Big Data: Wat u als financieel manager echt moet weten

Thomas Davenport, vooral bekend als analytics expert, geloofde eerst dat big data een hype was. Maar hij veranderde van gedachte en leverde onlangs het boek ‘Big Data aan het werk’ af. Hierin beschrijft hij de mogelijkheden voor organisaties met big data en wat zij daarvoor nodig hebben. 

 

Lees ook: In 5 stappen naar SMART Big Data Analytics

De benaming ‘big data’ is zonder meer misleidend, stelt Davenport. Ja, de dataset is groot, maar het lastigste aspect is het gebrek aan structuur. Davenport werkte in het verleden veel met bedrijven samen rond het thema business analytics, waarover hij in 2006 het toonaangevende ‘Competing on analytics’ schreef. Toen opeens overal de term ‘big data’ opdook was Davenport skeptisch. Is big data niet gewoon oude analytics-wijn in nieuwe zakken? Nee, er zijn wel degelijk verschillen tussen conventionele analytics en big data, concludeert hij na uitgebreid onderzoek. In onderstaande tabel zet hij de verschillen uiteen.

 

 

Een probleem is dat veel mensen – vooral leveranciers – de term big data gebruiken om analytics mee aan te duiden of soms zelfs in de betekenis van rapportages en conventionele business intelligence. Analytics wordt doorgaans gebruikt om meer inzicht in processen te krijgen en ze af te stellen, om het management geïnformeerd te houden en te waarschuwen bij afwijkingen (het rapporteren van uitzonderingen is een centraal punt in de business intelligence). De business- en de technologie architectuur zijn vaak een weerspiegeling van dit proces, dat begint met transacties en operaties en dan – mag je hopen – leidt naar analyse en inzicht. Bedrijven evalueren hun performance, plannen verbetering en implementeren die in technologieprojecten die vele jaren beslaan. 

 

 

Big data zetten die aanpak op zijn kop. Het grondbeginsel is dat de wereld – en de data die de wereld beschrijven – voortdurend verandert en in beweging is, en dat organisaties die dat herkennen en snel en intelligent reageren een voorsprong hebben. De winnende bedrijfsmatige en IT-vaardigheden zijn eerder discovery en (wendbaarheid) dan stabiliteit. 

 

Als ‘big data’ zo’n verwarrende term is, waarom dan wel die nieuwe term gebruiken? Volgens Davenport heeft het big data-idee onmiskenbaar modieuze trekjes. Elke generatie terminologie heeft volgens hem enige nieuwe elementen, maar het is twijfelachtig dat zaken zodanig zijn geëvolueerd zijn dat dit zes generaties van benamingen rechtvaardigt.

 

 

De reden dat de nieuwe naam ‘big data’ tot op zekere hoogte wel terecht is, is dat er nieuwe en omvangrijke datasoorten bij betrokken zijn. Sommige datasoorten – zoals tekst en stemgeluid – kennen we al een hele tijd – maar hun omvang op internet kondigt een nieuw tijdperk aan, net als de nieuwe technologieën die analyse van zulke data mogelijk maken. Bovendien is er momenteel geen andere passende naam voor handen, al heeft Bernard Marr in zijn boek ‘Big Data: Using SMART Big Data Analytics To Make Better Decisions and Improve Performance’ de term ‘smart data analytics’ geopperd. 

We kunnen dus concluderen dat de term misleidend is, maar wel duidt op nieuwe kenmerken in het data analyse domein. Organisaties zullen de term een beetje moeten ontleden om hun strategiën te verfijnen en aan stakeholders duidelijk te maken wat ze nou zo interessant vinden om te doen met nieuwe soorten data en welke datasoorten het belangrijkste zijn. Er zijn vele soorten data waaruit organisaties kunnen kiezen – er is zelfs een waar keuzemenu aan mogelijkheden.

 

 

In plaats van te zeggen, ‘we gaan met een big data-traject aan de slag’, is het beter om te zeggen: ‘we gaan de videodata van onze geldautomaten en filialen analyseren om meer te weten te komen over onze klantrelaties.’ Begin met strategie en kijk daarna wat je nodig hebt aan technologie en mensen om die strategie te realiseren. Neem in het actieplan de volgende punten mee:

? Denk met uw managementteam na over welke nieuwe datasoorten jullie business en bedrijfstak nu en in de komende paar jaar kunnen gaan beïnvloeden. 

