Les 2: Digitalisatie
Gartner Hype Cycle is een grafische weergave ontwikkeld door Gartner, een bekend adviesbureau voor technologie, om de volwassenheid,
adoptie en (sociale) toepassing van specifieke technologieën te tonen. De Gartner Hype Cycle helpt organisaties bij het begrijpen van de
levenscyclus van technologieën, wat essentieel is voor strategische planning en investeringsbeslissingen.
1. Innovation Trigger: Het begin van de hype, meestal door een baanbrekende technologische ontwikkeling.
2. Peak of Inflated Expectations: Hier bereikt de hype zijn hoogtepunt, en verwachtingen zijn vaak onrealistisch hoog.
3. Trough of Disillusionment: Ontgoocheling treedt op omdat de technologie de initiële hype niet waarmaakt.
4. Slope of Enlightenment: Realistische toepassingen worden begrepen, en de technologie begint waarde toe te voegen.
5. Plateau of Productivity: De technologie bereikt een volwassen stadium en wordt breed geaccepteerd en toegepast.
Big Data
Zettabyte = triljard (21 nullen)
Data = alle foto’s, cijfers, letters, clicks, hoeveelheid/karakters/symbolen, alles wat waarneembaar. Het is digitaal opgeslagen.
Big Data = zijn gegevensverzamelingen die te groot en te weinig gestructureerd zijn.
Drie soorten data:
1. Gestructureerde data verwijst naar data die een vooraf gedefinieerd gegevensmodel volgen en zijn georganiseerd in een
gestructureerd format, meestal in tabellen met rijen en kolommen. Dit type data is zeer georganiseerd en gemakkelijk leesbaar door
machines.
Voorbeeld: Een relationele database met klantinformatie, met duidelijke gegevensvelden voor namen, adressen en
telefoonnummers.
2. Ongestructureerde data zijn data die geen vooraf gedefinieerde structuur of formaat hebben. Dit kunnen tekstbestanden,
afbeeldingen, audio- en videobestanden omvatten, waardoor ze moeilijk te analyseren zijn met traditionele methoden.
Voorbeeld: Berichten op sociale media, klantrecensies of multimedia-inhoud op internet.
3. Semigestructureerde data valt tussen gestructureerde en ongestructureerde data in. Het heeft enige structuur maar voldoet niet
aan een strikt schema.
Voorbeeld: E-mails bevatten gestructureerde elementen zoals afzender, ontvanger, onderwerp en datum, maar de inhoud van de e-
mailtekst zelf kan variabel en ongestructureerd zijn. Deze semi-gestructureerde gegevens worden vaak gebruikt in zakelijke
communicatie en kunnen geanalyseerd worden voor verschillende doeleinden, zoals het identificeren van trends in klantinteracties.
Wat kan een interessante big data toepassing zijn voor een energieleverancier? Wanneer de energie het meest gebruikt wordt. Gebruiken om te
gaan voorspellen wanneer er onderhoud nodig is voor windmolens of je meter thuis.
Voor een fastfoodketen? Met de seizoenen kijken of bijv wat in de winter veel worden verkocht.
En voor de opdrachtgever?
Waar kunnen mogelijke gevaren liggen van big data toepassingen?
5V’s van Big Data
Door de 5 V's te kennen, kunnen datawetenschappers meer waarde uit hun data halen en tegelijkertijd hun organisaties klantgerichter maken.
1. Volume: de omvang van Big Data denk aan sociale media en streamingsdiensten.
2. Velocity: de snelheid waarmee de data wordt verzameld. Dit komt voornamelijk door mobiele data, sociale media etc.
3. Variety: verwijst naar gestructureerde, semi-gestructureerde en ongestructureerde gegevens vanwege verschillende
gegevensbronnen die door mensen of machines worden gegenereerd. Denk aan mails, video’s en foto’s.
4. Veracity: verwijst naar de verzekering van kwaliteit/ integriteit/ geloofwaardigheid/ nauwkeurigheid van de data. Omdat de data uit
meerdere bronnen wordt verzameld, moeten we de data controleren op nauwkeurigheid voordat we deze gebruiken voor zakelijke
inzichten.
5. Value: omdat we veel data hebben verzameld, is deze nutteloos als we er geen inzichten uit halen. Het verwijst naar hoe bruikbaar
de data is voor het nemen van beslissingen. We moeten de waarde van Big Data eruit halen met de juiste analyses.
