BUSINESS INTELLIGENCE
1.1 Data-analytical Thinking
WHY?
Data opportunities :
Er zijn drie redenen waarom data zo belangrijk is geworden:
1) De hoeveelheid data
2) De grote verscheidenheid aan data
3) Technologische vooruitgang ( betere computers en algoritmes)
• Dit leidde van Big Data 1.0 : het verwerken en opslaan van data naar Big Data 2.0 : wat
kunnen we met die data doen?
Compliance regulations :
Banken en verzekeraars zijn wettelijk verplicht risicomodellen te bouwen. Basel II verplicht banken credit-
, markt- en operationele risicomodellen. Solvency II doet hetzelfde voor verzekeraars.
,Possible applications:
Data-analyse heeft vele toepassingen: marketing (targeted marketing, online advertising, cross-selling),
customer relationship management (klantgedrag analyseren, churn voorkomen, klantswaarde
maximaliseren), finance (credit scoring, trading), operations management (fraude detectie, workforce
management), en corporate performance management.
Voorbeelden:
1) Walmart & Hurricane Frances : voor de aankomst van orkaan Frances analyseerde Walmart hun
verkoopsdata. Het meest verkochte product bleek niet water of zaklampen, maar aardbeien Pop-
Tarts (7x meer verkoop). Dit is een voorbeeld van data-gedreven inzicht dat niemand van tevoren
had verwacht.
2) Target- pregnancy prediction : Target voorspelt al sinds 2012 of vrouwen zwanger zijn op basis
van hun aankoopgedrag, zodat ze gerichte promoties kunnen sturen. Een klassiek voorbeeld van
customer relationship management via data.
3) Mega Telco- Churn Prediction: Een telecomoperator gebruikt data om te voorspellen welke
klanten hun abonnement dreigen op te zeggen (churn), zodat ze proactief kunnen ingrijpen.
• Dit is GEEN hypothesetesting, je begint hier niet met een veronderstelling. Je laat hier de data
spreken.
• De conclusie komt uit de data en dus niet uit vooroordelen of veronderstellingen.
, 2.What is data-analytical thinking?
Data-analytical thinking
beantwoordt twee vragen: zal
data helpen om een
bedrijfsprobleem op te lossen,
en hoe doe je dat
systematisch? Het is nuttig voor
venture capitalists, marketeers,
managers én iedereen die data-
gedreven beslissingen neemt.
Data Science is intussen een
strategisch bedrijfsasset
geworden.
Voorbeelden:
1) Signet Bank vs. Capital One: Capital One gebruikte data om creditcardaanbiedingen te
personaliseren en won zo de markt.
2) Amazon: het "You may also like"-systeem is pure data science (aanbevelingen voor cross-
selling).
3) Harrah's Casinos: gebruikte klantdata om de meest waardevolle casinobezoekers te
identificeren en loyaal te houden.
4) Facebook & Twitter: hun enorme waardering is gebaseerd op de waarde van hun data.
3.What is Data Science?
Je gaat met data science uit een grote hoeveelheid data, nuttige kennis gaan halen, om zo betere
beslissingen te maken/nemen. Allemaal in het directe belang van het bedrijf.
Er zijn 4 kernprincipes:
, 1) CRISP-DM : kennis onttrekken uit data om bedrijfsproblemen op te lossen kan systematisch via
een proces met goede gedefinieerde stappen
2) Grote datamassa: informatie-technologie kan gebruikt worden om uit grote hoeveelheden data
informatieve, beschrijvende kenmerken van entiteiten te vinden
3) Overfitting: Als je te hard zoekt naar data, vind je altijd iets. Maar het generaliseert niet naar
nieuwe data
4) Context is cruciaal: datamining -oplossingen formuleren en evalueren vereist nadenken over de
context waarin ze gebruikt worden. Een model dat technisch perfect werkt kan in de praktijk
nutteloos of zelfs schadelijk zijn als je de context niet begrijpt.
• Individuele rol van de data scientist is in dit proces heel belangrijk! Een computer en
algoritmes zijn krachtig, maar ze zijn niet slim genoeg om alles zelf te doen. De data scientist
is de persoon die het verschil maakt tussen een nutteloos model en een winstgevend model.
1.2 Business problems & Data Science Solutions
• Elk data-gedreven bedrijfsprobleem is uniek, maar er bestaan gemeenschappelijke
onderliggende taken. De kritische vaardigheid is om een complex probleem te ontleden in
kleinere stukken die elk overeenkomen met een bekende data mining taak.
Voorbeeld: Een telecomprovider die klantverloop (churn) wil aanpakken, heeft een uniek
businessprobleem. Maar de onderliggende taak — identificeren welke klanten hun contract gaan
opzeggen — is een standaard kansschattingsprobleem.
1.1 Classification & Class probability Estimation
Het doel is om voor elk individu in een populatie te voorspellen tot welke klasse dat individu behoort.
• Klasse-voorspelling: Zal deze klant churnen? Ja of nee?
• Kansschatting: Met welke kans (bv. 87%) zal deze klant churnen?
Extra: Dit is een gesuperviseerde techniek — je hebt gelabelde historische data nodig. Denk aan
spamfilters, fraudedetectie, medische diagnose.
