Business Intelligence wordt een steeds belangrijker begrip in de dagelijkse praktijk van elke MKB-onderneming. Datagestuurde besluitvorming (DDD), wat een onderdeel is van Business Intelligence, verwijst naar de praktijk om beslissingen te baseren op de analyse van gegevens, in plaats van puur op intuïtie.

DDD is geen alles-of-niets-praktijk en verschillende bedrijven houden zich in meer of mindere mate bezig met DDD. Het soort beslissingen waarin ondernemers en bestuurders het meest geïnteresseerd in zullen zijn, vallen hoofdzakelijk in twee soorten uiteen:

  1. Beslissingen waarvoor ontdekkingen moeten worden gedaan binnen data
  2. Beslissingen die zich herhalen, vooral op grote schaal

Bovenstaande suggereert dat data, en het vermogen om bruikbare kennis uit data te halen, moeten worden beschouwd als belangrijke strategische asset van een organisatie. Het samenstellen van een eersteklas datascience-team vergt een flinke investering, maar kan een enorm verschil maken voor de besluitvorming. De beschikbaarheid van data alleen zorgt niet voor succesvolle data-gedreven besluitvorming.


Twee belangrijke factoren zijn:


  1. Het management van het bedrijf moet data-analytisch denken.
  2. Het management moet een cultuur creëren waarin organisatorische kennis en business intelligence hand in hand gaan.

CRISP


Een tool om bovenstaande factoren te bereiken is het CRISP-diagram. Het CRISP-diagram biedt een gestructureerde aanpak voor het plannen van een dataminingproject. Het is een robuuste en beproefde methode en kent de volgende stappen:


  1. Bedrijfskunde: De sleutel tot succes is een creatieve probleemformulering over hoe het bedrijfsprobleem als een of meer datawetenschapsproblemen kan worden gevormd.
  2. Begrip van de data: Het begrijpen van gegevens is belangrijk om de sterke punten en beperkingen van de gegevens te begrijpen, omdat er zelden een exacte overeenkomst is met het probleem.
  3. Voorbereiden van de data: de analytische technologieën die we kunnen toepassen zijn krachtig, maar ze stellen bepaalde eisen aan de data die ze gebruiken. Ze vereisen vaak dat gegevens in een andere vorm zijn dan hoe de gegevens op natuurlijke wijze worden verstrekt, en enige conversie zal nodig zijn
  4. Modelleren: in deze stap is de output van modellering een soort model of patroon dat regelmatigheden in de gegevens vastlegt.
  5. Evalueren: het doel van deze fase is om de dataminingresultaten rigoureus te beoordelen en het vertrouwen te krijgen dat deze valide en betrouwbaar zijn. Tevens dient deze stap ook om ervoor te zorgen dat het model voldoet aan de oorspronkelijke bedrijfsdoelen.
  6. Implementeren: de resultaten van datamining, en in toenemende mate de dataminingtechnieken zelf, worden gebruikt om het rendement op de investering te realiseren.

Meer weten?


Al met al kan gesteld worden dat data gezien moet worden als onmisbare asset van een organisatie welke kan leiden tot een duurzaam concurrentievoordeel. Bent u benieuwd naar de manieren waarop u de cijfers van uw organisatie kunt inzetten om betere beslissingen te maken? Neem dan contact op met de adviseurs van Rademaker. Werkt.

Stel je vraag!

Rademaker. Stel je vraag! Data-gedreven beslissingen nemen loont