Inhoudsopgave
- Wat is data intelligence?
- Business intelligence versus data intelligence
- Gebruik van data intelligence
Definitie van data intelligence
Data intelligence is het proces waarbij een bedrijf data vergaart en interpreteert. Organisaties die data intelligence inzetten, maken daarbij gebruik van machine learning.
Om optimaal gebruik te kunnen maken van Data Intelligence moet aan de volgende voorwaarden worden voldaan:
- Lokalisatie en voorstudie van de data (data discovery): er moet een systeem zijn voor het het lokaliseren van data, metadata en bedrijfswerkstromen. Ook de relatie tussen de verschillende gegevens en hun context is van belang bij deze informatievergaring, net als de metadata. Data uit een database met klantgegevens zijn bijvoorbeeld niet hetzelfde als data uit een database met leveranciersgegevens. In de klantendatabase gaat het om de klant, maar is het ook belangrijk of het om een potentiële of bestaande klant gaat, welke contracten er getekend zijn, welke facturen erbij horen, welke conversaties er zijn gevoerd, welke offertes er zijn verstuurd, etc. In de leveranciersdatabase daarentegen gaat het om de link tussen de leverancier, zijn producten of diensten, de kosten van die producten of diensten, eventuele aankopen en facturen, etc. Voor data discovery bestaan specifieke softwaretools, die vaak inbegrepen zijn in systemen voor data intelligence, maar ook in BI-software.
- Toegang tot en analyse van de data: het is belangrijk dat alleen de geautoriseerde personen toegang hebben tot de te onderzoeken data. Hiervoor bestaan verschillende systemen, onder andere software voor Identity and Access Management (IAM). Een bevoegd persoon moet ook kunnen analyseren, samenwerken en zijn of haar inzichten kunnen delen met de andere gebruikers die toegang hebben.
- Kwaliteitsbeheer van de data: de geëxtraheerde data moeten natuurlijk ook betrouwbaar zijn. Het is essentieel dat de gegevens volledig en correct zijn. Om hier zeker van te kunnen zijn wordt er gebruik gemaakt van een combinatie van de know-how van medewerkers, een classificering van data door machine learning en de kwaliteitsbeoordeling van een systeem voor Master Data Management. Niet alleen de data zelf, maar ook de bronnen waaraan ze worden ontleend, worden op deze manier geanalyseerd.
- Compliancebeheer voor datastromen: van groot belang is dat de datastromen overeenstemmen met de normen, de parameters en de voorwaarden die het bedrijf stelt. Bijvoorbeeld: het moet duidelijk zijn waar de gevoelige data worden opgeslagen, hoe en waarom deze verwerkt worden en wat de beleidsregels ervoor inhouden. Zo wordt er niet alleen voldaan aan het interne beleid, maar vaak ook aan sectornormen of wettelijke eisen. Als het bedrijf in Europa actief is, moet het bijvoorbeeld voldoen aan de Algemene Verordening Gegevensbescherming (AVG).
Data intelligence hangt nauw samen met artificial intelligence (AI), en dan vooral met machine learning. Zo worden de data niet alleen automatisch verzameld, maar leert het systeem ook steeds beter hoe data te vergaren, te structureren, op te slaan, metadata toe te voegen, etc. Medewerkers moeten het systeem in het begin wel ‘aanleren’ wat correct en wat fout is. Vaak moeten er gaandeweg ook nog correcties worden doorgevoerd. Bij zo’n correctie gaan sommige systemen voor machine learning ook terug in de tijd en sporen ze in het verleden gemaakte fouten op, om deze vervolgens te corrigeren.
Een voorbeeld: een chemiebedrijf moet de technische specificaties registreren van de producten die het bij zijn leveranciers koopt. Handmatig kost het veel tijd om al deze gegevens in te voeren. Daarom gebruiken veel van die bedrijven een software voor data intelligence om de gestructureerde data (tekst) en ongestructureerde data (bijvoorbeeld foto’s of icoontjes) van de specificaties te verenigen. Stel dat een icoontje bij het verkeerde product wordt gezet, dan kan een medewerker dit aangeven en rechtzetten. Het systeem zal de volgende keer niet meer dezelfde fout maken.
Wat is het verschil tussen business intelligence en data intelligence?
Data intelligence is vergelijkbaar met business intelligence (BI), maar toch niet helemaal hetzelfde. Met BI zoeken bedrijven naar een algemeen overzicht van hoe het bedrijf ervoor staat. Data intelligence focust op de precisie van de data en het begrijpen van de relatie tussen verschillende bedrijfsgegevens.
