Leer hoe u Big Data-initiatieven kunt afstemmen op de strategie van uw organisatie, en uw inspanningen kunt valideren met Key Performance Indicators.

De belangrijkste onderwerpen van het artikel:

• Wat is Big Data?
• Uitdagingen van Big Data
• KPI’s en Big Data
• Focus Big Data
• Maak Big Data Meetbaar
• Automatisering met BSC Designer

Teken in…met een gratis abonnement voor toegang tot Big Data Scorecard en 28 andere scorecard-sjablonen.
Het einde van het jaar is een goed moment om te praten over opkomende trends: zelfrijdende auto’s, kunstmatige intelligentie, virtual reality en het Internet der Dingen. Welk effect zullen deze trends hebben op uw bedrijf? Hoe kunt u rekening houden met een mogelijke impact van deze game-changing ideeën? Alle genoemde trends verdienen een gedetailleerde analyse, maar er is er één die met alle andere in verband lijkt te staan. Ik heb het over Big Data. AI zal het nodig hebben, zelfrijdende auto’s zijn erop gebaseerd, en natuurlijk wordt het al door veel bedrijven gebruikt.

Bij BSC Designer hadden we het veel over KPI’s en strategie. In dit artikel stel ik voor om te bespreken hoe een goed beschreven strategie en op maat gemaakte KPI’s kunnen helpen om te focussen op big data inspanningen. Hier is ons plan voor dit artikel:

• Big data. Wat is het? Wat zijn de belangrijkste uitdagingen?
• KPI’s voor big data. 4 niveaus van KPI’s en het bereiken van strategische afstemming.
• Actieplan. Meetbare implementatie van big data.

Wat is Big Data?

Big data gaat over de analyse van grote, ongestructureerde datasets.

Big data kan worden gekarakteriseerd door 3 V’s:

• Volume. De datasets worden verondersteld groot te zijn. Er zijn schattingen dat het minstens 10 GB of 1 TB moet zijn, maar waarschijnlijk zou een beter criterium zijn om te zeggen dat big data iets is dat moet worden gedistribueerd (in termen van opslag of berekeningen). Als je moest overschakelen op Hadoop of een soortgelijk raamwerk, dan wordt het groot.
• Verscheidenheid. Denk aan verschillende bronnen van gestructureerde en ongestructureerde gegevens. Het kan worden gewonnen uit tekst, video, verkoopgegevens, sociale media, weersvoorspelling, of wat maar zinvol is in uw context.
• Snelheid. Het hoge volume van de gegevens is een gevolg van snelle gegevensgeneratie. Denk aan duizenden vliegtuigonderdelen die voortdurend in de gaten worden gehouden, of aan een constante stroom van reacties in de sociale media, of aan real-time gegevens die wearable devices leveren.

Vaak (neem IBM of EY als voorbeeld) is er ook nog een vierde “V” die staat voor “Veracity:”

• Veracity. Wanneer we het over gegevens hebben, hebben we altijd te maken met een zekere mate van onzekerheid. Hoe zijn de gegevens verkregen? Hebben we alle factoren geanalyseerd? Zijn ze gemanipuleerd? Kunnen we deze cijfers vertrouwen?

Hoe worden de gegevens gebruikt?

Grote gegevens worden gebruikt voor een breed scala aan voorspellings- en gedragsanalyses. Organisaties passen big data toe om kosten te verlagen, de behoeften van klanten beter te begrijpen en risico’s te beperken. Denk aan een bedrijf dat big data gebruikt om de klanten een ervaring op maat te leveren; denk aan fraude-check van een e-commerce aanbieder.

In het begin van het artikel noemde ik enkele opkomende trends – big data is bij al deze trends betrokken. Om meer te weten te komen over praktisch gebruik van big data, raad ik aan verder te gaan met “7 Amazing Companies That Really Get Big Data” van internationaal erkend expert Bernard Marr.

