Soms bekruipt me een gevoel van plaatsvervangende schaamte als er weer wat IT termen voorbij komen. Waar zijn we toch als ICT-ers mee bezig: ballonnen opblazen, onszelf vol lucht aan het pompen?
Dat gevoel bekruipt me ook weleens bij termen ‘Big data’ en ‘Business Intelligence’ (afgekort: BI). Termen die wijd en zijd worden gebruikt, maar veelal niet duidelijk zijn gedefinieerd. Probeert u het zelf ook eens: vraag enkele willekeurige ICT-ers wat u moet verstaan onder BI. Tien tegen één dat elke ICT-er met een verschillende definitie komt.
Kom daar als klant maar eens uit. U hebt het gevoel dat Big data en BI voor u belangrijk zou kunnen zijn en de vrouwen en mannen die het kunnen weten, of het zouden moeten weten, komen met vage en onderling verschillende uitleg van die begrippen.
Het is de hoogste tijd om daar meer duidelijkheid in te verschaffen. In deze blog doe ik een poging daartoe.
De term 'Big data'
Laten we eens met de term Big data beginnen. Iedereen met een beetje kennis van de Engelse taal zal het vertalen in ‘veel gegevens’. Inderdaad, meer is het niet. Het betreft de opslag van veel gegevens van gebeurtenissen die in het verleden hebben plaatsgevonden. Denk dan bijvoorbeeld aan een transport van goederen, aan het gedrag van een consument in de winkel, aan een teelt van planten, en aan nog veel meer. Het opslaan van die gegevens kan op veel verschillende wijzen plaatsvinden: met de hand, met sensoren, met barcode/RFID scanners, enz. Uiteraard met het doel om met die gegevens iets te doen. Maar daar ga ik straks verder op in.
Tot zover dan Big data, meer is het niet. Big data is een ICT aangelegenheid (gegevens moeten immers worden bewaard en teruggehaald kunnen worden), maar vooral ook een business aangelegenheid (het doel waarvoor je die gegevens wilt opslaan). Gegevens sla je immers op om er iets mee te doen. Dat ‘iets mee doen’ kan zijn: gewoon rapporteren. Printen op scherm of op de printer. De standaard rapportages in Dynamics NAV/AX vallen in deze categorie. Dat is niet nieuw. Dit verschijnsel kennen we al sinds de jaren ’70 van de vorige eeuw toen de eerste ERP pakketten op de markt verschenen.
Er is meer...
Sinds een aantal jaren doet zich een ander fenomeen voor. Gebruikers begrijpen dat je met gegevens meer kunt doen dan ze uitsluitend gebruiken voor het verslaan van gebeurtenissen uit het verleden en voor de ondersteuning van gebruikers in hun operationele werkzaamheden. Gegevens kunnen ook ingezet worden voor ondersteuning van gebruikers in het uitvoeren van werkzaamheden die voorheen nauwelijks mogelijk waren. Voordat ik hier verder op inga, moet ik eerst wat uitleggen.
We komen nu bij een andere term die vaak op één hoop gegooid wordt met Big data maar die toch iets wezenlijk anders voorstelt. Dat is de term Data analytics, ook wel gewoon ‘analytics’ genoemd. Hoewel het voor de hand ligt dat data analytics staat voor het analyseren van gegevens in omgevingen waar sprake is van veel data, hoeft dat per definitie natuurlijk niet het geval te zijn.
Drie typen van Data Analytics die leiden tot meer inzicht
Bij de term data analytics wordt vaak gedacht aan een specifiek type analyse, bijv. het gebruik van Business Intelligence. In werkelijkheid onderscheiden we drie verschillende typen van analytics die leiden tot meer inzicht. We noemen ze hieronder alle drie.
Met de aangehouden volgorde wordt tegelijk ook zowel een toenemende graad van complexiteit als een toenemende graad van strategisch belang aangegeven
-
Descriptive analytics.
Met descriptive analytics wordt de data op zodanige wijze gepresenteerd dat meer inzicht ontstaat van wat er in de werkelijkheid plaatsvindt. Dit is het gebied waarop de BI toepassingen zich in de praktijk bevinden. Het verzamelt data en presenteert die data in de vorm van dashboards, scorecards, ed. Je ziet ook vaak dat data (bijv. omzetontwikkelingen per productsoort, regio, periode) wordt gevisualiseerd in diagrammen, plattegronden, ed. Het is veelal een alternatief voor een traditioneel rapport. Door betere analyse en weergave technieken kunnen zaken inzichtelijker worden weergeven.
-
Predictive analytics.
Predictive analytics omvat alle technieken die het mogelijk maken om op basis van data voorspellingen te doen. Bijv. voorspellingen over de werkingsduur van het machinepark, over het verloop van de teelt van een specifieke plant, over de benodigde productieruimte of menselijke capaciteit in de komende maanden of in het volgende seizoen, of over de mogelijke afzet van een product in een specifieke regio, enz. enz.
-
Prescriptive analytics.
Het doen van een voorspelling is één, het opstellen van een actieplan is twee. Prescriptive analytics omvat de technieken om op basis van de data en de voorspellingen die daarop zijn gebaseerd aanbevelingen te doen voor uit te voeren acties. Zo zal een plantenkweker geïnteresseerd zijn in het toekomstige verloop van de teelt van een specifieke plant maar hij zal dan zeker ook geïnteresseerd zijn in de acties die hij moet uitvoeren om het verloop van de teelt bij te sturen in de door hem gewenste richting. Een voorspelling van de werkingsduur van het machinepark krijgt meer waarde door het systeem ook een behandelplan te laten opleveren waarmee de verwachte werkingsduur kan worden verlengd. Deze vorm van analyse wordt vaak geassocieerd met optimalisatie technologieën. Denk daarbij ook aan scheduling van de operaties in een warehouse of in een fabriek.
Welke 'Big Data' methode levert het meest op?
Terug naar het begin van deze blog. Big data en Data analytics zijn twee volkomen verschillende zaken. In de praktijk worden beide zaken onder de noemer van Big data gebracht. Dat leidt tot veel mist en weinig inzicht. Waar het uiteindelijk om gaat is data analytics. Daarmee ontstaat business waarde. Begin met descriptive analytics, maar wees daar niet tevreden mee. De echte winst zit in de twee andere typen van analytics!
Foto bij blog afkomstig van adamr via www.stockphoto.net
