Hoe je voorspelbare groei ontsluit met datagedreven resource management mogelijk gemaakt door generatieve AI

Lees het transcript:

We proberen onze podcasts te transcriberen met behulp van een softwareprogramma. Vergeef ons eventuele typefouten, want de bot is niet 100% nauwkeurig.

Galen Low: Welkom bij onze paneldiscussie over het gebruik van data en AI als kristallen bol voor resource management. En om het niet mooier voor te stellen dan het is: we gaan hierover debatteren. We gaan erin duiken. We gaan ontdekken waar het allemaal over gaat. Dit is iets wat we elke maand graag doen met onze leden en onze VIP-gasten.

Gewoon als een manier om rechtstreeks contact te hebben met de experts en de mensen die hier bij The Digital Project Manager bijdragen en met ons samenwerken. Voor degenen onder jullie die mij niet kennen: mijn naam is Galen, ik ben de oprichter en medeoprichter van The Digital Project Manager, en ik ben vandaag ook jullie gastheer. Jullie zitten dus een tijdje met mij opgescheept, maar ik heb ook een geweldige groep bij me van enkele van de beste experts op het gebied van bureau-operations die ik ken — Ann Campea, Marcel Petitpas en Grant Hultgren.

Resource management is een enorm populair onderwerp in de bureauwereld en eerlijk gezegd ook voor veel organisaties. En ik denk dat daar een goede reden voor is: het niet beschikbaar hebben van de juiste middelen om belangrijke programma's en initiatieven uit te voeren, vormt een behoorlijk groot risico. Het kan ervoor zorgen dat je je doelen niet haalt en kan zelfs gevolgen hebben voor sommige banen van jou en je collega's binnen de organisatie.

En ik denk dat dit de reden is waarom resource management op zoveel verschillende niveaus binnen een organisatie plaatsvindt: van het hebben van de juiste teamleden op je projecten tot het beschikken over de juiste organisatie en expertise om alles te laten werken. Maar als het gaat om het voorspellen van de toekomst, doen wij mensen op zijn best een gok en maken we op zijn slechtst rooskleurige, te idealistische aannames.

Soms nemen we dus aan dat Surrender een taak net zo snel zal afronden als Kathy, als die niet onverwacht met ziekteverlof was gegaan. Soms gaan we ervan uit dat Kelvin acht verschillende projecten acht uur per dag kan uitvoeren zonder tijdverlies door het wisselen van context. En soms nemen we aan dat Elena en Leila dezelfde werkvoorkeuren, kennisniveaus en hetzelfde begrip van het werk moeten hebben omdat ze dezelfde functietitel hebben.

Uiteindelijk is resource management moeilijk, en het is moeilijk omdat het doorgaans variabelen omvat waar we geen controle over hebben, namelijk mensen. Hoewel onze aanpak van resource management de afgelopen decennia, althans vanuit mijn perspectief, niet drastisch is geëvolueerd, is de technologie dat wel. De vraag die ik mezelf stelde was dus: luister, met alle hulpmiddelen die we gebruiken en alle data die we verzamelen, zouden we die niet kunnen inzetten om betere voorspellingen te doen over onze middelen en over wat er in de toekomst zal gebeuren met onze projecten, onze initiatieven en onze doelen? Dat gaan we vandaag onderzoeken.

En eerlijk gezegd begin ik met de grootste en breedste vraag voor eigenlijk al mijn panelleden: nu organisaties steeds meer datagedreven worden en generatieve AI een rol speelt, waarom is resource management dan nog niet volledig automatisch en magisch?

Misschien geef ik het eerst aan Marcel. Ik zet je op de pijnbank.

Marcel Petitpas: Zeker. Het eenvoudige antwoord is dat data rommelig is en mensen onvoorspelbaar zijn. Het is ontzettend spannend wat generatieve AI kan gaan doen om ons te helpen waarde uit data te halen en die te interpreteren, maar de onderliggende aanname — en dit is wat mij altijd stoort aan elke demo die we zien van een generatieve-AI-bedrijf dat zegt: 'Kijk, je kunt je rapportage gewoon automatiseren' — is cruciaal.

De aanname is dat je perfect schone, consistent gestructureerde data aanlevert met een duidelijk schema, consistente naamgevingsconventies en zonder fouten of uitschieters. Dan zal generatieve AI natuurlijk sneller dan een mens een vraag over die data kunnen beantwoorden en de gegevens kunnen verwerken. Wat echt spannend is, is dus dat de manier waarop we met data omgaan zeker verstoord zal worden.

Ik denk dat we over tien jaar terugkijken en zeggen dat door een tabel klikken, filters toepassen en sorteren om bij de gewenste visualisatie te komen, voor ons archaïsch zal aanvoelen. Maar het probleem dat niet verdwijnt, is dat je goede, schone data nodig hebt voordat AI je dit soort resultaten kan geven.

De ongelukkige realiteit is dat we als product- en operationsmanagers werken met datasets die door mensen zijn gemaakt, en daardoor per definitie onvolmaakt zijn. We zullen daar rekening mee moeten houden in de manier waarop we onze processen en datasystemen ontwerpen.

Galen Low: Geweldig. Ik vind die verduidelijking over de kwaliteit van data fantastisch. En ik denk dat we later nog terugkomen op datageletterdheid: wat betekent dat tegenwoordig en wie moet daarover beschikken? Spoiler: waarschijnlijk iedereen.

Ann, wil je nog iets toevoegen over de vraag waarom resource management vandaag de dag niet eenvoudiger is met alle technologie die we hebben?

Ann Campea: Om te beginnen, voortbouwend op wat Marcel net zei: het gaat om het verkrijgen van goede data. En daarachter zit een menselijke factor bij het vastleggen ervan. In mijn ervaring bouwen we hulpmiddelen, denken we dat we de juiste rapportage hebben ingericht en kijken we naar de juiste meetwaarden, maar vervolgens ga je terug naar de data. Goede data verkrijgen is dus een beetje alsof je bliksem in een fles probeert te vangen, toch?

