Het belang van Big Data analytics

De echte waarde wordt gemeten door de mate waarin u deze kunt analyseren en begrijpen. (AI), en moderne database�ٱ𳦳�ԴDZ��Dz�����ë�� maken het in realtime visualiseren en analyseren mogelijk, wat tot actiegerichte inzichten leidt. Met behulp van zetten bedrijven hun data aan het werk. Het helpt hen bij het ontdekken van nieuwe kansen en creëren van nieuwe business modellen.

Wat is gestructureerde en ongestructureerde data?

zijn over het algemeen verdeeld in drie categorieën op basis van hun structuur en hoe eenvoudig (of juist niet) zij kunnen worden geïndexeerd.

1. Gestructureerde data: van alle soorten gegevens kunt u deze data het eenvoudigst organiseren en zoeken. Het kan gaan om onder meer financiële gegevens, logbestanden van en demografische details.
2. Ongestructureerde data: deze categorie data omvat onder meer social media-posts, audiobestanden, afbeeldingen en open reacties van klanten.
3. Semi-gestructureerde data: Semi-gestructureerde data is een tussenvorm tussen gestructureerde en ongestructureerde data.

Bronnen van Big Data

De hoeveelheid dingen die data genereren groeit in een verbluffend tempo en varieert inmiddels van satellieten tot broodroosters. Voor categorisatie worden databronnen doorgaans echter verdeeld over drie categorieën:

• Sociale data: Sociale data worden gecreëerd door reacties, posts, afbeeldingen en in toenemende mate video op social media-platformen. Ondanks dat trends in social media elkaar razendsnel opvolgen en onvoorspelbaar zijn, blijft de hoeveelheid data die social media-platformen creëren stijgen.
• : -apparaten en -machines zijn uitgerust met sensoren en kunnen gegevens digitaal versturen en ontvangen. Onderzoeksbureau IDC voorspelt dat in 2025 zo’n 40 miljard -apparaten in gebruik zijn wereldwijd. Naar verwachting zijn deze apparaten verantwoordelijk voor de helft van alle digitale gegevens die wereldwijd worden gecreëerd.
• Transactionele data: Deze gegevens behoren tot de meest snel veranderende en groeiende data wereldwijd. Als je denkt aan alle aankopen en banktransacties wereldwijd, krijg je een beeld van het immense volume aan data dat wordt gecreëerd. Transactionele data bestaan in toenemende mate uit semi-gestructureerde gegevens en omvatten bijvoorbeeld afbeeldingen en reacties. Dit maakt het beheer en de verwerking complexer.

Vijf kenmerken die Big Data definiëren

Dat een dataset groot is, betekent niet automatisch data het om Big Data gaat. Voor een kwalificatie zijn er vijf kenmerken waarnaar je kunt kijken:

• Volume: Hoewel volume zeker niet het enige kenmerk is het ‘big’ maakt, is het een belangrijk kenmerk.
• Snelheid: Data die voorheen werden gecreëerd moesten – vaak handmatig – worden ingevoerd in een traditioneel databasesysteem voordat deze geanalyseerd of opgevraagd konden worden.
• Variëteit: Datasets die uitsluitend bestaan uit gestructureerde data zijn niet per definitie Big Data, ongeacht hoe groot de datasets zijn.
• Waarheidsgetrouw: Hoewel bedrijven met behulp van moderne verbazingwekkende hoeveelheden gegevens kunnen verzamelen en analyseren, zijn deze alleen waardevol indien zij accuraat, relevant en tijdsgebonden zijn.
• Waarde: bieden de mogelijkheid tot het verzamelen en opvragen van gegevens die meetbare voordelen kunnen opleveren voor de bottom line en operationele veerkrachtigheid.

Meer weten? Bekijk de .

