De hypercomplexe BI-tools remmen ontwikkelingen data science

Geavanceerde business intelligence kennen we onder namen als ‘machine learning’ en ‘artificial intelligence’. Data science is het wapen bij uitstek in de strijd om marktaandeel. Er zijn al spectaculaire verhalen te vertellen op dit gebied. Toch lukt het nog lang niet altijd om die ultieme stap te zetten van (big) data naar bruikbare inzichten die tot concrete bedrijfsresultaten leiden.

Het beeld van de daadwerkelijke stand van de hedendaagse BI-praktijken ziet er minder spectaculair uit dan enkele succesverhalen ons willen doen geloven. Weliswaar hebben de data en analytics besluitvormers van de meeste grote organisaties (72%) adequate toegang tot de benodigde data[1]. Maar het vereist diepgaande expertise om met de moderne BI-tools de juist data te vinden, de juiste vragen te stellen en om de resultaten correct te interpreteren op weg naar tastbare bedrijfsverbeteringen.

 

Hypercomplex

De hypercomplexe BI-tools van de huidige generatie remmen in zekere zin de ontwikkelingen op het gebied van data science. Ze zijn niet ontwikkeld voor ‘non-data’ professionals. Informatiewerkers stuiten op een muur als zij de rijke datavisualisaties moeten interpreteren.

Om tot inzichten te komen, moet nog altijd een langdurig en vaak onbetrouwbaar proces worden doorlopen. Bovendien werken de meeste tools gescheiden van systemen die de inzichten tot actie kunnen omzetten.

Datawarehouse

Maar er is hoop. Volgens de onderzoekers van Forrester kunnen organisaties AI-technieken en -tools hanteren om de waarde van BI te verhogen. Een van de opties is om data voor BI buiten het enterprise datawarehouses (EDW) om op te bouwen. Uiteraard blijven EDW’s een belangrijke rol spelen voor BI, zeker wanneer één versie van de waarheid een absolute vereiste is.

Toch bewaren EDW’s doorgaans een kleine subset van alle enterprise data, omdat het bouwen en onderhouden van een EDW veel tijd en skills vereist. Professionals op het gebied van application development en delivery (AD&D) kunnen nu op basis van machine learning kijken naar geautomatiseerde data discovery, semantische data catalogi, data warehouse automatisering en data voorbereidingstools. Daarmee kunnen zij voortaan hun analytische datavoorraden bouwen.

Toegegeven, deze dataverzamelingen creëren wellicht geen 100 procent accurate datamodellen en zijn misschien niet de ideale grondstof voor analyses die één versie van de waarheid vereisen. Daarentegen biedt het bedrijven wel de mogelijkheid om veel meer data te analyseren dan ze normaal gesproken doen.

Lees het hele verhaal online of in ICT/Magazine van september.

Gerelateerde berichten...

X