,SAMENVATTING BUSINESS INTELLIGENCE
1.0 INTRODUCTIE BUSINESS INTELLIGENCE
A. WAAROM IS DATA SCIENCE BELANGRIJK VOOR BEDRIJVEN?
WET VAN DE MASSALE DIGITALE OPSLAG
De hoeveelheid gegevens verdubbelt op jaarbasis. Het aantal data dat we in 2020 gaan opslaan is gelijk
aan al de data die we zijn beginnen opslaan sinds 1960 tot 2019. De kosten voor het opslaan van
gegevens zijn elk jaar exponentieel goedkoper.
BIG DATA
Big data is een brede verzameling van gegevens uit verschillende bronnen. Je hebt veel heterogene
bronnen die data uitzenden. Bedrijven moeten die data verzamelen en er iets mee doen. Voorbeelden
zijn machines met hun eigen erp-systeem, telefoongesprekken van klanten, internet of things…
MASLOWS HIËRARCHIE VAN BIG DATA
Gegevens, informatie en kennis worden beschouwd als het gebied van
wetenschap en bewijsvoering. Wijsheid wordt beschouwd als het gebied van
de beslissingen. Maslow zegt dus dat data de basis is en dat die data
aangewend kan worden om er zo informatie uit te halen. Die informatie is
omzetbaar in kennis en die kennis zal leiden tot wijsheid.
DATA WAREHOUSES EN DATA MARTS
Een bedrijf bestaat uit interne en externe data. Al die data wordt in een warehouse gestructureerd en
opgeslagen. Als er dan een bepaald probleem opgelost moet worden, dan kunnen ze uit de data ware-
house informatie halen. Die data is zelden in die vorm beschikbaar om direct een bedrijfsprobleem op
te lossen. Je zal de data moeten manipuleren.
DATA LAKES
Een data lake is een systeem of opslagplaats van gegevens die in het natuurlijke formaat opgeslagen
zijn. Het bestaat uit machine learning, analytics, on-premises data movement en real-time data
movement.
Pagina | 1
,DATA WAREHOUSE VERSUS DATA LAKES
Bij een data warehouse worden de gegevens verwerkt en georganiseerd in een enkel schema voordat
ze in het warehouse worden geplaatst. De analyse wordt uitgevoerd op de opgeschoonde gegevens in
het warehouse. De data is dus gestructureerd. Bij een data lake gaat het om de ongestructureerde en
ruwe gegevens. De gegevens worden enkel geselecteerd en georganiseerd wanneer dat nodig is.
DATA IN BEDRIJVEN
Data science gaat over de vraag of we een probleem kunnen oplossen. Data moet verzameld worden.
Data is bijna nooit gratis beschikbaar. Bedrijven moeten investeren in data. Eenmaal je de data hebt,
moet je die data organiseren en analyseren en zo ontplooien zodat de data inzetbaar wordt voor het
bedrijf.
DATA VALUE TRAP
Wanneer je gaat nadenken over wat nu de waarde van data in de bedrijfsvoering is, dan heb je een
getraptheid. Naarmate je hoger gaat op de trap, zullen de analysetechnieken complexer worden.
In eerste instantie zou het interessant zijn als je via data kan beschrijven wat er gebeurd is. Dit is een
waarde voor een bedrijf. De waarde wordt groter als je ook kan zeggen waarom het gebeurd is. In
derde instantie ga je voorspellen wat er gebeuren gaat en wat het toekomstbeeld is. Dan heb je nog
meer waarde want je weet het op voorhand. De laatste stap is hoe kan je ervoor zorgen dat het zal
gebeuren. Als je daarop kan antwoorden, pas dan heb je de grootste waarde.
