Bouw in één dag een gekoppeld managementdashboard

Waarom is het zo moeilijk om basale bedrijfsmetrics te monitoren?

In deze blog geef ik een tutorial over hoe in één dag een webgebaseerd bedrijfsdashboard gebouwd kan worden. Gekoppelde en inzichtelijke metrics zijn geen luxe meer, maar een noodzaak voor managementteams om om te gaan met de enorme impact die AI gaat hebben op elk bedrijfs- en operatingmodel.

Zoals Warren Buffett zei:

"In de zakenwereld is de achteruitkijkspiegel altijd helderder dan de voorruit."

Dit citaat zou kunnen worden opgevat als de constatering dat het eenvoudiger is om terug te kijken en fouten te bekritiseren met de kennis van nu. Wie echter de aanpak van Buffett kent en zijn vertrouwen op historische data en strategische vooruitziendheid, zal eerder concluderen dat hij data uit het verleden ziet als basis voor betere toekomstige beslissingen.

Elk bedrijf of team dat vooruitgang wil boeken, heeft dashboards nodig met regelmatig bijgewerkte informatie.

De echte kracht zit in het combineren van verschillende databronnen om zinvolle interpretatie mogelijk te maken. Bijvoorbeeld:

Inzicht krijgen in omzet en cost-to-company om prestaties en brutowinst te volgen.

Maandelijkse rapportagemetrics voor investeerders standaardiseren, zoals de ontwikkeling van de EBIT en de voortgang van strategische initiatieven.

Productprestatiemetrics zoals CoA en CLA monitoren.

Heeft men het opgegeven om bedrijfsdashboards te bouwen die vrijwel in realtime meerdere datasystemen met elkaar verbinden? Het is eerlijk om te zeggen dat Power BI en vergelijkbare tools hun beloften niet volledig hebben ingelost. Het probleem was niet (alleen) dat ze niet open genoeg waren, maar dat de benodigde databronnen vaak ontoegankelijk waren.

De eerste stap is het in kaart brengen van de relevante metrics. Afhankelijk van het type bedrijf, bijvoorbeeld een agency of een productbedrijf, komen er andere metrics in beeld. In het dashboard worden de metrics gecategoriseerd in disciplines zoals finance, sales, marketing en operations. Enkele voorbeelden van metrics die voor elk bedrijf relevant zijn:

In een ideale wereld zou er een geautomatiseerde dataverbinding bestaan tussen de brondata en de Google Sheet. Dat gaat niet gebeuren. Voor elke metric worden de databron en de mogelijkheden om te koppelen met een extern systeem in kaart gebracht. Wanneer ik dashboards bouw, vul ik het dashboard meestal met 100% handmatige invoer, puur om te controleren of het toont wat ik zoek. Zodra er inzicht is in de databronnen, kan het koppelen beginnen.

Over het algemeen kan automatisering met deze tools minstens 80% van het ideale dashboard bereiken:

Stap 1: Begin bij het einde

We beginnen bij wat de gebruikers willen zien en werken van daaruit verder. Er wordt een Google Sheet aangemaakt en gekoppeld. De Google Sheet fungeert als database. Elke “groep” data krijgt een eigen tabblad in de Google Sheet. Dat geeft meer controle over een correcte presentatie van de data.

Met de eerder in deze blog voorgestelde lijst met metrics kan al een informatief dashboard worden opgezet. Het managementdashboard van Eli5 heeft ruim 20 bronnen en bewaakt de status en de gezondheid van de organisatie. Elke groep datapunten, zoals te zien op de afbeelding rechts, staat in een tabblad in de Google Sheet. In feite zijn er vier relatief eenvoudige manieren om data te verzamelen:

Rechtstreeks via de Google Connectors. Bijvoorbeeld: data uit Google Analytics kan direct in het dashboard worden gebruikt

Integraties via Zapier. Veel platformen kunnen met Zapier communiceren, waardoor data via Zapier naar de Google Sheet kan worden gehaald.

