Bij data analytics denken we haast onmiddellijk aan technologie, maar we mogen niet vergeten dat ook de gebruiker een belangrijke rol speelt. Het is een voortdurende wisselwerking die het succes van analytics in bedrijfsprocessen zal bepalen. Daarom is het cruciaal dat we de drempel zoveel mogelijk verlagen zodat mensen zich niet geremd voelen om met data aan de slag te gaan.
Ieder bedrijf heeft een andere visie op analytics, maar in de praktijk situeren ze zich allemaal tussen twee uitersten. In sommige organisaties stuurt de CEO zelf aan om een digitaal transformatieprogramma op te zetten en meer met data te gaan doen. Dat kan bijvoorbeeld door analytics over te laten aan een toegewijd team van data scientists. Andere bedrijven zijn al langer met analytics bezig, maar daar zit de data soms nog erg verspreid. Silo’s vormen een belangrijk obstakel voor de samenwerking of kruisbestuiving tussen verschillende afdelingen van een organisatie.
Hoe dan ook willen steeds meer bedrijven op de ene of de andere manier aan data analytics gaan doen. Van een eenvoudig dashboard waarop cijfers te zien zijn tot een data scientist die geavanceerde modellen bouwt. De aanpak verschilt van plaats tot plaats en dus volstaat het niet om één tool te bouwen die iedereen moet gebruiken. Daarvoor zijn de behoeften van de gebruikers binnen die bedrijven veel te divers.
Om die brede waaier aan toepassingen te ondersteunen, biedt SAS specifieke tools aan via het Viya-platform. Door alle tools op één platform samen te brengen, ben je tenminste zeker dat iedereen met dezelfde data werkt. Zo verlies je geen tijd met discussies over de herkomst van de cijfers, maar kan je meteen kijken naar de businessimpact van de resultaten.
Selfservice
Digitale transformatie heeft een grote invloed op het personeel van een bedrijf. Digitale processen zitten helemaal anders in elkaar dan de analoge processen waarmee mensen vroeger werkten. Zo zijn de cycli bijvoorbeeld korter en hebben bedrijven andere services nodig. Ook in het gebruik van data lijkt alles veel meer op een continuüm te bewegen. Een tijdje geleden had je een duidelijk onderscheid tussen de producenten en consumenten van analytics, maar vandaag moet iedereen ermee aan de slag kunnen. Daarom is selfservice ook in data analytics erg belangrijk geworden.
Selfservice is ook in data analytics erg belangrijk geworden.
Hoe meer iets in de tools ingebakken zit, des te meer we ze gaan gebruiken. Vooral de nieuwere generaties zijn het vanuit hun opleiding en dagelijkse leven gewend om met selfservice te werken. De tijd dat we bijvoorbeeld naar de bank gingen om een overschrijving te plaatsen, is voorgoed voorbij. Bankieren doen we gewoon van thuis dankzij een handige interface waarmee we allemaal kunnen werken. Streamingdiensten zoals Netflix en Spotify zijn eigenlijk eveneens een soort selfservice. Dan lijkt het logisch dat we ook data analytics voor een breder publiek toegankelijk maken. Met selfservicetools voor analytics kunnen gebruikers onder andere filteren of visualisaties wijzigen.
Je kunt zelfs met infrastructuur heel flexibel tewerk gaan, zodat mensen ruimte hebben om te experimenteren. In een vorig artikel hebben we uitgelegd hoe je eerst in een sandbox in de cloud kunt nagaan of iets waarde heeft voor het bedrijf vooraleer je ermee in productie gaat. Ook dat kan dus perfect via selfservice. SAS biedt bijvoorbeeld mogelijkheden om snel en eenvoudig een chatbot te trainen. Op die manier neem je de meeste bottlenecks weg en moet de gebruiker niet eerst langs IT gaan om machines aan te kopen. Dat zijn vaak lange processen die enkel tot tijdverlies leiden.
