Big data: managers hebben nieuwe vaardigheden nodig

Datawetenschappers zijn niet het enige punt van zorg op ‘mensengebied’ bij het managen en analyseren van big data. Big data hebben ook belangrijke impact op de besluitvorming van managers en executives.

Big data worden soms gebruikt met het doel producten te ontwikkelen en kosten te reduceren in plaats van voor de interne besluitvorming in organisaties. Maar als ze wel worden gebruikt om beslissingen te ondersteunen, zijn de omvang en snelheid van big data van dien aard dat er moet worden afgeweken van conventionele, op maximale zekerheid gerichte besluitvormingsmethoden. Tegen de tijd dat de organisatie een hoog niveau van zekerheid heeft bereikt over de inzichten en implicaties, zouden er alweer heel veel nieuwe data beschikbaar zijn. Daarom moeten veel organisaties zich een meer continue, indicatieve en minder zekere aanpak van analyse en besluitvorming eigen maken.

Analytics van data zelden definitief

Analytics van socialmediadata bijvoorbeeld zijn zelden definitief – ze geven vooral inzicht in de allerlaatste trends over de gevoelens van klanten over producten, merken en bedrijven. Het zou nuttig kunnen zijn om met zekerheid te bepalen of de content op een bepaald tijdstip (een uur, een dag) correleert met veranderingen in de verkoopcijfers, maar tegen de tijd dat de analyse afgerond is zou er alweer veel meer nieuwe content binnen zijn. Het is belangrijk om heldere criteria te hebben voor welke beslissingen genomen moeten worden en welke actie moet worden ondernomen op grond van big-data-analyses – vooral op snel veranderende terreinen als social analytics. Soms is het belangrijk om te erkennen dat de data en analyses niet definitief zijn. Ik heb het al gehad over het HunchWorksproject bij de Verenigde Naties (zie het boek Big data aan het werk), dat erop gericht is in een vroeg stadium trends en voorgevoelens op te sporen om te beslissen of ze toekomstige aandacht verdienen. Dit zou ook een goede benadering kunnen zijn voor de analyse van sociale sentimenten – om ze als hint te zien voor de wenselijkheid van verder onderzoek, niet als signaal voor actie.

IBM Watson in de gezondheidszorg

Als je op basis van je big-data-analyse zekerder weet (maar niet honderd procent zeker) dat er iets belangrijks aan het gebeuren is, zou je een geautomatiseerde aanbeveling kunnen overwegen. Zo nodig kan een mens die overrulen. Dat is bijvoorbeeld wat sommige gezondheidszorgorganisaties willen met de aanbevelingen van IBM’s Watsonsysteem. Een verslag van de implementatie van Watson bij zorgverzekeraar Wellpoint: “Wat interessant is: als Watson concludeert dat het behandelingsverzoek van een arts of zorgleverancier niet de meest effectieve optie is gezien de geschiedenis van de patiënt en gezien de medische voordelen van de behandeling, kan de computer aangeven het er niet mee eens te zijn – maar hij kan niet de beslissing van de leverancier overrulen of behandelingsverzoeken weigeren. In plaats daarvan zou een (menselijke) verpleegkundige Watsons alternatieve suggestie moeten beoordelen, en dan samen met de zorgleverancier moeten inschatten of er wel of niet gevolg aan wordt gegeven.

Processen voor analyse big data

Niet alleen de beslissingen van individuele managers moeten veranderen in de big-datawereld. In bredere zin moeten organisaties datamanagement, analyse en besluitvorming zien in termen van ‘geïndustrialiseerde’ stromen en processen in plaats van als afzonderlijke voorraden data en gebeurtenissen. Vroeger vergde data-analyse heel veel tijd en menselijke interventie. Als data eenmaal waren geïdentificeerd, werden ze geëxtraheerd en in een datawarehouse geladen; vervolgens gingen de analisten aan de slag. Kenmerkend was dat de analisten flink wat tijd namen voor het masseren, analyseren en interpreteren van de data. In veel gevallen rapporteerden ze de resultaten naar buiten toe in visuele vorm om ze begrijpelijker te maken voor de besluitvormers. Het volume en de snelheid van big data vergen echter dat organisaties continue processen ontwikkelen voor het verzamelen, analyseren en interpreteren van data en voor het ondernemen van actie op grond van de resultaten. Dat geldt op zijn minst voor operationele toepassingen als multichannelaanbiedingen voor next best offers aan klanten, het realtime identificeren van fraude en het scoren van medische patiënten op gezondheidsrisico’s. Een groot deel van de analyses en op zijn minst een deel van de besluitvorming moeten geheel of gedeeltelijk worden geautomatiseerd. Dat betekent integratie in zogeheten beslissingsmanagement- of bedrijfsprocesmanagementtools. Sommige ontwikkelaars (zoals IBM en Pegasystems) bewegen met hun softwareaanbod in de richting van deze integratie. Decision management- expert James Taylor heeft dit onderwerp in zijn boeken en blogs verkend.

