Grip op data

Door Bouko de Groot.

Waar gaat het nou echt om met big data en machine learning?  Waar ligt de echte meerwaarde? Founder van Experience Data en big-data-docent voor finance professionals Marco de Jong legt het uit.

Big data, waarom?

“Het interessante van data is dat je alle nuances en alle complexiteit van je organisatie op een heel mooie manier kunt analyseren en visualiseren waardoor je een mooie middenweg vindt tussen een overkoepelend inzicht en het detailinzicht. Daardoor snap je veel beter wat de onderliggende drijvers zijn. Ik ben bijvoorbeeld meestal niet benieuwd naar hoeveel omzet een organisatie heeft, maar waarom nou die ene klant op die ene dag dat ene product koopt voor die ene prijs? Daarachter komen, daar is data een heel mooi middel voor.

Waar haal je die data dan vandaan?

“Organisaties hebben een ERP systeem, een financieel systeem, of allerlei webapplicaties en portalen waar al heel veel data vastligt:  welke transacties zijn er gedaan, tegen welke prijs, met welke tegenpartij, enzovoort. Maar wat er over het algemeen niet vastligt, is waaróm die transacties hebben plaatsgevonden. Dát is nou juist het mooie van big data, dat je allerlei nieuwe data kunt toevoegen, die mogelijk antwoord kunnen geven op die vraag: waarom?”

“Het meest in het oog springende voorbeeld is het weer. Veel mensen zeggen me dat het weer van invloed is op hun verkopen en willen weten wat ze zien als ze het weer toevoegen als nieuwe databron. Dan kunnen ze patronen zien die ze helpen te snappen waarom op die dag meer van een bepaald product verkocht werd. Zelf vind ik dat een beetje een flauw voorbeeld, omdat in de contacten met klanten veel meer antwoorden liggen dan in externe data zoals het weer. In dat voorbeeld heeft de betreffende verkoper waarschijnlijk het antwoord op de vraag, alleen is dat niet vastgelegd in het systeem”.

“Het gaat er uiteindelijk om patronen te vinden en alle individuele inzichten te koppelen, die je als manager over het algemeen niet zelf ziet. Elk individu kent diens eigen producten en heeft eigen inzichten, maar heeft geen inzicht in hoe de collega's dat allemaal doen. Daar is natuurlijk overleg over, maar dat ligt niet vast in een systeem. Juist door op het goede moment de goede vragen te stellen, krijg je hele interessante aanvullende data.”

Meer data zoeken en toevoegen. Is dat datagedreven werken?

“Het belangrijkste van datagedreven werken is, dat je met de data een spiegel kunt voorhouden. Zo van: “In de afgelopen week heb je deze deals gesloten: wat was je van plan, wat is je gelukt, wat is je niet gelukt, wat vertelt de data, zijn dat nou goede deals of niet, had er meer in gezeten of niet?” Door op die manier de feedback loop in te bouwen vanuit de data en het gesprek aan te gaan met zo’n medewerker, kan je datagedreven werken. Dan zie je volgende week effect van jouw acties nadat je een paar dingen anders bent gaan doen, weer vanuit diezelfde data teruggekoppeld. Zo krijg je heel snel grip op wat je aan het doen bent, wat de resultaten daarvan zijn, en welke acties werken en welke acties niet werken.”

Van big data lijkt de stap naar machine learning zo gemaakt?

“Het is belangrijk om te snappen dat machine learning een computertechniek is die patronen herkent en daarvan leert. Eigenlijk vraag je de computer “Dit is de uitkomst, welke dingen dragen bij aan die uitkomst?” En zo wil je uiteindelijk snappen hoe die uitkomst tot stand komt. Het is heel belangrijk dat je als mens in eerste instantie zelf die patronen ook leert te begrijpen en weet welke zaken er bijdragen tot succes of verlies om daar op te kunnen gaan ingrijpen.”

“Met machine learning kunnen we allemaal een voorspelmodel maken, maar heel veel mensen vinden de vervolgvraag heel moeilijk. Een mooi voorbeeld is het voorspellen van het verlies van klanten, zoals bij energie- of telecommaatschappijen. Die hebben allerlei modellen ontwikkeld waarmee ze de kans kunnen berekenen op het vertrek van een klant. Het interessantste punt is echter om dan te bepalen wát je gaat doen om dat te voorkomen.  Welke klant gaan we een brief sturen? Welke klant gaan we een bloemetje sturen? Welke klant gaan we een monteur sturen? Welke kant gaan we een nieuw prijsaanbod doen?”

“Dat nadenken daarover, dat is heel erg belangrijk om uiteindelijk machine learning goed in te zetten. Dan krijg je uiteindelijk die ervaringsdata erbij. Die kan je dan weer koppelen aan de data die je al had waarop je kon voorspellen of die klant wegging of niet. Zo ontwikkel je wat wij noemen een learning loop, waardoor je steeds beter kunt inspelen op de behoefte van je klanten en ze daarmee dus langer als klant houdt. Kortom: streven naar een optimale samenwerking tussen mens en machine.”

Heb je nog een datatip voor finance professionals?

“Jazeker: word nieuwsgieriger! Ga proberen antwoorden te vinden in al die data die je al wel hebt, maar nog niet gebruikt.”

Word lid van FinanceHub en beluister de hele podcast.

• Lees ook: Drie pijlers voor datagedreven vernieuwing

De podcasts in deze serie:

• Grip op data
  “Streven naar een optimale samenwerking tussen mens en machine.” Q&A met Marco de Jong, founder Experience Data.
• Laat je hacken of betaal hoge boetes
  “IT-security hoort onder de CFO te hangen: het is een bedrijfsrisico.” Q&A met Edwin van Andel, ethische hacker en CEO van Zerocopter.
• Digital transformation? Stel de mens centraal
  “Hoe kunnen we nu het verhaal vertellen van finance.” Q&A met Raymond Steenvoorde, account director van BlackLine.
• Blockchain: geen hype, wel realiteit
  “Blockchain is het tegenovergestelde van wat je tot nu toe geleerd en gedaan hebt.” Q&A met Paul Bessems, blockchain expert.
• Naar een betere beleving
  “Groei moet geen doel op zich zijn.” Q&A met Joost Peeperkorn, CFO Eden Hotels.
• Risicomanagement werkt, ook nu
  “De belangrijkste uitdaging: hoe faciliteer je de communicatie.” Urjan Claassen, CEO C-Profile