Q&A - Data Value voor Business Leaders webinarreeks

Analytics & Insights
02 juli 2020
We delen graag de vragen die we ontvingen tijdens en na onze Data Value voor Business Leaders webinarreeks. Laat u nu inspireren.

Tijdens onze Data Value for Business Leaders webinars en vanuit gespreken met klanten en prospects achteraf heb ik rond de verschillende topics al heel wat nuttige vragen mogen ontvangen.

Nu de reeks is afgerond, had ik deze vragen mét antwoorden graag met u willen delen. Indien u de webinars zelf ook wenst te belijken, kunt u deze hier on-demand opvragen.

Q&A - Data Value, Beyond the hype

Hieronder vindt u de belangrijkste Q&A's van het webinar van 16 juni 2020:

Q: Op welke manier kan ik waarde van data binnen mijn bedrijf realiseren?
A: Elke organisatie heeft reeds bestaande doelstellingen en plannen. Data kan wellicht een cruciale rol spelen om deze te helpen verbeteren en/of realiseren.
Dit is een goede startbasis met de kans op een snelle return om als eerste stap aan de slag te gaan met data.

Q: Hoe snel kan ik impact verwachten?
A: Operation excellence projecten zijn relatief eenvoudig en de voordelen zijn onmiddellijk voelbaar.
Groei verwezelijken heeft een iets langere aanloop nodig, maar het effect is langduriger en er is ook meer potentieel voor bijkomend rendement.

Q: Wij hebben reeds meerdere oplossingen en mensen die met data aan de slag zijn. Hoe gaan jullie daar mee om?
A: Het domein van data is nog relatief jong. De eerste golf van toepassingen, tools en praktijk heeft zijn intrede reeds gedaan. Nu kijken we vooral naar verdere industrialisering, automatisering, drempelverlaging voor leken en complexere toepassingen. Voor jullie case zou het goed zijn met deze thema's in het achterhoofd samen te kijken waar verbeteringen of volgende stappen aangewezen zijn en daarbij een roadmap uit te werken om dit gefaseerd aan te pakken.

Q: Kunnen jullie iets meer info geven over data interaction tools?
A: Vandaag worden de meeste werknemers met data geconfronteerd via rapporten, statistiek, dashboards en dergelijke.
Om het domein van data breder toegankelijk te maken, kan het helpen om ook die medewerkers de mogelijkheid te bieden in het werken met deze informatie. Met self-service BI tools wordt het mogelijk voor gebruikers om de gewenste zaken te selecteren en te definiëren en onmiddellijk de resultaten te bekijken.
Dergelijke tools met data science onder de motorkap laten dit ook toe voor complexere toepassingen (zie verder).

Q&A - Een duurzame datastrategie

Hieronder vindt u de belangrijkste Q&A's van het webinar van 18 juni 2020:

Q: Wat is de doorlooptijd bij het opstellen van een datastrategie?
A: Dit hangt af van de complexiteit van de organisatie en de korte- en lange-termijn-doelstellingen.

Onze aanbeveling is om een evenwicht te zoeken tussen genoeg medewerkers te gaan betrekken en toch de scope niet te groot te laten worden. 'Kleinere' succesverhalen uitrollen, kan sneller mensen overtuigen om dezelfde richting uit te gaan.

Q: Is het realistisch om aan machine learning te doen zonder een data scientist?
A: Machine learning als techniek kan ingezet worden waar nodig, maar op zich kunnen reeds veel datavraagstukken beantwoord worden zonder. Een doorgedreven analyse van een business case, kan u hierop een antwoord bieden.
Voor specifieke cases kan dan een externe partij tijdelijk worden ingezet om bepaalde geavanceerde cases uit te voeren. Ook het organiseren van een hackathon rond die case kan een optie zijn als de data het toelaat.

Q: We hebben net een business strategie uitgewerkt waarin ook data als doelstelling aan bod komt, is een aparte data strategie dan nog nodig?
A: Op zich niet als jullie de vooropgestelde doelstellingen bereiken. Data strategie is een 'means to an end'.
Bij het definiëren van doelstellingen met data is het wel goed om ook raakvlakken te zoeken en te kijken of zaken zoals aanpak, processen en tools kunnen worden hergebruikt.

Q: Binnen een organisatie worden zowat alle visualisatietools gebruikt en iedereen kan gebruiken wat hij wil. Hergebruik is hierbij ver te zoeken. Hoe zorg je dan voor een juiste strategische keuze?
A: Het gebruik van verschillende tools is niet optimaal, want er kan efficiëntieverlies optreden door te moeten switchen tussen de tools.
Maar een combinatie van tools kan perfect als er telkens een duidelijke keuze, redenering en flow achter zit.
Door een business case te analyseren, kunt u ontdekken hoe u deze kan realiseren en welke tool of tools u hierbij kunnen helpen.