Voordelen van Big Data

• Snelheid en nauwkeurigheid: Met behulp van moderne oplossingen kunnen bedrijven met een ongekende snelheid en nauwkeurigheid ruwe data omzetten in relevante inzichten.
• Ontwikkeling van producten en diensten: Productontwikkelaars kunnen inzetten voor het analyseren van ongestructureerde data, zoals klantreviews en culturele . Zo kunnen zij snel inspelen op de markt.
• Predictief onderhoud: Het analyseren van Big Data van verbonden dringt de onderhoudskosten tot 40% terug, blijkt uit internationaal onderzoek van McKinsey.
• Customer Experience: Groeiende bedrijven verzamelen actiever gegevens over klantervaringen dan bedrijven die geen groei kennen, blijkt uit onderzoek van Gartner uit 2020. Met behulp van Big Data analytics kunnen bedrijven de klantervaring verbeteren en personaliseren.
• Veerkracht en risicomanagement: Big Data-inzichten helpen bedrijven bij het anticiperen op risico’s en voorbereiden op het onverwachte.
• Kostenbesparingen en efficiëntie verbeteren: Het toepassen van Big Data analytics op alle processen binnen de helpt bedrijven niet alleen bij het identificeren van inefficiëntie, maar ook bij het implementeren van snelle en effectieve oplossingen.
• Verbeterde concurrentiepositie: Met behulp van inzichten uit Big Data kunnen bedrijven kosten besparen, klanten tevredenstellen, betere producten maken en de bedrijfsvoering innoveren.

Kenmerken van Big Data

AI en Big Data

Het beheer is afhankelijk van systemen die de kracht leveren voor het verwerken van grote hoeveelheden losse en complexe informatie, en destilleren van waarde hieruit. Big Data en zijn dan ook onderling met elkaar verbonden. Big Data zou weinig praktisch nut hebben indien AI deze niet kan organiseren en analyseren. is tegelijkertijd afhankelijk van de breedte van de datasets die onderdeel uitmaken van Big Data voor het leveren van actiegerichte inzichten via .

Machine learning en Big Data

-algoritmes definiëren de inkomende data en identificeren patronen hierin. Deze inzichten ondersteunen besluitvorming door de business en het automatiseren van processen. Machine learning gedijt op Big Data. Hoe robuuster de datasets die worden geanalyseerd, hoe groter de kans dat het systeem hiervan kan leren en zijn processen verder kan ontwikkelen.

Big Data-�ٱ𳦳�ԴDZ��Dz�����ë��

Verschillende zijn gerelateerd aan en helpen bij het profiteren van de voordelen hiervan. Enkele op een rijtje:����

Big Data-architectuur

Net als architectuur in de bouw levert het de blauwdruk voor het fundament op basis waarvan het bedrijf zijn gegevens beheert en analyseert.

Big Data-analytics

Dit proces maakt betekenisvolle datavisualisatie mogelijk dankzij het gebruik van datamodellering en -algoritmes die specifiek ontworpen zijn.

Big Data en Apache Hadoop

Hadoop is een opensourceraamwerk voor het beheren van gedistribueerde verwerking van Big Data op een netwerk van verbonden computers. In plaats van één grote computer voor het opslaan en verwerken van alle data, zetten Hadoop-clusters meerdere computers in die de gegevens parallel . Zij maken onderdeel uit van een nagenoeg oneindig schaalbaar netwerk.

Datalakes, datawarehouses en NoSQL

Traditionele SQL-databases in spreadsheet-stijl worden gebruikt voor de opslag van gestructureerde data. Ongestructureerde en semi-gestructureerde Big Data vereisen een unieke opslag- en verwerkingsmethode, aangezien deze gegevens zich niet lenen voor indexatie en categorisatie. Datalakes, datawarehouses en NoSQL-databases zijn allen databronnen die niet-traditionele databases kunnen beheren.

