25 juni 2013 -
Big data lijkt overal te zijn: niet alleen grote organisaties hebben ermee te maken, ook ziekenhuizen, scholen en gemeenten houden zich bezig met de vraag hoe ze big data slim kunnen benutten. Helaas lukt het veel organisaties nog niet om big data efficiënt te analyseren en er vervolgens resultaat mee te boeken.
Volgens Anthony Deighton, CTO van QlikTech, staat de zogenaamde ‘big data bottleneck’ organisaties in de weg bij een succesvolle inzet van big data. In dit artikel gaat hij in op de vraag hoe managers dit struikelblok kunnen overwinnen.
Data scientists
Big data is inmiddels geen hype meer. Volgens recent onderzoek van Gartner heeft 42 procent van de IT-beslissers al geïnvesteerd in big data-technologie of is van plan daar dit jaar mee te gaan starten. Deze cijfers laten zien dat organisaties er serieus mee bezig zijn, maar toch blijft het echte succes vaak uit. Waar ligt dat nu aan? Feit is dat organisaties worstelen met een manier om big data te analyseren en om te zetten naar informatie waar de business wat aan heeft. Vaak worden er kleine teams van gespecialiseerde ‘data scientists’ samengesteld. Deze techneuten hebben de skills in huis om met ingewikkelde analyseprogramma’s grote hoeveelheden data te analyseren en proberen de belangrijkste informatie zo goed mogelijk naar de werkvloer door te spelen. De business aldaar moet op basis van deze informatie belangrijke zakelijke beslissingen nemen. Wanneer een medewerker van de business een vervolgvraag heeft over de beschikbare informatie moet dit teruggespeeld worden naar de data scientists die dan een nieuwe analyse starten.
Verlies van waarde
Bovenstaand scenario is precies wat de big data bottleneck veroorzaakt: een kleine groep experts die de data analyseert en hun inzichten vervolgens deelt met de werkvloer. Dit proces is niet alleen tijdrovend, het zorgt er ook voor dat de data devalueert en haar kracht verliest, zodat de business er niet uit kan halen wat er in zit. Tegen de tijd dat de data scientists het rapport met informatie kunnen opleveren, is de data alweer veranderd en zijn de inzichten verouderd. Ook kost het ontzettend veel tijd om vervolgvragen te stellen. Het hele analyseproces begint dan weer van voor af aan. Dit is dus niet de manier om medewerkers van informatie te voorzien, ontdekkingen te laten doen en beslissingen te laten nemen. Het zou logischer zijn wanneer de mensen die uiteindelijk met de data moeten werken en op basis daarvan beslissingen moeten nemen zélf toegang hebben tot de informatie en zelf het antwoord op hun vragen kunnen vinden. Daar zit naar mijn idee de oplossing van de big data bottleneck: de informatie moet beschikbaar zijn voor de werkvloer, oftewel data discovery voor de werkvloer.
Data Discovery
Data discovery als term is twee jaar geleden al door Gartner geïntroduceerd. De marktanalist omschrijft het als een vorm van self-service Business Intelligence (BI) die de business in staat stelt alles wat er binnen de organisatie gebeurt (of er directe invloed op heeft) real-time te kunnen monitoren, analyseren en op te reageren. Dit staat ver af van traditionele BI-analyse, die statisch is en gebruikers alleen de mogelijkheid geeft vooraf gedefinieerde vragen te stellen en te beantwoorden. Bovendien is data discovery er – veel meer dan traditionele BI – op gericht om analyse echt makkelijker te maken voor zakelijke gebruikers, door visualisatie, het delen van inzichten en mobiele toegang.
Rol van de manager
De mensen op de werkvloer die verantwoordelijk zijn voor het nemen van zakelijke beslissingen moeten dus zélf toegang hebben tot big data. De rol van de manager is hierbij cruciaal. Die is verantwoordelijk om al die mensen eenvoudig toegang te bieden tot die bergen data. Het is daarbij van belang dat deze grote groep mensen ook slim kan overleggen en tijd- en plaatsonafhankelijk ad hoc beslissingen kan nemen. Een analysetool kan hierbij helpen, maar deze moet dan in elk geval aan een aantal praktische voorwaarden voldoen. Allereerst moet het systeem als het ware met je mee kunnen denken over je vervolgvragen, oftewel hetzelfde denkpatroon volgen als het menselijk brein. In IT-termen komt dat neer op associatieve mogelijkheden en het automatisch verbanden leggen tussen verschillende gegevens. Daarnaast is mobiel een belangrijke voorwaarde voor data discovery. Ook wanneer medewerkers onderweg zijn moeten ze de mogelijkheid hebben om duidelijke antwoorden op vragen te krijgen of ideeën en keuzes te onderbouwen met feiten. Tot slot is het sociale aspect een belangrijke voorwaarde voor goede data-analyse. Het nemen van een beslissing is een sociaal proces, veelal gekenmerkt door vaste patronen. Ondersteuning van dit sociale proces door middel van automatisering kan sterk bijdragen aan het stellen van de juiste (vervolg)vragen en het nemen van de juiste beslissing.
De toekomst van data
Gartner verwacht dat 30 procent van de data-analyseprojecten in 2015 inzichten zullen bieden op basis van gestructureerde en ongestructureerde data. Data wordt dus steeds belangrijker in ons beslissingsproces. Doordat steeds meer mensen steeds grotere hoeveelheden data zullen analyseren in de toekomst, vraagt dit om verregaande automatisering van dat analyseproces. Zo kunnen organisaties trends en kansen niet alleen eerder ontdekken, maar er ook direct vanaf de werkvloer mee aan de slag.
Tikkeltje onzinig artikel met een hoog commercieel en 'wij van wc eend....' gehalte.
Wellicht begrijpen de auteurs het nog niet helemaal, Big Data staat nog als onderwerp volledig in de kinderschoenen en twee, in europa woed al een tijd een economische crisis waardoor iets geroeptoeterd als 'big data' waarschijnlijk helemaal niet hoog op de agenda staat.
Wat ik in het artikel niet tegen kom zou de basis moeten zijn om dergelijke software te gaan implementeren. Wat zijn de randvoorwaarden om erop over te gaan. elke vorm van data is voor elke organisatie weer anders en dat aspect alleen al is zo divers dat het een onderwerp als big data alleen nog maar bigger maakt.
Als laatste
Er is niets zo dynamisch als de mens, en al helemaal het menselijke brein. Die diversiteit en dynamiek is dusdanig dat het gebruik van software voor eenbepaald doel, rekenkundig gezien nog helemaal in de kinderschoenen staat. Kort en goed, er zijn nog niet eens begrijpelkijke en betrouwbare rekenmodellen waartegen je jezelf kunt afmeten.
Van Big Data wordt veel gebruik gemaakt door Marketing. Lees voor een goed begrip over Big Data ook het Engelstalig artikel ''What The Hell Is ... Big Data?'' (Klik hier)