Big data en klantrelaties

PNC Bank bijvoorbeeld, heeft gewerkt met Pegasystemssoftware om goed gestructureerde en semigeautomatiseerde processen voor klantenservice en aanbiedingen te creëren via alle contactpunten en kanalen. PNC begon deze software drie jaar geleden te implementeren om een consistente aanpak van het aanbod aan klanten en van klantrelaties te creëren – in eerste instantie via inkomende kanalen, maar uiteindelijk ook via uitgaande kanalen. De bank maakt al een miljoen aanbodbeslissingen per dag beschikbaar bij interacties met klanten via alle belangrijke kanalen. Meestal wordt een callcentermedewerker eenvoudigweg geadviseerd om het gesprek af te handelen op basis van de voorspelde waarde van de resterende gesprekstijd. Het personeel van bankkantoren heeft in de regel wat meer tijd en context om het aanbevolen aanbod voor andere bankdiensten en -producten te presenteren. Elk inzicht en elke aanbeveling worden afgestemd op de koopkracht van de klant en diens eerdere gedragingen. De analytische modellen worden doorgaans offline in SAS of via realtime modelleringscapaciteit ontwikkeld en toegepast via de Pegasystemsengine. Deels vanwege deze capaciteit werd PNC onlangs tot nummer 1 bestempeld van zestien online financiële instellingen voor marketing en promotie door Corporate Insight, een onderzoeken consultancybedrijf voor de bancaire sector.

Visuele Rapportages

Big-data-analyse gaat vaak samen met rapportage van data in visuele vorm. Hoewel er toenemende technologische mogelijkheden zijn om data via dashboards en visual analytics te tonen, vereist visual analytics vaak aanzienlijke interpretatie door mensen – en dat kost waardevolle tijd. De tijd en kosten die gemoeid zijn met die menselijke interpretatie zijn vaak moeilijk te rechtvaardigen in operationeel intensieve big-dataomgevingen. Mensen moeten zo veel mogelijk geëlimineerd worden uit operationele big-dataprocessen, of hun betrokkenheid moet beperkt blijven tot initiële ontwikkeling van regels en het scoren van algoritmen en waar nodig aanbevelingen en uitzonderingen overrulen. Uiteraard blijft er plaats voor gedetailleerde menselijke analyse in op onderzoek en exploratie georiënteerde toepassingen, maar met die contexten zijn normaliter langzamere analyses en besluitvormingsprocessen gemoeid. In big-dataomgevingen waarin sprake is van een hogere snelheid van besluitvorming (soms high performance analytics genoemd), maakt de technologie veel snellere analyse van data mogelijk. Om daar waarde uit te halen moeten organisaties echter wel bepalen wat ze doen met de extra tijd die is vrijgemaakt. Kunnen ze bijvoorbeeld meer analyses uitvoeren om hun modellen te verfijnen?

Ontwikkeling algoritmemodel met big data

Een retailbedrijf was dagelijks vijf uur kwijt met het ontwikkelen van één enkel algoritmemodel voor de acquisitie van nieuwe klanten. Met gebruik van big-datatechnologie werd dit drie minuten, en daarbij kon het model elk halfuur opnieuw worden vervaardigd waarbij ook meerdere modelleringstechnieken werden gebruikt. Dit verbeterde de model lift van 1,6 naar 2,5 procent – een schijnbaar kleine verbetering die met de grote hoeveelheid klanten zeer lucratief kan uitpakken. Andere manieren om modellen te verfijnen met big data zijn bijvoorbeeld het gebruik van meer data; meer variabelen invoeren en proberen om meer modelvarianten af te stemmen via benaderingen voor machineleren. Enkele andere bedrijven proberen het hele proces te verbeteren waarin de big-data-analyse plaatsvindt. De sleutel is daarbij het versnellen van beslissingen en acties om die aan te passen aan de toegenomen snelheid van de analyse. Ik hoop dat inmiddels duidelijk is dat de vaardigheden van getalenteerde mensen de allerbelangrijkste resource zijn bij het succesvol exploiteren van big data. Zij extraheren de data vanuit duistere locaties, schrijven programma’s om ongestructureerde data om te zetten in gestructureerde data, analyseren de data, interpreteren de resultaten en adviseren executives over wat ze ermee moeten doen – dit alles in korte tijd en met gevoel voor urgentie. Bron: Big data aan het werk Door: David Davenport

Het boek: Big data aan het werk

Big data … je kent de term, maar hoe je ze op relevante wijze inzet binnen een organisatie is een heel ander verhaal. Big data aan het werk geeft jou als manager de informatie die je nodig hebt om big data te laten werken voor jouw business.

• Meer informatie over Big data aan het werk >>>