17 / 04 / 2024
Data is het nieuwe goud, al een heel tijdje ondertussen. Maar waarom is data van goudwaarde? En hoe begin ik dan in godsnaam mijn zoektocht naar die goudmijn? Dit komen we te weten van Robin Pauwels, expert in Data Analytics.
De data-goudmijn bestaat uit twee lagen: data engeneering en data analytics.
Eerst en vooral centraliseren we alle beschikbare data via dataplatformen, -lakes en -pipelines op een zo effciënt mogelijke manier. De meeste bedrijven hebben veel databronnen, van een CRM-systeem over de website tot excellijsten,… Al deze data moeten op één berg terecht komen en dan in een bepaald formaat gegoten worden.
Vervolgens kom je aan de tweede laag en ga je de verzamelde data analyseren om er waardevolle infomatie uit te halen voor je business. Dit kan via eenvoudige BI rapporteringen maar interessanter is natuurlijk om aan meer geavanceerde analystics te doen. Dankzij bijvoorbeeld Artificial Intelligence (AI) of Machine Learning (ML) kan je inzichten uit de data halen die het mogelijk maken om voorspellingen en aanbevelingen te doen. Daarom noemen ze data het nieuwe goud: als je goede data hebt – die je op een juiste manier verzameld hebt – kan je er heel waardevolle zaken uithalen voor je business.
Feit is wel dat de bedrijven die met data analytics bezig zijn een evolutie hebben doorgemaakt. Toen de waarde van data duidelijk werd onstond een echte hype: grote bedrijven gaven veel geld uit om - liefst voor hun concurenten - met AI en ML aan de slag te gaan. De data analisten probeerden zoveel mogelijk technische implementaties te doen en een antwoord te bieden op de vele vragen van de klant. Maar door meteen in het diepe te springen zonder dat de bedrijven echt wisten in welke richting ze wilden zwemmen, behaalden niet alle projecten hun potentieel.
Zo ontstond het bewustzijn dat je als data analist strategisch te werk moet gaan en eerst heel moeten luisteren naar de ambities van een bedrijf. Wat zijn de doelstellingen en hoe kunnen data en eventueel AI en ML een oplossing zijn? Belangrijk is dat we vanuit data analytics eerst de koppeling met de business maken om dan pas te beslissen welke tools en processen we gaan installeren.
Eenmaal aan de slag begint alles met data engineering. Je creeërt een goede dataflow waarop je een future-proof data architectuur op zet die schaalbaar is en waarop je verder kan bouwen en er makkelijk nieuwe business cases kan op inpluggen. Pas als deze eerste stap goed gezet is, kan je beslissen welke meer innovatieve cases je wilt opzetten. Zo kunnen we bijvoorbeeld patronen zoeken binnen de data, op klantengedrag inspelen, sales forecasten, vragen vanuit de markt voorspellen of klanten gerichter targetten via marketing. We kunnen die klanten ook segmenteren, clusteren in bepaalde groepen met gelijkaardige kenmerken,… Maar anderzijds kunnen we ook intern de productieomgevingen optimaliseren, de processen effciënter laten lopen, breakdowns op voorhand voorspellen of intelligent monitoren wanneer machines zullen stukgaan.
Data analytics biedt dus heel wat interessante mogelijkheden maar alles start vanuit de doelstellingen van het bedrijf.
Welke evoluties zien we de komende jaren? De vraag naar data engeneering is momenteel zeer groot en deze zal meer evolueren richting data-architectuur omdat steeds meer bedrijven daar willen op inzetten. Maar ook de platformen die out of the box-oplossingen aanbieden gaan zeker nog boomen de komende jaren.
Maar data analytic is en blijft maatwerk. Je hebt altijd een goede data scientist nodig die met de business kan communiceren en de oplossingen op maat bouwt. Elk bedrijf, elke sector is tenslotte anders. Wel evolueren we meer richting ze zogenaamde ‘productized services’ wat eigenlijk de mix is tussen een kant-en-klaar product en een customized service. Om tijd en geld te besparen krijgt de klant een vast pakket waarop verder op maat gebouwd kan worden, steeds op basis van de noden en de doelstellingen van het bedrijf.
