Vijf actiepunten voor een geavanceerde data-analytics-strategie voor de toekomst
Data-analytics management kan vaak nog beter
29 juli 2021 -
Informatie is overal. Dit weten we en we accepteren dat er veel digitale platforms, tools en apparaten zijn die in bijna elk aspect van ons leven zijn doorgedrongen. Ondanks dat we dit omarmen, zijn er voorbeelden van niet optimaal data-analytics management binnen bedrijven in elke branche. Hierdoor zijn ze slecht voorbereid op de toekomst wat betreft schaalbaarheid, aanpassingsvermogen en algemene toepasbaarheid.
Met een roerige tijd die hopelijk achter ons ligt, kunnen we ons richten op de rest van 2021 en de jaren daarna, die vragen om reorganisatie en voortdurende aanpassing. Hoe zorgen bedrijven ervoor dat data-analytics onderdeel wordt van hun concurrentievoordeel, in plaats van een bottleneck voor hun eigen succes? Gertjan Vaessen, general manager en country leader Nederland van TIBCO geeft antwoord in dit artikel.
Een multi-vector impact surface
Vaessen: "Wanneer data-analytics grondig, verstandig en intelligent wordt gebruikt en toegepast, is de transformatieve impact ervan te zien op een aantal belangrijke vectoren. Data-analytics is in staat om bestaande bedrijfsprocessen te verbeteren en zo operationele perfectie in het gehele bedrijf te garanderen. Deze uitmuntendheid zorgt ook voor betere klantervaringen in de belangrijkste markt van het bedrijf en in de hele supply chain. Diezelfde positieve impact zorgt ervoor dat het bedrijf kan innoveren en initiatieven kan opzetten om het bedrijf verder te verbeteren.
Maar geen enkel bedrijf kan investeren in nieuwe servers, systemen en apparaten voor eindgebruikers en van de ene op de andere dag zeggen dat het nu data-gericht is. Data biedt kansen, maar creëert ook uitdagingen. Volgens een nieuwe update van de Global DataSphere Forecast van International Data Corporation (IDC) zal er wereldwijd meer dan 59 zettabytes (ZB) aan data worden gecreëerd, opgeslagen, gekopieerd en gebruikt in 2020*. Dat is heel veel data om te managen.
Deze data-uitdaging is nog groter doordat slechts vijftien procent van de gecreëerde data nieuw en origineel zal zijn. Het grootste gedeelte van de nieuwe data die in een jaar wordt gecreëerd, bestaat namelijk uit kopieën van data die zich al ergens in een andere database, applicatie, clouddienst of andere informatiestroom bevinden. Zelfs als we kunnen inzoomen op de vijftien procent nieuwe en originele data, zal een groot gedeelte daarvan onbewerkt, slecht geformatteerd, mogelijk beschadigd of ongestructureerd zijn. Kortom: er is veel werk te verzetten, dus laten we het opsplitsen in vijf belangrijke actiepunten die elk bedrijf kan ondernemen en gebruiken als strategische gids."
1. Ontwikkel een goed afgestemde strategie voor data-analytics
Informatie houdt van orde, vorm en structuur, dus een bedrijf moet die systematische orde bieden. Dit kan met behulp van een strategie voor data-analyse die de strategie voor business transformatie ondersteunt en versnelt.
Maar data is een levend, dynamisch en vaak ongestructureerd onderdeel van een bedrijf, iets waar om verschillende redenen een beroep op wordt gedaan, voor verschillende use cases, in verschillende applicaties en via verschillende platforms. We kunnen met deze onzekerheid omgaan als we beleggen zoals een portefeuillebeheerder op de beurs dat doet, zodat we ervoor zorgen dat we nooit slechts op één paard wedden.
In dit scenario creëert het bedrijf een strategie voor data-analyse die een divers portfolio aan assets benut, met een focus op het genereren van meer waarde uit de assets die de meeste zakelijke impact opleveren, zoals klantgerelateerde data die de omzetgroei stimuleren. Hierdoor kunnen we op ons datagedreven bedrijf reageren, ervan leren en verbeteringen doorvoeren, en tegelijkertijd voldoen aan risicobeheer en compliance-regelgeving.
2. Hanteer een adaptieve data-analytics-architectuur
Bedrijven moeten een open en adaptieve benadering van data-analytics toepassen. Waarom? Omdat de huidige gedistribueerde cloud-gecentreerde topologieën dezelfde ontkoppelde en gelaagde benadering hebben als intelligente data-decentralisatie.
