Steeds meer organisaties realiseren zich hoeveel waarde er zit in de data die ze al jaren genereren. Data waarop ze nooit real-time en in samenhang hebben geanalyseerd. Ze realiseren zich ook dat ze die data niet langer in een traditioneel datawarehouse moeten opslaan en gaan op zoek naar andere mogelijkheden, zoals een data-integratieplatform in de cloud. Leveranciers buitelen over elkaar heen. De technologie is eigenlijk het probleem niet meer. Het vinden van goede toepassingen wél. ICT/Magazine bezocht diverse evenementen en ging op zoek naar businesscases.
Conferenties over big data analytics worden almaar beter bezocht. ICT/Magazine woonde dit najaar vier evenementen in Nederland bij en één in Orlando. Allemaal hadden ze tussen de 30 en 50 procent meer bezoekers dan vorig jaar. Wat overal opviel: er wordt nauwelijks nog gesproken over een tekort aan data scientists, wat tot voor kort nog een hot topic was. De reden: het gebruiksgemak van de software is zo groot geworden dat je ook zonder kennis van de technologie datasets kunt samenvoegen en complexe analyses kunt maken. Taken waar je voorheen nog verschillende applicaties voor nodig had, worden nu geïntegreerd op één platform. Bovendien is het ontwikkelen van algoritmen grotendeels geautomatiseerd, waardoor ook businessmensen met de software uit de voeten kunnen. “Wij hebben maar één doel en dat is gebruik van data democratiseren”, zegt Splunk CEO Douglas Merritt dan ook. “We willen de technologie zo eenvoudig maken dat iedereen in de business op basis van dezelfde data zijn eigen analyses kan maken.”
Naar dat doel is Splunk een eind op weg, maar dat geldt evengoed voor partijen als Talend, SAS, Informatica, Qlik, en voor Hadoop-distributiepartners als Hortonworks, Cloudera en MapR. Ze hebben verschillende ontstaansgeschiedenissen, spelen verschillende rollen in het ecosysteem, maar uiteindelijk hebben ze allemaal hetzelfde doel: ze willen hét data-integratieplatform in een organisatie worden. En ze realiseren zich allemaal dat dat alleen lukt als het samenbrengen van data écht eenvoudig is.
Machine learning
Eenvoudige data-integratie is één ding, maar het gaat uiteindelijk natuurlijk om de analyse. Ook dat wordt zo eenvoudig mogelijk gemaakt, onder meer door toepassing van machine learning, ofwel zelflerende algoritmes. In eerste instantie zullen mensen het algoritme moeten vertellen hoe een patroon eruit ziet en welke data afwijken van dat patroon. Snapt het algoritme dat relatief eenvoudige patroon, dan kan het zelfstandig data analyseren en alleen nog in geval van twijfel aan een mens vragen in welke categorie data thuishoort.
Splunk heeft het ontwikkelen van algoritmes zelfs zo eenvoudig gemaakt dat je je vraag in gewone mensentaal kunt ingeven waarop de software daar zelf het algoritme bij maakt. Voorlopig is dit alleen nog in het Engels beschikbaar. Aangezien deze software pas dit najaar beschikbaar komt, zijn er nog geen bedrijven die het al gebruiken, maar wel klanten die erover fantaseren. “Het zou geweldig zijn als ik gewoon tegen de software kan zeggen: hoe druk wordt het het komende uur bij de douane en de security en waar gaan dan het eerst knelpunten ontstaan?”, zegt Chris Howell, Head of Business Systems van luchthaven London Gatwick. Het idee is dat de software zelf berekent hoeveel passagiers op de luchthaven arriveren met de auto, de trein en het vliegtuig. In één moeite door analyseert de software hoeveel bagagewagentjes op welke plek staan, hoeveel trays er bij welke securitypunten beschikbaar zijn, hoeveel personeel het komende uur waar is ingepland enzovoort. Door die twee uitkomsten te combineren, kan Gatwick planningen bijstellen en zorgen dat er voldoende resources beschikbaar zijn op iedere plek.
Concrete businesscase
Gatwick was maar een van de vele cases die laten zien wat de combinatie van eenvoudige data-integratie en zelflerende algoritmes oplevert. Wat opviel bij alle evenementen is dat bedrijven hun businesscase dicht bij huis zoeken. Waar we de afgelopen jaren de meest waanzinnige ideeën voorbij zagen komen – waarvan het maar de vraag was hoe die zich ooit zouden terugverdienen –, houden bedrijven hun toepassingen nu simpel. Waarom zou een hoofdkantoor van een winkelketen met complexe social media analyses achterhalen hoe lang de wachtrijen in de winkels zijn als je ook positioneringsdata van mobiele telefoons kunt analyseren? Dit levert een veel betrouwbaarder beeld op en er is veel minder mankracht voor nodig.
