De term Big Data hoor je voortdurend om je heen. Alle organisaties, groot en klein, zijn ermee bezig. Maar al die aandacht voor Big Data is ook misleidend. In sommige situaties heb je inderdaad heel veel data nodig om er waarde uit te kunnen halen. Maar de hoeveelheid data is niet de cruciale factor. Het gaat om de juiste data.
Uber wordt vaak gezien als een succesverhaal asl het gaat om Big Data. En inderdaad beschikt Uber over een schat aan informatie via de applicaties die gebruikt worden door automobilisten en mensen die een ritje nodig hebben.
Maar het succes van Uber is niet alleen te danken aan het verzamelen van grote hoeveelheden data. Uber dankt zijn succes vooral aan de kleine maar juiste data die nodig zijn om iets heel eenvoudigs te doen: auto’s ergens naartoe sturen.
Stel 3 vragen over Big Data
Soms zijn de benodigde data wél Big. Maar voor innovatie is het belangrijk om uit te zoeken welke cruciale data nou precies nodig zijn. Dáár moet je naar zoeken. Hoe doe je dat? Begin met deze 3 vragen.
Vraag 1: Welke beslissingen leiden tot verspilling?
De meeste bedrijven hebben te maken met grote hoeveelheden afval. Kijk bijvoorbeeld naar de bloemensector. De gemiddelde bloemenzaak gooit soms meer dan 50 procent van de bloemen weg omdat ze niet meer verkoopbaar zijn. Als je met data in staat bent om het bederf terug te dringen, dan kan dat de sector op z’n kop zetten. Innovatieve bedrijven als UrbenStems en Bougs zijn daarmee bezig.
‘Waste makes for opportunity’ (Ben Edelman, Harvard Business School)
Of zoals Ben Edelman, hoogleraar bij Harvard Business School zegt: ‘Waste makes for opportunity’. Of het nou in industriele productie is, in retail of juridisch onderzoek: zoek uit wat de bron van je verloren moeite of resources is.
Of het nou gaat om iets simpels als het identificeren van de voorspellingen waarvan je weet dat je ze maakt (hoeveel inventaris gaat naar de voorraad?), of dat het vereist dat je nadenkt over de impliciete beslissingen die je maakt (hoe een taxi in de stad rondrijdt om 10 uur ‘s avonds): dit soort beslissingen in kaart brengen zullen je in de richting wijzen van de bronnen van versplling.
Vraag 2: Welke beslissingen kun je automatiseren om verspilling te verminderen?
Mensen zijn heel goed in het nemen van bepaalde beslissingen, zoals welke campagne het beste zal aanslaan of welke marketing materialen het beste zijn.
Maar als het gaat om eenvoudige, repetitieve, operationele beslissingen – zoals waar een taxi heen te sturen, welke prijs te hangen aan een product of hoeveel bloemen te bestellen – dan zijn machines daar meestal veel beter in dan mensen. En we kunnen veel meer beslissingen aan machines overlaten dan we nu voor mogelijk houden.
We kunnen veel meer beslissingen aan machines overlaten dan we nu voor mogelijk houden.
Zo wordt gezegd dat Amazon het grootste deel van zijn ‘pricing team’ naar huis heeft gestuurd. De beslissingen over de prijzen worden nu overgelaten aan algoritmes. De meeste retailers vinden dat een belachelijk idee. Maar als Amazons algoritmes werken, dan zou dat betkenen dat er minder kortingen worden gegeven, er minder voorraad is en er betere voorspelbaarheid is als het gaat om de lancering van nieuwe producten.
Vraag 3: Welke data zou je nodig hebben om dit te doen?
Je weet nu waar je verspillingen zitten en je hebt de beste manier gevonden om beslissingen te nemen. Dan blijft nog een simpele vraag over:
Als je elke informatie of stukje data kon krijgen wat je nodig had om de juiste beslissing te nemen, hoe onhaalbaar het ook lijkt, wat zou dat dan zijn?
Als je elke informatie of stukje data kon krijgen wat je nodig had om de juiste beslissing te nemen, hoe onhaalbaar het ook lijkt, wat zou dat dan zijn?
In Uber’s geval ging het om precies te weten waar alle potentiele autorijders zich bevonden. Dan konden de beslissingen over waar rijders heen te sturen en zo versplling tegen te gaan, worden geautomatiseerd.
Zorgverzekeraars die kosten willen verminderen, zouden heel graag willen weten op werk moment precies het suikergehalte in het bloed van een diabetespatient zakt zodat ze op precies het juiste moment kunnen ingrijpen.
General Electric wil met zijn Predix Industrial Internet software precies weten wanneer een machine het gaat begeven. Ze kunnen dan beslissingen automatiseren over onderhoud, zodat onverwacht uitval van de machine voorkomen kan worden.
De juiste informatie
Dit zijn de juiste stukjes informatie, de data die je moet zien te vinden. Als je dat vindt door een enorme hoeveelheid data te kraken: prima! Als je daarvoor een nieuwe app moet ontwikkelen om de data nog beter te begrijpen: nog veel beter.
Bron: Hbr.org
Leestips: 21 ideeën om lean management te implementerenÂ
Big Data aan het werk – Wat je als manager moet weten
door Thomas DavenportÂ