Belangrijkste uitdagingen van Big Data

De beschreven visie op big data klinkt zeer ambitieus. Waarom zijn bedrijven dan zo traag in het adopteren van deze nieuwe trend? Wat zijn de belangrijkste uitdagingen van big data?

Datamining is geen belangrijkste uitdaging meer

Later in oktober sprak ik op een conferentie georganiseerd door SCIP (Strategic and Competitive Intelligence Professionals). De leden van deze organisatie houden zich bezig met big data in de domeinen van market intelligence. Het hoofdthema van de conferentie ging niet over het ontginnen van een aantal CI/BI gegevens zoals men zou verwachten, het ging over het afstemmen van business intelligence inspanningen met de strategie van een organisatie. Met andere woorden, als een bedrijf eenmaal weet welke vragen het wil stellen, is de rest relatief eenvoudig (zie de enquêtes hieronder voor enkele gegevens).

Als datamining geen probleem meer is, wat zijn dan de belangrijkste uitdagingen?

Uitdaging 1. Big data focussen

De belangrijkste uitdaging is om big data te focussen op wat er toe doet, en het vervolgens in de juiste handen te leveren. Met andere woorden, er moet iemand in de organisatie zijn die de juiste vragen gaat stellen.

Om dit idee te illustreren, laten we een Target-verhaal nemen dat in 2012 de krantenkoppen haalde. Deze detailhandelaar gebruikte met succes shopperanalytische gegevens om te voorspellen dat sommige van hun klanten zwanger waren. Laten we eens kijken naar het verhaal (zonder rekening te houden met het privacy-gerelateerde deel) en zien wat er werkelijk gebeurde. Andrew Pole, een statisticus die voor Target werkte, leverde niet zomaar alle mogelijke gegevens, hij kreeg een heel specifieke opdracht van zijn collega’s van marketing – zwangere shoppers in hun tweede trimester identificeren.

Er was een focus en, er was een enorme zakelijke waarde verbonden aan deze focus, aangezien nieuwe ouders de neiging hebben om hun koopgewoonten te veranderen en alles bij één retailwinkel te kopen. Het ging niet alleen om het spelen met gegevens, maar om het vinden van gegevens die zouden helpen om een zeer specifieke vraag te beantwoorden.

Uitdaging 2. Afstemming op bedrijfsstrategie

Big data zullen game changing zijn wanneer ze tastbare bedrijfswaarde opleveren. Met andere woorden, het moet duidelijk zijn hoe de big data-initiatieven de strategie van een bedrijf ondersteunen. NewVantage Partners heeft in hun Big Data Executive Survey respondenten gevraagd naar culturele belemmeringen voor de adoptie van Big Data door bedrijven. 42,6% van de respondenten koos het antwoord “Onvoldoende organisatorische afstemming”. Andere opties waren een gebrek aan adoptie, een gebrek aan coherente datastrategie en een gebrek aan een gedeelde visie.

Terugkomend op de Target-case, zij waren succesvol in het aanpakken van twee belangrijke componenten:

1. Big data gericht op een specifieke query: Een datawetenschapper werd gevraagd om zwangere shoppers in hun tweede trimester te identificeren.
2. Afstemming op een bedrijfsstrategie: Er was een duidelijke zakelijke waarde voor de gegevens – gezinnen waar een kind is geboren worden klanten van één winkel voor een lange tijd.

Challenge 3. Gegevensbeveiliging en privacy

Deze uitdaging wordt nog niet algemeen gebruikt, maar ik denk dat het voor iedereen duidelijk is dat het verzamelen en analyseren van gegevens ethisch en wettelijk moet gebeuren. General Data Protection Regulation (GDPR) werd vanaf 25 mei 2018 afdwingbaar in Europa en er zijn vergelijkbare regels in andere landen. Bedrijven moeten veel serieuzer zijn in het volgen van gegevensbeleid bij het verwerken van persoonsgegevens.

Laten we de KPI’s bespreken in de context van big data.

KPI’s en Big Data

Gaat big data KPI’s vervangen? Niet echt. De big data gaat KPI’s voeden met meer accurate en actuele inzichten.

