De Meeste Datakansen Liggen bij het Mkb

Een medestudent zei ooit tegen mij:

“Waarom zou je na je studie focussen op het mkb? Advies geven aan corporaties is effectiever, omdat zij minder overtuiging nodig hebben en de middelen hebben om het door te voeren.”

Juist dát is voor mij de reden om wel voor het mkb te kiezen. Wanneer kleinere bedrijven meer datagedreven willen worden, lopen ze tegen specifieke knelpunten aan, en waar knelpunten ontstaan, liggen kansen.

Waarom het mkb meer aandacht moet krijgen

Het mkb vormt de economische ruggengraat: ongeveer 60% van het Nederlandse bbp komt van deze bedrijven en in de EU behoort meer dan 99,8% van alle ondernemingen tot deze categorie¹. Het gaat hierbij om organisaties met minder dan 250 medewerkers.

Toch blijft hun datavolwassenheid ver achter ten opzichte van grote bedrijven. In Nederland was in 2024 slechts circa 12% van het mkb volledig datagedreven in hun besluitvorming, terwijl grote corporaties al richting de 40% tot 60% gaan². Dat staat in scherp contrast met de ambities: zo’n 70% van de mkb’s zegt datagedreven te willen werken, en 95% gelooft dat het kansen biedt. Dat roept de vraag op waarom de ambitie zoveel groter is dan de realiteit en wat er nodig is om deze kloof te verkleinen.

Structurele Problemen

De wetenschappelijke kenniskloof tussen klein en groot

Binnen het mkb ontbreekt vaak de aansluiting met wetenschappelijke literatuur en een meer wetenschappelijke manier van denken. Een andere medestudent zei tijdens een discussie over onze carrièrepaden het volgende:

“Je kunt na je studie beter bij een grote consultancy beginnen. Ons wetenschappelijk onderwijs is nu eenmaal meer op grote bedrijven gericht.”

Door deze veelvoorkomende gedachtengang kiezen veel WO-afgestudeerden ervoor om te beginnen (en te blijven) bij grote consultancybureaus die advies geven aan corporaties, vaak door aantrekkelijkere salarissen, een bekender bedrijf op je cv en door sterkere campusrecruitment van deze bedrijven.

Dat is op zichzelf niet verkeerd, maar het heeft wel als gevolg dat wetenschappelijke kennis minder snel de advieskant voor mkb’s bereikt³. Hierdoor moeten mkb’s vooral vertrouwen op hun eigen ervaring, terwijl corporaties ook kunnen leunen op relevante literatuur, gespecialiseerde teams en externe experts.

Overtuigingsparadox

Er is voldoende overtuiging nodig voordat een bestuurder besluit om initiatief te nemen op het gebied van data. Hier ontstaat een duidelijke paradox. Bestuurders willen namelijk eerst bewijs zien dat datagedreven werken rendeert voordat ze investeren. Dat bewijs is soms zichtbaar bij concurrenten, maar het werkelijke rendement binnen de eigen organisatie wordt pas duidelijk wanneer experts of consultants de onderliggende datakansen blootleggen. Die expertise kost echter geld, waardoor de drempel om te starten hoog blijft.

Geen inhouse data-expertise

Uit onderzoek van de KvK blijkt dat 46% van de mkb-bedrijven geen medewerkers heeft die waarde kunnen creëren met data, terwijl slechts 7% aangeeft alle benodigde data-expertise in huis te hebben⁴.

Mkb-bedrijven bevinden zich hierbij vaak in een grijs gebied. Ze zijn namelijk te klein om alle data-expertise in huis te hebben, maar ze zijn te groot om helemaal niks met data te doen.

De roze bril door de AI-hype

Door de huidige AI-hype willen veel mkb’s snel starten met AI-toepassingen, waardoor een belangrijke tussenstap soms wordt overgeslagen. De interne data, systemen en processen zijn vaak nog niet op een niveau waarop AI optimaal kan worden ingezet. Dat is relevant, omdat AI in de kern draait op de kwaliteit van de bedrijfsdata. Zonder een betrouwbare en goed gestructureerde datagrondslag wordt het lastiger om er systematisch waarde uit te halen.

Waarom traditionele consultancy niet aansluit bij het mkb

Kostenstructuur en time-to-value

Mkb-bedrijven werken met korte investeringshorizonnen en moeten snel kunnen schakelen, terwijl een gemiddeld consultancytraject drie tot twaalf maanden kan duren. Een halfjaarproject met één dag per week inzet à honderd tot honderdtwintig euro per uur tikt namelijk al snel hoge bedragen aan.

