De impact van data en data-analyse gaat veel verder dan een fancy dashboard voor het management. De komende jaren zal analyse een steeds steviger stempel drukken op de bedrijfsvoering. Het kan (en wordt) toegepast in vrijwel iedere laag van de organisatie. Datavaardigheid, het vermogen om inzichten uit data-analyse te halen en die toe te passen voor de verbetering van werkzaamheden en de ontwikkeling van nieuwe initiatieven, wordt een essentiële tool in de skill set van iedere werknemer.
In mijn vorige blog (deel 1 van deze korte reeks) noemde ik al de eerste vijf belangrijke trends die in 2019 rond data-analyse zichtbaar worden. Technologie stelt ons in staat grote hoeveelheden feiten om te zetten in bruikbare kennis. We moeten nog steeds wennen aan dat idee, maar de manier waarop we analyse nu met behulp van technologie toegankelijk, aantrekkelijk en hanteerbaar maken voor ‘gewone’ werknemers, betekent dat we in 2019 grote stappen vooruit gaan zetten. Dit zijn de laatste vijf trends waar iedereen die met data werkt komend jaar mee te maken gaat krijgen:
6 Analyse met de snelheid van een consumenten-app
Bij de selectie van analysetools wordt relatief weinig aandacht besteed aan hoe de prestaties van de tools worden ervaren. Analyses lopen prima zolang er geen vertraging is en alle queries lekker blijven draaien. Maar als gebruikers langer dan een paar seconden moeten wachten op resultaat, verliezen ze hun geduld en houden ze het voor gezien. Een vertraging van een paar honderd milliseconden kan het al onaantrekkelijk maken om data toe te passen in bedrijfsprocessen of bijvoorbeeld een augmented reality toepassing.
Een visualisatie bouwen onder ‘laboratoriumomstandigheden’ stelt natuurlijk niet al te hoge eisen aan de onderliggende systemen – wellicht dat prestaties daardoor onderbelicht zijn gebleven tijdens de opkomst van de BI selfservice trend. Maar helaas vallen veel BI selfservice oplossingen die het eerst zo leuk leken te doen door de mand als ze worden belast met meer data, meer workloads en meer gebruikers, verspreid over de hele organisatie.
Grote hoeveelheden data op grote schaal door de organisatie pompen blijft een uitdaging. Dat is ook de reden dat van veel ambitieuze Hadoop-projecten uiteindelijk weinig meer is overgebleven dan goedkope dataopslag. Nu steeds meer organisaties steeds grotere hoeveelheden data willen gaan gebruiken, is het negeren van de gepercipieerde prestaties simpelweg geen optie meer. Om latency te vermijden worden workloads bijvoorbeeld nu al steeds dichter bij de bron geplaatst (‘edge computing’). Het komt erop neer dat we steeds meer initiatieven zullen zien die erop gericht zijn ook complexe analyses net zo soepel te laten draaien als gebruikers thuis van hun consumenten-apps gewend zijn. In het komende jaar zullen we zien dat prestaties, en dan met name de prestaties zoals eindgebruikers die ervaren, van doorslaggevende invloed worden op de moderne IT-architectuur.
7 AI maakt analyse méér (en niet minder) menselijk
Veel mensen hebben nog steeds bedenkingen bij Artificial Intelligence (AI). Dat komt wel ergens vandaan: we horen en lezen overal dat AI banen gaat kosten. In werkelijkheid zijn we nog lang niet zover – voorlopig lijkt het er eerder op dat AI meer werk gaat opleveren. En het werk dat AI wél gaat overnemen is vooral werk dat een mens eigenlijk niet handmatig zou moeten hoeven doen. Waar mensen bijvoorbeeld weinig bij stilstaan is dat er een enorme kloof gaapt tussen de hoeveelheid data die nu al gegenereerd wordt en de menselijke capaciteit om dat allemaal te bevatten en te verwerken. Maar er zit ook nog een gat tussen capaciteiten van de analysetools die momenteel al beschikbaar zijn en de mate waarin organisaties daar nu al gebruik van maken. Als we die beide kloven weten te overbruggen, helpen we mensen hun belang voor de organisatie te vergroten, in plaats van hun banen te stelen.
De waardeketen van dataverwerking is complex, van het uitlezen, bewerken en voorbereiden van data, tot de objectieve analyse en het in de juiste context plaatsen van informatie. AI is daarbij nu al van grote waarde en die waarde neemt alleen maar toe doordat het zichzelf verbetert met behulp van Machine Learning en telemetrie. Als gevolg daarvan zorgt AI dat data en data-analyse steeds dichter tegen de mens aan kruipen. In plaats van mensen te vervangen, stelt AI mensen in staat meer te doen voor hun organisatie. De komende vijf jaar gaan we daar de rijpe vruchten van plukken.