API rechtstreeks naar Sheets. Via de functie Import data (‘=Import data’) kan data rechtstreeks vanuit een API in een sheet worden geïmporteerd.

Via handmatige exports/imports en handmatige invoer. Sommige (legacy)systemen laten zich simpelweg niet koppelen en dan is er geen andere optie dan data te exporteren en handmatig in het datatabblad te importeren

Stap 2: Datastructuur

Elk datapunt hoort een eigen kop te hebben, de naam in de eerste rij van de sheet. In dit eenvoudige voorbeeld wordt elke maand het aantal volgers op onze LinkedIn-pagina's gescrapet.

Wanneer dit tabblad in Looker Studio wordt geladen. Er kan een ‘score card’ worden aangemaakt die het meest recente datapunt kan tonen, samen met een procentuele verandering op basis van het vorige datapunt.

Stap 3: Verbinden met een externe bron via Zapier

Eli5 gebruikt Pipedrive als CRM. Stel dat we de waarde van de deal funnel en het aantal ingeplande meetings uit Pipedrive willen halen. Daarvoor kunnen we gebruikmaken van de bestaande connector tussen Pipedrive en Zapier. Door via Zapier in te loggen op Pipedrive wordt het mogelijk om te selecteren welke gegevens worden opgehaald. Via een (nachtelijke) trigger worden deze data elke dag naar de Google Sheet gestuurd.

De uitdaging hierbij is het bijwerken van bestaande data. Omdat er in Zapier geen functie is die dat op een goede manier doet, is de beste beschikbare optie om alle data in de sheet te wissen voordat de bijgewerkte data worden weggeschreven. Deze ‘clear’-functie moet in de Google Sheet zelf worden opgenomen. Nu komt GPT goed van pas.

Stap 4: Custom scripts met behulp van GPT

Stel dat het team, zoals zovelen, niet bekend is met Gscript, de scripttaal van Google Sheets. GPT kan het script eenvoudig schrijven door simpelweg te vragen: “schrijf een gscript dat alle rijen van een sheet wist.”. Een deel van het resultaat:

Dit alleen even kopiëren naar het menu [extensies] -> [app scripts] en opslaan. Klaar.

GPT is behulpzaam en gedetailleerd op vrijwel alles wat met dashboarding te maken heeft. Van instellingen in Zapier en het schrijven van gscripts tot en met Looker Studio. Het weet er goed de weg.

Stap 5: Maak het dashboard mooi

Zodra de data gestructureerd zijn, kan Looker Studio worden gebruikt om een dashboard in de eigen huisstijl te bouwen met belangrijke metrics, grafieken en inzichten. Hoewel Looker Studio niet zo designvriendelijk is als Figma, biedt het uitgebreide mogelijkheden voor maatwerk.

Ons managementdashboard bij Eli5 integreert meer dan 20 databronnen om de gezondheid van het bedrijf te monitoren. Naarmate bedrijven groeien, worden dashboardarchitecturen complexer, maar de basisprincipes blijven hetzelfde: data effectief verzamelen, verbinden en visualiseren. In ons werk met klanten komen we regelmatig dashboarduitdagingen tegen op een aanzienlijk complexere schaal. Mijn collega Andre schreef een blog over hoe we data-intensieve dashboards zo efficiënt mogelijk maken in deze blog.

Ter afsluiting

Data- en IT-complexiteit is niet langer een excuus om geen managementdashboards te hebben. Met LLM's kunnen gebruikers nu in natuurlijke taal met API's communiceren, waardoor complexe data-extractie voor vrijwel iedereen toegankelijk wordt.

Daarom herhaal ik het graag nog een keer: verbonden en inzichtelijke metrics zijn geen luxe meer, maar een noodzaak voor managementteams om om te gaan met de enorme impact die AI op elk bedrijfs- en operationeel model gaat hebben.