Het begint eigenlijk tussen je eigen oren..
0. It’s all in the mindset.
Data gedreven werken draait om een mindset of een besef dat jouw keuzes altijd invloed hebben op de lange termijn. Als je jouw data nu goed opslaat bespaar je jezelf heel veel tijd in de toekomst. Binnen je bedrijf ga je dus alle data als waardevol zien. Alle data die je nu niet gebruikt kan wel gebruikt worden voor mogelijk toekomstige doelen, uitdagingen of problemen. Dit kunnen uitdagingen of problemen zijn die je nu nog niet kan voorzien.
Eigenlijk draait het dus om het creëren van een procesmatige mindset binnen de organisatie waarbij continu gekeken wordt naar verbeterpunten op het gebied van digitalisatie.
Het “mappen” van de huidige situatie
1. Hoe staat jouw bedrijf er nu voor?
Het eerste waar jij en jouw bedrijf zich mee bezig gaan houden is dus om te kijken of er op dit moment een doelstelling of probleem is. Wil je jouw organisatie over het algemeen klaarstomen voor data gedreven werken? Heb je een specifieke uitdaging die je aan wilt pakken? Voor het algemeen klaarstomen is de mindset die je hebt belangrijk, voor een specifieke uitdaging is een business understanding belangrijk.
Met een goede Business understanding kun jij gaan kijken welke specifieke data je nodig hebt voor je doelen, uitdagingen of problemen en hoe je dit uiteindelijk gaat verzamelen.
Je zal na het verkrijgen van een goede Business understanding namelijk precies kunnen gaan zoeken naar de data die jij nodig hebt.
Je kan niet zomaar alle data verzamelen. Neem als voorbeeld persoonlijke data, hier hangen bepaalde regels aan met betrekking tot de AVG over wat je mag opslaan.
Vraag jezelf eens af. Welke data heb ik nu en waar kan ik nog meer data vandaan halen? En hoe vraag ik dit op de juiste manier uit? Het is erg belangrijk om de gevonden data op een gecentraliseerde manier weg te zetten, zodat je de data ook weer makkelijk kan opvragen.
Zorg dat er een cultuur gaat heersen in je onderneming waarbij alle data gecentraliseerd wordt opgeslagen. Hiermee kun je die data later makkelijk vinden en gebruiken.
The gap
Na het inventariseren van de huidige situatie van jouw bedrijf kan je jouw doelstelling gaan formuleren. Wat is de gewenste situatie voor jouw bedrijf?
Na het identificeren van de huidige en gewenste situatie kan je de gap duidelijk maken, met de volgende stappen verklein je die gap.
Ook belangrijk, hoe sta je er op dit moment voor? Wat kan een data maturity scan bijvoorbeeld voor je bedrijf doen? Wat voor mogelijkheden zou dat bieden voor je bedrijf. Een datascan geeft je de mogelijkheid om precies te bepalen hoe je Artificial Intelligence en Machine Learning kunt gebruiken. Zo kun je jouw meest prominente zakelijke probleem op een verantwoorde manier aanpakken.
Een data maturity scan geeft je de mogelijkheid om de GAP te identificeren.
De huidige situatie is nu dus duidelijk…
2. Collection and preparation
Tijdens het verzamelen van alle data kan het zijn dat er data tussen zit met lage kwaliteit. Deze datakwaliteit is van belang voor de bruikbaarheid van je uiteindelijke analyse. Maar wat bedoelen we met data van lage kwaliteit?
Staat een formulier het bijvoorbeeld toe om een postcode in te voeren met maar drie cijfers? Kan iemand aangeven dat hij/zij 400 jaar oud is? Wordt een emailadres getest op of het een echt emailadres is? Dit kan allemaal resulteren in data van lage kwaliteit. Als je zorgt dat dit alles van tevoren goed ingesteld is, scheelt dat later weer kostbare tijd.
Doe je dit dus op tijd? Dan sluit dit ook goed aan op de mindset die je gecreëerd hebt in de vorige stappen.
- Quick win: Gebruik bijvoorbeeld drop down menu’s in formulieren waarbij er een keuze gemaakt kan worden uit voorgeselecteerde opties. Voorgeselecteerde opties zijn voor een computer makkelijker te lezen en is dus gebruiksvriendelijk, hierdoor worden alle fouten vermeden en blijft de data schoon.
