BI, AI & data: 4 trends die er nu toe doen
Business Intelligence (BI) brengt data uit verschillende bronnen samen, zodat deze verwerkt en geanalyseerd kan worden voor het verkrijgen van diepgaande inzichten. Bijvoorbeeld over klanttevredenheid, reparatietijden of marketingcampagnes. Tools als Power BI helpen om data te visualiseren in interactieve, deelbare rapportages en realtime dashboards. Dat helpt bedrijven om besluiten te nemen op basis van betrouwbare cijfers, in plaats van onderbuikgevoel. De wereld van BI is – net als die van AI en data – in beweging en biedt bedrijven volop mogelijkheden om toekomstbestendiger te worden. Dit zijn de ontwikkelingen die er nu toe doen.
1. De combinatie van data warehouse en data lake
Traditioneel wordt bij BI een top-down benadering gehanteerd, waarbij management op basis van de bedrijfsstrategie bepaalt wat belangrijk is en welke data daarvoor benodigd is. Specifieke gegevens worden verzameld en gestructureerd in een data warehouse opgeslagen. Die centrale database fungeert als de single version of the truth voor alle analyses en rapportages.
De gedachte achter Big Data is dat álle data van waarde is en daarom verzameld moet worden. Dankzij de technologische ontwikkelingen van de laatste jaren – denk aan goedkopere cloudopslag en toegenomen rekenkracht – zijn er geen beperkingen meer aan de hoeveelheden data die gehamsterd kan worden. Massa’s aan complexe, ruwe gegevens kunnen op een kostenefficiënte manier in een data lake bewaard worden. Op die poel kunnen data scientists vervolgens analyses loslaten om te bepalen wat relevant is voor bijvoorbeeld KPI’s en rapportages.
De combinatie van zo’n data lake met een data warehouse biedt het beste van twee werelden. Dat zit zo. Voor management rapportages is het beter om gegevens samen te vatten. Je wilt niet ieder detail tonen, maar juist een overall beeld schetsen. Vaak is dat niet meer dan een simpele trendlijn of een indicator per KPI die toont of een proces al dan niet op orde is. De details die hierbij verloren gaan, zijn voor een machine learning algoritme echter cruciaal. Om de stap te maken van verklarende naar voorspellende analyses is het bewaren van die details belangrijk. Vandaar dat het goed is om data zowel in een data lake als in een database op te slaan.
Waarom is dit relevant? Voor sommigen zijn AI en machine learning op korte termijn een brug te ver. Maar omdat cloudopslag zo goedkoop is geworden, besluiten veel organisaties om toch alvast data in zowel een data warehouse als data lake op te slaan. Hierdoor gaat niets verloren en kan het data lake gebruikt worden om het data warehouse ‘voeden’. Data-analisten doen hier direct hun voordeel mee; zij hebben immers meer behoefte aan de ruwe data dan aan een management dashboard. Ook wordt de gehele data-architectuur toekomstbestendiger, omdat er van dezelfde solide basis gebruik wordt gemaakt.
We merken dat Microsoft steeds meer voorsorteert op deze ontwikkeling, door in Dynamics 365 standaard exportmogelijkheden naar data lakes toe te voegen, en Power BI datasets in een data lake te ontsluiten. Daarmee komt alle data uit Dynamics, Power BI en eventueel andere applicaties in één grote poel terecht.
De gedachte achter Big Data is dat álle data van waarde is en daarom verzameld moet worden
2. Applicaties worden ‘AI-infused’
Natuurlijk is AI nooit een doel op zich, maar voor het optimaliseren van bedrijfsprocessen biedt het veel meerwaarde. 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.
AI wordt steeds toegankelijker en laagdrempeliger. Microsoft voegt steeds meer functionaliteit toe die onder de motorkap gebruikmaakt van machine learning algoritmes. Die bieden mogelijkheden die met traditionele middelen veel moeilijker op te lossen zijn. Zo zijn in het Dynamics-ecosysteem algoritmes toegevoegd voor cashflow forecasting en het voorspellen van churn – welke klanten de grootste kans hebben om hun abonnement op te zeggen.
In Power BI is het mogelijk om middels 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 Power BI je zelf naar welke meetwaardes je moet kijken. Vaak zijn deze AI-componenten direct (en zelfs gratis) beschikbaar en valt er direct winst mee te halen.
3. AI-as-a-service
Standaardalgoritmes hebben hun 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 invloedsfactoren op te nemen in je machine learning model worden algoritmes nauwkeuriger.
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 10 tot 20 procent beter te voorspellen (cijfers McKinsey). Dat leidt weer tot 5 procent reductie in voorraadkosten, niet verkeerd! Ook zijn op maat gemaakte AI-algoritmes relatief goedkoop en binnen enkele weken te implementeren. Doorgaans verdient de oorspronkelijke investering zichzelf binnen een jaar terug.
4. Self-service BI
Steeds meer bedrijven geven hun medewerkers de mogelijkheid om eigen rapporten samen te stellen. De IT- of datamanagement-afdeling produceert geen kant-en-klare rapporten meer, maar concentreert zich op het ontsluiten van nieuwe databronnen en het beheer van de data (denk aan beveiliging of de AVG-wet). Ook Microsoft biedt deze mogelijkheid in Power BI, waar medewerkers zelf verbinding kunnen maken met gegevenssets om zelfstandig rapporten samen te stellen. Het voordeel is dat eindgebruikers niet elke kleine wijziging hoeven aan te vragen bij IT, maar zelf rapporten op maat kunnen maken. De voordelen zijn duidelijk: IT heeft meer tijd voor het lastigere technische werk in databases en gebruikers hoeven niet te wachten.
Dit soort self-service BI brengt wel nieuwe uitdagingen met zich mee. Wie is er verantwoordelijk voor het eindresultaat? Moet je medewerkers hiervoor opleiden? En hoe voorkom je dat er verschillende versies van hetzelfde rapport in omloop komen? Geen twee bedrijven zijn hetzelfde en er is dan ook niet één juist antwoord. Het is echter interessant om te kijken naar rollen die hiermee hun werk beter kunnen doen, zoals (bedrijfs)analisten en business controllers. Deze power users willen waarschijnlijk meer controle over de data, terwijl voor andere gebruikers een kant-en-klaar rapport voldoet.
In beide wensen kan worden voorzien. Geef je power users toegang tot de gehele dataset en de mogelijkheid 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.
Meer weten over de mogelijkheden van BI en Big Data voor jouw bedrijf? Ik vertel je er graag meer over. Neem contact op!