Business intelligence |
Data intelligence |
|
|---|---|---|
Doel |
Analyse van de bedrijfsdata om strategische beslissingen te maken |
Analyse van de bedrijfsdata als zodanig |
Vragen waarvoor een antwoord/ oplossing wordt gezocht |
Wat zijn de doelstellingen van het bedrijf (financieel, verkoop, kosten, klantenloyaliteit, etc.)? Welk percentage van de doelstellingen zijn behaald? Hoe rendabel is een bedrijfsproces of een specifieke afdeling? Etc. |
Wie heeft de data aangemaakt en wie gebruikt ze? Wat geven de data weer en waarvoor worden ze ingezet? Wanneer zijn de data aangemaakt, wanneer worden ze gebruikt en wanneer zullen ze overbodig zijn? Van welk deel van de organisatie komen de data? Waar worden de data opgeslagen? Hoe werden de data aangemaakt of vergaard? Etc. |
Data intelligence in de praktijk
Data intelligence kan in alle bedrijven en in alle sectoren ingezet worden. Enkele voorbeelden van bedrijven die gebruik maken van het systeem:
Data intelligence bij een maakbedrijf
Een van de sectoren waarin het meeste gebruik wordt gemaakt van data intelligence is die van de productie. In dit soort bedrijven worden erg veel data verzameld die bij het dagelijkse werk lang niet altijd in beeld komen, maar die nuttig kunnen zijn voor het optimaliseren van bedrijfsprocessen. Een bedrijf dat machines bouwt kan data intelligence inzetten voor diverse doeleinden. Een van de doelstellingen kan zijn om afwijkend gedrag van de machines op te sporen en te voorspellen, en actie te ondernemen voordat het te laat is. Het systeem kan bijvoorbeeld voorspellen dat een snijmachine tegen het hoogseizoen slijtage zal vertonen, waardoor de maximale capaciteit minder wordt. Het systeem waarschuwt dan bijvoorbeeld dat er nog maar 150 vinylplaten per dag zullen kunnen worden gesneden, in de plaats van 200. In sommige gevallen kan er ook een advies worden gegeven, voor bijvoorbeeld extra onderhoud, of de vervanging van een onderdeel of de hele machine.
Bedrijven uit de maakindustrie combineren data intelligence ook vaak met het internet of things. Door bijvoorbeeld in real-time data op te halen over de temperatuur van een machine kan het risico op oververhitting in kaart worden gebracht, en wordt eerder duidelijk dat onderhoud nodig is. Als een machine normaal gesproken bijvoorbeeld maximaal 40 graden wordt, maar een bepaalde week al een paar keer aan de 50 graden is geraakt, dan moet er misschien niet gewacht worden tot de volgende geplande revisie. Ook kan het bedrijf op basis hiervan ervoor kiezen om revisies sneller op elkaar te laten volgen.
Ten slotte kunnen de data van de machines eventueel ook gekoppeld worden aan het productiesysteem van het machinepark. Zo worden ook de data van de productiemiddelen, -methodes en -omstandigheden meegenomen in de analyses. Als het bedrijf de machines heeft aangekocht bij een leverancier, is de koppeling vaak lastiger. Maar de voordelen wegen meestal op tegen dit nadeel. Zowel de eigen organisatie als de leverancier heeft dan een goed inzicht in hoe de productiefactoren invloed hebben op het praktische gebruik van de machines. Zo kunnen de machines steeds verbeterd worden, en kan de relatie tussen een productiefout en een bepaalde storing worden aangetoond.
Data Intelligence bij een landbouwbedrijf
De landbouwsector krijgt met veel veranderingen te maken. Bedrijven zien zich geconfronteerd met eisen op het gebied van duurzaamheid, een toenemende of afnemende belangstelling voor bepaalde producten en een veranderende vraag naar producten die lang houdbaar zijn. Om aan al deze eisen te kunnen voldoen, worden er veel data vergaard over de eigenschappen en staat van hun landbouwgrond. De data die verzameld worden zijn onder andere luchtbeelden afkomstig van drones en satellieten, atmosferische data en gegevens over de vochtigheidsgraad verzameld door sensoren in de bodem.
Al deze technieken worden aangevuld met machine learning om goede voorspellingen te kunnen doen per landbouwzone. Het systeem kan dan ook bepaalde maatregelen voorstellen. Zo kan bijvoorbeeld een bepaalde plaag worden voorspeld, waardoor men tijdig maatregelen kan nemen. Ook kan het systeem waarschuwen voor extreme droogte of overstromingen, informatie die het bedrijf kan gebruiken om de gevolgen zoveel mogelijk te beperken.
Andere toepassingen van data intelligence
Bovenstaande zijn maar een paar voorbeelden van sectoren waarin data intelligence vaak wordt gebruikt. Het systeem kan zonder problemen in andere branches worden ingezet. Een installatie- en onderhoudsbedrijf van windturbines kan bijvoorbeeld data intelligence gebruiken om het rendement van de windmolenparken te verhogen. Hierbij worden aan de windturbine sensoren vastgemaakt. Deze sensoren geven in real-time aan hoe snel de wieken draaien, wat de temperatuur is van de generator en de versnellingsbak, etc. Door deze data te monitoren kunnen afwijkingen snel gedetecteerd worden en een dalend rendement of risico op grote problemen worden voorkomen.
Ten slotte kunnen ook specifieke afdelingen binnen een bedrijf gebruik maken van data intelligence. Neem bijvoorbeeld de financiële afdeling van een bedrijf. Door verschillende databases met de software voor data intelligence te verbinden in dezelfde data service, krijgt de afdeling een beter overzicht van welke klanten nog niet betaald hebben. Machine learning levert nog heel wat extra informatie op, zoals de communicatiegeschiedenis en eventuele voorgaande discussies. Zo kan er per geval bekeken worden wat de beste vervolgstappen zijn.