Q&A - Data-driven optimalisatie breed inzetten

Hieronder vindt u de belangrijkste Q&A's van het webinar van 23 juni 2020:

Q: Wat is de beste tool voor self-service BI?
A: Op zich zijn de meeste bottle-necks in BI organisatorisch en niet tool-driven, dus de oorzaak ervan blootleggen is hierbij de eerste stap.
Qua tooling zijn er tools die eerder ontwikkeld zijn voor expert gebruikers (vb. Tableau) en meer laagdrempelige tools voor een breder publiek (vb. Power BI, gezien de kennis van Excel bij de meeste medewerkers in een organisatie).

Q: Wat is de typische doorlooptijd om een roadmap tot self-service te bekomen?
A: Het is op zich een continu proces waarbij de datavaardigheden van het doelpubliek verder ontwikkeld worden.

Een gericht programma van ongeveer zes weken kan dit proces boosten en zowel power users als eindgebruikers heel goed op weg zetten.

Q: Hoe vermijd u een wildgroei van self-servicev toepassingen? Het lijkt mij risicovol als alle gebruikers dashboards door elkaar beginnen aanmaken?
A: Het is essentieel om ervoor zorgen dat de onderliggende data en berekeningen steeds uniform zijn.
Een 'information catalogue' helpt een onderscheid te maken tussen de ‘officiële’ dashboards en andere. Veel tools bieden op vandaag ook reeds de mogelijkheid om die classificatie te doen.

Q: Wat is de beste tool om een 'information catalogue' te bouwen?
A: Standaard tools zoals Informatica (Axon) en Collibra laten u toe om metadata toe te voegen.
Er bestaan ook tools die assisteren door automatisch metadata te gaan extraheren (vb. Octopai of Alation).
Daarnaast zijn er ook tools die de organisatie breder in kaart brengen en daarmee ook een duidelijk beeld op de informatie en de data kunnen geven (vb. LeanIX).
Bij het kiezen van tooling dient de afweging te worden gemaakt welke aanpak u wenst te hanteren en welke investeringen u hiervoor kan voorzien.

Q&A - Data-driven optimalisatie breed inzetten

Hieronder vindt u de belangrijkste Q&A's van het webinar van 25 juni 2020:

Q: Welke profielen heb ik nodig om data science te ontwikkelen?
A: Om te starten hoeft u niet meteen data scientists of technische profielen aan te trekken.
De eerste aandacht moet uitgaan naar het spotten van uitdagingen in processen waar data (science) een oplossing kan bieden. Hierbij kunnen de eerste stappen ook gezet worden door bestaande analyse-profielen binnen uw organisatie.

Q: Wat is een typische grootorde van een data science project?
A: Er zijn reeds projecten mogelijk met een relatief beperkt budget. De twee cases die in de webinar zijn uitgewerkt als POC met budgetten van enkele weken werk. Complexiteit resulteert niet automatisch in een groot budget. De enige bepalende factor is de return-on-investment. In de praktijk is een investeringsproject steeds onderdeel van een business case en wordt er zelden gestart zonder positief vooruitzicht op basis van een grondige analyse.

Q:  Waar kan ik meer info vinden over die R & Python platformen?
A: Voor de oplossingen van de grote spelers zoals R en Python kunt u alle nodige informatie vinden op de respectievelijke website.

De open source standaard van Rstudio en hun enterprise offering.
Aarzel niet om ons te contacteren voor meer uitleg rond deze oplossingen.

Q: Valt er niet veel te verwachten op vlak van mature toepassingen en kant- en klare oplossingen in dit domein in de komende jaren?
A: Ongetwijfeld zullen er heel wat ontwikkelingen plaatsvinden in dit domein. De snelheid van de technologische ontwikkelingen zal steeds groter zijn dan de conversie naar business toepassingen. Het is dan ook extreem moeilijk om hiervoor breed inzetbare standaardoplossingen uit te werken. Er worden nu al data science toepassingen geïntegreerd in standaardoplossingen volgens de te verwachten evolutie.
Voor (uw) specifieke vragen en noden is het echter zeker de moeite waard om te onderzoeken of er een haalbare business case zich voordoet die nu reeds het voordeel van de early mover biedt.

Geschreven door Richert De Vleeschhouwer, Data Value Proposition Manager @ AXI Group