Veel bedrijven beseffen wel de waarde die data analytics en artificiële intelligentie kunnen bieden voor hun business, maar struikelen bij het schalen van experiment naar een bedrijfsbrede implementatie. Wat zijn de valkuilen? We leren het antwoord op die vraag tijdens de recente AI Roadshow van dataspecialist SAS in Brussel.
“Veel bedrijven beseffen de waarde van doorgedreven analytics, maar toch blijft het vaak een droom”, weet Olivier Penel, Advisory Business Solutions Manager bij SAS. Hij citeert een recente studie van McKinsey (mei 2018), waaruit blijkt dat amper 8 procent van de organisaties erin slaagt om hun analytics-initiatieven succesvol op een bedrijfsbrede manier te implementeren.
Penel ziet twee belangrijke uitdagingen. Bedrijven moeten eerst en vooral wijs raken uit het uitgebreide aanbod aan tools dat vandaag op de markt is. Daarbij is het belangrijk om te vermijden dat data in silo’s terechtkomt, maar bedrijfsbreed zichtbaar en toegankelijk wordt gemaakt. Bovendien moeten ook organisatorische silo’s worden opengebroken om tot een bedrijfsbrede analytics-aanpak te komen. Vaak zijn departementen wel elk op zichzelf aan het experimenteren, maar is er geen of weinig samenwerking tussen afdelingen onderling.
Analytics uit het lab halen
“Het is eenvoudig om een experimenteel labproject uit te werken, maar een grote sprong om dat vervolgens in productie te brengen”, zegt Penel. Zijn collega Frederik Vandenberghe illustreert met het voorbeeld van een stad die een data scientist in dienst neemt om een voorspellend model te bouwen voor de verkeersdrukte op een bepaald kruispunt.
“Het is eenvoudig om een experimenteel labproject uit te werken, maar een grote sprong om dat vervolgens in productie te brengen.”
“De data scientist verzamelt van her en der data op haar laptop, maakt die data klaar voor analyse en gebruikt verschillende opensource tools om een model te ontwikkelen. Het resultaat is een voorspellend model dat goed werkt, maar moeilijk schaalbaar is naar alle kruispunten in de stad”, vertelt Vandenberghe. Het model draait immers op de laptop van de data scientist, vereist veel manueel werk voor datapreparatie en de gebruikte tools voldoen niet allemaal aan het IT-beleid van de stad. Kortom, het project is op dit moment te gecompliceerd en te duur om te implementeren.
Het antwoord op dat probleem, volgens Penel en Vandenberghe, brengt ons terug naar de oorspronkelijke premisse om silo’s zoveel mogelijk te doen verdwijnen in zowel data als organisatie. Bij SAS geloven ze daarom in de kracht van hun centraal dataplatform Viya. Dat werkt zowel on-premises als in de cloud, en biedt een geïntegreerde plaats voor toegang tot en beheer van al je data.
Dezelfde data, dezelfde tools
Het Viya-platform laat toe om data uit verschillende bronnen te consolideren, valideren, beheren en in realtime beschikbaar te maken. “Steeds meer opslag gebeurt in de cloud. Viya kan deze data onmiddellijk van de cloud in het platform laden”, legt Vandenberghe uit. De kwaliteit en afkomst van de data wordt door het platform gevalideerd, zodat je te allen tijde weet met welke versie van de data je aan de slag bent.
Eenmaal geprepareerd, kan de data worden geanalyseerd en in modellen gegoten. Bedrijven hebben verschillende soorten datasets om mee te werken, die verschillende technieken vragen om ze te interpreteren. Een platform kan daarbij helpen en biedt bovendien de flexibiliteit om verschillende programmeertalen te gebruiken.
“Niet elke data scientist gebruikt dezelfde taal. Je moet daarom samenwerking tussen verschillende talen en vaardigheidsniveaus kunnen ondersteunen”, vertelt Penel. “Bovendien moet dezelfde ontwikkelomgeving ook via een grafische interface toegankelijk zijn om analytics voor iedereen in het bedrijf toegankelijk te maken.”
“Iedereen maakt gebruik van dezelfde data, dezelfde analytics en hetzelfde platform, waardoor iedereen wint.”
Overal uitrollen
De laatste fase is die van deployment, het bedrijfsbreed uitrollen van je analytics. SAS laat met zijn dataplatform toe om analytics on-premises, in de cloud, of in-database uit te rollen. “We brengen het model naar daar waar de data staat”, zegt Vandenberghe. Modellen worden volledig gedocumenteerd en kunnen met een druk op de knop worden uitgerold.
Penel maakt zich bovendien sterk dat modellen maar één keer moeten worden ontwikkeld en vervolgens overal kan worden uitgerold. “We volgen het principe ‘develop once and deploy everywhere’. Code hoeft niet te worden aangepast voor verschillende infrastructuur.”
Met het Viya-platform hoopt SAS een pasklaar antwoord te kunnen bieden op de uitdagingen die een bedrijfsbrede implementatie van analytics in organisaties vandaag in de weg staan. “Iedereen maakt gebruik van dezelfde data, dezelfde analytics en hetzelfde platform, waardoor iedereen wint”, besluit Penel.