Laten we NPS (Net Promotor Score) als voorbeeld nemen:

• NPS nu. Hoe wordt NPS (Net Promotor Score) vandaag de dag in uw organisatie berekend? Waarschijnlijk doet u elk kwartaal een soort klantenonderzoek. Deze indicator loopt dus achter in de tijd. Als er iets gebeurt met uw bedrijf, zal de NPS het een paar maanden later laten zien.
• NPS aangedreven door big data. Stel je nu eens voor dat je een big data-tool gebruikt die de emoties van klanten in real time analyseert (zie de Heedbook-referentie hieronder). In dit geval wordt uw NPS een real-time KPI. In principe zult u in staat zijn om de reactie van een specifieke klant op een specifiek aanbod en op een specifieke verkoop aanpak te zien.

In sommige gevallen zult u geïnteresseerd zijn in het graven dieper in de gegevens en het krijgen van de specifieke situaties, en in sommige gevallen zult u de geaggregeerde gegevens voor de week, maand, of jaar moeten zien.

KPI’s voor Big Data

In het geval van big data hebben we het over aanzienlijke investeringen in de nieuwe tools en architectuur, dus is het zinvol om die initiatieven te monitoren met een aantal harde gegevens. De big data-initiatieven moeten ook worden gekwantificeerd en gemeten. We kunnen dit op verschillende niveaus doen.

Level 1. 3-V metrics

De 3V’s (Volume, Variety, Velocity) van big data kunnen eenvoudig worden gekwantificeerd:

• Volume van data is een maatstaf op zich (GB, TB, etc.
• Verscheidenheid kan worden gekwantificeerd als het aantal verschillende soorten gegevensbronnen
• Snelheid wordt gedefinieerd door het volume van gegenereerde/geanalyseerde gegevens per tijdsperiode

De vierde V – Veracity is misschien moeilijker te kwantificeren. U zult moeten definiëren wat uw team als nauwkeurige gegevens beschouwt en dat hangt af van de context. Bijvoorbeeld, voor de verbrandingsmotor auto’s het meten van de huidige snelheid met een fout niveau van +-5 km/h kan worden beschouwd als nauwkeurige gegevens, terwijl voor elektrische auto’s, het is niet aanvaardbaar. Definieer 1-2 meeteenheden die een idee geven van de nauwkeurigheid van de gegevens in uw geval.

Zijn de 3-V meeteenheden nuttig? Dat hangt af van uw context. Laten we de zelfrijdende auto van Google als voorbeeld nemen. De auto produceert 1 GB aan sensorgegevens per seconde. Dat aantal ziet er indrukwekkend uit! We kunnen schatten hoe groot de big data is, maar die getallen helpen ons niet bij de 3 eerder genoemde uitdagingen.

Schrijf u in met een gratis plan om toegang te krijgen tot Big Data Scorecard en 28 andere scorecard-sjablonen.

Level 2. Big data proces metrieken

Laten we naar het volgende abstractieniveau gaan en een blik werpen op het big data proces. Het vereenvoudigde model ziet er als volgt uit:

• Query
• Collection
• Analysis
• Reporting

De nuttigste metrieken in dit geval zijn gerelateerd aan tijd:

• Frequentie van gegevensverzameling
• Tijd die nodig is om gegevens beschikbaar te hebben voor analyse
• Tijd die nodig is om gegevens te rapporteren in een vorm van KPI’s

De benchmarks voor timing hangen af van uw bedrijfscontext. Bijvoorbeeld:

• De zelfrijdende auto moet gegevens in real-time verzamelen en analyseren, en de milliseconden van het verschil doen ertoe, maar
• In het geval van NPS zijn managers misschien geïnteresseerd in het bekijken van geaggregeerde wekelijkse gegevens

In termen van procesefficiëntie kunnen we de:

• Query om conversiepercentage, %, te rapporteren bijhouden. In dit geval moeten wij eerst het concept van een gekwalificeerde query definiëren en vervolgens het percentage gekwalificeerde query’s bijhouden dat onze datawetenschappers hebben kunnen beantwoorden
• Gegevensvastleggingscapaciteiten. Het nauwkeurigheidsniveau van de gegevens die wij vastleggen (de ideeën die hierboven in Veracity zijn besproken). Voor sommige bedrijven bepalen deze capaciteiten hun duurzame concurrentievoordeel.