1.1 Data-analytical Thinking
WHY?
Data opportunities :
Er zijn drie redenen waarom data zo belangrijk is geworden:
1) De hoeveelheid data
2) De grote verscheidenheid aan data
3) Technologische vooruitgang ( betere computers en algoritmes)
• Dit leidde van Big Data 1.0 : het verwerken en opslaan van data naar Big Data 2.0 : wat
kunnen we met die data doen?
Compliance regulations :
Banken en verzekeraars zijn wettelijk verplicht risicomodellen te bouwen. Basel II verplicht banken credit-
, markt- en operationele risicomodellen. Solvency II doet hetzelfde voor verzekeraars.
,Possible applications:
Data-analyse heeft vele toepassingen: marketing (targeted marketing, online advertising, cross-selling),
customer relationship management (klantgedrag analyseren, churn voorkomen, klantswaarde
maximaliseren), finance (credit scoring, trading), operations management (fraude detectie, workforce
management), en corporate performance management.
Voorbeelden:
1) Walmart & Hurricane Frances : voor de aankomst van orkaan Frances analyseerde Walmart hun
verkoopsdata. Het meest verkochte product bleek niet water of zaklampen, maar aardbeien Pop-
Tarts (7x meer verkoop). Dit is een voorbeeld van data-gedreven inzicht dat niemand van tevoren
had verwacht.
2) Target- pregnancy prediction : Target voorspelt al sinds 2012 of vrouwen zwanger zijn op basis
van hun aankoopgedrag, zodat ze gerichte promoties kunnen sturen. Een klassiek voorbeeld van
customer relationship management via data.
3) Mega Telco- Churn Prediction: Een telecomoperator gebruikt data om te voorspellen welke
klanten hun abonnement dreigen op te zeggen (churn), zodat ze proactief kunnen ingrijpen.
• Dit is GEEN hypothesetesting, je begint hier niet met een veronderstelling. Je laat hier de data
spreken.
• De conclusie komt uit de data en dus niet uit vooroordelen of veronderstellingen.
, 2.What is data-analytical thinking?
Data-analytical thinking
beantwoordt twee vragen: zal
data helpen om een
bedrijfsprobleem op te lossen,
en hoe doe je dat
systematisch? Het is nuttig voor
venture capitalists, marketeers,
managers én iedereen die data-
gedreven beslissingen neemt.
Data Science is intussen een
strategisch bedrijfsasset
geworden.
Voorbeelden:
1) Signet Bank vs. Capital One: Capital One gebruikte data om creditcardaanbiedingen te
personaliseren en won zo de markt.
2) Amazon: het "You may also like"-systeem is pure data science (aanbevelingen voor cross-
selling).
3) Harrah's Casinos: gebruikte klantdata om de meest waardevolle casinobezoekers te
identificeren en loyaal te houden.
4) Facebook & Twitter: hun enorme waardering is gebaseerd op de waarde van hun data.
3.What is Data Science?
Je gaat met data science uit een grote hoeveelheid data, nuttige kennis gaan halen, om zo betere
beslissingen te maken/nemen. Allemaal in het directe belang van het bedrijf.
Er zijn 4 kernprincipes:
, 1) CRISP-DM : kennis onttrekken uit data om bedrijfsproblemen op te lossen kan systematisch via
een proces met goede gedefinieerde stappen
2) Grote datamassa: informatie-technologie kan gebruikt worden om uit grote hoeveelheden data
informatieve, beschrijvende kenmerken van entiteiten te vinden
3) Overfitting: Als je te hard zoekt naar data, vind je altijd iets. Maar het generaliseert niet naar
nieuwe data
4) Context is cruciaal: datamining -oplossingen formuleren en evalueren vereist nadenken over de
context waarin ze gebruikt worden. Een model dat technisch perfect werkt kan in de praktijk
nutteloos of zelfs schadelijk zijn als je de context niet begrijpt.
• Individuele rol van de data scientist is in dit proces heel belangrijk! Een computer en
algoritmes zijn krachtig, maar ze zijn niet slim genoeg om alles zelf te doen. De data scientist
is de persoon die het verschil maakt tussen een nutteloos model en een winstgevend model.
1.2 Business problems & Data Science Solutions
• Elk data-gedreven bedrijfsprobleem is uniek, maar er bestaan gemeenschappelijke
onderliggende taken. De kritische vaardigheid is om een complex probleem te ontleden in
kleinere stukken die elk overeenkomen met een bekende data mining taak.
Voorbeeld: Een telecomprovider die klantverloop (churn) wil aanpakken, heeft een uniek
businessprobleem. Maar de onderliggende taak — identificeren welke klanten hun contract gaan
opzeggen — is een standaard kansschattingsprobleem.
1.1 Classification & Class probability Estimation
Het doel is om voor elk individu in een populatie te voorspellen tot welke klasse dat individu behoort.
• Klasse-voorspelling: Zal deze klant churnen? Ja of nee?
• Kansschatting: Met welke kans (bv. 87%) zal deze klant churnen?
Extra: Dit is een gesuperviseerde techniek — je hebt gelabelde historische data nodig. Denk aan
spamfilters, fraudedetectie, medische diagnose.
