Veel organisaties verzamelen enorme hoeveelheden data, maar zonder duidelijke onderliggende strategie. Maar net als bij olie, waar data vaak mee vergeleken wordt, is ruwe data op zichzelf waardeloos. Er moet nog wel iets gebeuren voordat innovatie mogelijk is met de informatie die voortkomt uit data.
“Veel organisaties willen graag data driven gaan werken, maar hebben enorme uitdagingen met het vinden van de daarvoor benodigde gegevens”, zegt Bart Buschmann, Commercieel Manager bij eMagiz. “Maar gek genoeg hebben ze die vaak al wel in huis. Uit recent onderzoek van Gartner is gebleken dat ongeveer 70% van de data die door bedrijven verzameld wordt eigenlijk nooit meer gebruikt wordt. Dark Data noemen ze dat.”
Een benchmark die eMagiz zelf onder grote Nederlandse enterprises heeft uitgevoerd bevestigde dit beeld. “Hier bleek dat zeker 50% van de data ‘onvindbaar’ is. Ze weten waarschijnlijk heel vaak niet eens dat ze die data hebben. Wat dat betreft vergelijk ik data wel eens met olie. Bij het winnen van olie moet er enorm veel gebeuren voor je de ruwe olie aan de oppervlakte hebt. Je moet de olievelden eerst zien te vinden, dan door hele dikke steenlagen heen boren en pijpleidingen aanleggen.”
Waarde
“En als je de olie dan eindelijk aan de oppervlakte krijgt heb je een intrinsiek waardeloos product; je moet er nog iets mee doen voordat het waarde oplevert. En precies zo werkt het met data. Storage is in de afgelopen jaren zo goedkoop geworden dat iedereen de neiging heeft om alles maar op te slaan en te bewaren. Hierdoor hebben we immense hoeveelheden ruwe data, maar er moet nog van alles mee gebeuren voordat deze data informatie oplevert die van waarde is. En het gevaar van deze situatie is dat ook nieuw gegenereerde data eigenlijk direct zoek is, omdat het verdrinkt in die enorme hoeveelheid dark data.”
“Wij praten bij onze klanten veel met IT, en daar is veel aandacht voor data. De business heeft echter geen behoefte aan data, maar aan informatie. En daar wordt nog te weinig op gelet. Kijk maar eens naar het Internet Of Things en alle sensoren die enorme hoeveelheden data produceren. Die data is vaak maar heel even relevant.”
“Als een sensor in een productielijn meldt dat iets kapot is, is dat heel relevant. Maar alle meldingen van de 24 uur daarvoor, waarin de sensor meldt dat het onderdeel nog goed werkt, hoef je niet op te slaan. De data-architecturen zijn vaak nog nauwelijks ingericht op het uitvoeren van een dergelijke ballotage bij het opslaan van gegevens. En daardoor zie je dat het voor veel bedrijven nog lastig is om een goede ROI te vinden voor nieuwe technologieën als Big Data en AI. De basis is gewoon vaak nog niet op orde.”
Businessresultaat
“Wij adviseren klanten altijd om zich eerst goed te verdiepen in wat die nieuwe technologie nou eigenlijk doet en te bepalen welk businessresultaat men wil behalen. De afgelopen jaren heeft IT veel BI-oplossingen opgeleverd, terwijl de daadwerkelijke behoefte van de markt veel meer ligt bij predictive en preventive analytics. De technieken om meer voorspellende informatie uit data te halen bestaan, maar de data-opslag is er vaak nog niet op ingericht om deze te kunnen gebruiken.”
“Ook zien wij dat mensen de neiging hebben om zaken die heel complex zijn aan AI over te laten. Maar dat is helemaal niet per definitie de sweet spot van AI. In de VS wordt bijvoorbeeld geprobeerd een robot de vaardigheden van een hersenchirurg aan te leren. Daar zijn al miljarden dollars ingepompt, terwijl die robot nog maar 4% van de vaardigheden van een chirurg heeft. Kun je dan het aanleren van vaardigheden aan die robot niet beter loslaten en je bijvoorbeeld richten op de inzet van AI om het geheugen van de chirurg te automatiseren?”
Robots
“Ik bedoel daarmee: AI inzetten om alles wat zo’n chirurg in de afgelopen jaren heeft gezien en meegemaakt aan operaties en aandoeningen op te slaan in een goed doorzoekbare database, op basis waarvan je bijvoorbeeld diagnostische analyses kunt uitvoeren. Een computer is veel beter in dingen onthouden dan een mens, terwijl een mens volgens mij veel beter is in het uitvoeren van precisie-handelingen. Met andere woorden: laat de mens doen waar de mens goed in is en zet robots en AI in voor zaken waar de computer beter in is.”
Dit betekent dat data en AI op het juiste niveau belegd moeten zijn bij bedrijven. Dat is echter nog lang niet altijd het geval. “Uit ons onderzoek blijkt dat datamanagement bij zeker de helft van de bedrijven belegd is bij de IT-manager. Bij de andere helft van de bedrijven geldt dat er veelal nieuwe functies in het leven zijn geroepen, zoals een architect of een informatiemanager. Tevens zien we bij die bedrijven, waar de IT-manager verantwoordelijk is voor de data, de kwaliteit van de data minder goed is.”
Experimenteren
Hij besluit: “Bedrijven die de eerste daadwerkelijke succesvolle implementaties van AI hebben laten zien en echt innoveren zijn de organisaties die durven te experimenteren. Essent is een goed voorbeeld. Ik sprak ze naar aanleiding van hun deelname aan de benchmark. Zij doen heel veel pilots en proefprojecten. 8 van de 10 daarvan mislukken, maar 2 van de 10 zijn wel een succes. Veel bedrijven wachten met de adoptie van een nieuwe technologie tot de business case en de ROI volledig duidelijk zijn bij aanvang. Maar als iedereen dat zou doen, zou er nooit sprake zijn van innovatie. En de belofte van de AI-technieken is in mijn ogen echt gigantisch, dus het is goed dat er bedrijven zijn die hun nek wel uit durven te steken.”
