Data analyse en science informatie structuur

Data-Analist inkoop in opmars

Inkoopdata-analisten hebben de toekomst. Dat blijkt onder andere uit het artikel over de Delphi-studie van Vincent DeIke (‘6 nieuwe roIlen voor inkoop 4.0’ in Deal nummer 2 van dit jaar, Universiteit Twente). Uit zijn onderzoek blijkt dat data-analist het meest genoemd wordt als nieuwe inkooprol. Inmiddels heeft 40 procent van de organisaties die deelnamen aan het onderzoek deze rol al geadopteerd. Binnen vijftien jaar zou dit boven de 70 procent liggen. Wij denken dat het nog sneller zaI gaan.

Eerste publicatie artikel: Deal november 2022 (Nevi)
Auteurs: Rob van Coevering & Olivier van Hassel – Zuiver Analytics; Gert Walhof kennispartner E-proQure

Het nieuwe goud

Deze ontwikkeIing is namelijk niet vreemd. De hoeveelheid beschikbare data blijft groeien. Vaak wordt inkoopdata het nieuwe goud (zie ook link) genoemd, ook als het gaat om het ontwikkelen en sturen van inkoop in organisaties. Maar dat nieuwe goud moet wel worden gedolven, en dat lukt alleen als het inkoopteam kan beschikken over kwaliteiten op het gebied van data-analyse. In Delke’s onderzoek wordt de verwachting uitgesproken dat grote bedrijven opgeleide data-analisten aan het inkoopteam zullen toevoegen. Middelgrote en kleinere bedrijven willen inkopers gaan bijscholen op deze skills. Ondertussen zijn wij vooral geïnteresseerd in wat er nu al van inkopers wordt gevraagd aan opleiding en vaardigheden qua data-analyse.

Analyse inkoopvacatures m.b.v. AI

Met behulp van state-of-the-art datatechnologie zijn we daarom op zoek gegaan naar actuele inkoopvacatures. Niet door te googelen en handmatig te analyseren, maar door middels van webdata-extractie. De data komen van populaire vacaturesites als Indeed, LinkedIn, Werken bij de overheid en de Nationale vacaturebank. We gebruikten verschillende combinaties van zoektermen in zowel het Nederlands als het Engels en de woorden ‘inkoop’ en ‘analyse’ moesten minimaaI één keer voorkomen ln de vacatureteksten. De data-extracties zijn uitgevoerd in mei en juli 2022. Na opschonen leverde dit in totaal 155 vacatures op: een solide basis voor analyse.

Skilldataset

Het bestand met vacatures moesten we wel voorzien van een categorie en een sector. Dat was gewoon handwerk. Om geen problemen te krijgen met verschillende talen, zijn alle teksten vertaald naar het Engels. Dat deed de computer voor ons. Daarnaast is een skilldataset gecreëerd met daarin veel voorkomende vacaturetermen van inkoopfuncties en data-analysefuncties. In totaal bevat deze lijst 277 termen.

Kunstmatige intelligentie

De 277 termen hebben we onderverdeeld in twee groepen: data-gerelateerde vacaturetermen (161) en inkoop-gerelateerde skills (116). Er is gekwantificeerd hoe belangrijk een term is voor een vacature in de dataset, Denk aan het woord ‘procurement’. Dit is waarschijnlijk nietszeggend omdat het in bijna iedere vacature zal voorkomen (lage score). ‘Kunstmatige intelligentie’ zaI veeI minder voorkomen en daardoor meer zeggen over het soort vacature (hoge score). Daarna zijn de teksten van de vacatures geanalyseerd op basis van deze twee labels.

3 categorieën

Op basis van de data- en inkoop-gerelateerde vacaturetermen zijn drie categorieën ontstaan:

1. Traditionele inkoop
In deze groep vacatures worden kennis en vaardigheden op het gebied van data-analyse bijna niet gevraagd. Wij zagen beschrijvingen van traditionele inkoop(management)functies waarbij onderhandelingsvaardigheden of talenkennis worden gevraagd. Ook het kunnen uitzetten van tenders komt veel voor. Qua data moet veelal onderzoek naar trends in aanbod van marktdata gedaan worden. In totaal gaat het in deze categorie om 51 vacatures.

2. Digitate hulpmiddelen
In deze categorie vonden we 54 vacatures. Hier worden meer analysecompetenties gevraagd dan bij traditionele inkoop. Primair gaat het om analisten die ook kennis en ervaring hebben als inkoper of manager. Ervaring in het gebruik van ERP/P2P-systemen zoals SAP en/of Zycus en een brede kennis van het P2P-proces komen veel voor. Ook moeten ze kunnen omgaan met een business intelligence tools zoals Power BI, en stuurinformatie verzamelen en analyseren die is gekoppeld aan KPI’s.

3. Datagedreven

In deze vacatures is data-analyse het vertrekpunt. In de vijftig vacatures die wij vonden, wordt vooral gevraagd procurement-/businessanalisten en enkele keren naar 
data-analisten of scientisten. Zij moeten natuurlijk ervaring hebben met tools zoals PowerBI en Tableau en beschikken over kennis van databases (SQL), zodat ze hier direct data uit kunnen halen. Werkzaamheden bestaan onder andere uit forecasting en het uitvoeren van verschillende statistische analyses op basis van vragen van Inkoop. Soms wordt ook gevraagd naar meer geavanceerde analysetechnieken, zoals machine-learning. Hiervoor wordt ook kennis gevraagd van programmeertalen zoals Python en/of R.