Organisaties beginnen bovendien met data die ze al hebben, maar nog nooit eerder real-time en in samenhang hebben geanalyseerd. Denk bijvoorbeeld aan logfiles van allerhande applicaties, locatiedata van mobiele telefoons, sensordata die voorheen alleen werden uitgelezen als een apparaat onderhoud kreeg enzovoort.
Organisaties realiseren zich tot slot ook dat klanttevredenheid niet wordt bepaald door de snelheid waarmee op een klacht wordt gereageerd, maar door de snelheid waarmee de klacht wordt opgelost. Leuk om een social media response team te hebben, maar dat heeft pas zin als zij vragen echt kunnen beantwoorden en klachten kunnen oplossen. Daarvoor is vrijwel altijd data nodig. Door te kijken waar klanten minder tevreden over zijn, heb je je eerste businesscase vaak al te pakken.
Customer experience verbeteren
Een bedrijf dat dit goed heeft begrepen is de Nieuw-Zeelandse mobiele telecomoperator 2degrees. Zij hebben elf applicaties waar data in staan die een rol spelen bij klanttevredenheid, van het Interactive Voice Response systeem tot CRM en van de billing applicatie tot workforce planning. Waar ze voorheen werkten met de analytische mogelijkheden binnen die applicaties, komen alle data nu samen op één platform. Vanuit dat platform maken zij dashboards voor verschillende afdelingen. De contact center agents krijgen een personal performance dashboard waarop ze kunnen zien op welke onderdelen ze goed presteren en waar ze nog wat training in kunnen gebruiken. Het management heeft dashboards waarmee ze de workforce planning kunnen afstemmen op de verwachte drukte. Die drukte wordt continu voorspeld door analyse van verschillende data. Is er een storing in het netwerk? Is er net een grote facturatieronde geweest? Hebben we een marketingactie die goed converteert? De marketingafdeling heeft customer experience dashboards die de hele customer journey in kaart brengen, van het eerste bezoek aan de website tot en met het betalen van de factuur en hun antwoorden in het klanttevredenheidsonderzoek. En de it-afdeling heeft real-time inzicht in de performance van de elf applicaties en kan op basis van kleine afwijkingen voorspellen dat een systeem een storing gaat krijgen.
Slim asset management
Naast deze toepassingen die de customer journey verbeteren, kwamen er ook veel cases voorbij die liggen op het vlak van asset management en smart maintenance. Zoals een IndyCar raceteam, dat in navolging van de Formule-1 data uit maar liefst 500 sensoren real-time uitleest en daarmee een heel ander pitstopstrategie wist te ontwikkelen. “De eerste race waarin we real-time data-analyse toepasten, wisten we meteen te winnen”, vertelt Laura Vetter van de Kinney Group, het adviesbureau dat het raceteam op weg hielp. “Onze rijder kwam met een lege tank over de finish. Als de race 100 meter langer had geduurd, had hij het niet gered. Dat risico had je zonder data nooit genomen.”
Minder spectaculair maar met een even grote impact is het dataproject van Infigen, een Australische producent van windenergie met zes windmolenparken verspreid over het continent. Zij hebben de SCADA-data van windmolens gekoppeld aan data uit it-systemen. Daarmee heeft het bedrijf real-time end-to-end inzicht gekregen in de gehele keten: van energieproductie tot de vraag. Daardoor kunnen veel betere prijsbeslissingen worden genomen en kan bovendien onderhoud worden gepland op momenten dat de verwachte productie hoog is en de vraag laag.
Onderhoud efficiënter plannen doet ook Myriad Genetics, dat is gespecialiseerd in volautomatische genetische tests. Aan hun laboratoriumwerk komt geen mensenhand te pas, het zijn allemaal robots. Honderden machines zorgen ervoor dat volautomatisch de opeenvolgende stappen van het proces worden doorlopen. Een machine een dagje uit productie nemen, kost meteen tienduizenden euro’s. Dus het spreekt voor zich dat hoe meer inzicht Myriad Genetics heeft in de ‘gezondheid’ van de robots, hoe beter ze onderhoud kunnen plannen. Die businesscase was snel rond. Nu zet het bedrijf de volgende stap: het integreert ook data over de kwaliteit en omvang van samples op het platform om zo te berekenen wat voor type sample het beste resultaat geeft. “We zijn dus begonnen met puur technische vraagstukken, maar nu geven we de tools ook aan de business”, zegt Ben Miller van Myriad Genetics. “Het mooie van Splunk is: we geven onze medisch onderzoekers geen vis, maar een hengel waarmee ze zelf kunnen leren vissen.”
Hoe pak je dit aan?
Het aantal toepassingen van machine data is enorm. Deze vogelvlucht geeft een idee van de mogelijkheden. In de komende nummers zullen we enkele cases dieper uitwerken. Zo doet u niet alleen inspiratie op waar de use cases in uw organisatie zouden kunnen liggen, maar krijgt u ook inzicht in wat erbij komt kijken om die vruchten te plukken.