5V’s van Big Data: Kuhne Heitz
1. Volume (Omvang van de data)
• Relevantie: De opdrachtgever ontvangt jaarlijks zo’n 10.000 leads via de sales mailbox, naast andere e-mails. Dit zorgt voor
een grote hoeveelheid data die handmatig wordt verwerkt, wat inefficiënt is.
, • Waarom belangrijk: Digitalisering van dit proces kan de verwerking van deze grote hoeveelheid e-mails automatiseren. Door
de inzet van een CRM-systeem en AI-gebaseerde filters kan de enorme datastroom beter beheerd en geanalyseerd worden,
waardoor handmatige processen sterk verminderd worden. Zo kan er efficiënt met de data omgegaan worden zonder
kwaliteitsverlies.
2. Variety (Verschillende soorten data)
• Relevantie: De data die binnenkomt, bestaat uit verschillende vormen: e-mails, contactformulieren, klantgegevens,
productinteresses en geografische informatie. Elke lead heeft andere kenmerken zoals land, productgroep, klanttype, en
aankoopbehoefte.
• Waarom belangrijk: Een goed gestructureerd CRM-systeem moet in staat zijn om deze diverse data-typen op te slaan
en te koppelen, zodat er overzicht ontstaat. Door verschillende soorten gegevens samen te brengen, kan de
opdrachtgever patronen ontdekken, zoals welke landen en producten het meest succesvol zijn. AI kan deze
verschillende datatypes analyseren om bijvoorbeeld voorspellingen te doen over het conversiepotentieel.
3. Velocity (Snelheid van dataverwerking)
• Relevantie: Het proces van het verwerken van leads moet snel gebeuren, anders kunnen belangrijke kansen verloren
gaan. Momenteel wordt veel tijd besteed aan handmatige verwerking van leads, wat de snelheid vertraagt.
• Waarom belangrijk: Door digitalisering kan de snelheid van dataverwerking drastisch worden verhoogd. AI kan
bijvoorbeeld direct bij het binnenkomen van een e-mail een eerste filtering doen, terwijl CRM-systemen leads real-time
kunnen toewijzen aan traders. Dit zorgt voor een snellere opvolging van leads en een verhoogde kans op conversie naar
winorders.
4. Veracity (Betrouwbaarheid van de data)
• Relevantie: De betrouwbaarheid van de gegevens is essentieel voor de effectiviteit van het proces. Door menselijke
fouten, zoals het niet juist bijhouden van de leads in Excel of het vergeten van terugkoppelingen, gaat waardevolle data
verloren of wordt deze verkeerd geclassificeerd.
• Waarom belangrijk: Digitalisering zorgt voor meer nauwkeurigheid en consistentie. Een geautomatiseerd systeem kan
ervoor zorgen dat leads correct worden vastgelegd en dat er geen fouten ontstaan door menselijke handelingen. Dit
verhoogt de betrouwbaarheid van de data, zodat de opdrachtgever betere analyses kan maken over bijvoorbeeld de ROI
van de Google Ads-campagnes.
5. Value (Waarde van de data)
• Relevantie: Uiteindelijk gaat het om het halen van waarde uit de data. In dit geval is de waarde direct gekoppeld aan het
verhogen van het aantal winorders, het beter begrijpen van de markt (producten/landen/combinaties), en het verbeteren
van de kosten-batenanalyse.
• Waarom belangrijk: Door de leadsystemen te digitaliseren en geautomatiseerde processen in te richten, kan de
opdrachtgever niet alleen de kosten/baten beter in kaart brengen, maar ook proactief sturen op waardevolle leads. Door
het benutten van analytics en machine learning kan de data veel inzichten opleveren, zoals welke klanten het meeste
potentieel hebben, welke productcombinaties winstgevend zijn, en hoe marketingstrategieën aangepast kunnen worden
voor optimale resultaten.
, Opdracht
Hype Cycle for AI
AI Engineering is van innovation trigger naar Peak of Inflated expectations gegaan. De hype rondom potentiële AI-oplossingen wekt vaak
onrealistisch hoge verwachtingen, wat kenmerkend is voor de
Peak of Inflated Expectations.
NFT is van peak of inflated expectations is naar trough of disillusionment. De reden waarom deze ontwikkeling zo is geweest:
NFT-bedrijfsmodellen en -benaderingen zijn nog niet volledig gerealiseerd door zakelijke gebruikers. Het werkelijke nut en de waarde zijn nog
steeds onduidelijk voor de meeste zakelijke gebruikers.
Zero-Knowledge Proofs is van peak of inflated expectations naar trough of disillusionment gegaan. De reden: tot op heden is er slechts een
beperkt aantal praktische implementaties naar voren gekomen.