Het is lastig. Soms is het onbetrouwbaar omdat die menselijke factor erin verweven zit. Mensen zijn geweldig, maar ze zijn ook geweldig onvoorspelbaar. In het voorbeeld dat je gaf toen je begon, kan Susie misschien vijftig projecten in een week proberen af te ronden, terwijl Joe drie dagen met ziekteverlof moest omdat hij zich niet goed voelde.

Hij rondde iets minder projecten af dan Susie. Hoe leg je dat menselijke element van wat er met de data gebeurt goed vast als het gaat om tijdregistratie, de complexiteit van projecten en het vermogen van je medewerkers om werk te produceren? Iedereen werkt namelijk net iets anders.

Ik denk dus dat het, als aanvulling op wat Marcel zei, gaat om het verkrijgen van goede data en vervolgens het bouwen van technologie en AI rondom wat daarmee mogelijk is. Ik wil nog één voorbeeld noemen: ik heb in organisaties gewerkt waar je te maken hebt met oude technologie tegenover nieuwe technologie. En nu leg je daar ook nog AI bovenop.

Hoe zorg je ervoor dat al die zaken goed samenwerken en tegelijkertijd de mens onderdeel blijft van het proces?

Galen Low: Dat vind ik geweldig.

En het brengt ons terug bij Grant en wat jij in het begin zei, toch? De tool is niet de magische oplossing. Er zijn andere variabelen. Misschien is dit een goede overgang van: oké, dit is ingewikkeld.

Waarom is het niet eenvoudiger? Omdat data niet schoon is en mensen onvoorspelbaar zijn. Dat roept de vraag op: welke data zouden we eigenlijk moeten verzamelen? Ik weet dat er waarschijnlijk een enorme hoeveelheid is, maar Grant, vanuit jouw perspectief: welke datapunten moet een bureau of eigenlijk elke organisatie vastleggen om resources nauwkeuriger te plannen?

Wat is iets dat misschien niet traditioneel of zelfs controversieel is aan de data die we zouden verzamelen?

Grant Hultgren: Ja, en ik denk dat de overgang hierop neerkomt: wat vertrouw je eigenlijk? Als bureaueigenaar, wanneer je aan die reis begint, of misschien bij een bureau gaat werken, is het vaak: het bureau is zelfsturend, toch?

Vaak is het: ik kan dit beter doen dan het bedrijf waar ik vandaan kom of de persoon met wie ik eerder werkte. Maar dat betekent vaak ook dat ik het een beetje anders ga definiëren. En plotseling definiëren we verschillende datapunten op verschillende manieren. Marcel zou zeggen: luister, we hoeven dit niet anders te definiëren.

Je kunt je eigen terminologie gebruiken, maar we hebben het in feite over dezelfde dingen. Als je kijkt naar kern-KPI's, ben ik het daar absoluut mee eens. Vanuit ons perspectief en dat van de SaaS-bedrijfskant kijk je naar omzet per factureerbare medewerker. Je kijkt naar omzet per alle medewerkers.

Je kijkt naar je marges op projectniveau tegenover je winst-en-verliesrekening op kwartaal- en jaarbasis, inclusief volledig berekende overheadkosten. Daarin zitten veel overeenkomsten. Maar als we specifiek kijken naar de kant van digitaal projectmanagement, maakt dat allemaal deel uit van dit ecosysteem dat doorwerkt in deze KPI's op hoger niveau.

Er zijn meerdere hulpmiddelen, zoals Ann zei; sommige komen uit 1990 en andere zijn veel moderner. Dat maakt het inderdaad lastig. Maar bovenal zou ik zeggen: vertrouwen we erop dat die interne systemen betrouwbaar genoeg zijn voor AI-modellen om beslissingen te nemen en optimale resultaten te bereiken?

Ik denk niet dat we daar al zijn. Daarom zijn mensen zo belangrijk. Niemand zal AI verantwoordelijk houden voor het missen van een projectmarge. We kijken allemaal naar de projectmanager en zeggen: wat is hier gebeurd? Interpreteer de data voor ons. En zoals Ann zegt: iemand was ziek. Oké. Waarom hebben we niets gedaan?

AI heeft het niet opgemerkt. Dat is niet acceptabel, toch? Misschien komen we daar ooit, maar ik denk niet dat die meetwaarden heel veel zullen veranderen. Het gaat er vooral om hoe ze samenkomen in een gemeenschappelijk thema.

Marcel Petitpas: Ja, ik zal kort vertellen hoe we bij Parakeeto iemand in een voorspellingssysteem opnemen en nadenken over de structuur en de manier waarop we hiermee werken. Dat is heel eenvoudig.

We beginnen met begrijpen hoe zij capaciteit binnen hun organisatie bekijken. Dat verschilt van organisatie tot organisatie. Sommige organisaties denken hierbij in vaardigheden. Deze persoon beschikt over ontwerpvaardigheden, projectmanagementvaardigheden, ontwikkelvaardigheden en copywritingvaardigheden.

Andere keren denken ze in taken. Deze persoon doet dit soort werk. Of het nu gaat om taakcategorieën, rolcategorieën of functietitels: wat is het mentale model waarmee dit bedrijf zijn capaciteit beschrijft? En hoe denkt het bedrijf na over beslissingen rond aanwerving? We proberen doorgaans een eenvoudige abstractielaag te creëren tussen individuele medewerkers en grotere categorieën waarin we hen kunnen groeperen.

Hier introduceer ik een idee waar ik waarschijnlijk vaak over zal praten: precisie en nauwkeurigheid. Dat zijn verschillende concepten. Ik denk dat dit de vloek van de meeste projectmanagers is: ze verwarren die begrippen en zien ze niet alleen als hetzelfde, maar ook als gecorreleerd, terwijl ze vaak juist met elkaar in conflict zijn.

Ik heb gemerkt dat veel projectmanagers zichzelf tot mislukken veroordelen omdat ze zeer precieze systemen proberen te creëren die uiteindelijk onmogelijk te onderhouden zijn. Daardoor komen ze in een situatie terecht waarin ze voortdurend met een grote hoeveelheid rommelige data zitten en moeite hebben om er waarde uit te halen.

