Stel je hebt net NetSuite geïmplementeerd, een omvangrijk systeem wat ERP, CRM en vele andere zaken bevat. Kostenbesparingen zijn gerealiseerd doordat NetSuite meerdere legacy systemen overbodig heeft gemaakt. Waarom zou je dan nog een systeem gaan implementeren? Deze vraag krijgen we vaker als we het over Tableau hebben bij NetSuite klanten.
Het antwoord bestaat uit vier onderdelen, die hieronder worden toegelicht: legacy data, externe data, performance, en advanced analytics.
Zodra NetSuite in gebruik is genomen, bestaan er nog weinig historische data in het systeem. Openstaande verkooporders, openstaande debiteuren, etc. zijn uiteraard gemigreerd naar NetSuite, maar voltooide sales orders en betaalde facturen van de laatste twee jaar zijn vaak niet meegekomen. Als je nu een vraag wil beantwoorden als “hoeveel zijn de verkopen van product X toegenomen t.o.v. vorig jaar?” of “voor welke producten is het marge percentage afgenomen t.o.v. vorig jaar?”, of meer geavanceerde vraagstukken zoals “wat zijn de seizoenspatronen in de vraag voor product Y, zodat we weten hoeveel we moeten produceren of inkopen?”, zal data geëxporteerd moeten worden uit legacy systemen en uit NetSuite, en moet dit vervolgens gecombineerd en geanalyseerd worden in een tool als Excel.
Het beantwoorden van zulke vragen, waarvoor historische data patronen nodig zijn, is op deze manier een tijdsintensief en foutgevoelig proces. Tableau maakt dit een stuk eenvoudiger, vooral als Cadran’s data model voor NetSuite ingezet wordt. Dit gaat als volgt te werk: eerst worden de data modellen voor de relevante legacy systemen gemaakt, wat resulteert in tabellen als ‘omzet’, ‘inkoop’, etc. Deze tabellen bevatten al het nodige detail om rapporten te maken op deze onderwerpsgebieden. Vervolgens wordt Cadran’s data model gebruikt om dezelfde tabellen voor NetSuite te creëren. Als laatste stap worden de legacy tabellen en de NetSuite tabellen gecombineerd, wat bijvoorbeeld resulteert in een ‘omzet’ tabel die alle verkooporderregels bevat van de laatste 3 jaar.
Door de NetSuite data regelmatig te verversen, zoals eenmaal per uur, is het nu eenvoudig om in Tableau up-to-date rapporten te maken die de verkopen van dit jaar vergelijken met vorig jaar.
Nog steeds kan het zo zijn dat sales managers (of anderen) niet graag meerdere systemen gebruiken in hun dagelijkse werk. Daarom integreren we Tableau vaak in NetSuite, waarvoor we een NetSuite functionaliteit genaamd portlets gebruiken. Deze portlets embedden Tableau pagina’s in NetSuite, waardoor het lijkt alsof je in één applicatie werkt. Door ook nog hetzelfde authenticatie mechanisme te gebruiken, zoals Azure Active Directory SSO, hebben gebruikers niet eens door dat ze naar twee applicaties kijken op één webpagina.
Behalve data uit legacy systemen kan Tableau ook gebruikt worden om NetSuite data te combineren met data uit andere systemen. Denk bijvoorbeeld aan marketing data. NetSuite CRM bevat informatie over leads en prospects, Google Analytics bevat data over hun verkeer op jouw website, en een losse API bevat andere relevante informatie over deze bedrijven.
NetSuite heeft een handige functionaliteit om rapporten te maken, genaamd saved searches. Deze functionaliteit maakt het makkelijk om real-time inzichten te verkrijgen uit NetSuite data. Er is echter wel een nadeel: als er veel omvangrijke saved searches worden gemaakt, kan dit de performance van NetSuite negatief beinvloeden. Door Tableau te gebruiken voor zulke rapporten, worden zulke performance problemen voorkomen.
Hiernaast kan het voor een omvangrijke saved search erg lang duren voordat de data worden getoond. De reden hiervoor is dat de data real-time worden verkregen. In Tableau is de laadtijd voor zulke rapporten erg kort, omdat de data op gezette tijden ingeladen wordt. Het is bijvoorbeeld meestal voldoende om verkooprapportages eens per uur te verversen.
Stel je hebt een fabriek met allerlei machines waarop om de zoveel tijd onderhoud uitgevoerd moeten worden. Elke keer dat onderhoud wordt uitgevoerd, kost dit tijd en mogelijk ook onderdelen. Als onderhoud te vaak wordt uitgevoerd, betekent dit dat er meer tijd en onderdelen worden gespendeerd dan nodig is om de machine draaiende te houden. Als onderhoud niet vaak genoeg wordt uitgevoerd, kan de machine stilvallen wat resulteert in een lagere productie. Kortom, in de ideale situatie wordt onderhoud precies op tijd uitgevoerd.
Afhankelijk van de machine en de omstandigheden waarin deze opereert, kan dit lastig te bereiken zijn. Dit is waar predictive maintenance ingezet kan worden. In essentie is dit een machine learning algoritme wat historische data gebruikt om te voorspellen wanneer onderhoud uitgevoerd moet worden. Relevante historische data zijn bijvoorbeeld de temperatuur, luchtvochtigheid, aantal dagen sinds het laatste onderhoud, ouderdom van de machine, etc. Zulke machine learning algoritmes zijn beschikbaar in programmeertalen als R en Python. En omdat deze talen geïntegreerd kunnen worden in Tableau, betekent dit dat predictive maintenance toegepast en weergegeven kan worden in Tableau.
Dit is slechts één voorbeeld van de advanced analytics die mogelijk zijn in Tableau. Dit voorbeeld is evengoed van toepassing als je zelf machines produceert die bij klanten geïnstalleerd staan en waar onderhoud op gepleegd moet worden. Een heel ander voorbeeld is het analyseren van customer churn, waarin je gaat kijken welke klanten je mogelijk gaat verliezen als geen actie ondernomen wordt. Vervolgens kan op tijd ingegrepen worden, zodat de klanten behouden blijven.
Implementaties van nieuwe systemen zijn vaak duur en tijdsintensief. Met Tableau voor NetSuite hebben we twee dingen gedaan om dit te voorkomen. Ten eerste hebben we standaard data modellen en standaard dashboards gemaakt op allerlei onderwerpsgebieden. Hierdoor hoeft dit niet meer van grond af aan ontwikkeld te worden. Ten tweede werken we altijd met een Minimum Viable Product. Zoals uitgelegd in dit blog, leidt deze aanpak tot een implementatietijd van weken in plaats van maanden, en is de investering minimaal.
Wil je meer weten over Tableau voor NetSuite? Neem dan contact met ons op via info@cadran-analytics.nl of door te bellen naar 033 2471599.
Jelle is mede oprichter van Cadran Analytics. Hij besteedt vooral tijd aan sales en project management. Ook duikt hij regelmatig de code in.
