Slimme data op een presenteerblaadje

Geplaatst door CorporatieMedia op
 

Het gebruik van data staat in elke branche en organisatie tegenwoordig wel hoog op de prioriteitenlijst. Iedereen wil datagedreven gaan werken. Maar in de praktijk betekent dat nog te vaak het ontsluiten van deze data in dashboards en rapporten.

Dashboards en rapporten worden in het algemeen door managers gebruikt om inzichten te verkrijgen in wat er gebeurd is en eventueel waarom het gebeurd is. En langzamerhand waagt men zich voorzichtig aan voorspellingen doen. Maar dat staat in veel gevallen nog in de kinderschoenen.

Decline of the dashboard
De laatste inzichten rond de top 10 trends op het gebied van data & analytics door Gartner laten een aantal opvallende dingen zien. Ik zoom in deze opinie wat verder in op een aantal van deze trends, maar met name op “Decline of the dashboard” omdat deze me al jaren nauw aan het hart gaat. Ik heb zelf een lange historie in systeem- en ketenintegratie, en bij alle oplossingen die we ontwikkeld en geïmplementeerd hebben stond het kunnen monitoren van de integratiestromen altijd hoog op de verlanglijst. Er moest altijd een tool komen om te kunnen monitoren. En altijd was dit in de vorm van een dashboard. Met fancy visuals. Beheerders en managers moesten altijd iets “tastbaars” hebben om te zien of de zaken nog goed draaien. Liefst ook op een groot scherm aan de muur bij de afdeling support. Telkens heb ik mij er tegen verzet, maar telkens was het een harde eis.

Maar waarom zou je hele dagen naar een dashboard turen, terwijl het 34 jaar geleden (het prille begin van mijn belevenissen in de IT) ook al mogelijk was om management by exception te doen? Alleen als er iets aan de hand is op de hoogte worden gesteld van het feit, waarna je direct actie kunt ondernemen!

Het zelfde hebben we zien gebeuren in data & analytics. Mensen willen dashboards en rapporten. Om naar te kunnen staren. En mee te spelen (of je er achter te verbergen). En om vervolgens in een andere applicatie iets met (een waarschijnlijk afgeleide vorm van) deze data te gaan doen. Waarschijnlijk door het over te typen. Of het aan iemand anders door te geven, zodat hij of zij er iets mee kan gaan doen. Ongelofelijk.

Datagedreven acties
Waar het in data & analytics om gaat, is dat je in de juiste context en op het juiste moment de beschikking hebt over de meest relevante data. Zeker als het over het nemen van operationele en tactische beslissingen gaat. Natuurlijk heb je nog steeds wat aan dashboards om trends in het verleden en in de toekomst te kunnen analyseren, en om what-if scenario’s te doorgronden. Want dat is waar je je strategie op aanpast, zodat je minstens je voorgenomen doelstellingen kunt behalen.

Maar voor veruit de meeste mensen die bij organisaties werken gaat het dagelijks slim gebruiken van data over het presenteren ervan in de juiste context. Welke prijs kan ik hier het beste afgeven voor deze bulkvracht? Wat is de beste doelgroep om aan te spreken voor deze huurwoning die leeg komt te staan binnenkort? Welke skills moeten we op gaan werven? Dit soort informatie die je helpt om goeie operationele en tactische beslissingen te nemen moet hapklaar worden aangereikt. Binnen de app waar je op dat moment mee aan het werk bent. Het scherm waar je op dat moment een prijs moet bepalen en ingeven. De tab in de ERP applicatie waarin je de verhuur van deze specifieke woning beheert. De HR applicatie die je social media uitingen rond vacatures publiceert. Dit noemen we datagedreven momenten. Op basis waarvan je direct, in de juiste context actie kunt ondernemen. Datagedreven acties dus!

Operationaliseren van data
Om dit te kunnen bewerkstelligen is het beheer van je dataplatform een must. De kwaliteit van data en de toegepaste algoritmes moet goed zijn en blijven. Zeker als er steeds meer op basis van machine learning informatie – in app –  op basis van automatische voorspellingen wordt aangeleverd. Waarmee het systeem zelfs kan voorschrijven welke actie je het beste kunt ondernemen (prescriptive) om een bepaald doel te bereiken. Het bewaken van de kwaliteit van deze AI modellen, het integreren van de benodigde brondata en het ontsluiten van contextgevoelige informatie via API’s richting de eindgebruikersapps is niet eenvoudig. De meeste mensen die verantwoordelijk zijn voor het ontwikkelen van deze modellen hebben daar geen kaas van gegeten. Dat is weer een vak apart, samengevat door de term MLops.

Datagedreven actie kan niet zonder MLops. Maar voor een groot gedeelte zeker zonder dashboards en rapporten. De data – als het gaat om predictive of prescriptive dus “slimme data” –  moet betrouwbaar op een presenteerblaadje worden aangereikt, zodat je het direct kunt gebruiken als dè informatie die je op dat moment nodig hebt.

Bron: Motion10, Foto: Motion10