‘Data en analysemodellen hebben een houdbaarheidsdatum ’

Elke orga­ni­satie is erbij gebaat snel op uitda­gingen te anti­ci­peren of problemen preven­tief aan te pakken. Daarvoor is het cruciaal dat zij de actu­a­li­teit, precisie en rele­vantie van bedrijfs­data en analy­se­mo­dellen monitoren. Beperkt houdbare data en modellen maken het namelijk veel moei­lijker om passend op verschil­lende situaties te reageren en aan de veran­de­rende vraag naar diensten en producten te voldoen. Kloppen de prijzen en de beschik­baar­heid van je grond­stoffen nog wel? Is dat ene uitge­voerde markt­on­der­zoek nog actueel? Het zijn slechts twee voor­beelden van relevante vragen die binnen sommige orga­ni­sa­ties te vaak onbe­ant­woord blijven.

Onder­ne­mingen die hun data en modellen up-to-date houden, kunnen niet alleen hun over­le­vings­kansen vergroten. Ze kunnen hun omzet en winst ook verhogen door altijd op de hoogte te zijn van de ‘data­kwa­li­teit’. Hoe nauw­keu­riger de inzichten zijn, des te beter kan men intern en extern waarde toevoegen voor het bedrijf. Denk bijvoor­beeld aan een retailer die in kaart brengt welke producten het best presteren tijdens de huidige pandemie. Deze retailer kan altijd zorgen dat hij deze producten op voorraad heeft en op de juiste plek in de winkel legt. Zo vergroot deze winkelier de omzet per klant. De data waar hij mee werkt gaan veel verder dan naam-geslacht-leeftijd. Bret Green­stein, SVP en Global Head of Data bij Cognizant, geeft uitleg.

Data die actueel genoeg is

Actuele data is up-to-date wat betreft de meest recente veran­de­ringen die een signi­fi­cante impact op de business kunnen hebben. Denk bijvoor­beeld aan de maat­re­gelen rondom corona; de regering kan maat­re­gelen rondom de pandemie per week aanpassen. Maar ook social media kan je waar­de­volle, actuele data geven. Word er bijvoor­beeld een protest in de buurt geor­ga­ni­seerd? Of erger: staat je bedrijf een storm van kritiek te wachten? Vraag dat maar aan Rumag, dat zijn popu­la­ri­teit na één afle­ve­ring van ‘Zondag met Lubach’ enorm zag kelderen. Daar moet je van op de hoogte zijn. Arti­fi­cial intel­li­gence (AI) en ‘machine learning’ kunnen je helpen die data te iden­ti­fi­ceren en modellen te bouwen om data te analy­seren.

Die modellen veran­deren en verfijnen voort­du­rend en vormen een deel van de input voor virtual twins, digitale kopieën van ‘iets’ in de echte wereld. Die twins zijn, doordat de data continu up-to-date wordt gebracht, een veel beter stuk gereed­schap dan modellen die eenmalig van statische data worden voorzien. Om terug te komen op corona: veel voor­spel­lende modellen in de retail, die gebouwd zijn met data van vóór de crisis, volstaan logi­scher­wijs niet meer. Modellen waarin het koop­ge­drag van vandaag auto­ma­tisch vormgeeft aan dat model, maar dat ook rekening houdt met de huidige restric­ties, het aantal infecties en andere factoren, doen het altijd beter.

Data die nauwkeurig is

Schone, geva­li­deerde data uit een nauw­keu­rige bron is volledig en bruikbaar. Dat wil zeggen: deze is niet door derden aangetast en wordt geleverd in een format waar je systeem mee kan werken. Dit is vooral belang­rijk voor data in oncon­ven­ti­o­nele vormen, zoals onge­struc­tu­reerde data of data afkomstig uit nieuwe bronnen als social media of IoT. Deze data is vaak rijk aan poten­tiële inzichten, zoals je bijvoor­beeld de loca­tie­ge­ge­vens van telefoons kunt inzetten om versprei­ding van corona in de gaten te houden.

Nauw­keu­rige modellen zijn niet alleen onder de huidige omstan­dig­heden accuraat. Door geavan­ceerde AI te gebruiken maken de modellen ook betere voor­spel­lingen, en bieden ze betere aanbe­ve­lingen, voor de toekomst. Je model zou bijvoor­beeld een scenario kunnen schetsen waarin millen­nials massaal uit de stad vertrekken door zorgen om COVID-19. Zo’n voor­spel­ling kan, als hij uitkomt, enorme impact hebben. Als bedrijf kun je dan werken aan een scenario waarin deze voor­spel­ling werke­lijk­heid werkt. Zo blijf je andere bedrijven altijd een stap voor. Tegelijk worden analy­ti­sche modellen die iedereen al heeft minder waardevol. Als al je concur­renten dezelfde seizoens­in­vloeden gebruiken om de verkoop van dezelfde producten te voor­spellen, in hoeverre kun je jezelf dan nog onder­scheiden? De accurate modellen leren dus ook infor­matie te negeren zodra die irre­le­vant wordt.

Data die relevant is

Relevante data is omvang­rijk en causatief genoeg om impact te hebben op voor­spel­lingen of toekom­stige omstan­dig­heden (en hoe daarmee om te gaan). Met andere woorden: relevante data doet ‘iets’ met je model. Om social media als voorbeeld te nemen: vroeger was een slechte, ongepaste grap geen stukje data dat iets deed voor je bedrijf. Tegen­woordig is een ongepaste tweet van je CEO dus veel rele­vanter, omdat deze invloed kan hebben op je omzet, markt­aan­deel en merk­waarde. Relevante data kan overal vandaan komen, van binnen of buiten de orga­ni­satie en het kan je bedrijf helpen als eerste een trend te spotten of op veran­de­ringen in te springen.

Door relevante modellen te ontwik­kelen en deze te blijven verfijnen kunnen orga­ni­sa­ties (door inzet van AI) zelf leren welke data het meest bruikbaar is, en irre­le­vante data negeren. Zo kunnen zij onnodige uitgaven voorkomen, tijd en moeite besparen, en onderaan de streep meer omzet en winst overhouden.