Die verzamelde data, waar sla jij die dan op? Is de data netjes in een database opgeslagen of staat alle data verdeeld over meerdere computers? Het is belangrijk om te zorgen dat alle data opgeschoond en gestandaardiseerd bij elkaar staat, want hierdoor is de data veel toegankelijker om gebruikt te worden. Toegankelijke data zijn later makkelijk aan elkaar te koppelen en bespaart dus tijd en geld in een verder proces.
Alle goede data verzameld? Lekker bezig!
3. Verbanden leggen en implementeren.
Nu de data gecentraliseerd en gestandaardiseerd is, is het tijd om verbanden te gaan leggen tussen de verzamelde data. Je ziet waar je op dit moment aan toe bent door middel van de acties tijdens de collection and preperation. Welke verbanden zie jij nu in je data en hoe relateert zich dit aan mijn oorspronkelijke doelstelling? Kan je met de verzamelde data je doelstelling oplossen?
Het antwoord op deze vragen kan je helpen met concluderen of je al bent waar je wil zijn of waar je naartoe zou willen gaan.
Kleine rewind..
Kun je verbanden zien in de data die je helpen jouw probleem op te lossen? Hebben deze vooral te maken met de huidige situatie? Dan ben je meer gericht op data & dashboarding.
Óf ben je al een stapje verder en zijn je doelen, uitdagingen of problemen geformuleerd voor de toekomstige situatie? Wil je gaan voorspellen wat er kan gaan gebeuren in de toekomst? Dit doe je aan de hand van de data die je hebt over wat er al is gebeurd. Hiermee gebruik je Artificial Intelligence, dat inspeelt op toekomstige situaties.
Als je data gecentraliseerd en gestandaardiseerd hebt opgeslagen kan je je afvragen wat je nu wil gaan doen. Wil je meer kijken naar de huidige stand van zaken? Dan ben je met dashboarding bezig.
Maar ben jij meer toe aan wat je in de toekomst wil gaan toepassen en wil je meer gaan voorspellen?Dan ga je meer richten op AI. Het ligt er aan wat jij wil bereiken.
- Wat is mijn meest winstgevende product? Dit zie je bij Dashboarding.
- Welke maand is het meest winstgevend voor mijn organisatie? Ook dit hoort bij Dashboarding.
- Kan ik voorspellen wat mijn budget gaat zijn voor volgend jaar? Kan ik zien wat mijn voorraad voor volgend jaar is met de data die ik heb vanuit de stap hiervoor? Kan ik hiermee mijn doelen, uitdagingen of problemen oplossen? Dit heeft te maken met Artificial Intelligence.
Om verder te werken aan je doel ga je jezelf afvragen of je statistieken kan toepassen op de data. Je wil uiteindelijk gaan voorspellen wat de uitkomst gaat zijn van je doelen, uitdagingen of problemen.
Door naar de volgende stap!
4. Implementatie van de statistics!
Er zijn enorm veel modellen die gebruikt kunnen worden. Maar, welk model je het beste kan gebruiken hangt altijd af van de context. Bij veel gevallen heeft je bedrijf niet de expertise om direct te zeggen welke modellen er gebruikt dienen te worden.
De handigste manier om je model uit te gaan werken is om bij de basis te beginnen. Begin met een basisfunctionaliteit en voeg daarna iteratief opties toe aan het model of door middel van een ander model.
Hierdoor krijg je opbouwend steeds meer informatie en kun je nagenoeg zeker zijn dat de data elke keer correct is. Dit komt omdat je specifiek data blijft toevoegen.
Het gehele proces is eigenlijk een oneindig proces van bijstellen en evalueren. Zo kun je nieuwe variabelen toe blijven voegen om meer informatie uit de data te halen. Hiermee ga je long-term veel meer doelen, uitdagingen en problemen op kunnen lossen.
“Kies je model aan de hand van je doelen, uitdagingen of problemen, niet ieder model past op ieder probleem.”
5. Evaluatie van het proces
Na de uitvoering van alle punten is het uiteraard tijd om ruimte te maken voor een evaluatie van het proces. Hierbij hoor je te gaan kijken naar of het model heeft gedaan wat jij verwachtte. Presteert het model bijvoorbeeld ook op onvoorziene situaties?
Hierbij blijf je wederom bijstellen en vergaar je meer en meer data die nuttig is voor jouw doelen, uitdagingen of problemen.
“Wees je bewust dat ieder model met aannames komt en de keuzes die jij maakt invloed hebben op de betrouwbaarheid die je gaat zien.”
We helpen je graag verder!
Heb je een vraag over dit onderwerp?
Neem contact met ons op.