Voor mkb’s is dat problematisch: projecten moeten binnen weken waarde opleveren, niet pas na maanden. In een dynamische omgeving maakt zo’n langdurige en kostbare samenwerking het risico simpelweg te groot. Daarbovenop komt dat expertise duur is. Zelfs wanneer de ROI positief zou kunnen uitvallen, zet de hoge initiële investering het werkkapitaal van veel mkb’s onder druk. En omdat zij niet over het budget beschikken om alle benodigde skills intern op te bouwen, laat staan een compleet datateam te vormen, blijven traditionele consultancystructuren vaak buiten bereik.

Een andere manier van adviseren

Methoden die goed werken bij corporaties, zijn niet 1-op-1 toe te passen bij het mkb. Zoals de tweede quote in dit artikel besprak, is het zeker mogelijk om van de corporate consultancy-industrie over te stappen naar mkb-consultancy, maar het is net een andere manier van advies geven. Uit gesprekken met klanten blijkt namelijk dat zij zelden op zoek zijn naar afstandelijk of theoretisch advies. Veel liever werken zij samen met iemand die hun situatie begrijpt en de vertaalslag maakt naar daadwerkelijk uitvoerbare oplossingen. Daarnaast zijn veel mkb-besluitvormers allergisch voor corporate jargon en een betweterige houding. De toegevoegde waarde zit niet in “vertellen hoe het moet”, maar in gelijkwaardige samenwerking en praktisch meedenken.

Implementatie blijft achter

Advies is slechts de eerste stap, implementatie bepaalt de echte waarde. Waar bij grote organisaties strategie en uitvoering vaak via aparte teams verlopen, moet in het mkb advies vrijwel direct doorvertaald worden naar concrete actie. Zonder inzicht in welke rollen daadwerkelijk nodig zijn, zoals data-engineers, architecten of analisten, blijft de implementatie de bottleneck, zelfs als het advies goed is.

Plan van aanpak

Mijn plan van aanpak richt zich op drie elementen: datakennis toegankelijk maken, datakansen zichtbaar maken en dataprojecten uitvoerbaar maken voor het mkb.

Datakennis toegankelijk maken

Het mkb mist vaak toegang tot relevante wetenschappelijke inzichten. Ik wil deze kloof verkleinen door:

• actuele wetenschappelijke kennis te delen via deze nieuwsbrief;

• frameworks te ontwikkelen en vrij beschikbaar te maken;

• academische literatuur te vertalen naar concrete inzichten die direct toepasbaar zijn in de mkb-context.

Hiermee wordt kennis die normaal gesproken binnen corporaties of universiteiten blijft, beschikbaar gemaakt voor mkb’s. Dit helpt ondernemers beter geïnformeerd beslissingen te nemen over datagedreven werken.

Datakansen zichtbaar maken

Veel mkb’s weten niet waar hun datakansen liggen of welke stappen haalbaar zijn. Daarom bied ik gratis strategieconsultaties aan. In deze gesprekken brengen we samen groeikansen in kaart, zonder kosten of verplichtingen. Dit verlaagt de drempel om überhaupt actie te ondernemen. Belangrijk is dat het eerste project vervolgens een sterke time-to-value heeft. Zo ontstaat momentum en groeit het vertrouwen om vervolgstappen te zetten.

Dataprojecten uitvoerbaar maken

Als kansen eenmaal zichtbaar zijn geworden, is het van belang om te kijken welke kansen de moeite waard zijn en wat als eerste aangepakt wordt binnen een bedrijf. Omdat ik zelf verantwoordelijk ben voor zowel strategieformulering als implementatie van dit soort projecten, kan ik vanuit ervaring inschatten of een project haalbaar is en waarde toevoegt.

Er zijn veel factoren die invloed hebben op de haalbaarheid van een project. Een van de belangrijkste is of het dataproject aansluit op de algehele strategie van het bedrijf en dat er voldoende inspraak is van de eindgebruikers van een project. Een initiatief moet dus niet alleen waarde toevoegen op organisatieniveau, maar ook op individueel niveau. Daarnaast moet een project een duidelijk doel hebben met een kop en een staart. Zo’n project moet niet een te grote scope hebben, omdat dat vaak een negatieve invloed heeft op de effectiviteit. Het is dan beter een groot project op te splitsen in behapbare, losstaande projecten.

Deze inzichten zijn mede gebaseerd op mijn eerste wetenschappelijke artikel over wat de eigenschappen zijn van data-initiatieven die het meest effectief zijn voor mkb’s om datagedreven te worden. Hierbij heb ik 37 CTO’s, CEO’s en COO’s gevraagd om een uitgebreide vragenlijst in te vullen over hun ervaringen met data-initiatieven. Voordat ik heb achterhaald wat wel werkt, heb ik ook een literatuuronderzoek gedaan naar wat de meest voorkomende valkuilen zijn. Het volledige onderzoek beslaat zo’n 90 pagina’s, vandaar dat ik heb besloten de belangrijkste inzichten overzichtelijk samen te vatten in het eerstvolgende artikel in deze nieuwsbrief.