In-memory databases

Traditionele disk-gebaseerde databases zijn ontwikkeld met het oog op SQL en relationele . Hoewel zij geschikt zijn voor de verwerking van grote hoeveelheden gestructureerde gegevens, zijn zij simpelweg niet ontworpen voor het opslaan en verwerken van ongestructureerde data. Met in-memory databases vindt de verwerking en analyse volledig plaats in het RAM-geheugen, waardoor de data niet vanaf een disk-gebaseerd systeem hoeft worden opgevraagd.

Hoe het werkt

Het levert waarde op indien het relevante en actiegerichte inzichten aanreikt die de business meetbaar verbeteren. Bij hun voorbereiding op een moeten bedrijven zeker stellen dat hun systemen en processen voldoende klaar zijn voor het verzamelen, opslaan en analyseren.

Meer weten? Volg de belangrijkste datatrends!

The post Wat is Big Data? appeared first on �鶹ԭ�� Nederland Blogs & Nieuws.

Wat is Augmented Analytics?

Volgens de meest eenvoudige definitie is augmented analytics een vorm van analytics aangevuld (augmented) met kunstmatige intelligentie. Denk hierbij aan machine learning-algoritmes en natural language processing (NLP). automatiseert complexe analytische processen, zoals het voorbereiden van data en verzamelen van inzichten. Met NLP kunnen ongetrainde gebruikers vragen stellen over data, waarop zij via gesproken taal de antwoorden krijgen aangereikt.

Wat maakt augmented analytics zo belangrijk?

biedt in de moderne economie de grootste kansen. Dankzij data-analyse weten bedrijven onder meer wat zij produceren, wanneer zij deze producten het beste op de markt kunnen brengen en hoe hun organisatie zich in de toekomst moet ontwikkelen.

De hoeveelheid data die bedrijven vandaag de dag verzamelen is echter dusdanig groot, dat deze niet langer door uitsluitend mensen kunnen worden geanalyseerd. Ondanks de grote behoefte aan snelle antwoorden kunnen bedrijven door de omvang van datasets niet aan deze vraag voldoen. Technologieën als en zijn nodig voor het extraheren van betekenisvolle inzichten uit .

Meer lezen over Machine Learning in combinatie met data?

Beter samenwerken met het data science team

Het analytische proces bestaat uit handmatige, tijdrovende stappen die dusdanig gecompliceerd zijn dat zij doorgaans alleen door datawetenschappers kunnen worden uitgevoerd. Door datawetenschappers meer tijd te geven voor belangrijkere taken zoals het interpreteren van resultaten, vergroten augmented analytics de waarde die deze analisten leveren. AI- en machine learning-gebaseerde analytics helpt hen verbindingen te ontdekken die zij anders wellicht gemist hadden en diepere inzichten te verkrijgen in minder tijd.

De �ٱ𳦳�ԴDZ��Dz�����ë�� ondersteunen ook werknemers in andere analytische functies, variërend van business analisten tot citizen data scientists. AI- en -gebaseerde analytics verbetert hun inzicht en laat hen werk uitvoeren dat voorheen alleen door gespecialiseerde datawetenschappers werd uitgevoerd.

Analytics toegankelijk maken voor ongetrainde gebruikers

Een belangrijk voordeel van augmented analytics is dat ongetrainde werknemers als analist kunnen functioneren. Complexe analytische processen zijn geautomatiseerd en gebruikers kunnen data opvragen door het stellen van eenvoudige vragen. Analytische kennis is dan niet nodig voor het toepassen van geavanceerde analyses. helpt deze werknemers bij het bedenken van de volgende vraag en doet daarnaast suggesties voor onderwerpen waarin zij dieper kunnen duiken.

Met zijn antwoorden op vragen beschikbaar in kant-en-klare datavisualisaties, zoals tabellen, grafieken en kaarten. Gebruikers hoeven deze niet zelf te creëren. Zij kunnen deze visualisaties via eenvoudige commando’s onderzoeken, combineren tot data stories en zijn eenvoudig delen met andere teams en managers. Zonder dat dit specifieke kennis vereist.

Wat zijn de drie vormen van analytics?

