The A-Team: QVARTZ Analytics

Het A-Team van QVARTZ combineert datakennis met mensenkennis. Het team, bestaande uit ruim tien mensen, is divers in opleiding – computational engineering, data science, digitale marketing – en heeft acht verschillende nationaliteiten. Deze combinatie leidt tot succes bij grote digitale transformaties, het toepassen van kunstmatige intelligentie, machine learning en blockchain technologie. De belangrijkste drie elementen voor het team zijn: Data, Analytics en Mensen.

De wet van Moore – exponentiële toename van computerrekenkracht iedere twee jaar – houdt nog steeds stand. De bijgaande dalende prijs hiervan in combinatie met het internet leidt tot een enorme toename in technologische mogelijkheden, een explosie van apparaten met eindeloze verbindingen – the internet of things. Perfecte voorbeelden hiervan zijn de persoonlijke assistenten van Amazon (Alexa), Apple (Siri) en Google Assistant.

Combineer deze situatie met nieuwe technologieën – mobiel, cloud, kunstmatige intelligentie, sensoren en analytics en het tempo van verandering neemt alleen maar toe. In deze digitale wereld is data de nieuwe olie, en zijn wij mensen de bronnen.

Dit alles zorgt voor een alsmaar toenemende hoeveelheid (big) data die bedrijven verzamelen. Zij willen hun klanten beter begrijpen en er concurrentievoordeel mee creëren. Maar het merendeel van deze gegevens is niet nuttig, en 97% van de gegevens die wel nuttig zijn moeten nog worden geanalyseerd.

‘A’ voor analytics

De klassieke aanpak om een de prestaties van een merk te willen begrijpen is een enquête afnemen, een klantenonderzoek doen. Een alternatieve manier, die beter aansluit op de technologische en maatschappelijke ontwikkelingen, zou zijn om een sentimentanalyse op sociale media gegevens toe te passen om merkperceptie op alle kanalen in kaart te brengen. Combineer je dit met verkoopgegevens dan ontstaat een dieper begrip van het merk en de impact op de omzet. Dat is nou de kracht van analytics.

“Voor het QVARTZ Analytics team ligt de focus altijd op de essentiële vraag: hoe kunnen gegevens worden gebruikt en analytics toegepast om klanten te helpen een strategie te implementeren en/of een bedrijfsprobleem op te lossen?”

Voor een bedrijfsstrategie formuleert het team eerst wat er op dit moment in het specifieke bedrijf gebeurt; dan maken ze een voorspelling over de toekomst van de industrie en ten slotte maken ze kritische keuzes waar de schaarse middelen van het bedrijf moeten worden geplaatst om de waarde in de voorspelde toekomst te maximaliseren.

Om te scannen wat er gebeurt in een specifiek bedrijf gebruikt QVARTZ Analytics – in plaats van informatie steekproefsgewijs verkrijgen en dit extrapoleren – een grote hoeveelheid gestructureerde en niet-gestructureerde gegevens uit verschillende bronnen in de organisatie voor verwerking en analyse. Waarom? Omdat deze benadering veel meer inzichten geeft dan wat kan worden afgeleid uit de traditionele benadering van het onafhankelijk analyseren van verschillende gegevensbronnen en het achteraf trekken van cross-data conclusies.

Analytics, Machine Learning en Variabelen

Veel bedrijven steken energie in het overwegen, evalueren en piekeren over de toekomst. Door statistische tools in te zetten worden trendlijnen gecreëerd. Maar er wordt vaak maar naar één dimensie gekeken.  Het combineren van marktrends, merkontwikkeling, concurrentie, merkperceptie, wordt echter als te tijdrovend en te duur beschouwd. Een idee fixe die is ingehaald door goedkopere technologie en machine learning. De kosten van voorspelling zijn zo verlaagd dat ze onderdeel worden van nieuwe disciplines die enkele jaren geleden niet eens op de kaart stonden.