? Denk na over de term ‘big data’ en of die goed aangeeft wat uw organisatie met data en analytics doet. 

? Werk aan het veranderen van de besluitvormingprocessen in uw organisatie in de richting van een meer continue benadering, aangestuurd door de voortdurende beschikbaarheid van data. 

? Werk aan de adaptatie van snellere en meer agile benaderingen voor het analyseren van en actie nemen op belangrijke data en analyses. 

? Richt u met uw organisatie meer op externe informatie over uw business en marktomgevingen. 

Een belangrijk ingrediënt dat het managen en analyseren van big data mogelijk maakt, is nieuwe technologie. In feite omvatten big data niet alleen een zeer grote hoeveelheid ongestructureerde data, maar ook technologieën die het mogelijk maken om ze te verwerken en analyseren. 

 

 

Wat nieuw is aan big datatechnologie is vooral dat de data niet goed verwerkt kunnen worden met traditionele databasesoftware of op één server. Traditionele relationele databases ordenen data in nette rijen en kolommen van getallen – big data zijn er in allerlei formats en varianten daarop. Er is dan ook een nieuwe generatie dataverwerkingssoftware ontstaan om met big data om te gaan. Je zult mensen vaak over Hadoop horen praten, een open-source softwaretool en structuur voor het verdelen van data over meerdere computers. Een van de redenen dat Hadoop nodig is, is dat het grote datavolume bij big data niet snel kan worden verwerkt op één enkele server, hoe krachtig die ook is. Het opsplitsen van een computertaak over verschillende servers – bijvoorbeeld een algoritme dat veel verschillende foto’s vergelijkt met één specifieke foto om zo proberen een match te vinden – kan de verwerkingstijd meer dan 100 keer verkorten. 

 

Dit is bij lange na niet de enige nieuwe technologie die organisaties moeten verkennen (zie tabel 4). De technologische omgeving voor big data is de laatste paar jaar ingrijpend veranderd, en blijft ook verder continu veranderen. Behalve de in tabel 4 genoemde technologieën is er nog een cruciaal aspect van de technologische omgeving voor big data dat anders is dan bij traditioneel informatiemanagement. In die vorige wereld was het doel van data-analyse om data af te scheiden voor analyse naar een afzonderlijke pool, typisch een datamart of datawarehouse. Maar het volume en de snelheid van big data – ze lijken soms op een snelstromende rivier van informatie die nooit stopt – brengen met zich mee dat iedere segregatie van data snel achterhaald zal zijn. In big data technologieomgevingen gebruiken veel organisaties daarom Hadoop of vergelijkbare technologie om korte tijd grote hoeveelheden data op te slaan, die ze vervolgens weer wegsluizen voor nieuwe batches. De persistentie van de data biedt net genoeg tijd om ze (vaak op simpele wijze) te analyseren en verkennen. 

Er is goed nieuws en slecht nieuws over hoe je big data moet hanteren. Het goede nieuws is dat veel big datatechnologieën gratis zijn (zoals het geval is bij open-sourcesoftware) of relatief goedkoop (zoals commodityservers). De schaduwkant is dat het relatief arbeidsintensief is om een architectuur te maken voor big datatechnologieën en om ze te programmeren. 

 

Enkele technologievraagstukken die u zult moeten beantwoorden:

? Heeft u met de IT-afdeling gesproken over hoe uw organisatie big-datacapaciteiten kunt toevoegen aan jullie bestaande IT-architectuur?

? Heeft u de eerste bedrijfsproblemen geïdentificeerd waarbij big-datatechnologieën in uw ogen zouden kunnen helpen?

? Heeft u ingezoomd op de verzameling van bestaande technologieën die een rol zullen blijven spelen in uw organisatie?

? Heeft u de juiste technologische architectuur en implementatievaardigheden in huis om big-dataoplossingen te ontwikkelen of aan te passen aan uw behoeften? 

? Moeten de nieuwe oplossingen ‘praten’ met de bestaande platforms? Zo ja, hoe gaat u dat mogelijk maken? Zijn er open-sourceprojecten en tools die u snel op weg kunnen helpen?