Een groot deel van wat we in deze eerste stap proberen te doen, is dus bepalen hoe we een eenvoudig model ontwikkelen van vijf tot misschien maximaal acht capaciteitscategorieën waar we over nadenken. Vervolgens bekijken we hoe we werk plannen op een manier die hetzelfde eruitziet: dezelfde naamgevingsconventies en dezelfde indeling van onze geschatte tijd.

Daarna gaan we stroomafwaarts naar tijdregistratie en vragen we: hoe zorgen we ervoor dat elke tijdregistratie een stukje metadata bevat dat we kunnen koppelen aan een van die categorieën? Als we op die manier in de loop der tijd gestructureerde data kunnen opbouwen en misschien nog een paar andere objecten toevoegen — om welk soort werk ging het, om welk type klant ging het?

Welke dienst of welk product was dit? Dan kunnen we steeds meer metadata toevoegen en wordt lineaire algebra heel eenvoudig. Een vraag als: hoeveel ontwerptijd moeten we gemiddeld plannen voor elke euro aan websitebudget? Daarvoor heb je niet eens zo'n grote dataset nodig om een interessante trendlijn te krijgen die ons een behoorlijk goed beeld geeft van de nauwkeurigheid en ons ook laat zien welke zaken voorspelbaar en welke zeer onvoorspelbaar zijn.

Dat is een interessante manier om te denken over de vraag waar we mogelijk een procesprobleem hebben dat ons tot mislukken veroordeelt. Als we dingen niet consequent doen, wordt de toekomst voorspellen moeilijk, ongeacht hoe goed onze data is, omdat de praktijk niet consistent is.

Als we nadenken over hoe we de informatie structureren, zijn de datapunten dus capaciteit. Wat is ons model daarvoor? En hoe denken we over het schema? Gepland werk: wat is ons model daarvoor? En hoe denken we over het schema? Vervolgens koppelen we de werkelijk bestede tijd aan datzelfde schema, zodat we niet drie verschillende datastructuren hoeven te vertalen om een vraag te beantwoorden.

Dat is onnodige frictie en betekent vaak dat we de vragen die we bij het begin van het proces wilden beantwoorden uiteindelijk niet daadwerkelijk kunnen beantwoorden.

Galen Low: Ik vind het idee interessant dat sommige zaken voorspelbaar zijn en andere niet. Zelfs alleen dat perspectief is belangrijk, want we hebben het over chaos en dingen die niet te plannen zijn, toch?

Als mensen willen we dat oplossen, maar misschien kan dat niet. Wat ook bij me resoneerde in wat je zei, is dat we goede, schone data nodig hebben. Ik denk dat technologie hier een rol speelt. Ik herinner me dat ik een vaardighedenmatrix bouwde voor het personeel van het bureau waar ik werkte.

Het was zoiets als: op een schaal van één tot tien, hoe goed ben je in Drupal-ontwikkeling? Dan zeiden mensen: tien, denk ik. Er was zoveel om te verzamelen en samen te voegen, en we deden dat in Google Spreadsheets. Het was een complete chaos. Onze intentie was goed. We vroegen: hoe werk je graag? Waar ben je? Welke soorten projecten staan op je loopbaanplanning? We probeerden alles te plannen, maar de hoeveelheid data die wij als mensen moesten verwerken was gewoon te groot.

Terwijl je dit vertelt, denk ik: dat zijn veel modellen. Dat is veel taxonomie. Wat gaan we ermee doen? Maar dit leidt waarschijnlijk naar het idee dat technologie hier kan helpen.

Grant Hultgren: Je kunt het allemaal ontwerpen en instellen, toch? Maar binnen een uur verandert het weer. Die klant ondertekent de opdrachtbevestiging, toch?

Of er komt een wijzigingsopdracht en ze beperken de scope. COVID breekt uit. Hebben we nu nog een kantoor nodig? Is dat een overheadkost die we moeten dragen? Precies zoals Marcel zegt: je bouwt het op en vervolgens moet je een ritme instellen. Hoe stemmen we de individuele medewerkers aan de frontlinie, die deze data het beste kunnen informeren, op elkaar af om incrementele wijzigingen mogelijk te maken?

Alles wat Marcel net zei, is eerlijk gezegd de reden waarom ons bedrijf bestaat. Ik weet dat hij toolonafhankelijk is, maar dat is wat wij in deze data proberen te codificeren. Het is exact dezelfde manier van denken en exact dezelfde manier om de verschillende inputs te meten die tot verschillende oplossingen leiden.

Je kunt consultants zoals Marcel inhuren, die je daarbij helpen, of Ann, die zegt: zo pak ik dit met jouw team aan. Of je probeert het zelf te codificeren. Maar de problemen blijven bestaan: hoe krijgen we dit op elke laag, van de eigenaar tot helemaal beneden? We weten waar precisie een rol speelt, we weten waar nauwkeurigheid belangrijk is en we begrijpen allemaal waar de waarde zit.

Galen Low: Laten we daarop ingaan, want het is een interessante vraag. Schone data lijkt een mythe — waarschijnlijk niet vanuit data- of taxonomisch perspectief, maar wel vanuit menselijk perspectief. Ann, mag ik deze aan jou voorleggen? Hoe krijgen we mensen zover dat ze begrijpen dat ze baat hebben bij het vastleggen van meer data?

Mensen hebben al een hekel aan tijdregistratie. Marcel, je plaatste onlangs iets op LinkedIn over benuttingsgraad; dat zijn zaken waar mensen van in de knoop raken. Ze kunnen het moreel echt beschadigen. En nu vragen we hen om nog meer zaken vast te leggen, toch? Meer data, meer modellen. Hoe pak je dat aan om mensen ervan te overtuigen dat dit nuttig zal zijn?

Ann Campea: Dit voelt als een zeer beladen vraag, maar ik denk dat het moeilijk is om alle lagen op één lijn te krijgen. Wat ik wil zeggen, is dat het belangrijk is om terug te gaan naar wat Marcel zei. Je moet draagvlak creëren voor een structuur, ook als die sterk verschilt van wat andere bureaus doen.