Analytics en zijn in recente jaren snel ontwikkeld van geavanceerde tools voor data en analytics professionals tot machine learning-analytics die voor iedereen bruikbaar is.

We maken onderscheid tussen drie vormen van :

1. Traditionele analytics

• Gedreven door IT
• Beperkte autonomie voor gebruikers
• Geavanceerde tools voor data en analyticsprofessionals
• Gericht op grootschalige rapportages

2. Self- service analytics

• Gedreven door de business
• Biedt gebruikers meer autonomie
• Gebruiksvriendelijke interface
• Focus op gebruiker-gedreven inzichten

3. Augmented analytics

• Gedreven door AI en
• Volledige autonomie voor gebruikers
• AI-tools en begeleide processen
• Focus op snelle en diepe inzichten die voorheen verborgen waren
• Aanvulling op de traditionele analytics

Wat zijn de voordelen van Augmented Analytics?

• Data sneller voorbereiden:

Analisten zijn zo’n 80% van hun tijd kwijt aan het voorbereiden van data voor analyses. Zij exporteren grote datasets – met soms wel miljoenen gegevens – en combineren deze, schonen de gegevens op en structureren de data. Bij augmented analytics automatiseert machine learning dit proces. Daardoor houden analisten meer tijd over voor waardevollere activiteiten en neemt het aantal menselijke fouten af.

• Geautomatiseerde analyses:

Machine learning-modellen kunnen complexe analyses automatiseren waarmee datawetenschappers anders weken bezig zijn. Antwoorden en datavisualisaties zijn direct beschikbaar voor gebruikers, die hierdoor minder tijd kwijt zijn aan het doorspitten van . Zij houden hierdoor meer tijd over voor het delen van data stories met het management en het nastreven van verandering.

• Diepere inzichten:

bekijken data op een andere manier dan mensen. Zij kunnen veel grotere datasets vanuit meer perspectieven onderzoeken. Ook kunnen machines statische correlaties, relaties en patronen identificeren die voor het menselijk oog onzichtbaar zijn. Machines kunnen data snel en op grote schaal begrijpen, menselijke intelligentie verrijken met inzichten zonder vooroordelen en gebruikers vertellen waar zij hun aandacht op zouden moeten richten.

• Conversationele analytics:

Met NLP – dezelfde conversationele waarop digitale assistenten als Siri en Alexa zijn gebaseerd – kunnen gebruikers zonder kennis van query-talen of programmeercode op een conversationele manier – spraak bijvoorbeeld- vragen stellen over data. Dankzij natural language generation (NLG) kan de technologie in volledige zinnen antwoorden samenvatten of toelichten, zowel gesproken als geschreven.

• Directe business context:

Inzichten zonder business context kennen geen waarde. -algoritmes kunnen door inachtneming van de intentie en het gedrag van gebruikers inzichten met context leveren waarop acties kunnen worden gebaseerd. Doordat breder beschikbaar is kunnen managers en ervaren werknemers inzichten verrijken met hun uitgebreide kennis en begrip van business modellen en operationele processen.

Use cases

revolutioneert bedrijfsprocessen. Wat betekent dit echter in de praktijk? We zetten enkele voorbeelden van use cases voor augmented analytics voor de financiële afdeling, sales, marketing, logistiek, HR en debiteurenafdeling op een rij.

Financieel: Een business analist kan augmented analytics inzetten voor het voorspellen van declaraties voor verschillende afdelingen.

Sales en marketing: leveren sales- en marketingteams rijkere klantprofielen op en helpen bij het snel identificeren van cross- en up-sellkansen.

Productie: Een analist van een staalfabrikant kan augmented analytics inzetten voor het voorspellen, monitoren en controleren van de kosten in vijf verschillende Europese fabrieken.

HR: HR-managers kunnen met behulp van de technologie het personeelsverloop voorspellen, de oorzaken hiervan in kaart brengen en actie ondernemen voor het behoud van goed presterende werknemers.