De metrics van dit niveau geven ons een beter idee over hoe efficiënt big data is, maar nog steeds hebben we geen idee over de impact van big data op echte bedrijfsdoelen.

Level 3. Achterblijvende KPI’s. KPI’s om big data-succes te valideren.

Een andere vraag is hoe het succes van big data-initiatieven in het bedrijf kan worden gevalideerd. Aan de ene kant zijn er een aantal aanzienlijke investeringen in infrastructuur, aan de andere kant zou big data zich moeten terugbetalen in de vorm van zakelijke inzichten. Hoe kunnen we een dollarwaarde van die inzichten meten?

In dit geval moeten we de verbeteringen bijhouden die kunnen worden toegeschreven aan het gebruik van big data:

• Welke lessen hebben we geleerd van big data? Welke kostenbesparing is er gerealiseerd na de implementatie van deze ideeën?
• Hoe is de klantretentie veranderd door het leveren van een ervaring op maat? Hoe verandert de customer lifetime value?
• Helpen big data de klantenservice effectiever te maken? Hoe is het oplossingspercentage bij de eerste oproep veranderd?
• Hoe zijn de wervingsprocessen veranderd nadat big data zijn gaan gebruiken?

Zoals u kunt zien, gebruiken we op dit niveau de klassieke KPI’s die we voorheen ook gebruikten. Wat we proberen te doen is om bepaalde verbeteringen toe te schrijven aan de implementatie van big data.

Deze benadering kan bevooroordeeld zijn:

• We hebben de neiging om positieve veranderingen te tellen als onze prestaties en
• We zien negatieve veranderingen als normale fluctuaties die altijd gebeuren.

De oplossing is om naar grotere en meer tastbare doelen te streven.

Veel organisaties slaan dit meetgedeelte over en kopen gewoon “wat big data”. Volgens het rapport van Capgemini Consulting heeft 67% van de ondervraagde bedrijven geen goed gedefinieerde criteria om het succes van hun big data-initiatieven te meten. Gezien de omvang van de investering zouden bedrijven systematischer moeten zijn in het definiëren van de doelen en de succescriteria van big data-implementatie.

Schrijf u in met een gratis plan om toegang te krijgen tot Big Data Scorecard en 28 andere scorecard-sjablonen.

Level 4. Leidende KPI’s. Zorgen voor big data-succes.

Nu weten we hoe we het resultaatgedeelte van big data-initiatieven moeten meten, maar hoe zit het met het leidende gedeelte? Wat moeten we doen om een succesvolle implementatie van big data te waarborgen?

Het harde deel van de big data is vrij tastbaar, we kunnen het meten door dergelijke generieke metrieken als:

• Gelden geïnvesteerd in big data-initiatieven
• Tijd besteed aan big data-initiatieven

Business Goals Focus Big Data

Hier is een reëel scenario: een bedrijf investeerde miljoenen dollars in de infrastructuur, tools en het verzamelen van big data met het Hadoop cluster, en er gebeurde niets meetbaars. Dat is waar we het over hadden in uitdaging 1: Big data is geen AI, het kan niet spreken, en je team moet leren om de vragen te stellen. Hoe kunnen we dan de rol van het team meten?