Als je leiderschapsteam en je organisatiecultuur zich er allemaal achter scharen, heb je in ieder geval draagvlak. Dat is een van de grootste blokkades die je kunt tegenkomen. Je kunt al je tijd besteden aan bouwen, je hulpmiddelen verbeteren, rapportages ontwikkelen en tijdregistratie verzamelen. Je kunt medewerkers vragen hoe lang het duurt om verschillende soorten projecten met verschillende complexiteiten uit te voeren.

Hoeveel projecten kunnen ze op een bepaalde dag of in een bepaalde week aannemen? Je kunt dit allemaal verzamelen, maar zonder draagvlak wordt dat je grootste blokkade. Het gaat opnieuw terug naar die menselijke factor.

Wat ik heb gemerkt bij het verkrijgen van draagvlak, is dat er soms wordt aangenomen dat je zeer objectieve, kwantitatieve data presenteert. Als we eerlijk zijn over de data en teruggaan naar goede, schone data, moeten belanghebbenden begrijpen wat je daadwerkelijk hebt.

Ik presenteer mijn data altijd door te zeggen: dit is het tijdsonderzoek, maar daarin zit variatie omdat je mensen vraagt de data in te voeren. Houd er dus altijd rekening mee dat er een zekere mate van subjectiviteit zit in zelfs de kwantitatieve data die je verzamelt.

Wanneer je die aan belanghebbenden presenteert om draagvlak te verkrijgen, moet je het realistisch houden. Je kunt niet zeggen: dit is de data, deze is schoon en dit is waar we van uitgaan. Dit is 100 procent nauwkeurig. Zoals we al hebben gezegd, kan dat nooit zo zijn, maar het kan wel in de buurt komen.

Galen Low: Ik vind die aanpak geweldig omdat hij samenwerkend is. Wat je eigenlijk zegt, is: stuur het niet van bovenaf en duw het mensen niet door de strot.

Het gaat ook om de manier waarop je het presenteert. Vooral bij resource management hebben we de neiging om te zeggen: dit is de definitieve waarheid. Iedereen komt uit op veertig uur per week. Het wordt perfect. Maar als we de variatie meenemen, wordt het veel realistischer.

Marcel Petitpas: Ja, dat sluit aan bij precisie en nauwkeurigheid. In de sector praten we veel over tactieken om naleving te verbeteren. Kun je het spelelement toevoegen? Kun je een Slack-bot gebruiken die mensen in teams indeelt en naleving laat zien? Kun je tijdregistratie volgen op basis van wat ze op hun computer doen en hen helpen hun urenstaten in te vullen?

Je kunt de urenstaten vooraf invullen op basis van je resourceplanning. Dat is allemaal nuttig. Maar voor mij is het onderliggende probleem het draagvlak. Een ander groot onderdeel is dat de terugkoppeling niet wordt gesloten. Vooral individuele medewerkers die gevraagd worden tijd te registreren, krijgen nooit inzicht in de gesprekken, beslissingen of rapportages die daaruit voortkomen.

Daardoor moeten ze zelf een verhaal bedenken over hoe die tijd wordt gebruikt, en dat zal zelden een gunstig verhaal zijn. Hoe goed je bedoelingen ook zijn wanneer je uitlegt hoe je de data gebruikt: ze moeten het zien om het te geloven.

Wat ik vaak zie, is dat managementteams aarzelen om die terugkoppeling te sluiten en de data aan hun teams te tonen, omdat ze denken: de data is nog niet goed genoeg. Zo ontstaat een kip-en-eiprobleem. Mijn advies is altijd: organiseer de bijeenkomst en doe alsof je niet weet dat de data slecht is.

Je zult dan zien welke prikkels ontstaan wanneer je geen heel bewust gekozen set KPI's met het team meet. Een sterke focus op benuttingsgraad kan bijvoorbeeld een reactie veroorzaken die je niet wilt. Stel dat je vooral op het klantbudget focust. Dan kun je zeggen: mensen, dit is geweldig. We bleven bij elk project binnen budget. Onze klanten zijn tevreden. Jullie zijn niet eens zo druk. Ik kan volgende maand twee keer zoveel werk verkopen en jullie zitten nog steeds niet aan jullie capaciteit.

Het team kan dan zeggen: wacht even. Misschien stond niet al onze tijd in de urenstaten. We kunnen volgende maand absoluut niet twee keer zoveel werk aan. Dan kun je antwoorden: goed dat je dat zegt, want ik gebruik deze informatie om de toekomst te plannen. De data moet dus nauwkeurig zijn, zodat ik niet te veel werk bij jullie neerleg en we onze resources effectief kunnen plannen.

Na verloop van tijd zal de slinger richting de waarheid bewegen, zolang je de data correct gebruikt en het gesprek oprecht en nieuwsgierig voert. Het team zal beter begrijpen hoe dit hen helpt en beschermt.

En nog iets over precisie en nauwkeurigheid: als je je team vraagt tijd te registreren op subtaken binnen taken binnen mijlpalen binnen resultaten binnen fasen binnen projecten, dan is dat gewoon te veel. Het zorgt voor te veel frictie. Vereenvoudig het. Dan krijg je grotere tijdsblokken die betekenisvoller zijn, bereik je sneller statistische significantie en heb je doorgaans een hogere naleving.

Hetzelfde geldt voor resourceplanning. Individuele toewijzingen zijn niet de weg naar een voorspelling van zes maanden. Dat werkt niet. Er verandert te veel en er is te veel oppervlak. Stem de methode dus af op het doel van de vraag die je probeert te beantwoorden.

Galen Low: In mijn hoofd denk ik: dat is een beetje sluw, maar ik begrijp hoe het het kwalitatieve aspect naar boven haalt.

En terugkomend op wat Ann zei: je begint bij de data, maar je eindigt niet bij de data. De data zet een gesprek in gang over zaken die misschien niet in de data staan. Ik vind het interessant dat je een cultuur kunt opbouwen waarin de druk eraf gaat. Want voor iedereen voelt het natuurlijk alsof je iemand munitie geeft om die tegen jou te gebruiken.

