Verschillende benaderingen van datagedreven werken
Starten met data analytics betekent ook geconfronteerd worden met vakjargon, veelal lastige begrippen die enige toelichting verdienen. De drie voornaamste zijn Business Intelligence (BI), Business Analytics (BA) en Data Science (DS). In feite zijn het verschillende benaderingsmethoden die meer mét elkaar gemeen hebben dan dat ze verschillen.
BI, Business Analytics en Data Science
Wat is het, wat zijn de verschillen en overeenkomsten en welke impact heeft de keuze op uw organisatie? Het verschil tussen Business Intelligence (BI), Business Analytics en Data Science helder uitgelegd.
Business Intelligence
Business Intelligence (BI) is het gebruik van beschrijvende statistiek voor bedrijfsmatige vraagstukken. Denk dan aan vragen zoals: Wat is de gemiddelde wachttijd bij onze klantenservice? Wanneer in het aankoopproces haken klanten af?
- Mensen: vooral IT’ers
- Producten: gepersonaliseerde dashboards en dynamische rapporten
- Voordelen: snel overzicht over de belangrijkste kerncijfers van uw bedrijf
- Uitdagingen: diepgang (veelal) beperkt
- Voorbeeld: een dashboard waarin u snel inzicht in de status van uw productielijn krijgt
Business Analytics
Business Analytics (BA) gaat een stap verder en onderzoekt ook de waarom-vraag. Bijvoorbeeld: Waarom valt een productieproces stil? Waarom haken klanten af?
- Mensen: analisten met veel domeinkennis
- Producten: verklarende en voorspellende analyses
- Voordelen: krachtige analyses voor de meeste bedrijfsmatige vragen
- Uitdagingen: vereist veel domeinkennis; bij grote hoeveelheden data minder (soms) geschikt
- Voorbeeld: een voorspelling doen van de omzet op basis van veel kenmerken van uw klanten
Data Science & AI
Data Science (DS) is het gebruik van complexe wiskundige modellen om patronen in data te ontdekken. Een voorbeeld is het in kaart brengen welke combinatie van factoren leidt tot hapering in een productieproces.
- Mensen: specifiek (wiskundig) opgeleiden
- Producten: complexe (voorspellende) modellen
- Voordelen: in staat in grote hoeveelheden data (‘big data’) nuttige patronen te ontdekken
- Uitdagingen: veelal moeilijk te verklaren waarom een statistisch model wel of niet werkt
- Voorbeeld: grote hoeveelheden oude dossiers geautomatiseerd scannen op patronen
Welk type datalab past bij uw organisatie:
BI, Business Analytics of toch Data Science?
Kenmerken van Business Intelligence (BI)
Voor het aansturen van elke organisatie dienen kerncijfers –interne data– als vertrekpunt. U kijkt terug in tijd en weet u hoe uw organisatie gepresteerd heeft. BI-tools zijn hulpmiddelen om die kerncijfers ‘uit de organisatie’ te op te halen. Dergelijke tooling verstrekt veel informatie zoals de KPI’s (key performance indicators). De data is visueel vertaald naar eenvoudig leesbare conclusies –vaak dashboardgekwantificeerde resultaten– die bovendien automatisch geactualiseerd worden. Een krachtig middel dus om zicht te houden op de performance van uw organisatie.
Sterktes Business Intelligence
BI is zeer geschikt voor het beantwoorden van de wat-vragen: wat is de omzet, wat is het aantal klanten. Voor verdiepende vragen zoals waarom en waarheen is BI niet geschikt. Wilt u weten waarom klanten afhaken of welke richting omzet beweegt over een bepaalde periode, dan zult u met een geavanceerdere vorm van data-analyse aan de slag moeten, de zogenaamde Business Analytics. Nóg een stap verder is het gebruik van Data Science-oplossingen, bijvoorbeeld via machine learning of artificial intelligence (AI).
Zwaktes Business Intelligence
BI-oplossingen worden vaak door de afdeling IT opgepakt en dus door IT’ers. Zij hebben over het algemeen veel verstand van technieken en minder van de bedrijfsmatige kant van het verhaal. In de praktijk betekent het dat er vaak technische dashboards gemaakt worden die niet goed aansluiten bij de praktijk van alledag van de inhoudelijke medewerkers of de managers. Ook ontstaat afhankelijkheid van de IT-agenda en vooral het gebrek aan ruimte daarin. Daarom kan, als de organisatie groot genoeg is, het zinvol zijn een ‘afdeling data’ (een datalab) op te zetten.
