Redactie - 13 september 2019

Een datagestuurd bedrijf worden

Data Analytics

In het huidige digitale tijdperk lijkt de tijd steeds sneller te gaan. De prestaties en de concurrentiepositie van een onderneming hangen af van haar vermogen om snel te anticiperen en de nodige beslissingen te nemen. Effectieve bedrijfsvoering vereist de analyse van grote hoeveelheden data. Vooruitgang op het gebied van kunstmatige intelligentie zal bedrijven nog krachtigere analyse-instrumenten bieden, maar de data-architectuur moet hierop voorbereid zijn.

Het belang van data wordt nog te vaak onderschat

Bedrijven creëren een schat aan data die nog lang niet optimaal wordt benut. Data is gefragmenteerd binnen organisaties en de geldigheid ervan is niet altijd gegarandeerd. De tijd tussen dat de data wordt verzameld en beschikbaar wordt gesteld voor analyse is zo groot dat van 'real-time' geen sprake is. De bestaande relationele databases zijn niet ontworpen om grote en groeiende hoeveelheden data effectief en economisch te beheren. Data is echter van vitaal belang voor het runnen van een bedrijf en vormt een onmiskenbaar concurrentievoordeel. Helaas zijn veel bedrijven nog niet echt overgegaan op het datagestuurde werken vanwege een gebrek aan kennis van het probleem en de belangen die op het spel staan. Door de toegenomen toepassing van kunstmatige intelligentie is deze vertraging nog kostbaarder voor een bedrijf.

Alle data moet snel en gemakkelijk toegankelijk zijn

Sinds 2000 moeten de grote internetspelers op zoek naar manieren om de grenzen van traditionele databases te omzeilen. Er zijn nieuwe oplossingen ontstaan, zoals Hadoop of Dynamo op AWS, om alle soorten data op petabyte-schaal tegen lage kosten op te slaan. Dit soort oplossingen vormt de basis van de data lake: één enkele locatie ontworpen voor bedrijven om grote hoeveelheden data uit verschillende bronnen op te slaan. Het gebruik van de cloud vereenvoudigt de implementatie en evolutie van deze data lake. Dit verloopt soepeler als de data-architectuur van tevoren duidelijk is vastgesteld.

Hoe eerder de data beschikbaar is, hoe sneller beslissingen worden genomen

Moderne analytische systemen moeten in staat zijn om data te ontvangen en te verwerken zoals deze wordt gepresenteerd. Het verlies van kostbare tijd om data aan te passen aan bepaalde database vereisten, is niet verenigbaar met realtime-doelstellingen. Bestands- of objectgebaseerde opslag is onafhankelijk van de datastructuur en daarom zijn er geen datawijzigingen nodig. Real-time dringt echter nog lang niet door tot alle functies van het bedrijf. Nog steeds worden er vaak enorme hoeveelheden data opgebouwd, voordat ze in één keer worden overgedragen. Veel logistieke activiteitenrapporten zijn gebaseerd op gegevens die meer dan vierentwintig uur oud zijn. Dit kan echter worden overwonnen met streaming technologieën, zoals Apache Spark, die de data-overdracht gemakkelijker maken door kleine batches data op grote schaal te creëren.

Data-analyse mag niet langer een hindernisbaan zijn

Gebruikers willen dat de data in de juiste vorm, met de juiste tools en op het juiste moment wordt aangeleverd. Software heeft de situatie verbeterd door rekening te houden met de ervaring van gebruikers tijdens hun omgang met data. Bedrijven gebruiken regelmatig veel tools om te kunnen reageren op alle verzoeken van gebruikers. De cloud is dan een essentieel hulpmiddel om deze tools op één enkel platform direct beschikbaar te hebben, zonder het budget te moeten verhogen. De toepassing van machine learning in analytische oplossingen versterkt de behoefte aan data, zowel in de automatische leerfase als in de operationele fase. De uitdaging van data is zodanig dat bedrijven zelfs data scientists aantrekken. Deze specialisten gebruiken specifieke tools om informatie te delen, te documenteren en machine learning algoritmes uit te voeren in een interactief document dat een 'notebook' wordt genoemd. Cloudaanbieders ondersteunen deze data scientists door notebooks te beheren en te zorgen dat ze in de cloud gebruikt kunnen worden.