Pagina | 2
, 1.1 DATA-ANALYTICAL THINKING
A. INTRODUCTIE
De afgelopen jaren is er veel geïnvesteerd in de bedrijfsinfrastructuur, waardoor het vermogen om
gegevens te verzamelen in de hele onderneming is verbeterd. Vrijwel elk aspect van het bedrijfsleven
staat nu open voor gegevensverzameling: operaties, productie,
supply chain management, prestaties van marketingcampagnes,
klantgedrag... Tegelijkertijd is er nu op grote schaal informatie
beschikbaar over externe gebeurtenissen, zoals markttrends,
sectornieuws en bewegingen van concurrenten. Deze brede
beschikbaarheid van gegevens heeft geleid tot een toenemende
belangstelling voor methoden om nuttige informatie en kennis uit
gegevens te halen: het domein van datawetenschap.
We gaan de essentie van data-analytical thinking uitleggen via een
mindmap. Er zijn vier paden die we binnen data-analytical thinking
gaan bespreken: waarom is data science zo belangrijk, wat is
analytisch denken, wat is data science en enkele voorbeelden.
B. WAAROM DATA-ANALYTICAL THINKING EN DATA SCIENCE?
Er zijn drie redenen waarom data-analytical thinking en data science zo
belangrijk zijn. Eerst en vooral zijn er veel mogelijkheden dankzij de
beschikbare data. Daarnaast is een een probleem m.b.t. De naleving
van de regels. Ten slotte zijn er enorm veel applicaties mogelijk.
DATA OPPORTUNITIES
Nu er enorme hoeveelheden gegevens beschikbaar zijn, zijn bedrijven in bijna elke sector gericht op
het benutten van gegevens voor concurrentievoordeel. In het verleden konden bedrijven mensen in
dienst nemen om datasets handmatig te onderzoeken, maar het volume en de verscheidenheid aan
gegevens hebben de capaciteit van handmatige analyse ver overtroffen.
Tegelijkertijd zijn computers krachtiger
geworden, zijn netwerken alomtegenwoordig
geworden en zijn er algoritmen ontwikkeld die
datasets met elkaar verbinden om bredere en
diepere analyses mogelijk te maken dan
voorheen mogelijk was. De convergentie van
deze fenomenen heeft geleid tot een bredere
zakelijke toepassing van
datawetenschappelijke principes en
dataminingtechnieken.
Pagina | 3
1.0 INTRODUCTIE BUSINESS INTELLIGENCE
A. WAAROM IS DATA SCIENCE BELANGRIJK VOOR BEDRIJVEN?
WET VAN DE MASSALE DIGITALE OPSLAG
De hoeveelheid gegevens verdubbelt op jaarbasis. Het aantal data dat we in 2020 gaan opslaan is gelijk
aan al de data die we zijn beginnen opslaan sinds 1960 tot 2019. De kosten voor het opslaan van
gegevens zijn elk jaar exponentieel goedkoper.
BIG DATA
Big data is een brede verzameling van gegevens uit verschillende bronnen. Je hebt veel heterogene
bronnen die data uitzenden. Bedrijven moeten die data verzamelen en er iets mee doen. Voorbeelden
zijn machines met hun eigen erp-systeem, telefoongesprekken van klanten, internet of things…
MASLOWS HIËRARCHIE VAN BIG DATA
Gegevens, informatie en kennis worden beschouwd als het gebied van
wetenschap en bewijsvoering. Wijsheid wordt beschouwd als het gebied van
de beslissingen. Maslow zegt dus dat data de basis is en dat die data
aangewend kan worden om er zo informatie uit te halen. Die informatie is
omzetbaar in kennis en die kennis zal leiden tot wijsheid.
DATA WAREHOUSES EN DATA MARTS
Een bedrijf bestaat uit interne en externe data. Al die data wordt in een warehouse gestructureerd en
opgeslagen. Als er dan een bepaald probleem opgelost moet worden, dan kunnen ze uit de data ware-
house informatie halen. Die data is zelden in die vorm beschikbaar om direct een bedrijfsprobleem op
te lossen. Je zal de data moeten manipuleren.
DATA LAKES
Een data lake is een systeem of opslagplaats van gegevens die in het natuurlijke formaat opgeslagen
zijn. Het bestaat uit machine learning, analytics, on-premises data movement en real-time data
movement.