Debiteurenafdeling: Medewerkers van de debiteurenafdeling kunnen met behulp van late betalingen voorspellen, de juiste strategie betalen voor het innen van achterstallige betalingen en de cashflow continu in de gaten houden.

Meer weten over augmented analytics?

The post Wat is Augmented Analytics? | Definitie en voordelen appeared first on �鶹ԭ�� Nederland Blogs & Nieuws.

Beslissen in een tijd van recessie

Het is moeilijk om in een economische recessie zwaarwegende beslissingen te nemen om jouw bedrijf draaiende te houden. En dat is nog moeilijker als jij degene bent die verantwoordelijk is voor bezuinigingen. Inzicht in de juiste data kan je helpen om betere beslissingen te maken.

Datakosten reduceren

In dit blog leg ik je graag uit hoe jouw data je in het hier en nu kunnen helpen. Het vizier is nu meer dan ooit scherp gericht op het verbeteren van bedrijfsresultaten.

Minder ervaren managementteams die moeten bezuinigen, doen dat gewoon door personeel te ontslaan. Niet omdat ze dat leuk vinden, maar omdat ze eenvoudigweg geen andere manieren om te besparen kunnen bedenken. Hiermee vloei je echter niet alleen goed talent af, wat toekomstig herstel en het moraal van medewerkers schaadt, maar doe je ook niets aan verborgen inefficiëntie. En dat betekent dat je met dezelfde overheadkosten als voorheen, maar met minder mensen moet werken.

is misschien niet het eerste hulpmiddel waar je aan denkt als je de onkosten met twintig tot dertig procent moet zien te verlagen. Dat is omdat de meeste datakosten verborgen zijn. Het zijn nagenoeg onzichtbare onkosten die bedrijven in goede tijden tolereren. Maar nu je in de problemen zit, is het van essentieel belang dat je ze elimineert.

Verbeter de datakwaliteit

Hier is een voorbeeld van wat datakwaliteit kan doen. Ik heb onlangs samengewerkt met een groot internationaal chemisch bedrijf dat in één  maar liefst 6000 verschillende betalingsvoorwaarden had, zoals een korting van twee procent bij betaling binnen 25 dagen. Als je met wereldwijde ondernemingen werkt, maar verschillende en niet-geharmoniseerde betalingsvoorwaarden hanteert voor lokale vestigingen, dan is het onmogelijk om KPI’s zoals Days Sales Outstanding, te optimaliseren.

Evenzo maken duplicaat materialen in ERP-systemen het onmogelijk om voorraad te rationaliseren en optimaliseren. We hebben recentelijk gewerkt met een bedrijf dat reserveonderdelen aan klanten in de olie- en gassector levert. Na twee weken ontdekten we dat dertig procent van de producten in hun catalogus gedupliceerd was. En daarmee bespaarden we hen duizenden dollars aan onnodige voorraad.

Door eenvoudige dingen zoals de kwaliteit van aan te pakken, kun je de jaarlijkse uitgaven bij leveranciers met twee procent verlagen, de kosten van voorraad in de leveringsketen met tien tot vijftien procent reduceren, tot twintig procent op de kosten van financiële afsluiting besparen en het aantal Days Sales Outstanding met tien procent verbeteren.

Data Cleansing-as-a-Service

Ja, ik weet wat je denkt. Datakwaliteit verbeteren is moeilijk en je kunt geen IT-oplossing kopen om verborgen datakosten uit de weg te ruimen omdat je uitgaven bevroren zijn. Daarom heeft �鶹ԭ�� een Data Cleansing-as-a-Service ontwikkeld, met een vaste tijdslijn, gegarandeerd succes, geen investeringsuitgaven en geen commitment voor de lange termijn. Bekijk de korte video’s voor meer details  &����.