Hier zijn wat ideeën om mee te beginnen:

• Effectiviteit van Big data training. Zorg ervoor dat de belangrijkste leden van uw team enige opleiding over big data hebben gehad. Ze hoeven geen data scientists te worden, maar ze moeten weten welke vragen ze kunnen stellen en hoe ze die vragen moeten formuleren. De metrieken zullen in dit geval betrekking hebben op de doeltreffendheid van de opleiding.
• % van de strategische doelstellingen met big data-initiatieven. We zouden het aantal big data-queries kunnen bijhouden dat door elk team is geformuleerd, maar deze aanpak zou erg formeel en minder bruikbaar zijn. Een betere optie is het bijhouden van de afstemming tussen doelen en big data-queries. Vraag uw team te kijken naar hun strategische doelen en bespreek vervolgens welke gegevens ze nodig zouden kunnen hebben om betere beslissingen te nemen in de context van die doelen.

Big Data Helpt bij het formuleren van nieuwe bedrijfsdoelen

Het proces van afstemming tussen bedrijfscontext en big data is tweerichtingsverkeer. Soms hebben we een specifieke uitdaging in gedachten en zijn we dan op zoek naar specifieke big data-tools (zoals in het geval van Target), soms vinden we een interessante tool en proberen die dan te matchen met onze doelen. Hier zijn enkele voorbeelden:

• Iemand in je team vond Heedbook, een dienst die de emoties van klanten in real time analyseert. De service is gebouwd op Microsoft’s Azure en is beschikbaar in de cloud. Uw klantenserviceteam zou op een idee kunnen komen om deze dienst te gebruiken om hun NPS beter te berekenen.
• Uw IT-personeel stond voor de uitdaging om een DLP-software (Data Loss Prevention) te vinden. Zij stuitten op SearchInform, dat niet alleen communicatie en verzonden bestanden kan analyseren, maar ook een specifiek beveiligingsbeleid kan afdwingen. De IT-strategie van uw organisatie kan worden geactualiseerd door rekening te houden met de mogelijkheden van de DLP-tool.

In ieder geval is het een goed idee om specifieke bedrijfsdoelstellingen af te stemmen op de eisen die aan de big data worden gesteld.

Actieplan. Maak Big Data Meetbaar.

Laten we eens wat takeaways formuleren uit dit artikel. Ik doe dat het liefst in de vorm van een actieplan.

1. Herzie big data. Hoe wordt de data nu verzameld, welke data capturing capabilities heb je (gebruik de big data process metrics als framework).
2. Doe je huiswerk. Laat uw strategie formuleren op de strategiekaart, en cascadeer naar de business units. Herzie uw huidige KPI’s.
3. Verbeter de capaciteiten. Plan de initiatieven om de capaciteiten van het team op het gebied van big data aan te pakken. Belangrijke leden moeten begrijpen welke vragen ze kunnen stellen, en hoe ze die vragen moeten formuleren.
4. Concentreer big data-inspanningen. Bekijk uw strategiekaart, spot de kansen waar de big data de bedrijfsdoelstellingen kunnen ondersteunen. Formuleer big data-vragen.
5. Implementatie. Analyseer de inzichten die big data opleveren, geef ze waar nodig weer in de vorm van KPI’s.

Een korte handleiding voor gebruikers van BSC Designer-software

Als gebruiker van BSC Designer beschikt u over een krachtige software die veel van de in dit artikel besproken aspecten van strategieafstemming en KPI’s zal automatiseren:

• Strategische afstemming en focus op big data. Maak een strategiekaart om uw bedrijfsdoelstellingen te presenteren; stem de KPI’s af op de doelstellingen op de kaart. Als u nog geen strategiekaart hebt, gebruik dan de wizard Strategiekaart om aan de slag te gaan.

• Zorg ervoor dat een team big data capaciteiten heeft. Gebruik een trainingsscorekaart (u kunt beginnen met dit voorbeeld) om ervoor te zorgen dat uw team over de nodige capaciteiten beschikt om met big data te werken.
• KPI’s aandrijven met big data. Houd prestatiecijfers bij voor de big data-initiatieven; gebruik RESTFul API om real-time big data-rapporten in de indicatoren in te voeren.

Als u nog geen gebruiker bent, dan kunt u beginnen met een gratis plan van BSC Designer, dat online beschikbaar is.

Meer voorbeelden van de Balanced Scorecard