Hoe mkb's groter groeien met kleinere data-projecten

Een transformatie naar een datagedreven organisatie voelt al snel overweldigend. Data-infrastructuur verbeteren, betere bronnen aansluiten, dashboards bouwen, forecasts maken, automatiseringen opzetten.

De wensenlijst lijkt eindeloos. Voor mkb’s die te groot zijn om data te negeren, maar te klein voor een eigen datateam, is dat extra voelbaar.

De ambitie mag groot zijn. De implementatie niet.

Wie zegt dat?

Eigen bevindingen

Tijdens mijn masterscriptie onderzocht ik welke eigenschappen van data-initiatieven invloed hebben op de uiteindelijk gecreëerde waarde, op basis van gesprekken met 37 CTO's en COO's. Twee factoren sprongen eruit: benodigde middelen en complexiteit vertoonden beide een significant negatieve relatie met de ervaren waarde van de uitkomst. Meer benodigde middelen en meer complexiteit leveren dus niet evenredig meer op, eerder minder.

Andere wetenschappelijke artikelen

De wetenschappelijke literatuur bevestigt dat beeld. Meerdere studies laten een sterke negatieve correlatie zien tussen projectgrootte en faalpercentages, specifiek in IT en informatiesystemen¹. Kleinere projecten scoren structureel beter op succeskans, risicobeheer en innovatie². Daar komt nog bij dat kleinere projecten ook helpen bij reputatieopbouw van de transformatie. Een klein succesvol project creëert intern vertrouwen en maakt het volgende project makkelijker te verkopen.

Consultancies

BCG heeft in 2024 meer dan duizend bedrijven onderzocht en concludeerde dat twee derde van de grote tech-programma’s niet op tijd, binnen budget of binnen de geplande scope wordt opgeleverd³. Dat beeld is al tien jaar onveranderd. BCG adviseert daarom om met een incrementele roadmap te werken waarbij elke stap direct meetbare waarde oplevert.

Waarom gaat het soms mis?

Verkeerde aanleiding

Data-initiatieven ontstaan vaak vanuit een trigger. Een boardmember ziet een demo van een AI-systeem, een concurrent lanceert iets nieuws, en ineens staat data hoog op de agenda. Dat enthousiasme is waardevol; het is vaak de reden dat er überhaupt iets van de grond komt. Maar wie meteen het meest ambitieuze project wil implementeren, loopt vaak vast. Een geavanceerd AI-systeem heeft weinig waarde als de onderliggende data nog niet op orde is.

Scope creep

Grote projecten groeien. Wat begint als een overzichtelijk initiatief, trekt al snel nieuwe wensen aan.

Neem een sales-forecastingsysteem: al tijdens de bouw wil de salesmanager er ook klantdata in, finance wil koppeling met de begroting, en de directeur wil een live dashboard. Elke toevoeging voelt logisch, maar samen maken ze het project trager, duurder en kwetsbaarder. Voor je het weet is de oorspronkelijke opleverdatum ver weg en is niemand meer zeker van wat er precies gebouwd wordt.

Stakeholder management

Hoe groter het project, hoe meer betrokkenen, hoe meer afstemming.

Bij IT- en dataprojecten zit de meeste tijdsinvestering vaak niet in het bouwen, maar in het organiseren. Neem een dashboard voor de salesafdeling. De technische bouw kost een week, maar het afstemmen van de juiste metrics met sales, finance en management kan meerdere weken duren. Kleinere projecten met een duidelijke scope houden het aantal betrokkenen beperkt en de besluitvorming snel.

Gewenning

Technologie invoeren gaat vaak sneller dan mensen meegaan. Afdelingen moeten wennen aan nieuwe werkwijzen, en dat kost tijd, soms meer dan de bouw zelf. Een groot systeem dat in één keer live gaat, geeft niemand de ruimte om bij te benen. Kleinere stappen wel.

Wat te doen?

Opdelen

Grote initiatieven worden beheersbaar als je ze opdeelt in sub-projecten die elk een eigen kop en staart hebben. Een sales-forecastingsysteem kun je bijvoorbeeld opdelen in: (1) salesdata centraliseren, (2) die data koppelen aan andere bronnen voor feature engineering, (3) een ML-model trainen op alles. Stap één levert al direct waarde voor het salesteam, terwijl je verder werkt aan stap twee. Bovendien kunnen herbruikbare bouwstenen later ingezet worden bij andere projecten.

MEP (Minimal Evolvable Product)

Je rijdt ook niet weg in de zesde versnelling. Je start in de eerste versnelling, maar zorgt er wel voor dat je kunt opschakelen. Bij data-initiatieven werkt het hetzelfde. Je start namelijk met een project dat zijn kerndoel behaalt en duidelijk waarde levert, maar dat je vanaf het begin zo ontwerpt dat uitbreiden mogelijk is.

Dat is de MEP: het Minimum Evolvable Product. Waar een MVP valideert of iets werkt, richt een MEP zich op directe waarde én toekomstige schaalbaarheid.

Bijsturen

Kleiner beginnen is een ontwerpkeuze die de kans op succes vergroot, vertrouwen opbouwt en de weg vrijmaakt voor wat daarna komt.

Want elk afgerond project legt kansen bloot die eerder niet zichtbaar waren. Soms is dat lineair: de gecentraliseerde salesdata van vandaag maakt het forecastmodel van volgend kwartaal mogelijk. Dat noem ik een in-line kans. Soms is het verrassender: twee afzonderlijke projecten blijken onverwacht synergie te hebben, en samen openen ze een deur die je niet had zien aankomen. Dat is een cross-over kans.

Uiteindelijk wordt het verschil niet gemaakt door één groot en ambitieus project, maar door het vermogen om momentum op te bouwen.