Machine Learning

De definitie van Machine Learning (ML) is dat de computer in staat is te leren zonder dat die daarvoor specifiek voor is geprogrammeerd. Binnen de Business Intelligence wordt ML gebruikt om iets te zeggen over de toekomst en uiteindelijk actie te ondernemen. Binnen de BI Maturity Ladder komt Machine Learning pas in de bovenste delen in beeld.

Een andere toepassing van Machine Learning is wanneer je daadwerkelijk machinedata gaat analyseren. Met ML kun je iets zeggen over wanneer een bepaald onderdeel faalt. De actie die daarop kan volgen is dat het onderdeel al geproduceerd wordt, nog vóór het verwachte faalmoment.

Vanuit dat voorbeeld kun je legio andere voorbeelden bedenken. De enige voorwaarde is dat er data is. Dat is de voeding voor Machine Learning. Net als in iedere BI-tool moet er veel data in om iets te kunnen zeggen over behaalde resultaten. Hoe meer data je hebt, hoe hoger de trefzekerheid wordt.

Big Data visualiseren in Power BI?

Predictive Analytics

Iets lager in de BI Maturity Ladder staat Predictive Analytics. Ook hier geldt, hoe meer data, hoe beter. Predictive Analytics vertelt met een verschillende zekerheid iets over de toekomst. Dat kan door enkel naar één resultaat te kijken en daar patronen in te herkennen. Maar het is beter om verschillende data te verzamelen die invloed kunnen hebben op een resultaat en dan te analyseren wat het verband is.

Combinaties van verschillende data is waar je je voordeel haalt uit Predictive Analytics. In de verschillende bronnen liggen verbanden die je niet ziet als je de data niet analyseert.

Big Data

Het thema Big Data is de laatste jaren sterk in populariteit gestegen. Over wat het nu inhoudt is geen eenduidig antwoord te geven. Bij het ene bedrijf is de invulling van Big Data anders dan bij een ander bedrijf. Maar Big Data is altijd een dataset die groot is en vaak in beweging. Denk bijvoorbeeld aan data uit vrachtwagens, machines of een webservice.

Termen die tegen Big Data aanliggen zijn daarom ook Internet of Things (IoT). Door de complexiteit en pluriformiteit van Big Data is er ook niet slechts één software-oplossing die jouw bedrijf gaat voorzien van Big Data. Op dit moment is de Cortana Intelligence-suite binnen de Azure structuur de beste oplossing om een start te maken.

Alle disciplines van de Data Scientist komen aan bod om van een Big Data project een succes te maken. Het belangrijkste aan Big Data, is dat je er nu mee begint. Op dit moment is het voor veel mensen niet heel concreet. Ga er daarom mee aan de slag, zodat je op het moment dat het onmisbaar is, weet waar je mee bezig bent.

Visualisation

De laatste stap in het Data Science proces is de visualisatie. Zonder visualisatie is het resultaat gewoon een database met cijfers. Door die data een gezicht te geven, ga je de inhoud begrijpen en kun je actief iets met de gegevens doen. Binnen Cortana’s Intelligence-suite, zit ook Power BI. Die communiceert naadloos met de data vanuit Azure ML om een voorbeeld te geven. Door vanuit de vraag te denken, komt er een dashboard waar je als gebruiker waarde mee creëert.

De Data Scientist weet welke visualisaties hij kan toepassen om een zo volledig mogelijk antwoord op de vraag te geven. Omdat de standaard pie chart niet altijd voldoende is, zijn er binnen Power BI zogeheten Custom Visuals. Een heatmap kan daarmee bijvoorbeeld een grafische afbeelding van een machine zijn, waarbij je de status van onderdelen kunt zien. Of een plattegrond van een parkeergarage waarin je ziet op welke plekken een auto staat, inclusief de bezettingsgraad en gemiddelde parkeerduur. Hoe de data gevisualiseerd wordt, hangt dus sterk af van de vraag die in het begin gesteld werd.

Toepassingen van Data Science

De toepassingen van Big Data en Data Science zijn heel breed. Met de toename van het aantal sensoren in operationele processen komt er een hoeveelheid data op je af, waar je niet direct iets mee kunt. Daarvoor is de Data Scientist nodig. Hij zorgt ervoor dat er waarde uit die data komt, doordat je het kunt combineren met andere gegevens. Door slimme combinaties te leggen, data te visualiseren en uiteindelijk processen te verbeteren.

• 360 graden klantbeeld: Door data uit Google Analytics, verkoopsystemen, ERP en social media te combineren, weet je altijd wat er rond je merk of bedrijf leeft.

• Meer zicht op zakelijke omgeving: Breng externe databronnen binnen en combineer die data met elkaar. De verbanden die zichtbaar worden, leveren kostbare inzichten.

• Breng risico’s beter in kaart: Door deels te werken met externe data, maar ook eigen data, zorg je ervoor dat de open einden bloot komen te liggen. De Data Scientist zorgt er door verbanden te leggen voor dat je inzichten krijgt die je voorheen niet had. Daarmee kun je van tevoren al risico’s afdichten.

• Objectiever keuzes maken: Traditionele BI zorgt voor een grote verbetering in de zekerheid waarop keuzes worden gemaakt. Daarin is Data Science de volgende stap. Ten opzichte van traditionele BI is de informatie completer, ten opzichte van werken zonder BI is het de stap van onderbuikgevoel naar volledig onderbouwde keuzes.

• Verbeterde forecasting: Door de hoeveelheid data is er meer om te analyseren. De forecasting die je kunt doen op verkoop, inkoop of bijvoorbeeld finance wordt daarmee ook geavanceerder. Hoe meer data, hoe meer intelligence. Processen om kennis uit de data te vergaren worden daarmee ook lastiger. Daarom heb je een Data Scientist nodig.