Gartner Hype Cycle is een grafische weergave ontwikkeld door Gartner, een bekend adviesbureau voor technologie, om de volwassenheid,
adoptie en (sociale) toepassing van specifieke technologieën te tonen. De Gartner Hype Cycle helpt organisaties bij het begrijpen van de
levenscyclus van technologieën, wat essentieel is voor strategische planning en investeringsbeslissingen.
1. Innovation Trigger: Het begin van de hype, meestal door een baanbrekende technologische ontwikkeling.
2. Peak of Inflated Expectations: Hier bereikt de hype zijn hoogtepunt, en verwachtingen zijn vaak onrealistisch hoog.
3. Trough of Disillusionment: Ontgoocheling treedt op omdat de technologie de initiële hype niet waarmaakt.
4. Slope of Enlightenment: Realistische toepassingen worden begrepen, en de technologie begint waarde toe te voegen.
5. Plateau of Productivity: De technologie bereikt een volwassen stadium en wordt breed geaccepteerd en toegepast.
Big Data
Zettabyte = triljard (21 nullen)
Data = alle foto’s, cijfers, letters, clicks, hoeveelheid/karakters/symbolen, alles wat waarneembaar. Het is digitaal opgeslagen.
Big Data = zijn gegevensverzamelingen die te groot en te weinig gestructureerd zijn.
Drie soorten data:
1. Gestructureerde data verwijst naar data die een vooraf gedefinieerd gegevensmodel volgen en zijn georganiseerd in een
gestructureerd format, meestal in tabellen met rijen en kolommen. Dit type data is zeer georganiseerd en gemakkelijk leesbaar door
machines.
Voorbeeld: Een relationele database met klantinformatie, met duidelijke gegevensvelden voor namen, adressen en
telefoonnummers.
2. Ongestructureerde data zijn data die geen vooraf gedefinieerde structuur of formaat hebben. Dit kunnen tekstbestanden,
afbeeldingen, audio- en videobestanden omvatten, waardoor ze moeilijk te analyseren zijn met traditionele methoden.
Voorbeeld: Berichten op sociale media, klantrecensies of multimedia-inhoud op internet.
3. Semigestructureerde data valt tussen gestructureerde en ongestructureerde data in. Het heeft enige structuur maar voldoet niet
aan een strikt schema.
Voorbeeld: E-mails bevatten gestructureerde elementen zoals afzender, ontvanger, onderwerp en datum, maar de inhoud van de e-
mailtekst zelf kan variabel en ongestructureerd zijn. Deze semi-gestructureerde gegevens worden vaak gebruikt in zakelijke
communicatie en kunnen geanalyseerd worden voor verschillende doeleinden, zoals het identificeren van trends in klantinteracties.
Wat kan een interessante big data toepassing zijn voor een energieleverancier? Wanneer de energie het meest gebruikt wordt. Gebruiken om te
gaan voorspellen wanneer er onderhoud nodig is voor windmolens of je meter thuis.
Voor een fastfoodketen? Met de seizoenen kijken of bijv wat in de winter veel worden verkocht.
En voor de opdrachtgever?
Waar kunnen mogelijke gevaren liggen van big data toepassingen?
5V’s van Big Data
Door de 5 V's te kennen, kunnen datawetenschappers meer waarde uit hun data halen en tegelijkertijd hun organisaties klantgerichter maken.
1. Volume: de omvang van Big Data denk aan sociale media en streamingsdiensten.
2. Velocity: de snelheid waarmee de data wordt verzameld. Dit komt voornamelijk door mobiele data, sociale media etc.
3. Variety: verwijst naar gestructureerde, semi-gestructureerde en ongestructureerde gegevens vanwege verschillende
gegevensbronnen die door mensen of machines worden gegenereerd. Denk aan mails, video’s en foto’s.
4. Veracity: verwijst naar de verzekering van kwaliteit/ integriteit/ geloofwaardigheid/ nauwkeurigheid van de data. Omdat de data uit
meerdere bronnen wordt verzameld, moeten we de data controleren op nauwkeurigheid voordat we deze gebruiken voor zakelijke
inzichten.
5. Value: omdat we veel data hebben verzameld, is deze nutteloos als we er geen inzichten uit halen. Het verwijst naar hoe bruikbaar
de data is voor het nemen van beslissingen. We moeten de waarde van Big Data eruit halen met de juiste analyses.