'Wat? Ben je maar voor 70 procent benut?' 'Het heeft je zeven uur gekost om een taak van vijf uur te doen?' Niemand wil die data vrijwillig delen. Ze staan meteen op achterstand. Maar ik vind het idee goed: eenvoudig is prima. Eenvoudig is nog altijd beter dan alles te ingewikkeld maken en je data proberen te perfectioneren.

Ik wilde misschien overstappen op een paar verhalen. We hebben het gehad over zaken die je kunnen tegenhouden en zaken die een organisatie vooruit kunnen helpen. Laten we verhalen vertellen. Heeft iemand een succesverhaal waarin het lukte om draagvlak te creëren en datageletterdheid binnen een organisatie te verhogen, zodat resourceplanning en vooruitkijken beter werden? En vertel me ook over de spookverhalen: situaties waarin iemand iets had moeten doen, maar werd tegengehouden door een blokkade die de problemen rond resource management in stand hield.

Grant Hultgren: Ik denk dat ik een succesverhaal heb. Ik moest mijn eigen ego opzijzetten bij het digitale bureau waar ik werkte en precies luisteren naar de motiverende verhalen die Ann en Marcel net vertelden: je moet je team vertrouwen. Leid hen op en help hen begrijpen waarom dit belangrijk is.

We legden uit waarom we de marge op projecten berekenden. Wat betekent kostprijs per rol eigenlijk? We deelden niet wat we mensen betaalden, maar begonnen wel te generaliseren. We zeiden: een senior ontwikkelaar kost relatief meer dan een junior ontwikkelaar. Bij resourceplanning is dat belangrijk als je verantwoordelijk wordt gehouden voor het behalen van een marge.

Vaak denk je: komt dit straks bij mij terug? Er zijn allerlei redenen om het niet te doen, vooral in management. Maar binnen een jaar behaalden we het grootste succes, en dat was geen enkele KPI. We hadden onze doelen gehaald, dat was mooi, maar drie mensen begonnen een gezin en twee mensen kochten een huis.

Ik herinner me dat ik met de eigenaar en de toenmalige CEO sprak. Hij zei: dit is het meest vervullende jaar dat ik ooit heb gehad. Dit is wat ik voor het team wilde bereiken.

We maken ons vaak zorgen over de vraag of we over drie maanden werk hebben. Die zorg zal nooit verdwijnen. Naar mijn mening is dat juist onderdeel van goed leiderschap. Maar de grootste overwinningen waren de teamleden die door hun levenskeuzes lieten zien dat ze vertrouwen hadden in hun situatie.

Misschien zijn ze later verder gegaan of een andere rol gaan vervullen. Maar wanneer je dit goed doet, zijn er momenten waarop je kunt zeggen: voor dat moment heb ik het goed gedaan. Misschien was het de volgende dag alweer anders en had ik nieuwe data nodig. Maar daarom praten we ook over AI: het probleem is niet opgelost.

Als het eenvoudig op te lossen was, had iemand van ons dat allang gedaan. Het kost veel inspanning. Ik ben misschien een spelbreker, maar op dat moment kon ik terugkijken en zeggen: ik ben trots op wat we als team hebben gedaan, op de beslissingen die ik heb genomen en op het vertrouwen dat ik heb laten zien.

We moeten altijd blijven werken aan data en processen. We groeien en krimpen. We worden efficiënt en slank, in de hoop dat we onze diensten later weer kunnen uitbreiden. Dat kost allemaal moeite.

Er bestaat geen snelkoppeling voor digitale bureaueigenaren of deelnemers. Maar dat is waarvoor we kiezen. Wanneer we samenwerken, kunnen we het pad voor elkaar eenvoudiger maken. En waarom doen we dit voor onze projectmanagers? Laten we onze seniorontwikkelaar niet opbranden. Laten we niet blind zijn voor de ondersteuning die juniorontwikkelaars of ontwerpers nodig hebben om te groeien.

Laten we het bedrijf informeren met nauwkeurigheid, niet met overdreven precisie. Wanneer je naar één datapunt kijkt, ben je kortzichtig. Wanneer je alles samenvoegt, kun je strategisch worden en een bedrijfsroutekaart ontwikkelen die deze mensen ten goede komt en hen groeipaden biedt waarin professionele ontwikkeling en voldoening centraal staan.

Dat klinkt misschien ambitieus, maar ik heb het meegemaakt. Ik kan ook spookverhalen delen over momenten waarop ik het verkeerd deed, maar dit was voor mij een bijzonder moment.

Galen Low: Ik vind dat verhaal geweldig omdat ik begon met de vraag hoe we datageletterdheid konden verbeteren. Maar de kern werd: het gaat er niet alleen om dat je data beter begrijpt, maar dat je begrijpt waarom we die data verzamelen.

De reden is dat groei niet alleen gaat over groei van het bureau. Het gaat ook over persoonlijke groei, loopbaangroei en groei voor je collega's. We zijn hier allemaal om iets te doen, zodat ons levensonderhoud op peil blijft en hopelijk verbetert. Dat is een sterke reden. Het werkt misschien niet in elke werkcultuur, maar het moet oprecht zijn.

Grant Hultgren: Groei is niet lineair. Er bestaat geen formule waarbij je dit doet en vervolgens dat krijgt. De markt bepaalt wat succesvol is en wat niet.

Aanpassingsvermogen en iteratie zijn dus belangrijk. Ook bij datageletterdheid of data-implementatie gaat het erom dat we elke dag proberen onze aanpak te verbeteren. Of het nu om een urenstaat of een projecttaak gaat: er zijn efficiëntiewinsten, zodat we onszelf onderweg niet uitputten.

Galen Low: Geweldig.

Ann Campea: Het is moeilijk om Grants verhaal te overtreffen. Maar ik denk dat je je soms de held voelt wanneer je in deze rol data kunt gebruiken, een verhaal aan je publiek kunt vertellen en draagvlak kunt creëren voor wat je wilt bereiken.

In mijn geval gaat het vaak om voorkomen dat mijn team opbrandt, door aanvullende resources en personeelsbezetting te bespreken. Hoe krijgen we als organisatie een beter inzicht in de complexiteit van het werk, hoeveel druk dat op onze medewerkers legt en wat we kunnen doen om dit beter in balans te brengen?

