De businesscase van big data

Leestijd 6 minuten

Hoe begin je met data analytics?

Veel bedrijven storten zich op big data en de bijbehorende analytics. Als de term data driven valt, komt bij  bedrijven  het beeld naar voren dat ze snel de stap moeten zetten om datagedreven te worden. De angst om de boot te missen is groot.

Maar hoe voorkom je een ‘verkeerde wissel’ waardoor de organisatie ontspoort? Hoe krijg je de businesscase rond? En nog belangrijker: hoe zorg je ervoor dat big data uiteindelijk ook leidt tot big business?

Bedrijven en instellingen die met big data aan de slag gaan, bewandelen meestal een soortgelijk  traject. Ze richten hun business intelligence in en bouwen een big data-omgeving. Ze nemen een data scientist aan en storten zich volledig op de big data.

Met als doel: data driven met de business omgaan,de winst vergroten, meer klanten krijgen, bestaande klanten beter  bedienen, etcetera.

Maar hoeveel van deze trajecten zorgen nu echt voor succes? Helaas niet erg veel. Na een vliegende start met torenhoge ambities blijkt het lastiger dan gedacht.

Klinkende resultaten worden niet geboekt en na het eerste enthousiasme eindigt het in geploeter en bloedt het traject langzaam dood.

Stekker eruit en terug naar de oude werkwijze, zonder big data en de prachtige analyses, of nog een jaartje proberen om toch tot een goed resultaat te komen.

Fout gegaan

Wat ging er eigenlijk fout? Was er wel genoeg data? Waren de juiste mensen aan boord? Hadden we wel de juiste infrastructuur ingericht? Vermoedelijk wel.

De data, de mensen en de IT-infrastructuur zijn - zeker bij grotere bedrijven - meestal wel op orde. Maar waren de ambities wel realistisch? En kozen we wel voor de juiste aanpak?

Het falen van big data-trajecten komt meestal doordat een of beide van de twee laatstgenoemde vragen niet goed zijn onderzocht en beantwoord.

Laten we beginnen bij de ambities.

Te hoge ambities

Een railbedrijf dat het onderhoud doet van de infrastructuur voor treinen (rails en wissels etc.) komt met het idee om met behulp van algoritmen en machine learning de storingen in wissels te voorspellen.

Ze laten hiervoor door een extern bedrijf machine learning-algoritmen maken. Het externe bedrijf levert zes algoritmen, die perfect kunnen voorspellen wanneer er iets fout kan gaan, misschien wel op basis van deep learning.

Een veelheid aan data is daarvoor nodig, denk aan de locatie, buitentemperatuur, weertype, aantal treinen, lengte treinen, gewicht treinen, snelheid van de treinen, dikte van de railstaaf, type wissel, onderdeel wisselcomplex of losse wissel, soort storing, tijdsduur storing, enzovoorts.

Als het railbedrijf ermee aan de slag gaat, blijkt geen van de algoritmen te voldoen. Want de enige data die het railbedrijf van de wissels heeft is het stroomverbruik, het aantal keren dat er wordt geschakeld en de weersomstandigheden. De andere data is er gewoon nog niet, en de vraag is hoe belangrijk die data eigenlijk is.

Op basis van deze drie beschikbare variabelen kun je wel een eenvoudige voorspelling doen. Bijvoorbeeld, als het stroomverbruik per schakeling steeds toeneemt, dan kan  dit op termijn een storing veroorzaken. Is dat complex? Zeker niet. Het zijn een paar simpele regeltjes die je kunt programmeren. En meestal is dat al voldoende.

Stel, een wissel stoort gemiddeld eens per tien jaar en we hebben duizend wissels. Dat zijn 100 wisselstoringen per jaar. Het eenvoudige voorspelmodel kan dit in 70% van de gevallen goed voorspellen. Het complexe model komt tot 75%.

