De term ‘big data analytics’ zingt de laatste tijd door de hele BV Nederland. Maar is big data wel bereikbaar voor die hele BV? Is big data niet alleen haalbaar voor grote bedrijven met veel data? Als we naar de praktijk van nu kijken, luidt het antwoord op die vraag ‘Ja’. Vooral grote bedrijven zetten de eerste stappen richting big data analytics en zijn daarin soms al redelijk ver. De minder grote bedrijven, het MKB, kijken vooralsnog de kat uit de boom.
Op voorhand denken organisaties in het MKB vaak dat big data analytics niet geschikt is voor hen. Dat heeft wel een achtergrond. Deze bedrijven hebben in het verleden nog weinig of geen aandacht besteed aan data analyses. Meestal lag de focus op het operationele werk. Toch is deze bescheiden houding onterecht en bovendien erg jammer. Ook voor minder grote bedrijven bieden analyses met big data en het zo mooi bestempelde ‘data driven werken’ eigenlijk een verborgen voorsprong. Data driven werken betekent dat je op basis van je data analyses gericht actie gaat uitvoeren. Dat een middelgroot bedrijf de diverse processen nog niet zo strak heeft omgeschreven, is niet per se een minpuntje. Juist omdat werkwijzen nog niet in beton zijn gegoten kan men hier snel en flexibel mee omgaan. Dat is al één voordeel dat organisaties van bescheiden omvang hebben ten opzichte van de grote bedrijven, die een zwaar en vaak weinig flexibele procesarchitectuur hebben.
De hamvraag na deze inleiding luidt natuurlijk: waar moet je starten? En, ook niet onbelangrijk: hoe lang duurt het voordat je ervan kunt profiteren ?
Analytics
De praktijk is minder onbereikbaar en complex dan menigeen zal denken. Toch zijn er zeker de nodige hindernissen die moeten worden genomen. Om te beginnen de analyses van de big data zelf, die de basis vormen van alle stuurinformatie die de concurrentie het nakijken moet geven. Om eerlijk te zijn, zijn big data analyses eigenlijk best lastig. De juiste data moet worden verzameld, moet ontsloten worden en de juiste analyses moeten erop worden toegepast. Dat is geen sinecure. En het is ook niet te verwachten dat direct bij de eerste analyse het gouden ei wordt gevonden, een baanbrekende ontdekking die het bedrijf opstuwt in de vaart der volkeren. Vaak wordt er wel degelijks iets aardigs uit de data gedolven. Maar om tot werkelijke ontdekkingen te komen, moet er veel werk worden verzet.
Slimmer
Hoe komt dat eigenlijk? We hebben meestal veel data en toch lukt het niet om snel tot een mooie voorspelling of constatering te komen. Het antwoord op deze vraag is dat we vooral slimmer moeten omgaan met de data. We moeten niet meteen alles willen hebben vanuit het ruwe materiaal, maar we moeten vooral slim selecteren en slim combineren. Het uitgangspunt hierbij is de vraag: wat is belangrijk voor je business? Wat kan mij helpen om efficiënter en beter te werken. Hierbij kun je het best kijken naar je processen of naar veel voorkomende werkzaamheden. Als je dat helder hebt, kun je bekijken wat de data je daarover vertelt. Meestal is daar niet een grote diversiteit aan databronnen voor nodig, maar alleen een beperkt aantal velden die kwalitatief goede waardes bevatten. Als het lukt om een slimme set met goede data te realiseren, dan heb je het fundament gelegd om data driven te gaan werken. En kun je een volgende stap zetten.
Labrador
Een goed voorbeeld is de Stichting Hulphond Nederland. Deze stichting leidt honden op om mensen te helpen, bijvoorbeeld blindengeleidehonden. Het lastige is in hun werk is dat je honden opleidt, maar nooit zeker weet of ze uiteindelijk geschikt zijn. Er is uitval tijdens de opleiding en soms daarna ook. Tijdens een project hebben we gekeken naar de beschikbare informatie over de honden. Dit omvatte data in het registratiesysteem, documenten, e-mails enzovoort. Na het nodige werk konden we op basis van deze bronnen een kwalitatief goede dataset samenstellen; de perfecte basis om te analyseren. Wat bepaalt nu of een hond geschikt is of niet, of hij het dier aan het einde van het traject ook daadwerkelijk als hulphond kan worden ingezet? Uit de datamining analyses kwamen als bepalende factoren naar voren dat het ras, de grootte van het nest en nog een aantal minder zware factoren bepalend waren voor het succes. Aan het einde van de analyses bleek dat met name een vrij onbekend hondenras met zeer veel succes de training voltooit, een labrador is ook uitermate geschikt en de labradoodle is een middenmoter. Door het gebruik van data driven processen kun je dynamisch omgaan met de keuzes die je maakt en steeds up to date blijven in je besluiten.
Op maat
De Stichting Hulphond Nederland heeft met dit project een eerste basis gelegd voor het implementeren van een breder gedragen data driven proces. Voortaan worden de honden op basis van big data geselecteerd en in de toekomst worden de honden tijdens hun opleiding gevolgd, zodat je in een vroeg stadium weet of de hond al dan niet succesvol zal zijn. Wie weet kan de opleiding op maat worden gemaakt voor iedere hond, op basis van de data die daarover is verzameld. De mogelijkheden zijn werkelijk ongelimiteerd. Het belangrijkste is er in te geloven dat je ook door klein te beginnen, erg veel kunt bereiken. Daarvoor hoef je niet per se een grote onderneming te zijn.
Over de auteur
Bert van der Zee is een veelgevraagd big data coach. Daarnaast is hij adviseur en trainer vanuit zijn bedrijf Novalinq.