[Lees hier meer over de populariteit van Python]

DATA-ANALIST VS DATA-SCIENTIST

Een data-analist maakt gebruik van bestaande gegevens. Een data-scientist werkt aan nieuwe manieren om gegevens vast te leggen en te analyseren die door analisten kunnen worden gebruikt.
De data-analist is meer gericht op het analyseren en visualiseren van historische data en het opleveren van rapportages. De data-scientist houdt zich meer bezig met het maken van rekenmodellen, statistiek en computerprogrammering.
In de praktijk zien we dat deze scheidslijn vervaagt. Een data-scientist moet in de praktijk ook data-analyseopdrachten uit kunnen voeren. De data-analist leert ook data science-technieken toe te passen. Een gezonde en natuurlijke ontwikkeling.

Verdeling naar omvang

We koppelden deze categorieën aan de omvang van de organisaties op basis van het aantal medewerkers (zie figuur 1). Van twintig organisaties konden we de omvang niet vaststellen, deze zijn daarom buiten de beoordeling gelaten.

Vervolgens hebben we alle organisaties waarvan we vacatures vonden, ook ingedeeld naar bedrijven en overheden (zie figuur 2). 

Dit is de eerste keer is dat we op deze manier zochten naar de data-analist in inkoopfuncties. Daardoor kunnen we de resultaten nog niet vergelijken met een eerdere meting. Op basis van de indeling in vacaturetermen gerelateerd aan inkoop- en datagedreven konden we de vacatures in drie categorieën indelen. In twee worden de nodige data-analysekwaliteiten verwacht. De categorie ‘digitale hulpmiddelen’ kenschetsen wij als de moderne inkoper, die het belang van data onderkent en in staat is uit verschillende databronnen met analyse-tools gegevens te verzamelen, samen te brengen en te analyseren.

Hogere Adoptiesnelheid

In de categorie ‘datagedreven’ zien we vooral als data-analist of data scientist opgeleide mensen die in inkoop komen te werken. We constateren dat nu dat bij 67 procent van de inkoopvacatures data-analysekennis en -vaardigheden worden gevraagd: de optelsom van het aantal vacatures in de categorieën digitale hulpmiddelen en datagedreven. Dat percentage ligt ruim boven het percentage uit de Delphi-studie van Delke. Het kan een aanwijzing zijn dat de adoptie van de data-analist in inkoop nu al een hogere snelheid heeft. Het is ook een aanwijzing dat inkopers die nu carrière maken echt moeten kijken naar hun dataskills en deze actief moeten gaan ontwikkelen. Inkoopopleidingen kunnen daarbij helpen door het onderwerp een duidelijke plaats te geven in de programma’s.

"Inkopers die nu carrière willen maken moeten echt kijken naar hun dataskills en die actief ontwikkelen"

Traditionele overheid

Opvallend is dat als we overheden en bedrijven uitsplitsen, overheden vooral op zoek zijn naar wat wij traditionele inkopers hebben genoemd. Uiteraard moeten ook zij ook gegevens verzamelen en analyseren, dat hebben ze altijd al moeten doen. Maar ze doen dit op de traditionele manier waarbij vaste rapporten uit systemen en Excel de belangrijkste hulpmiddelen zijn. De oorzaak hiervan kunnen we niet uit onze analyse halen. We weten dat overheden in andere organisatiefunctles de nodige kennis hebben over data-analyse en de inzet van nieuwe technologieën. Gaat dit tot nu toe aan inkoop voorbij? Of is de organisatievorm zodanig dat inkoop voor data-analyse moet aankloppen bij een stafdienst business intelligence?

Data-analist onderkennen

Inkoop staat niet bekend als bedrijfsfunctie waar nieuwe technologieën snel worden geadopteerd. Er zijn echter genoeg voorbeelden dat inkooptechnologie kan helpen bij het verzamelen van actuele informatie en het analyseren hiervan over bijvoorbeeld markten, prijsfluctuaties en disrupties in supply chains. Veranderen blijft lastig. De weg naar inkoop 4.0 is niet geplaveid. VeeI moet nog ontdekt worden. Het onderkennen van de rol van inkoopdata-analist en die rol opnemen in het inkoopteam is een belangrijk onderdeel van de reis.

Waarde creëren uit data

Het adopteren van nieuwe technologieën is ook bij inkoop een van de grootste managementuitdagingen. Mensen kunnen immers maar een beperkt aantal veranderingen in processen en technologie tegelijkertijd aan. Inkoop is een essentiële organisatiefunctie. Als deze hapert of niet voldoet aan de eisen van de business, dan kan dat grote gevolgen hebben. De inkoop- data-analist speelt een belangrijke rol bij het realiseren van business succes. Veel moet nog geleerd worden. Daarom is het zaak zo snel mogelijk te starten met de leerweg om waarde uit data te creëren

Over de auteur

Scroll naar boven