Analyseer uw processen en
voorspel de toekomst met Business Analytics
Kenmerken Business Analytics
Weten wáárom iets gebeurt, gaat verder en is een stuk complexer. omdat meerdere variabelen een rol spelen. Business Analytics (BA) is gericht op het analyseren van data om inzichten te krijgen in de processen waarop die data betrekking heeft, de beantwoording van de waarom-vraag dus. Soms heeft u ook gegevens nodig van buiten uw organisatie, ook daarvoor is deze tooling uitermate geschikt. Business Analytics helpt conclusies te verbinden, verbanden en trends te herkennen en om voorspellingen te doen. Daarmee legt uw organisatie de basis voor nieuwe kennis, inzichten en strategieën.
Voorspellende waarde
Met Business Analytics verkrijgt u diepgaande inzichten over uw eigen organisatie. Bijvoorbeeld een gedetailleerd beeld over het gedrag, of de wensen, van uw relaties. Zo kunt u nauwkeurige voorspellingen doen over hun gedrag in de nabije toekomst, de zogenaamde predictive analysis’ en toont Business Analytics waar nieuwe kansen zich voordoen. Business Analytics verschaft u dus voorspellende waardes op basis van interne (en soms ook externe) data.
Voordelen van Business Analytics
- Snel en actueel: Beter inzicht in de prestaties zodat u sneller kunt bijsturen.
- Gefundeerd: Onderbouwing beslissingen door betere informatie.
- Betrouwbaar: Een stap voor op uw concurrenten, omdat u beslissingen neemt op basis van gefundeerde informatie.
- Voorsprong: U heeft beter inzicht intern in de uw eigen processen en extern op de markt, zodat uw organisatie zowel tactische als lees meer strategische voordelen behaalt.
Automatiseer beslissingen middels
Machine Learning & AI
Machine Learning en Artificial Intelligence (AI) zijn methoden waarbij computers taken uitvoeren waarvoor mensen hun intelligentie gebruiken. Het gaat dan om zaken zoals interacteren met de omgeving, analyseren en redeneren, problemen oplossen en voorspellingen doen. Hiervoor zijn twee dingen noodzakelijk: een geprogrammeerd algoritme -een reeks van instructies die tot een bepaald resultaat moeten leiden- en data.
Data is dan de grondstof die algoritme laat werken. Door steeds meer data te analyseren, functioneert het algoritme ook steeds beter. De werking ervan is zo goed als de kwaliteit van het algoritme én de input -de data- waarmee het wordt gevoed. Het algoritme neemt beslissingen op basis van wat het heeft geleerd. Het is zo te programmeren dat het steeds nieuwe gegevens verzamelt en verwerkt waardoor het ‘zelflerend’ wordt. Hierdoor is AI zeer bruikbaar voor organisaties waar veel data in omgaat, waar inzicht krijgen in verbanden, patronen en het labelen van zaken niet ‘vanzelf’ gaat.
1
Voor alle datagedreven oplossingen geldt:
garbage in = garbage out.
Dus als de invoerdata onbetrouwbaar is, komen er ook onbetrouwbare conclusies uit voort. Dit geldt tevens voor de betrouwbaarheid van de algoritmen zelf. Begrip hebben van algoritme en inzicht in datakwaliteit zijn essentieel.
2
Zorgvuldig omgaan met de conclusies of aanbevelingen blijft essentieel. Juist als kunstmatige intelligentie in belang toeneemt, is het nog belangrijker te weten hoe tot die beslissingen gekomen is. Grip houden is essentieel, het mag geen ‘black-box’ worden.
3
Niet alle data mag gebruikt worden voor profilering, personalisering of analyses. Volgens de de wet, in het bijzonder de AVG, is het zorgvuldig omgaan met gegevens de verantwoordelijkheid van de organisatie die ermee werken. Het is dus belangrijk vooraf na te denken over doelen, middelen en het betrekken van de klant.