Governance
Selfservice is ook een belangrijk concept in het kader van de governance van data. Zo moet iedere organisatie rekening houden met allerlei (privacy)regels rond data en dat heeft eveneens effect op de gebruiker die moet weten welke data hij waarvoor mag gebruiken. De meeste organisaties zijn zich vandaag bewust dat ze met kritische gegevens bezig zijn en zich geen datalekken kunnen permitteren. Mag data bijvoorbeeld in de cloud bewaard worden of niet? Ook dit soort regels kan je opnemen in je data governance en transparant maken via de tools voor de eindgebruiker.
De laatste tijd is de ethische impact van data een belangrijk topic in analytics. Vaak beseffen we niet dat er bias in onze historische data zit. Stel dat een bankdirecteur vroeger eerder terughoudend was om leningen toe te kennen aan alleenstaande moeders, dan kan je niet verwachten dat AI-modellen dat vandaag plots wel gaan doen. Van zodra er bias in de data zit, zal een model die vooroordelen overnemen en in de output laten weerspiegelen. Zelfs data scientists kunnen bias vertonen. Als iemand een bepaalde mening heeft, kan dat bewust of onbewust in de data doorschemeren.
Datakwaliteit, privacyregels, ethische overwegingen … Het zijn stuk voor stuk factoren die je kunnen afremmen.
Hoe zorg je er dan voor dat iedereen op alle niveaus op een ethische manier met data omspringt? Dat kan je eveneens in de tools voor gebruikers inbouwen. Bijvoorbeeld door een model automatisch te laten checken in welke proporties de variabelen die het meest gevoelig liggen – geslacht, leeftijd en etnische achtergrond – in zowel de input als de output voorkomen.
Datakwaliteit, privacyregels, ethische overwegingen … Het zijn stuk voor stuk factoren die de gebruiker kunnen afremmen. Toch is het dus best wel mogelijk om governance te laten omslaan in best practices die de gebruiker juist helpen en stimuleren om met analytics te werken. Door de remmende factoren in de tools te integreren en deze vervolgens consistent te gebruiken, kan governance voor een bedrijf heel veel waarde opleveren.
Democratisering
Selfservice draagt ook bij tot wat we de democratisering van AI en analytics noemen. Met de juiste tools kunnen veel meer mensen in de organisatie data gebruiken. Dat is ook nodig, want het is niet eenvoudig om een data scientist aan te trekken. Er is op de markt zoveel vraag naar dat bedrijven vaak via outsourcing een beroep doen op externe consultants. Toch is het ook belangrijk om zelf getrainde mensen aan boord te hebben die de bedrijfsdoelstellingen begrijpen.
Mensen hebben gelukkig niet veel bagage nodig om met selfservicetools te kunnen werken. Door data in een soort etalage te plaatsen en via verschillende ‘winkelrekken’ voor het hele bedrijf toegankelijk te maken, zullen gebruikers gemakkelijk hun weg vinden. Een extra voordeel is dat interne gebruikers zich automatisch meer op de voordelen voor de organisatie zullen focussen.
Goede tools en een sterk platform kunnen de samenwerking in het bedrijf bevorderen.
Tot slot kunnen goede tools en een sterk platform de samenwerking in het bedrijf bevorderen. In onze samenleving zijn we eraan gewend geraakt om snel dingen te delen via Facebook of Instagram. Het delen van data en rapporten zal ook in bedrijven tot betere resultaten leiden. Medewerkers kunnen niet alleen rapporten ontdekken, maar ook commentaar geven, aanbevelingen doen, etc. Vroeger gebeurde dit top-down, nu kunnen we in een dynamischere omgeving met data werken.
Wat je met data analytics wil bereiken en hoe de data gedistribueerd is, heeft een grote impact op hoe analytics in een organisatie door gebruikers gedragen wordt. Maar uiteraard moet ook de data zelf goed genoeg zijn. Zelfs de knapste koppen kunnen niet toveren wanneer je data een puinhoop is. In het volgende artikel binnen de reeks gaan we dieper in op het belang van een goede aanpak rond het beheer van data.
Dit is een ingezonden bijdrage van SAS en het tweede deel in een driedelige reeks over hoe je een toekomstbestendig analytics-platform bouwt. Voor meer informatie over hun oplossingen, kan je hier terecht.