Naarmate we steeds vaker gebruikmaken van moderne benaderingen van data lake-technologieën (waaronder zogenaamde data lake-houses), kunnen we nieuwe oplossingen creëren die draaien op gedistribueerde data-architecturen – ontworpen voor data uit elke bron, waar het zich ook bevindt – en ze aan elke klant, overal, op elk apparaat aanbieden. Dit maakt deel uit van wat we tegenwoordig vaak datademocratie noemen, waarbij zowel de data zelf als de selfservice data-analysetool beschikbaar is voor alle gebruikers, ongeacht hun technische vaardigheden. Een adaptieve en open data-analytics-architectuur die open standaarden omarmt, is klaar voor zakelijke verandering, waar en wanneer dat ook gebeurt.
3. Agility stimuleert zakelijke mogelijkheden
Als we de term agility gebruiken in de technologiesector, dan schrijven we het vaak met een hoofdletter uit respect voor het Agile Manifesto, dat programmeurs helpt om snel te implementeren en verandering te omarmen. Datamanagement en data-analyse van de volgende generatie zullen meer agile ontwikkelings- en implementatiemethoden gebruiken die mensen, processen en de benodigde tools integreren. Dit om ervoor te zorgen dat bedrijven sneller nieuwe datasets en AI/ML-modellen kunnen bouwen en zo snel nieuwe zakelijke mogelijkheden kunnen creëren.
Door nieuwe DataOps- en ModelOps-technieken toe te passen die zorgen voor meer agility in de gehele datalevenscyclus, kunnen we profiteren van op AI-gebaseerde tools die ons helpen om data-analytics te operationaliseren, optimaliseren en verder te democratiseren.
4. Processen automatiseren
Aangezien het in bijna elke laag van de technologie-stack aanwezig is, zullen we ook zien dat de voordelen die AI en ML bieden, worden toegepast op nieuwe benaderingen van data-analytics. Bedrijven kunnen nu de voordelen van moderne AI/ML-mogelijkheden gaan benutten binnen de data-analysetools die ze gebruiken. Hierdoor kunnen ze het werk automatiseren dat meer definieerbaar, makkelijk te herhalen en kwantificeerbaar is.
Wat betreft analyse kan slimmer gebruik van AI/ML ons helpen om analytische algoritmes te bouwen, iteratief te leren en verbeteren, nieuwe patronen en inzichten te vinden zonder te programmeren en data-analyse run time-prestaties te optimaliseren. AI en ML wordt ook toegepast in datamanagementtools om workloads te verminderen door handmatige processen te automatiseren, zoals data discovery en matching, het ontwerpen van datamodellen en optimalisatie van query’s.
5. Geavanceerde data-analyse voor de toekomst
Als vijfde actiepunt is het belangrijk om na te denken over geavanceerde data-analyse voor de toekomst. Bedrijven hebben nu de kans om de ongelijksoortige, niet verbonden silo’s af te breken die hun benadering van datamechanica bepalen.
Bij de meeste bedrijven zijn metadatamanagement, master data management, data governance, datacatalogus, datmodellering, datakwaliteit, databeveiliging en data-integratie bijvoorbeeld vaak op zichzelf staande oplossingen. Hetzelfde geldt voor rapportering, visualisatie, analytics en data science-applicaties. Deze silo’s zorgen voor meer complexiteit, hogere kosten en grotere interne frictie. Samengevat: meer moeite, minder toegevoegde waarde. Een meer vooruitstrevende, toekomstbestendige benadering zorgt ervoor dat bedrijven technologische convergentie omarmen wanneer ze de beste tooling die zich in silo’s bevindt updaten met data-analyse die selfservice-visualisatie, geavanceerde data science, streaming analytics en rapportage biedt.
Data blijft overal aanwezig, in elke applicatie, op elk apparaat en in elke intelligente machine. Als we een krachtige data-analytics-benadering creëren voor de toekomst, dan werken we natuurlijk met meer verschillende soorten data, van de bovenste eindgebruikerslaag tot de lagere logbestanden en system-events. Dit is hét moment voor een data-analyse strategie voor de toekomst – en de toekomst is nu.
Wij werken veel met Google samen om onze websites hoger in Google te krijgen. De zoekmachine verzamelt inderdaad veel data. Maar wij zijn er van overtuigd dat deze data niet eenvoudig terug te linken is naar de persoon. Iedere bezoeker wordt een nummer en blijft een nummer. Tenzij je bij Google werkt, kun je dus nooit achterhalen om wie het gaat. Ook niet als delen van de dataset uitleggen.