8 Data Storytelling maakt analyse aantrekkelijker voor zakelijk gebruik
Volstrekt objectieve besluitvorming bestaat niet. Als het gaat om het nemen van beslissingen blijken emoties vele malen krachtiger dan logica. De meeste mensen vinden data maar saai, terwijl ze tegelijkertijd wel weer heel gevoelig zijn voor verhalen die door data worden ondersteund. Kennelijk is het nodig data meer te laten ‘spreken’. Op dit moment worden de meeste dataverhalen nog verteld met behulp van presentatiesoftware, maar bijster inspirerend is dat niet. Tegenwoordig zijn nieuwe oplossingen beschikbaar die data-analisten helpen met visualisaties en infographics, maar uiteindelijk zijn het nog steeds de analisten en ontwikkelaars zelf die daar een aansprekend verhaal van moeten maken.
De afgelopen drie jaar zien we een nieuwe ontwikkeling waarbij ‘data storytelling’ geautomatiseerd wordt, door gebruik te maken van technologie die steeds beter in staat is natuurlijk taalgebruik te imiteren. Conversatieanalyse maakt deze oplossing ook nog eens interactief, waardoor de acceptatiegraad sterk omhoog gaat. Als we data storytelling en visuele verteltechnieken gaan combineren, wordt de drempel om met data te werken een stuk lager. Op die manier gaat de samensmelting van presentatietechnieken met visuele- en conversatietechnologie ervoor zorgen dat de datavaardigheid in organisaties de komende jaren sterk omhooggaat.
9 Datavaardigheid als KPI
Datavaardigheid wordt steeds belangrijker, maar is heel lang ook ongrijpbaar gebleven. In 2019 gaan we het terugzien als KPI. Iedereen begrijpt inmiddels wel dat het belangrijk is data te kunnen lezen en analyseren zodat je het kunt toepassen in je werk, maar de behoeften lopen nog sterk uiteen. De een heeft echt nog heel basale begeleiding nodig, terwijl een beetje data scientist serieuze uitdagingen nodig heeft om de verveling te verdrijven. Om te bepalen waar je moet beginnen is het dan ook goed eerst eens in kaart te brengen waar je organisatie nu eigenlijk staat. Je moet tenslotte eerst iets meetbaar maken voor je het kunt managen.
Op dit moment zijn er nieuwe methodieken in opkomst waarmee datavaardigheid meetbaar en indexeerbaar wordt gemaakt, zodat mensen en organisaties gericht en precies aan de slag kunnen om vaardigheden te verbeteren. Er zijn zelfs manieren om de datavaardigheid van de organisatie als geheel in kaart te brengen. Dat laatste is met name interessant omdat die methoden een direct verband laten zien tussen datavaardigheid en de prestaties en waarde van de organisatie, in termen van marges en ROI. Datavaardigheden worden essentieel in iedere laag van de organisatie. De kans is groot dat een hoge datavaardigheidsscore op afzienbare termijn al een onderscheidende factor wordt op elk cv.
10 Analyse als een zelflerend systeem dat zichzelf voortdurend verbetert
2019 wordt een jaar waarin we BI en data-analyse steeds minder als een verzameling losse tools en gegevens gaan zien en meer als een samenhangend systeem. Een belangrijk verschil is dat mensen tools gebruiken, waardoor ze aan deze systemen deelnemen. Een modern systeem wordt gebruikt door een hele reeks mensen in allerlei verschillende rollen, met diverse vaardigheden en bedoelingen. Maar mensen zijn daar niet alleen: digitale diensten, bots, extensies, algoritmes en intelligente programma’s worden meer en meer actieve deelnemers aan zo’n systeem. De komende jaren zal de diversiteit en de intelligentie van dit soort digitale deelnemers sterk gaan toenemen. De waarde van dergelijke systemen schuilt vooral in de manier waarop alle deelnemers informatie uitwisselen en daarvan leren, zodat zowel de menselijke als de digitale intelligentie kan groeien. We gaan toe naar een open en zelflerend systeem, dat gebruikmaakt van alle negen trends die ik hiervoor heb genoemd, en dat zichzelf verbetert iedere keer dat het gebruikt wordt.
Dit is het tweede en laatste deel van mijn blogreeks ‘2019: het jaar waarin data de dienst uitmaakt’. Lees hier deel 1 met mijn eerste 5 trends.
Emmanuel Vanderhaegen is Sales Director Benelux bij Qlik
