De werelden van business intelligence (bi), (artificial intelligence (ai) en data zijn met elkaar verweven en volop in beweging. Wat zijn de trends die er op dit moment toe doen? Een overzicht.
Ontwikkeling 1
- Combinatie van data-warehouse en data-lake
Traditioneel wordt bij bi een top-down-benadering gehanteerd: management bepaalt op basis van de bedrijfsstrategie wat belangrijk is en welke data daarvoor benodigd zijn. Vervolgens worden specifieke gegevens verzameld en gestructureerd in een data-warehouse opgeslagen. Die fungeert als de single version of the truth voor alle analyses en rapportages.
De gedachte achter big data is dat álle data van waarde zijn en daarom verzameld moeten worden. Dat kan in een zogenoemd data-lake, waarin massa’s aan complexe, ruwe gegevens op een kostenefficiënte manier zijn te bewaren. Op die poel laten data-scientists vervolgens analyses los om te bepalen wat relevant is voor kpi’s en rapportages.
De combinatie van een data lake met een data warehouse biedt het beste van twee werelden. Dat zit zo. Voor managementrapportages is het beter om gegevens samen te vatten. Je wilt niet elk detail tonen, maar een overall-beeld schetsen. Details zijn voor een machine learning-algoritme echter cruciaal. Wil je de stap maken naar voorspellende analyses, dan is het nodig om gegevens in een data-warehouse én data-lake op te slaan.
Omdat cloudopslag zo goedkoop is geworden, is dat geen probleem meer. Het voordeel is dat er niets meer verloren hoeft te gaan, en dat de data-lake is te gebruiken om het data-warehouse te ‘voeden’. Data-analisten, die meer behoefte hebben aan de ruwe data dan aan een management-dashboard, plukken daar de vruchten van. Bovendien wordt de gehele data-architectuur toekomstbestendiger, omdat er van dezelfde solide basis gebruik wordt gemaakt.
Ontwikkeling 2
- Applicaties worden ‘ai-infused’
AI biedt veel meerwaarde voor het optimaliseren van bedrijfsprocessen. Neem de afhandeling van facturen die eenvoudiger wordt als rekeningen automatisch gescand worden om de juiste leverancier erbij te zoeken. Fraudedetectie gaat sneller wanneer documenten niet handmatig, maar door een algoritme worden gecheckt op afwijkingen.
Microsoft Dynamics 365 laat zien dat ai steeds toegankelijker en laagdrempeliger wordt. Diverse onderdelen van het platform bevatten functionaliteit die gebruikmaakt van machine learning algoritmes. Hierdoor ontstaan mogelijkheden die met traditionele middelen veel moeilijker te realiseren zijn, zoals cashflow forecasting en het voorspellen van churn.
In Power BI, onderdeel van Microsofts platform, kun je met ai te achterhalen welke factoren de meeste invloed hebben op een bepaalde meetwaarde in een proces. Eerder was dat een kwestie van veel grafieken en tabellen maken en kijken waar de variantie het grootst is. Nu vertelt de tool zelf naar welke meetwaardes je moet kijken. Dit soort ai-componenten zijn vaak direct beschikbaar en snel van waarde.
Ontwikkeling 3
- Ai-as-a-service
Standaardalgoritmes kennen beperkingen. Soms is de werkelijkheid gewoonweg complexer dan te vangen is in een standaardmodel. Om echt de diepte in gaan, kan ai-as-a-service uitkomst bieden. Door specifiek naar een proces binnen één organisatie te kijken en alle relevante invloedfactoren op te nemen in je machine learning-model worden algoritmes nauwkeuriger.
Op maat ai-algoritmes worden steeds goedkoper en zijn vaak binnen enkele weken te implementeren. Demand forecasting is een bekend voorbeeld. Door niet alleen de historische vraag te gebruiken, maar ook factoren zoals marktomstandigheden, zoektrends en weersvoorspellingen is de vraag tien tot twintig procent beter te voorspellen. Dat leidt weer tot vijf procent reductie in voorraadkosten.
Ontwikkeling 4
- Self-service-bi
Steeds meer bedrijven geven medewerkers de mogelijkheid eigen rapporten samen te stellen. De it- of datamanagement-afdeling maakt geen kant-en-klare rapporten meer, maar concentreert zich op het ontsluiten van nieuwe databronnen en het beheer van data (denk aan beveiliging of de AVG-/GDPR-wet). Ook Power BI biedt de optie om verbinding te maken met gegevenssets en rapporten samen te stellen. Hierdoor hoeven medewerkers niet voor elke kleine wijziging bij it aan te kloppen.
Wel brengt het zogenoemde self-service-bi uitdagingen met zich mee. Wie is verantwoordelijk voor het eindresultaat? Moet je medewerkers opleiden? En hoe vermijd je dat verschillende versies van hetzelfde rapport in omloop komen? Geen twee bedrijven zijn hetzelfde en er is niet één juist antwoord. Wel is duidelijk dat er diverse rollen zijn die hiermee hun werk beter kunnen doen, zoals (bedrijfs)analisten en business controllers. Dit soort power users wil waarschijnlijk meer controle over data, terwijl voor andere gebruikers een kant-en-klaar rapport voldoet.
In beide wensen is te voorzien. Geef je power users toegang tot de gehele dataset en de vrijheid om zelf nieuwe datasets op te zoeken, om daarin te grasduinen en nieuwe rapporten samen te stellen. Je zult zien dat dit allerlei nieuwe inzichten oplevert. Voor de rest van de organisatie kun je de bestaande rapporten handhaven; zonder toegangsrechten zijn de onderliggende datasets niet eens zichtbaar.
(Auteur Peter de Vos is bi-consultant bij Pulse x Fellowmind.)
Het ontsluiten van data wordt steeds belangrijker in de industrie. Toch is een belangrijk punt dat de data van goede kwaliteit moet zijn. Met name als er manuale input of menselijke beslissingen onder de data ten grondslag liggen, Een foutje is zo gemaakt. En als dit de informatieketen ingaat kun je een domino-effect veroorzaken. Ook het MKB-Nederland kan met goede data-analyses en dito ingerichte bedrijfsprocessen zich onderscheiden van de concurrent. Zie hiervoor deze blog https://www.leanforms.com/blogs/big-data-onzin-mkb-nederland/