Het zit in die kleine overwinningen en dagelijkse gesprekken waarin je voldoende goede data kunt gebruiken om je leiderschapsteam een beeld te geven van wat er met het werk en de medewerkers gebeurt. Iedereen werkt uiteindelijk aan dezelfde doelen. We willen winstgevend zijn, onze klanten goed bedienen en kwalitatief werk leveren. De data vertelt het verhaal van wat er met je resources gebeurt.

Galen Low: Marcel, heb jij een verhaal?

Marcel Petitpas: Ja. Ik deel een verhaal over de ommekeer bij een klant met wie we lange tijd hebben gewerkt. Aan de oppervlakte leek die organisatie, zoals bij veel bureaus, enorm succesvol.

Ze hadden indrukwekkende logo's op hun website, het werk was ongelooflijk creatief en ze wonnen prijzen. Maar onder de motorkap zag je een cultuur van zeer creatieve, maar volledig opgebrande mensen. Ze gingen van een bezettingsgraad van 150 procent, met iedereen die avonden en weekenden werkte, naar lange periodes zonder werk waarin mensen moesten worden ontslagen.

Daarbij kwamen de bekende problemen: projectmanagers wezen naar sales omdat die hen voor mislukking had klaargestoomd, terwijl sales naar de creatieven wees omdat die hun ego's niet konden beheersen en telkens budgetten overschreden. Er was een volledige mismatch van verwachtingen en een problematische relatie tussen tijd en geld bij scopebepaling en prijsstelling.

De enige manier om het ene te veranderen leek het andere te veranderen. Had de klant weinig budget, dan deden ze alsof het minder tijd zou kosten dan werkelijk het geval was. Had de klant meer budget, dan deden ze alsof het meer tijd zou kosten. In plaats daarvan moet je erkennen dat die concepten met elkaar verbonden zijn, maar toch afzonderlijk zijn: een prijsgesprek is voor de klant en een scopegesprek is voor ons.

We begonnen met het scheiden van die zaken. We maakten de datastructuur duidelijk, begonnen vast te leggen wat er werkelijk gebeurde en konden na verloop van tijd identificeren welk werk een hoger of lager risico had.

We ontdekten dat videoproductie voor hen bijzonder grillig was. Iedereen die in videoproductie werkt, weet dat projecten erg onvoorspelbaar kunnen zijn. Opnamedagen waren buitengewoon intensief. Mensen werkten achttien uur per dag en raakten opgebrand. Tegelijkertijd was dit de activiteit met de laagste marge, terwijl het bedrijf er extreem veel stress en risico door ondervond.

Andere diensten, zoals merkontwikkeling, websiteontwerp en strategie, waren veel winstgevender. Met al die inzichten konden we verschillende zaken doen. Eerst creëerden we een model voor het salesteam, zodat er geen subjectiviteit meer zat in scopebepaling of prijsstelling.

Ze namen de input van de klant, voerden die in een calculator in en kregen een richtinggevend nauwkeurig beeld. Daarna hoefden ze alleen nog op of neer bij te sturen. Een toeslag voor lastige klanten maakte het mogelijk realistische verwachtingen te scheppen voor het projectmanagementteam, dat hier al achter stond.

Het resultaat was dat het bureau eerst met al die problemen kampte en vervolgens met 60 en daarna 90 procent per jaar groeide, terwijl de winstmarge tegelijkertijd met meer dan 500 procent steeg. Waar ik het meest trots op ben, is dat het team aanzienlijk minder avonden en weekenden werkte.

Dit laat zien waarom projectmanagers en operationsmanagers zo belangrijk zijn. Dit is de invloed die je hebt. Bureau-operations gaan in wezen over het nemen van onze aannames over de werkelijkheid en het projecteren daarvan in de toekomst. Het komt neer op twee vragen: hoe betrouwbaar zijn onze aannames over de werkelijkheid en kunnen we data gebruiken om subjectiviteit te verminderen en consistentie te verhogen?

En hoe effectief kunnen we dat vervolgens naar de toekomst projecteren? Naarmate we die twee zaken beter op elkaar afstemmen, kunnen we veel goeds doen voor alle belanghebbenden in ons bedrijf.

Galen Low: Als kort verhaal van mijn kant: ik zat een paar weken geleden aan tafel met mensen uit het hoger onderwijs en met medewerkers van bureaus. We hadden het over tijdregistratie en hoe problematisch die kan zijn. Zij zeiden: jullie registreren je tijd? Dat klinkt geweldig, want nu heb ik geen manier om mijn manager te vertellen dat ik over mijn capaciteit heen zit, behalve anekdotisch.

Zo ontstaat een verhaal dat niet alleen gaat over hoe we iets gaan doen, maar ook over de vraag of we het moeten doen. Moeten we ermee doorgaan als mensen daardoor opbranden en de marge laag blijft? Met die data kunnen we dat gesprek beginnen. Dat vind ik erg interessant.

Ik wil nu naar enkele vragen en antwoorden gaan, want ik zie een aantal goede vragen binnenkomen. Er is een vraag over generatieve AI, data, ethiek en de beveiliging van data. De vraag luidt: als we projectdata in een generatieve-AI-tool invoeren, hoe zorgen we dan voor de beveiliging van die data? Moeten we bijvoorbeeld een tool gebruiken waarvoor het bedrijf waarvoor we werken heeft betaald, of kunnen we iets anders gebruiken?

En waar ligt de ethische grens wanneer we met de beste bedoelingen informatie over mensen verzamelen, zoals werkvoorkeuren, vaardigheidsniveau en hoeveel tijd iemand de vorige keer nodig had voor vergelijkbaar werk?

Grant Hultgren: Er is een marketingbureau waarmee ik heb gewerkt. Wanneer je kijkt naar de invloed van generatieve AI op marketingproductie, bijvoorbeeld blogberichten en berichten voor sociale media, zie je dat steeds vaker. De vraag is dan: is de kwaliteit goed genoeg? Misschien niet, maar de hoeveelheid geproduceerde content neemt wel toe.

