In 3 stappen naar een datagedreven energiebedrijf - stap 2

7 april 2016
In 3 stappen naar een datagedreven energiebedrijf - stap 2

In een eerder blog ging ik in op datagedreven energiebedrijven die slim inspelen op nieuwe kansen op het gebied van data en geavanceerde analyses, en deze al volop inzetten om zich te onderscheiden in hun markt. Vervolgens legde ik uit welke stappen nodig zijn om deze transitie vorm te geven. Stap 1: een gebruikscase definiëren, stap 2: analytics als proces implementeren, en stap 3 het operationaliseren van analytics. In deze blog ga ik in op stap twee: analytics implementeren als proces.

Bij veel organisaties staan analytische projecten los van andere systemen en processen. Ook worden BI- en analytics-vraagstukken vaak op dezelfde manier aangevlogen als traditionele IT-projecten. Dit staat vooruitgang in de weg. BI en analytics zijn vooral succesvol als in een relatief korte tijd oplossingen en meerwaarde gerealiseerd worden. Daarom het enorm belangrijk om de juiste balans te bewerkstelligen tussen (data-)innovatie en het belang dat de onderneming hecht aan structureerde en standaardisatie. Dit is mogelijk door analytische modellen systematisch en stelselmatig te produceren.

Stap 2: analytics implementeren als proces

Als een organisatie de ontdekkingsfase binnen de analytische levenscyclus op gang heeft gebracht – bijvoorbeeld via het Big Data Innovation Lab – is het zaak om de uitvoeringsfase te versnellen. Daartoe is het belangrijk ervoor te zorgen dat op een efficiënte manier schaalbare modellen worden geproduceerd. Door de analytische levenscyclus te industrialiseren kunnen organisaties zich blijvend differentiëren met analytics. Dit door een ‘analytics factory’ in te richten die de processen voor het voorbereiden van data, en het bouwen, beheren en benutten van modellen structureert en de uitkomsten operationaliseert.

In feite heeft de automobielindustrie een vergelijkbare ontwikkeling doorgemaakt. De door Henry Ford in 1913 ontworpen assemblagelijn werd wereldwijd de maatstaf voor massaproductiemethodes. Vervolgens maakte Toyota Lean manufacturing van verschillende producten op één assemblagelijn mogelijk. Hierbij wordt het productietempo afgestemd op de vraag waardoor de verspilling beperkt blijft. De analytical factory zorgt eveneens voor efficiëntie door het elimineren van verspillingen. Door data analyse en modelontwikkel te stroomlijnen, kun je met beperkte middelen (de data scientist) zo veel mogelijk bereiken. Zo kunnen op grote schaal analytische modellen ontwikkeld worden: met een constante kwaliteit, herhaalbaar, veilig en robuust.

Productieproces in vijf stadia

Een analytics factory regelt de processen zo in dat de kwaliteit van data en de voortbrengingsprocessen van analyses robuust, herhaalbaar en transparant worden. De time to market van data naar operationele toepassingen wordt versneld en de kennis wordt geborgd, gedocumenteerd en overdraagbaar. In deze lifecycle-benadering worden analytics in vijf stadia geoperationaliseerd. De productiemodellen worden opgenomen in de operationele processen waardoor ze herhaalbaar ingezet kunnen worden en de impact op de IT-infrastructuur beperkt blijft. Zo komt er een steeds grotere keuze uit kwalitatieve analytische modellen en wordt de kwaliteit van de gebruikte modellen steeds beter.

Mogelijke knelpunten

De meeste organisaties starten met het ontwikkelen van modellen en ontwikkelen zich steeds meer naar een datagedreven aanpak. De grootste uitdaging is het creëren van een platform dat de organisatie in staat stelt om de vijf stadia effectief te doorlopen. In de praktijk zie je hierbij drie knelpunten ontstaan, die ertoe kunnen leiden dat de ‘time to value’ lang is en het potentieel slechts gedeeltelijk wordt benut. Deze drie knelpunten zijn:

  1. Het ontsluiten en integreren van data verloopt moeizaam, kost veel tijd en is meestal niet geautomatiseerd (handmatig proces);

  2.  Er worden grote hoeveelheden modellen en inzichten gegenereerd, maar er is geen overzicht en gebrek aan borging van kennis. Dit komt vaak omdat de ontwikkelde modellen niet gedocumenteerd en dus ook niet gevalideerd en ‘audit proof’ zijn. Door het intensief gebruik van open source zijn ook de toegepaste modellen en inzichten niet gevalideerd, wat een groot risico kan zijn op het moment dat deze modellen werkelijk worden ingezet in de operatie;

  3. Het operationaliseren van modellen is een grote uitdaging en gebeurt vaak ook met handmatige handelingen. Hierdoor zijn de data scientists meer bezig met het onderhouden van maatwerktoepassingen dan met het werkelijk ontwikkelen van nieuwe inzichten voor de organisatie.


Op naar het operationaliseren van analytics

Het SAS ’Analytics Factory‘ platform zorgt voor een soepel lopende keten omdat het vanuit een technologieperspectief is ontwikkeld. Door de open architectuur kunnen zowel de bestaande toepassingen als open source oplossingen eenvoudig in het platform geïntegreerd en gevalideerd worden. En door de modulaire opbouw kan de organisatie zelf bepalen welke componenten zij inzet om de keten rond te maken.

Naast analytische competenties zijn ook organisatorische competenties van belang om te kunnen innoveren met data en analytische ontdekkingen naar waarde te vertalen. Want dit is het vliegwiel dat zorgt dat de analytics factory optimaal draait. Daarom sta ik in mijn volgende blog stil bij de derde stap in de transformatie naar een datagedreven organisatie: het operationaliseren van analytics.