Door een complete audit van de datakwaliteit te geven, inclusief opschoning, continue monitoring en verbetering, kan je heel gemakkelijk verborgen problemen met datakwaliteit aan het licht brengen, deze aanpakken en volgens een herhalend en gecontroleerd proces implementeren. En daarmee verhoog je de datakwaliteit én verlaag je de uitgaven aanzienlijk.

Of je nu het aantal datafouten moet terugdringen of de kosten van processen, voorraad, marketing, sales, verzending of transport en naleving moet verlagen, je kunt de onderliggende dataproblemen die van invloed zijn op de bedrijfsefficiëntie, snel verhelpen.

Eerst meer lezen over wat datamanagement is? Lees dan dit blog

Lees ook mijn blog over .

The post Hoe data je gaat helpen om beter te beslissen in onzekere tijden appeared first on �鶹ԭ�� Nederland Blogs & Nieuws.

Verschillende cijfers wijzen erop dat bedrijven meer tijd kwijt zijn aan beperkingen en obstakels van AI dan dat zij waarde halen uit de technologie:

• Zo maakt 84% van de klanten zich zorgen over de kwaliteit van data waar algoritmes mee werken
• Een vergelijkbare groep (86%) stelt daarnaast niet de maximale waarde uit hun data te halen
• Ruim driekwart (74%) geeft toe dat hun datalandschap dusdanig complex is dat dit hun flexibiliteit beperkt.

Levensader van AI

Bij een robotstofzuiger is voorwerk – zoals het aan de kant zetten van stoelen – de sleutel tot een goed resultaat. Bij AI is dit niet anders. De technologie maakt gebruik van complexe rekenmodellen en geavanceerde rekenkracht om resultaten te leveren. Deze berekeningen en hardware zijn afhankelijk van data, die de levensader van AI vormen. Zonder een goede grip op databeheer kan AI dan ook geen optimale resultaten opleveren.

is uitdagend. Zo is data opgeslagen op verschillende locaties, verspreid over cloud en on-premise systemen. Tegelijkertijd neemt de hoeveelheid data waarover bedrijven beschikken explosief toe. Zo verzamelen sensoren en steeds meer gegevens. Bedrijven staan dan ook voor de uitdaging data uit een groot aantal bronnen te combineren. AI moet deze gegevens verzamelen, integreren en combineren met onder meer afbeeldingen, video’s, audiobestanden en tekstbestanden.

AI beter schaalbaar maken

Het simpelweg beheren van al deze integraties en verwerken van verschillende type data (zoals audio, beeld en tekst) vereiste voorheen het gebruik van meerdere tools. Hier komt nu verandering in. Een nieuwe generatie cloud oplossingen maakt AI schaalbaar over de gehele organisatie door drie kritieke elementen te beheren:

• De data die je nodig hebt, ongeacht de locatie of het soort data
• Het ontwerp van machine learning algoritmes met de tools en raamwerken die data science-teams willen gebruiken
• De uitrol van machine learning met behulp van cloud containers, zodat IT AI snel kan uitrollen, beheren en de volledige end-to-end levenscyclus van AI kan automatiseren

AI is een teaminzet die coördinatie en samenwerking vereist tussen:

• Gebruikers die de behoeften van de organisatie en diens klanten begrijpen
• Data scientists die weten waar data zijn opgeslagen en hoe deze zijn gestructureerd
• De data Science-teams die begrijpen hoe zij waarde uit data kunnen extraheren

Ieder lid van het AI-team moet samenwerken om een maximale productiviteit en snelheid te realiseren. Zij krijgen hierbij ondersteuning van software die functionaliteiten bevat voor governance, het beheer van metadata en machine learning transparantie. Deze aanpak stelt je in staat zeker te stellen dat de resultaten van hun inzet uitlegbaar, begrijpbaar en betrouwbaar zijn.

Wil je meer weten over het belang van data management en AI? Lees dan ook het blog ‘Wat is Data Management?’

The post Waarom Artificial Intelligence nergens is zonder data intelligence appeared first on �鶹ԭ�� Nederland Blogs & Nieuws.