Het eerste wat we deden, was bepalen of we open waren over het gebruik ervan en wat dat betekende. Intern moesten we als team bespreken of we dit zouden gebruiken en of we ermee akkoord gingen. Als de kwaliteit goed genoeg was, konden we het in ons voordeel gebruiken als extra hulpmiddel.

Maar vooral wanneer je het namens een klant op de markt brengt, moet je dat interne gesprek voeren. Voor interne data is het veiliger, zolang je ervoor zorgt dat je compliant blijft. Wij voldoen aan SOC- en AVG-vereisten en weten dus dat er beperkingen zijn. We kunnen bepaalde dingen niet doen en sommige data niet met AI gebruiken.

Je kunt data soms anonimiseren, zodat je niet te specifiek wordt en geen namen van bepaalde klanten of vergelijkbare informatie deelt. Voor iedereen in de bureauwereld zou ik zeggen: tenzij je klant expliciet heeft gezegd dat het mag, ga je ervan uit dat het niet mag. Het is het niet waard om de relatie op het spel te zetten.

Er bestaan ook generatieve-AI-tools binnen chatbots en andere toepassingen. Ik keek onlangs naar ClickUp. Sommige klanten gebruiken zulke hulpmiddelen in een fase waarin nog geen details worden ingevoerd. Ze gebruiken de tool om een mogelijke werkwijze te formuleren en passen die vervolgens aan met hun eigen vakmanschap en ervaring.

Daar ligt voor mij een morele grens. Generatieve AI heeft dan alleen het pad geïnformeerd en levert niet de diagnose of exacte vervolgstappen die je rechtstreeks aan een klant presenteert. Het is een ingewikkeld gebied. Het is nog niet opgelost.

Galen Low: Ik vind het goed dat je dit compliance noemt. Er zijn veel hulpmiddelen beschikbaar. Sommige hebben beveiliging als prioriteit, terwijl andere minimale versies zijn die vooral willen ontdekken of er een markt en vraag bestaat.

Grant Hultgren: Absoluut. We zijn ook intern zeer voorzichtig met wat we kunnen en moeten doen. Alleen omdat je de data hebt, betekent dat niet dat je die met deze hulpmiddelen moet delen.

Ann Campea: Ik wil kort ingaan op de ethische grens, omdat we eerder benoemden dat generatieve AI zelf een zekere mate van vooringenomenheid bevat. Je moet dus voorzichtig zijn. Project Management Institute heeft bijvoorbeeld ook een eigen AI-platform ontwikkeld, met broninformatie uit gecontroleerde projectmanagementbronnen.

De ethische grens moet worden bepaald door de manier waarop je de data gebruikt. Je moet uiterst voorzichtig zijn wanneer je data inzet, vooral als die uit een generatieve-AI-bron komt. De data moet je informeren, niet sturen naar een vooraf bepaald doel.

Je moet ook nagaan wat je gevraagd wordt met die data te produceren en of je de ethische grens overschrijdt door data aan te passen om een bepaald doel voor iemand te dienen. Wees daar voorzichtig mee, want soms proberen mensen data voor andere doeleinden te gebruiken die duidelijk over die grens heen gaan.

Galen Low: Ik vind het interessant dat er ook een andere kant van dataverhalen bestaat. Je kunt op zoek zijn naar een hamer terwijl je alleen een spijker hebt.

Er is nog een vraag die hier goed op aansluit: zullen hulpmiddelen in de toekomst rekening kunnen houden met het menselijke aspect en de complexiteit van projecten, of blijft menselijke tussenkomst altijd nodig?

Marcel Petitpas: Ik vind het moeilijk voor te stellen dat dit volledig van begin tot eind geautomatiseerd kan worden. Ik laat me graag van het tegendeel overtuigen, maar ik denk dat we nog vele jaren verwijderd zijn van dat punt.

Kijk bijvoorbeeld naar zelfrijdende auto's. Een decennium geleden spraken we er al over alsof ze werkelijkheid waren, maar we zijn nog steeds ver verwijderd van volledig autonoom rijden. De laatste twee procent is gewoon heel moeilijk.

Daarom hebben we nog steeds boekhouders en accountants, hoewel financiën en QuickBooks al tientallen jaren bestaan. Je kunt 98 procent automatiseren. Zeker met een weloverwogen datastructuur en datapijplijn kun je een zeer efficiënt proces creëren.

Maar een bepaalde mate van beoordeling zal moeilijk door AI kunnen worden vervangen. Zelfs als je datapijplijn volledig geautomatiseerd is, blijft hoge observeerbaarheid belangrijk. Bij ChatGPT en andere generatieve-AI-tools is het vaak een zwarte doos: je geeft een prompt en krijgt een antwoord, maar je weet niet hoe de conclusie tot stand kwam.

Dat is problematisch wanneer je data verandert of beslissingen neemt. Iemand registreert bijvoorbeeld 99 uur in één weekend. Is dat echt gebeurd of stond de timer nog aan? Een ontwerper registreert tijd op projectmanagement. Is dat een fout, is de verkeerde taakcategorie gekozen of heeft die persoon daadwerkelijk projectmanagementwerk gedaan?

AI zal zulke beoordelingsvragen moeilijk consequent en nauwkeurig kunnen beantwoorden. Zelfs wanneer AI aannames maakt, willen we waarschijnlijk een mens die de uitzonderingsgevallen controleert en nagaat of de uitkomst overeenkomt met de werkelijkheid.

Grant Hultgren: Ik ben het daarmee eens. Mijn favoriete meme is: ik dacht dat AI me zou helpen de afwas te doen, niet kunst te maken. Laten we dus beginnen met taken automatiseren en ons helpen met aanwijzingen. Bijvoorbeeld: je hebt deze taak toegevoegd; moet je misschien meer tijd voor Marcel op dit project reserveren?

Dat is een goede aanwijzing. Laten we eerst efficiëntie creëren. AI kan daar vervolgens van leren en zijn modellen verbeteren. Maar ik zou AI nu niet vertrouwen om een bedrijf te runnen. Hoe voorspel je COVID of de gevolgen ervan? Grote gebeurtenissen kunnen een model volledig veranderen.