Pagina | 1
,DATA WAREHOUSE VERSUS DATA LAKES
Bij een data warehouse worden de gegevens verwerkt en georganiseerd in een enkel schema voordat
ze in het warehouse worden geplaatst. De analyse wordt uitgevoerd op de opgeschoonde gegevens in
het warehouse. De data is dus gestructureerd. Bij een data lake gaat het om de ongestructureerde en
ruwe gegevens. De gegevens worden enkel geselecteerd en georganiseerd wanneer dat nodig is.
DATA IN BEDRIJVEN
Data science gaat over de vraag of we een probleem kunnen oplossen. Data moet verzameld worden.
Data is bijna nooit gratis beschikbaar. Bedrijven moeten investeren in data. Eenmaal je de data hebt,
moet je die data organiseren en analyseren en zo ontplooien zodat de data inzetbaar wordt voor het
bedrijf.
DATA VALUE TRAP
Wanneer je gaat nadenken over wat nu de waarde van data in de bedrijfsvoering is, dan heb je een
getraptheid. Naarmate je hoger gaat op de trap, zullen de analysetechnieken complexer worden.
In eerste instantie zou het interessant zijn als je via data kan beschrijven wat er gebeurd is. Dit is een
waarde voor een bedrijf. De waarde wordt groter als je ook kan zeggen waarom het gebeurd is. In
derde instantie ga je voorspellen wat er gebeuren gaat en wat het toekomstbeeld is. Dan heb je nog
meer waarde want je weet het op voorhand. De laatste stap is hoe kan je ervoor zorgen dat het zal
gebeuren. Als je daarop kan antwoorden, pas dan heb je de grootste waarde.
Pagina | 2
, 1.1 DATA-ANALYTICAL THINKING
A. INTRODUCTIE
De afgelopen jaren is er veel geïnvesteerd in de bedrijfsinfrastructuur, waardoor het vermogen om
gegevens te verzamelen in de hele onderneming is verbeterd. Vrijwel elk aspect van het bedrijfsleven
staat nu open voor gegevensverzameling: operaties, productie,
supply chain management, prestaties van marketingcampagnes,
klantgedrag... Tegelijkertijd is er nu op grote schaal informatie
beschikbaar over externe gebeurtenissen, zoals markttrends,
sectornieuws en bewegingen van concurrenten. Deze brede
beschikbaarheid van gegevens heeft geleid tot een toenemende
belangstelling voor methoden om nuttige informatie en kennis uit
gegevens te halen: het domein van datawetenschap.
We gaan de essentie van data-analytical thinking uitleggen via een
mindmap. Er zijn vier paden die we binnen data-analytical thinking
gaan bespreken: waarom is data science zo belangrijk, wat is
analytisch denken, wat is data science en enkele voorbeelden.
B. WAAROM DATA-ANALYTICAL THINKING EN DATA SCIENCE?
Er zijn drie redenen waarom data-analytical thinking en data science zo
belangrijk zijn. Eerst en vooral zijn er veel mogelijkheden dankzij de
beschikbare data. Daarnaast is een een probleem m.b.t. De naleving
van de regels. Ten slotte zijn er enorm veel applicaties mogelijk.
DATA OPPORTUNITIES
Nu er enorme hoeveelheden gegevens beschikbaar zijn, zijn bedrijven in bijna elke sector gericht op
het benutten van gegevens voor concurrentievoordeel. In het verleden konden bedrijven mensen in
dienst nemen om datasets handmatig te onderzoeken, maar het volume en de verscheidenheid aan
gegevens hebben de capaciteit van handmatige analyse ver overtroffen.
Tegelijkertijd zijn computers krachtiger
geworden, zijn netwerken alomtegenwoordig
geworden en zijn er algoritmen ontwikkeld die
datasets met elkaar verbinden om bredere en
diepere analyses mogelijk te maken dan
voorheen mogelijk was. De convergentie van
deze fenomenen heeft geleid tot een bredere
zakelijke toepassing van
datawetenschappelijke principes en
dataminingtechnieken.
Pagina | 3