Binnen QVARTZ Analytics wordt machine learning gebruikt om de uitkomst van verschillende bedrijfsparameters te voorspellen. Door bijvoorbeeld patronen te vinden in onder meer sensorgegevens, machinegebruik, operators, laatste onderhoudscyclus en weersomstandigheden kunnen kritieke storingen in activa worden voorspeld.

Een andere toepassing is het ontwerpen van aanbevelingsmachines die kunnen voorspellen welke producten de klanten zullen kopen. Klantverloop, toekomstige vraagcurves, optimale prijsstelling voor een nieuw product en winkelprestaties zijn andere voorbeelden van hoe bedrijven in staat kunnen worden gesteld om betere beslissingen te nemen op basis van gegevens.

Naast machine learning is kunstmatige intelligentie (KI) dé nieuwe analytische frontier. KI interpreteert de context van gebruikersbehoeften en voorspelt wat de meest geschikte reactie zou kunnen zijn om aan die behoeften tegemoet te komen. Dit brengt een sprong van reactieve marketing naar proactieve marketing met zich mee: het gaat niet langer om inzicht in welk product een klant hierna gaat kopen, maar om het op de meest effectieve manier op de markt brengen van een nieuw product. QVARTZ Analytics gebruikt dergelijke technologieën om verschillende complexe scenario’s voor bedrijven te simuleren om beter te begrijpen hoe zij hun middelen kunnen toewijzen en welke risico’s en voordelen aan elke stap zijn verboden.

Er bestaat geen twijfel over dat machine learning en KI blijvend zijn. De maximale waarde halen uit analytics, KI en machine learning is niet alleen een kwestie van technologie, maar gaat evenzeer over dat wat alle technologie drijft: mensen.

De menselijke factor

QVARTS Analytics focust op drie aspecten om maximale waarde te halen uit geavanceerde analytics, KI en machine learning:

  1. Mensen
  2. Vaardigheden
  3. Verandermanagement

Mensen

Allereerst toepassing en gebruik van machine learning en KI gedreven door mensen. Hoewel machine learning kan automatiseren en ook besluiten van mensen kan overnemen, zijn er nog steeds veel strategische en soms ethische keuzes die niet door machines kunnen – of zouden moeten – worden gemaakt. Vaak is een holistische en menselijke kijk onontbeerlijk. Om de beste resultaten te bereiken, moeten mensen en machines samenwerken, op die manier leren ze van elkaar.

Vaardigheden

Het tweede belangrijke element om de waarde van analytics te maximaliseren is het verbeteren van de vaardigheden van mensen die in een mens + machine omgeving werken. Een organisatie kan bijvoorbeeld onderhoudsingenieurs in dienst hebben. De ingenieurs moeten de traditionele manier van alleen een onderhoudscyclus volgen afleren en gaan werken gebaseerd op de voorspellingen van de modellen opgesteld door machine learning. Hetzelfde is van toepassing op bijna alle afdelingen van een organisatie, of het nu gaat om Marketing, Sales, Forecasting, HR of een andere afdeling.

Verandermanagement

Het derde en meest belangrijke aspect is begrijpen dat machine learning en KI niet alleen de technologische evolutie vertegenwoordigen, maar ook menselijke verandering en dus verandermanagement vereisen. Hoe makkelijk het ook is om te berekenen, identificeren en communiceren hoe machines de productiviteit verbeteren, er moet evenveel aandacht worden besteed aan het definiëren van de nieuwe rollen van de betrokken teams. Als het veranderaspect van de werkplek wordt verwaarloosd, zal de misvatting van mensen versus machines worden vergroot, terwijl een nieuwe manier van samenwerken tussen mensen en machines vereist is.

 

Lees het originele artikel hier: https://qvartz.com/media/1845/the-qvartz-annual-2017.pdf 

Delen

Deze website maakt gebruik van cookies om u een zo goed mogelijke gebruikerservaring te geven. Ga hiermee akkoord door op accepteren te klikken.