Decisions at Scale; het is makkelijker dan je denkt

Uit mijn vorige blog over de roadshow SAS Live ‘Decisions at Scale’ bleek al dat belemmeringen in de eigen organisatie eigenlijk de enige showstopper zijn voor het nemen van beslissingen op basis van grote hoeveelheden data. Jill Dyché, vice president Best Practices bij SAS, ziet dat veel bedrijven pas in beweging komen als het eigenlijk te laat is.

“Men wordt pas actief als er een nieuwe concurrent hun markt betreedt die plotseling veel marktaandeel pakt", aldus Dyché. "Of als de introductie van een nieuw product waar de organisatie veel van verwachtte tegenvalt.” Ze adviseert dan ook: “Wacht niet tot het kalf verdronken is, maar begin gewoon. Verberg je niet achter excuses als ‘we hebben onvoldoende kennis en ervaring’. En verzin zeker geen redenen om het project uit te stellen, zoals ‘we hebben absoluut deze en deze data eerst nodig’. Iedere organisatie beschikt over data die nog nooit goed is onderzocht en die het antwoord in zich kan hebben voor een probleem. Probeer als CIO de vraag naar het antwoord voor te zijn. Wacht niet tot de business bij jou komt, maar benader zelf de business. Laat zien wat jij kunt bijdragen.”

Predictive Governance
Rijkswaterstaat heeft dat goed begrepen. Het verhaal van informatiemanager Roland Drijver had als titel ‘Predictive Governance’. “Waar we eigenlijk naar toe willen is dat in 2035 de diensten die wij leveren in het kader van een veilig, leefbaar en bereikbaar Nederland voor de belastingbetaler kostenneutraal zijn. Dat wil zeggen dat die kosten dan niet langer worden opgebracht door belastinggelden, maar dat we economische verbindingen aangaan met de samenleving. Daarvoor is het nodig dat we in 2025 accountable zijn. En dat betekent dat we tegen die tijd volledig inzicht moeten hebben in al onze processen. Slim omgaan met data is daarom een topprioriteit voor Rijkswaterstaat.”

Matthias Coopmans liet in een demo met drie SAS-experts zien dat het technisch niet moeilijk meer is om data uit verschillende bronnen bij elkaar te brengen, samen te voegen tot één rijke gegevensset en deze te analyseren. In de demo ging het team op zoek naar nieuwe klantgroepen voor een bestaande dienst. Door een analyse van het gedrag van klanten konden zij voorspellen welke klanten op welk moment het meest gevoelig zouden zijn voor welk aanbod. Ze ontwikkelden verschillende voorspellende modellen en voerden een vergelijkende test uit.

Simon Gregory van Hortonworks inspireerde vervolgens de zaal met diverse voorbeelden van organisaties die beslissingen nemen op basis van grote hoeveelheden data. En hij verhaalde over een akkefietje met zijn bank, waar hij een spaarrekening, een betaalrekening en een hypotheek heeft, maar die er toch niet in slaagde hem van een goed financieel advies te voorzien. “Ik voel me als klant gewoon niet serieus genomen.”

Gepersonaliseerde lesmethoden
Dat is precies wat Sanoma Learning wil voorkomen. Want als je iets serieus moet nemen, dan is het wel onderwijs aan kinderen, vindt Chief Business Technology Officer Arnoud Klerkx. Hij vertelt hoe zijn organisatie digitale lesmethoden inzet om docenten via een dashboard te vertellen met welke onderdelen van de lesstof kinderen moeite hebben, zodat de docent tijdig en op maat van de leerling kan bijsturen. Het grote doel voor de toekomst is het ontwikkelen van volledig gepersonaliseerde lesmethoden, waarbij data van leerlingen wordt gebruikt om real-time de volgende stap in het leerproces klaar te zetten.

Analytische levenscyclus
Wie zelf aan de slag wil met data maar nog geen proces hiervoor heeft ingericht, doet er goed aan de white paper ‘Managing the analytical life cycle for decisions at scale’ te lezen. Deze beschrijft de volledige analytische levenscyclus en gaat in op de voetangels en klemmen die u tegenkomt als u het pad van analytics gaat bewandelen.

Door: Jos van Dongen, Principal Consultant bij SAS Nederland (foto)