, en dus jammer genoeg versnipperd beschikbaar binnen de organisatie. Dit maakte het moeilijk om te achterhalen wie welke data gebruikte, terwijl ook niet iedereen toegang had tot alle (rapporterings)systemen en -tools. Het gevolg? Verschillende versies van de waarheid bij het analyseren en rapporteren van bedrijfsresultaten en het nemen van bijbehorende (strategische) beslissingen.
Momenteel worden binnen Bose kosten noch moeite gespaard om te investeren in het centraliseren van data en datamodellen. Vanuit verschillende berekenings- en rapporteringstools wil het management bouwen aan één centrale tool, over de verschillende silo’s heen. Ook de creatie van een salesdatamodel is ‘work in progress’.
Het doel is de realisatie van ‘data democratisation’, waarbij elke Bose-medewerker op een laagdrempelige manier toegang krijgt tot bedrijfsdata. Dit moet mogelijk zijn via het centraliseren van datamodellen, het ophalen van gegevens door data engineering-teams en een data analytical-team dat deze modellen creëert.
Via het realiseren van ‘data democratisation’ krijgt elke Bose-medewerker op een laagdrempelige manier toegang krijgt tot bedrijfsdata.
Data science binnen Bose: enkele voorbeelden
Het gebruik van data science binnen Bose leverde al heel wat nuttige businessinzichten op. Zowel op vlak van finance, sales, marketing als supply chain kan de organisatie uitpakken met inspirerende voorbeelden.
Zo gaf data science binnen finance een extra push aan de uitrol van rolling forecasts, ofwel het voortschrijdend prognosticeren als aanvulling op de traditionele begroting.
Voor marketing werd een project gelanceerd in verband met de kost van displays in externe winkels ten opzichte van de opbrengst ervan. Voor dit project werden heel wat datapunten gebruikt: wie klikt waar op welke display? Wat is de Bose-omzet per winkel?... Op basis van de verzamelde resultaten konden medewerkers aan de slag gaan om displays beter in te richten.
Op het vlak van sales waren er diverse eenmalige analyses, zoals de impact van kleurvariaties in producten op de omzetforecast, de gevolgen van verkopen via grote retailketens op de verkoop in eigen winkels of de resultaten per jaar of per regio van verkochte producten aan promoprijzen.
De skills van een data scientist
Kan iedereen zomaar aan de slag gaan als data scientist? Of zijn voor dit profiel specifieke vaardigheden vereist om het verschil te maken voor het bedrijf? Een data scientist beschikt vaak over een master in finance en toegepaste wiskunde, meestal aangevuld met een grondige kennis in programmeren en AI-technologieën. Of zoals Vincent het treffend verwoordt: “Als data scientist moet je beter zijn in programmeren dan een statisticus, en beter zijn in statistiek dan een computerwetenschapper.”
Wat ook essentieel is: goed kunnen inschatten welke oplossingen je inzet voor businessvragen, die bovendien behapbaar zijn voor de interne eindklant. De brug naar human skills is hier snel gelegd: een goede data scientist slaagt erin om complexe resultaten in mensentaal uit te leggen aan technisch minder onderlegde collega’s. Inlevingsvermogen, helder communiceren en presentatievaardigheden maken dus onmiskenbaar deel uit van het rugzakje aan skills van een talentvolle data scientist.
Als data scientist moet je beter zijn in programmeren dan een statisticus, en beter zijn in statistiek dan een computerwetenschapper.
Last but not least is ook overtuigingskracht een belangrijke troef voor dit profiel. Want zo overtuig je zoveel mogelijk collega’s om data science-oplossingen effectief te gebruiken. Een extra push vanuit het senior management is hierbij trouwens steeds welkom! Zo komt immers een mooi track record van successen tot stand.
Mogelijke valkuilen in data science
Elke business owner en data scientist bij Bose is het er over eens dat bij het toepassen van data science diverse valkuilen op de loer liggen. Een ervan is het onvoldoende analyseren en prioritiseren van business cases. Nochtans is dit cruciaal om voldoende buy-in te creëren bij het senior management.
Ook een gebrek aan ownership kan een mogelijke valkuil zijn. Elk data science project moet voldoende intern gepromoot worden, zodat de resultaten ervan ook effectief zullen worden in de organisatie. In elk geval moet vermeden worden dat er tijd, middelen en energie besteed worden aan projecten die niemand gebruikt.
Nog een belangrijk aandachtspunt: het gebruik van voldoende en betrouwbare data in data science-projecten. Bij bepaalde cases zijn er erg veel data nodig om effecten met voldoende geloofwaardigheid te kunnen meten. En in sommige gevallen zijn misschien minder complexe oplossingen dan data science mogelijk…
Het prioritiseren van business cases is essentieel om voldoende buy-in te creëren bij het senior management.
De toekomst van finance binnen Bose
De rol van zowel finance professional als data scientist binnen een multinational als Bose zal volgens Wim, Maarten en Vincent ook de komende jaren erg boeiend blijven. Volgens hen zorgt de verdere opmars van AI en machine learning voor extra dynamiek, waardoor het takenpakket van finance medewerkers nog meer kan focussen op monitoring en advieswerk. En door een nog intensievere inzet van mathematische modellen in forecasts zal de kwaliteit ervan nog verhogen, tot grote tevredenheid van interne businessklanten.