? Stel dat het niet haalbaar is om in één klap alle technologieën te verwerven die big data mogelijk maken. Kunt u dan acquisitielagen voor centrale big-dataoplossingen vaststellen en de corresponderende budgettaire middelen voor elke laag? 

Wanneer u wat moois wil laten gebeuren in uw organisatie met data is de mens misschien wel de belangrijkste component. De menselijke kant gaat over datawetenschappers, de mensen die de modellen en toepassingen maken, en over de mensen die data-trajecten managen en beslissingen nemen met big data. Hoewel niet nieuw is de datawetenschapper zeer in trek bij bedrijven en universiteiten zetten momenteel massaal programma’s op om vele nieuwe datawetenschappers af te leveren. Voorlopig blijven ze echter schaars. 

 

Welke vaardigheden hebben deze data-experts nodig? Davenport beschrijft vijf kenmerken van datawetenschappers, maar merkt op dat deze vijf zelden in één persoon verenigd zijn. Daarom is het vooral zaak deze kenmerken en vaardigheden in ruime mate in het data science team te hebben. Een datawetenschapper is een: 

 

1. Hacker – Big-datatechnologieën zijn nieuw en het is zelden makkelijk om data te extraheren van de plaatsen waar ze zich bevinden en ze te transformeren voor analysedoeleinden. Daarom moet een datawetenschapper wel een soort hacker zijn. Boven alles moet hij of zij kunnen coderen of programmeren. Uiteraard is hacking alleen nuttig als het gebeurt in een waardevolle business context. 

 

2. Wetenschapper – Deze eigenschap gaat niet over een titel of over specifieke kennis over een wetenschappelijk terrein, maar over de aanleg en een geschikte houding voor datawetenschap. Bij de aanleg gaat het over het vermogen experimenten op te zetten, en bij houding over de focus op evidence-based besluitvorming, improvisatie en gretigheid. 

 

3. Kwantitatief analist – Nadat de big data gevangen en ‘getemd’ zijn, moeten ze op de traditionele manier worden geanalyseerd. Een datawetenschapper moet dus ook een kwantitatieve analist zijn om zijn of haar weg te vinden te midden van alle wiskundige en statistische technieken en om ze helder te kunnen uitleggen aan niet-technische mensen. Ook moeten ze iets afweten van de visuele weergave van data en analyses. 

 

4. Vertrouwd adviseur – Net als traditionele kwantitatief analisten moeten datawetenschappers over sterke communicatieve en relationele vaardigheden beschikken. En net als bij traditionele quants is de kans klein dat ze die in huis hebben. Maar sterke relationele vaardigheden zijn zeker nodig om senior executives te kunnen adviseren over het nemen van beslissingen met data. 

 

5. Business expert – Het is voor datawetenschappers niet in de laatste plaats essentieel om het nodige te weten van hoe de business werkt. Hoe verdient de onderneming geld? Wie zijn de concurrenten? Hoe maakt een onderneming succesvolle diensten en producten in de bedrijfstak? En wat zijn enkele essentiële problemen die het best kunnen worden opgelost via big data en analytics? Dat zijn een paar vragen waarop datawetenschappers antwoord moeten kunnen geven. Die kennis zal hem/haar in staat stellen om hypothesen te vormen en snel te testen, en om oplossingen te bieden voor belangrijke bedrijfsfunctie- en businessproblemen. 

Big data is geen hype, maar biedt organisaties tal van nieuwe mogelijkheden om inzichten op te doen en nieuwe producten te bedenken of bestaande producten te verbeteren. Van (financieel) managers vereist het wel een andere blik op hun ICT-architectuur, op het menselijk kapitaal dat nodig is, en op hun organisatie-inrichting en de wijze van besluitvorming. Slimme managers zien big data voor wat het is: een management revolutie, maar zoals alle grote veranderingen in organisaties, vereist het hands-on – en bij big data soms ook hands-off – leiderschap. Dit is een transitie waar iedere executive zichzelf vandaag nog bij moet betrekken. 

 

 

Ontdek hoe u Big Data & Analytics succesvol toepast. 2 tips: