4 toepassingsgebieden van Big Data & Analytics

Het inzetten van Big Data & Analytics voor waardevolle inzichten en een betere performance. Welke mogelijkheden zijn er?

Een thema relevanter en actueler dan ‘Big Data & Analytics’ valt nauwelijks te bedenken. Organisaties - van groot tot klein - zitten op een goudmijn aan data. De meesten weten dit en willen die data maar al te graag omzetten in inzichten die bijdragen aan slimmere beslissingen en een betere performance. Velen worstelen echter nog vaak met de vraag hoe ze dat kunnen doen. 
 
Het doel van de recente special van FM Magazine die wij gemaakt hebben over dit onderwerp is finance professionals - die zonder twijfel een grote rol te vervullen hebben in de uitdaging om optimaal te profiteren van big data & analytics - concrete handvatten mee te geven om meer uit hun data te halen. 
 
We hebben deze special ingedeeld volgens de toepassingsgebieden van data analyse, van groot naar klein. Eerst de operationele beslisinformatie, gevolgd door de managementinformatie en dan de analyse. Daarnaast besteden we aandacht aan network intelligence: hoe data ingezet kan worden om de hele keten waar een organisatie deel van uitmaakt te verbeteren.
 
Hieronder staan de vier toepassingsgebieden toegelicht die er zijn voor Big Data & Analytics.
 
1. Operationele data-analyse
Bij operationele beslisondersteuning denken de meeste mensen al snel in termen van grote strategische beslissingen, zoals waar de nieuwe fabriek neergezet moet worden. Maar data analyse kan voor allerlei doeleinden worden ingezet, zowel op grote als kleine schaal. Denk aan het automatiseren van de juiste werkstromen, het bepalen van prioriteit in de procesvolgorde, capaciteitsplanning, enzovoorts. 
 
Bij al dit soort zaken heb je profijt van inzicht in de feitelijke situatie, iets dat verder gaat dan het fingerspitzengefühl van een afdeling.
 
Inzichten in data-verbanden uit managementinformatie en analyse kunnen weer worden gebruikt voor het aansturen en monitoren van werkprocessen. Online retailers gebruiken deze techniek bijvoorbeeld om klanten, op basis van slimme wiskundige modellen, te verleiden tot een aankoop. Stel je eens voor dat er op basis van een netwerk van proces-sensoren een operatie helemaal gemonitord - en waar nodig onderbouwd met feiten - bijgestuurd kan worden. Veel analyse experts in traditionele organisaties benaderen de operationele laag puur vanuit het oogpunt van dataleverantie. Het is echter bij uitstek de laag die op data gerund en gemonitord kan worden. Daar liggen grote kansen.
 
2. managementinformatie
Bij managementinformatie is een duidelijke trend zichtbaar die steeds meer richting ‘self service’ gaat. Mensen in organisaties gaan veel meer zelf aan de slag met de beschikbare data en moeten keuzes maken. Dat houdt in dat ze zelf dwarsdoorsnedes kunnen bedenken en bepaalde variabelen tegen elkaar kunnen uitzetten om zo tot eigen analyses te komen. 
 
De voorbereiding van de databron is hierbij het grootste werk. Wanneer die is goedgekeurd, kunnen ze zelf de bewerkingen uitvoeren waarmee ze de inzichten genereren die voor hen het bruikbaarst zijn. Dit kan dus naast de standaard KPI’s die ze al volgen.

Ontdek de power van Big Data & Analytics

Zoek je een praktische cursus over Big Data speciaal voor financials? Ontdek hoe je Big Data direct toepast in jouw business. Volg de driedaagse training Big Data & Analytics (inclusief 4 E-learning modules) en ontvang de tools en inzichten om de kwaliteit van rapportages en adviezen te optimaliseren.

Meer informatie

 
Financials die een rol vervullen als business partner kunnen hierin helpen door bijvoorbeeld al een vooranalyse te doen om de trends te duiden. De uitdaging daarbij is om een goede mix te vinden tussen bottom-up en top-down. KPI’s ontstaan vaak door een top-down benadering: je bedenkt wat je wilt weten en zorgt dat deze indicatoren volgens de juiste definities en kwaliteitseisen periodiek worden gerapporteerd. 
 
Bij een bottom-up benadering ga je vanuit de data denken: wat hebben we en wat kunnen we daarmee? En je kunt dan dus besluiten om minder strak voor te selecteren en meer data mee te geven de organisatie in. Iets wat wel de nodige druk op de datawarehousing architectuur kan zetten.
 
Hiermee stel je echter de mensen wel in staat meer onderzoek te doen naar de wat-vraag. Gebruikers zien aan hun dashboard dat er bepaalde trends zijn of dat bepaalde KPI’s goed of slecht scoren. Door de interactieve mogelijkheden in de tools te benutten, kunnen ze nu zelf verder zoeken naar de samenhang.
 
3. Analyse
Bij analyse werkt het in tegenstelling tot managementinformatie 100% bottom-up. Je data vormt het uitgangspunt en dan gaat het om zowel gestructureerde als ongestructureerde data en koppelingen met externe data. Hier staat de waarom-vraag centraal. Dus niet: ‘wat is de trend?’ maar: ‘waarom is er eigenlijk een trend? Wat zijn de drivers achter de trend en hoe kunnen we die objectiveren en hanteerbaar maken?’ 
 
Dit is ook een echte onderzoeksfase: de volledige waarom-vraag is vaak nog niet bekend. Door gericht te werken met onderzoeksvragen, kun je de analyse beheersbaar houden. Je kunt dan vragen beetpakken als: Hoe goed werkt mijn inkoopproces? Hoe zit het met de effectiviteit en inzet van onze medewerkers? Waarom lopen de kosten de laatste maanden op? Door combinaties te maken, andere invalshoeken te gebruiken en creatief naar de data te kijken, kunnen verrassende relaties naar voren komen. Ook dan zijn het de inzichten op basis van feitelijke gegevens die de beslissingen sturen.
 
4. Network Intelligence (inzicht in de keten)
Het laatste subthema is network intelligence en draait om de inzet van data om de eigen plek in de keten te begrijpen. Hoe kunnen organisaties vanuit hun gezichtspunt, samen met ketenpartners die totale keten optimaliseren? Neem nou een zorgverzekeraar. Zij hebben als financier een duidelijke rol in de zorg-keten. 
 
Andere spelers daarin zijn onder andere ziekenhuizen, apotheken, medisch specialisten en huisartsen. Stel dat ze zouden kijken naar het medicijngebruik en het optimaliseren van behandelmethoden door de keten heen. Dan heb je een heel mooi voorbeeld van network intelligence. Vanuit hun overkoepelende perspectief zien ze bijvoorbeeld dat er bij het ene ziekenhuis veel minder terugval is dan bij het andere. Wat doen ze daar anders? En hoe kunnen ze als keten de kans op genezing verbeteren zodat het proces als geheel weer goedkoper wordt? 
 
Voor finance is dit een erg interessant gebied, want als je weet wat de klanten van jouw klanten en leveranciers beweegt, kun je effectiever opereren in je markten.
 
Beginnen
Er is nog veel te doen voordat de meeste ondernemingen in staat zijn echt te profiteren van big data en analytics. Het gros van de organisaties is al blij dat ze op een goede manier kunnen rapporteren en analyseren. Voor financials zijn er nogal wat beperkingen in het doen van ‘vrij’ onderzoek. Wanneer je wilt dat alles voor 100 procent klopt, kom je in de analyse-laag nog niet aan je trekken. Voor financials ligt, denk ik, de grootste uitdaging in het andersom leren denken.
 
Wat ik wil overdragen is dat Big Data heel erg wordt gedreven vanuit Business Intelligence, de toepassing van allerlei tools en de eindeloze combinaties die gemaakt kunnen worden. Maar ik denk dat het belangrijk is de vier toepassingsgebieden als kader helder uiteen te zetten. Veel bedrijven moeten nog aan het experiment beginnen, iets waarbij ze mogelijk over hun koudwatervrees heen moeten stappen. Als financial kun je hier al pionierend het voortouw in nemen.
 
Het gaat om een keuze; of je laat toe dat bedrijven die het fundamenteel anders doen - zoals Amazon, Google, Facebook en Twitter - branches gaan overnemen. Of je zorgt dat je zelf veel breder dit soort technieken gaat inzetten, dus ook accepteren dat data een geïntegreerd onderdeel wordt van je overlevingsstrategie. Het is een uitdaging, maar één die we allemaal aan kunnen gaan.
 
Marco de Jong (oprichter Experience Data) en data zijn onlosmakelijk met elkaar verbonden. Als accountant bij EY, en daarna als SAP consultant en adviseur risk management bij EY, heeft hij de waarde van data altijd onschatbaar geacht. Tot het in 2012 niet langer uit kon blijven! Hij begon single handedly ‘Data To Insight’ binnen het Consultancy bureau Trifinance, een high end data science team dat voor diverse grootte opdrachtgevers waarde uit data weet te halen. En vanaf heden is het dan zover: een droom, een passie, een visie! 2015! Marco start samen met Jan de Roos Experience Data. ‘Samen waarde creëren’. Door middel van inspireren, creëren en realiseren brengen zij klanten van data naar het land van de onbegrensde mogelijkheden.
 
Lees nu online FM Magazine - Big Data & Analytics Special