5V’s van Big Data: Kuhne Heitz
1. Volume (Omvang van de data)
• Relevantie: De opdrachtgever ontvangt jaarlijks zo’n 10.000 leads via de sales mailbox, naast andere e-mails. Dit zorgt voor
een grote hoeveelheid data die handmatig wordt verwerkt, wat inefficiënt is.
, • Waarom belangrijk: Digitalisering van dit proces kan de verwerking van deze grote hoeveelheid e-mails automatiseren. Door
de inzet van een CRM-systeem en AI-gebaseerde filters kan de enorme datastroom beter beheerd en geanalyseerd worden,
waardoor handmatige processen sterk verminderd worden. Zo kan er efficiënt met de data omgegaan worden zonder
kwaliteitsverlies.
2. Variety (Verschillende soorten data)
• Relevantie: De data die binnenkomt, bestaat uit verschillende vormen: e-mails, contactformulieren, klantgegevens,
productinteresses en geografische informatie. Elke lead heeft andere kenmerken zoals land, productgroep, klanttype, en
aankoopbehoefte.
• Waarom belangrijk: Een goed gestructureerd CRM-systeem moet in staat zijn om deze diverse data-typen op te slaan
en te koppelen, zodat er overzicht ontstaat. Door verschillende soorten gegevens samen te brengen, kan de
opdrachtgever patronen ontdekken, zoals welke landen en producten het meest succesvol zijn. AI kan deze
verschillende datatypes analyseren om bijvoorbeeld voorspellingen te doen over het conversiepotentieel.
3. Velocity (Snelheid van dataverwerking)
• Relevantie: Het proces van het verwerken van leads moet snel gebeuren, anders kunnen belangrijke kansen verloren
gaan. Momenteel wordt veel tijd besteed aan handmatige verwerking van leads, wat de snelheid vertraagt.
• Waarom belangrijk: Door digitalisering kan de snelheid van dataverwerking drastisch worden verhoogd. AI kan
bijvoorbeeld direct bij het binnenkomen van een e-mail een eerste filtering doen, terwijl CRM-systemen leads real-time
kunnen toewijzen aan traders. Dit zorgt voor een snellere opvolging van leads en een verhoogde kans op conversie naar
winorders.
4. Veracity (Betrouwbaarheid van de data)
• Relevantie: De betrouwbaarheid van de gegevens is essentieel voor de effectiviteit van het proces. Door menselijke
fouten, zoals het niet juist bijhouden van de leads in Excel of het vergeten van terugkoppelingen, gaat waardevolle data
verloren of wordt deze verkeerd geclassificeerd.
• Waarom belangrijk: Digitalisering zorgt voor meer nauwkeurigheid en consistentie. Een geautomatiseerd systeem kan
ervoor zorgen dat leads correct worden vastgelegd en dat er geen fouten ontstaan door menselijke handelingen. Dit
verhoogt de betrouwbaarheid van de data, zodat de opdrachtgever betere analyses kan maken over bijvoorbeeld de ROI
van de Google Ads-campagnes.
5. Value (Waarde van de data)
• Relevantie: Uiteindelijk gaat het om het halen van waarde uit de data. In dit geval is de waarde direct gekoppeld aan het
verhogen van het aantal winorders, het beter begrijpen van de markt (producten/landen/combinaties), en het verbeteren
van de kosten-batenanalyse.
• Waarom belangrijk: Door de leadsystemen te digitaliseren en geautomatiseerde processen in te richten, kan de
opdrachtgever niet alleen de kosten/baten beter in kaart brengen, maar ook proactief sturen op waardevolle leads. Door
het benutten van analytics en machine learning kan de data veel inzichten opleveren, zoals welke klanten het meeste
potentieel hebben, welke productcombinaties winstgevend zijn, en hoe marketingstrategieën aangepast kunnen worden
voor optimale resultaten.
, Opdracht
Hype Cycle for AI
AI Engineering is van innovation trigger naar Peak of Inflated expectations gegaan. De hype rondom potentiële AI-oplossingen wekt vaak
onrealistisch hoge verwachtingen, wat kenmerkend is voor de
Peak of Inflated Expectations.
NFT is van peak of inflated expectations is naar trough of disillusionment. De reden waarom deze ontwikkeling zo is geweest:
NFT-bedrijfsmodellen en -benaderingen zijn nog niet volledig gerealiseerd door zakelijke gebruikers. Het werkelijke nut en de waarde zijn nog
steeds onduidelijk voor de meeste zakelijke gebruikers.
Zero-Knowledge Proofs is van peak of inflated expectations naar trough of disillusionment gegaan. De reden: tot op heden is er slechts een
beperkt aantal praktische implementaties naar voren gekomen.