Er zijn ook gebeurtenissen op projectniveau die vragen oproepen. Moeten we tijd afboeken omdat we inefficiënt waren, of moeten we die factureren omdat het onderdeel was van de financiële afspraak en het project er beter van werd? Dat zijn moeilijke beoordelingen tussen menselijke relaties en financiële waarde.

Galen Low: Ik vind het idee van een mens aan het stuur goed. Stel dat je advies krijgt van een generatieve-AI-tool die zegt: wil je Tony echt op dat project? Tony werkt langzaam. Sergio is beschikbaar en werkt snel. Tony krijgt steeds minder werk en er is geen ontwikkelplan, terwijl Sergio al het werk krijgt. Is dat een gebied waarin we willen dat de tool ons adviseert?

Marcel Petitpas: Als CEO zie ik dit als beslissingen en gesprekken die bij ons werk als leidinggevenden horen. De vraag is dus: welk denkproces, welke waarden, normen en besluitvormingsprocessen liggen eraan ten grondslag?

Als je data en generatieve AI gebruikt om dat proces te ondersteunen, kan daar veel goeds uit voortkomen. Meer objectiviteit is waardevol, want het kan moeilijk zijn om een gesprek in te gaan wanneer je door emoties wordt vertroebeld.

Je moet wel duidelijke grenzen instellen en goed nadenken over de implementatie en het onderhoud van het systeem. Het kan een hefboom worden die je ervan weerhoudt een emotionele beslissing te nemen die niet verstandig is, of je juist helpt een moeilijke beslissing te nemen die in het belang van de organisatie is. Dat is onderdeel van je fiduciaire verantwoordelijkheid als leidinggevende.

Grant Hultgren: Mensen nemen geen ontslag bij hun baan; ze nemen ontslag bij hun manager. Als je technologie gebruikt om mensen uit te buiten, hoop ik dat je hele team vertrekt. Dat is niet de bedoeling.

Voor elke Tony is er hopelijk een Ann die uitblinkt, junior is en zo'n sterke groeicurve laat zien dat we haar op meer projecten willen inzetten. Maar wel op de juiste projecten. Hoe maken we leren mogelijk, zodat mensen voldoening vinden?

Er zijn momenten waarop bedrijven het moeilijk hebben zonder dat dit de schuld is van sales of delivery. We moeten dat in balans brengen met onze intenties en waarden. Dan willen mensen hopelijk voor ons werken omdat we eerlijk kunnen oordelen.

Ann Campea: Generatieve AI is er om met ons samen te werken en ons te informeren. Niet om ons als mensen te sturen.

Ik vind het goed dat het Project Management Institute altijd uitgaat van mensen in de lus. Wanneer je met generatieve AI werkt, moet er altijd een mens zijn die controleert. Ik heb deze vraag overigens aan generatieve AI voorgelegd. Er kwamen twee punten uit die ik waardevol vind: generatieve AI kan het saaie werk overnemen, zodat mensen zich kunnen richten op creatief en betekenisvol werk.

Daarnaast zijn de kenmerken van goed leiderschap veranderd. Leiderschap gaat tegenwoordig meer over empathisch begeleiden dan over managen. En machines kunnen je geen knuffel geven of begrijpen dat je een slechte dag hebt zoals een echt persoon dat kan.

Galen Low: Goed getrainde AI. Ik denk dat we nog tijd hebben voor één vraag. De vraag gaat over het verzamelen en presenteren van data als een bandbreedte in plaats van als een absolute waarde. Kan dat sommige menselijke factoren beperken?

Als we zeggen dat iets niet precies is maar een bereik vormt, kan dat dan het misverstand over onplanbare factoren verminderen?

Marcel Petitpas: Dit is een perfect voorbeeld van precisie tegenover nauwkeurigheid. Stel dat je vraagt wat voor weer het vandaag wordt. Ik kan zeggen dat het 24,7 graden wordt, of dat het vandaag tussen 22 en 26 graden wordt. Het tweede antwoord is minder precies, maar nauwkeuriger voor die vraag.

Over het algemeen geldt: hoe hoger je in een organisatie komt, hoe meer onzekerheid en hoe minder perfectie je in de data aantreft. Je neemt beslissingen op basis van waarschijnlijkheden. Bereiken zijn dan een veel betere manier om het gesprek te voeren, omdat ze beter aansluiten bij de werkelijkheid.

Ik vind het een goed idee en we gebruiken het bij Parakeeto steeds vaker om bepaalde datapunten te bespreken en besluitvorming te ondersteunen. De vraag is: voelt dit als een nauwkeuriger model voor wat we bespreken? Als dat zo is, is het verstandig om het te proberen en te kijken hoe het gesprek daardoor verandert.

Galen Low: Geweldig.

Grant Hultgren: Probeer maar eens vier weken vooruit een nauwkeurige voorspelling van je werk te onderhouden en kijk wat het verschil is. Zelfs drie tot zes maanden vooruit is het beeld drastisch anders dan je verwachtte.

Het bereik is cruciaal om de pieken en dalen te begrijpen. Ik gebruikte dat als datapunt om te bepalen welke klanten ik wilde aannemen, welke ik wilde afstoten en welk werk wel of niet zou passen. Dat is belangrijk om richting te geven aan het leiderschap en aan de dagelijkse werkzaamheden.

Galen Low: Inderdaad. Je kunt niet met te veel precisie plannen.

Geweldig. Daarmee zijn we aan het einde gekomen. Grant, Marcel en Ann, heel erg bedankt dat jullie tijd hebben vrijgemaakt en vandaag bij ons waren.

Zoals altijd: als je wilt deelnemen aan het gesprek met meer dan duizend gelijkgestemde kampioenen op het gebied van projectmanagement, sluit je dan aan bij onze community. Ga naar thedigitalprojectmanager.com/membership voor meer informatie. En als je vandaag iets interessants hebt gehoord, abonneer je dan en blijf op de hoogte via thedigitalprojectmanager.com. Tot de volgende keer, bedankt voor het luisteren.