De kosten van het eenvoudige model bedragen 50.000 euro, van het complexe model 200.000 euro. Het complexe model voorspelt vijf defecte wissels meer per jaar; de schade van een vastgelopen wissel is gemiddeld 1.000 euro. Dat scheelt dus 5.000 euro per jaar. Hoeveel jaar duurt het voordat je deze investering terugverdient?

Het is belangrijk om bij deze beslissingstrajecten beide big data-voeten stevig op de grond te houden.

Laat het gezonde verstand zegevieren.

Jij als kenner van je eigen business moet het goed kunnen begrijpen.

Kijk met een realistische blik naar de mogelijkheden en zorg dat je begrijpt wat er gebeurt.

Heb je daar al data scientists voor nodig? Misschien, maar een complex machine learning-model is hier echt niet nodig om resultaten te boeken. Een simpele bedrijfseconomische rekensom is voor bovenstaande casus afdoende. Keep it simple!

De juiste aanpak

Hoe begin je dan met data analytics? Allereerst door kennis op te bouwen binnen je bedrijf. Er zijn diverse opleidingen die je algemene kennis vergroten of je helpen om specialistische kennis op te doen. Om alvast in de juiste stemming  te komen, geef ik je hieronder drie tips.

Tip 1.  Stel een winnend team samen

Het team moet een mix zijn van mensen met een degelijke business kennis en een aantal specialisten. Belangrijk is dat het team ook als team kan functioneren. Dit betekent dat iedereen dezelfde taal moet spreken. Leid je mensen op zodat ze kennis krijgen van elkaars specialisatie. Pas dan kunnen ze op het juiste niveau met elkaar praten.

Ik hoor tegenwoordig heel vaak dat er een data scientist rondloopt die met zulke complexe zaken bezig is dat het vanzelf wel goed moet komen. Niet dus, de data scientist heeft ook de juiste informatie nodig. Bovendien moet hij of zij communicatief vaardig zijn, de dialoog aangaan. Het elkaar begrijpen is ook hier de kern van het succes.

Tip 2. Richt een big data lab in

Wat zijn de juiste stappen en de juiste inzichten? Een aantal grote bedrijven dat op dit moment met big data analyses werkt, deed hiermee inmiddels de eerste ervaringen op. Het is belangrijk om kleine stapjes te zetten en de lat niet te hoog te leggen.

Richt een big data lab in waarin je de eerste experimenten doet. Als een experiment lukt, dan kun je vanuit daar een project starten om er resultaten uit te halen. Daar zit voorlopig de winst en daar liggen voorlopig de kansen in big data analyse. Hier ligt de basis om data driven te worden.

Tip 3.  Logica

Data driven werken mag geen doel op zich zijn. Het is een middel om beter inzicht te krijgen in de loop van processen en de kwaliteit van producten. Ook kan het een beter klantbeeld geven dan je zonder de data-analyses kan krijgen.

Data driven gaat uit van logica en het maken van keuzes op basis van de logica die data geeft. Het zorgt ervoor dat we veel gaan standaardiseren. Dat standaardiseren is de laatste jaren een trend, hoeveel type iPhones zijn er bijvoorbeeld?

Maar standaardiseren is niet voor iedere bedrijfstak van toepassing. Kijk daarom naar je eigen situatie en neem op basis daarvan een besluit. Met als doel voordeel te halen uit big data analyses. Zo zorgt Big Data net als bij Apple voor big business.



Deze blog is geschreven door:

Bert van der Zee

Oprichter Novalinq

Zijn missie is individuen en organisaties helpen om hun data om te zetten in succes.

Interesse?

Of je nu al een hele datastrategie hebt staan, of dat je nog moet starten, wij denken graag met je mee in het realiseren van een datagedreven organisatie. Laat je naam en telefoonnummer achter en wij nemen snel contact met je op.
Bedankt voor het invullen! We bellen je zo spoedig mogelijk terug.
Oops! Something went wrong while submitting the form.

Alle online trainingen en opleidingen

Data Science opleidingen in Python en R voor beginners tot aan expert, data engineering met Azure en Spark en data visualisatie in PowerBI.