H6: DATA-ANALYSE
INLEIDING
Data wordt gezien als de ruwe grondstof die nodig is om informatie te vormen, wat
waarde creëert voor de organisatie. Hoofdstuk 2 introduceerde verschillende raamwerken
voor het vormen van een strategie, waarbij de waarde van data centraal staat.
Bij RBVF (2.1.2) moeten bedrijven de waarde van elk bedrijfsmiddel, inclusief data,
optimaal benutten voor concurrentievoordeel. Het Deltamodel (2.1.3) benadrukt het
belang van informatiesystemen in bedrijfsstrategieën, waarbij data omgevormd wordt tot
informatie. Het MIT-model (2.1.4) gebruikt data-analyse om concurrentievoordeel te
behalen.
In het vorige hoofdstuk werd besproken hoe data gestructureerd en beheerd kan worden.
Dit hoofdstuk richt zich op hoe data omgevormd wordt tot informatie.
DE WAARDE VAN DATA:
Het doel van een informatiesysteem bestaat erin om data te verzamelen en die zo
te verwerken en te structureren dat de data omgezet kan worden naar inzetbare
informatie. De resulterende informatie is sterk afhankelijk van bijvoorbeeld de
nauwkeurigheid waarmee de data in het informatiesysteem is terechtgekomen. In 5.2
werden de kwaliteitsvereisten van data besproken. Die kwaliteitsvereisten zijn een
belangrijke randvoorwaarde om zoveel mogelijk waarde uit data te kunnen halen.
Een informatiesysteem is neutraal en registreert de data zoals de instanties zich
voordoen. Data liegt niet, zeker niet als de data vergaard is door het informatiesysteem
zelf, bijvoorbeeld via sensoren.
Organisaties dienen zich bewust te zijn van de waarde van data. Het vatten van de
waarde en het inschatten van het volledige potentieel van de beschikbare data, is
echter heel moeilijk. Zelfs als men daarin slaagt, is het nog een hele uitdaging om dat
potentieel volledig inzetbaar te maken.
De manier waarop data wordt omgezet naar informatie is bepalend of het volledige
potentieel van de data benut wordt.
Een grootwarenhuis kan informatie bijhouden van het aankoopgedrag van klanten door gebruik te maken van
de getrouwheidskaart. Die data kan op heel veel verschillende manieren gebruikt worden. Zo kan die gebruikt
worden om de stock in de winkels up-to-date te houden. Diezelfde data zou kunnen gebruikt worden om klanten
te profileren. Maar die data kan ook gebruikt worden om de verkoop van groenten en fruit te voorspellen, zodat
er weinig hoeft weggegooid te worden.
Data die aanwezig is in een informatiesysteem kan voor meerdere doeleinden gebruikt
worden. We kunnen stellen dat de waarde van data toeneemt naarmate een
organisatie beter in staat is om complexere informatie te laten ontstaan vanuit
de data. De manier waarop data geanalyseerd wordt om informatie te creëren is dus
bepalend of een bedrijf al dan niet het volledige potentieel van de data kan vatten.
DATA VALUE GAP:
Een meerderheid van de bedrijven vindt het
moeilijk om waarde te halen uit data. Bijna alle
bedrijven geven te kennen dat ze er niet in
slagen om het volledige potentieel van data
te gebruiken om waarde te creëren, om die
data om te zetten in inzetbare/waardevolle
informatie.
Je zou kunnen stellen dat er een soort
kloof is tussen de waarde die bedrijven uit
data halen en de potentiële waarde die
vervat zit in data data value gap.
, H6: DATA-ANALYSE
ANALYTICAL VALUE ESCALATOR:
Een interessante manier om de toenemende waarde van data (en data-analyse) te
bekijken, is de Analytical Value Escalator. Die werd voor het eerst gebruikt door
Gartner in 2012.
X-as: complexiteit van data-analyses.
Y-as: waarde van de analyse.
Die waarde wordt bekeken als de manier
waarop de bekomen informatie wordt
ingezet om het proces te ondersteunen.
Binnen dit kader wordt een schuine rechte
getekend. Deze lijn stelt de maturiteit
van de organisatie met betrekking tot
het inzetten van de data voor. De lijn
wordt opgedeeld in verschillende
onderdelen. Zo wordt in eerste instantie
gekeken naar het doel, de manier waarop data wordt omgezet in informatie en hoe die
informatie geïnterpreteerd wordt door de organisatie.
Helemaal onderaan deze lijn staat 'informatie'. Het gaat hier over informatie die
beschikbaar is, maar waar de potentiële waarde niet wordt uitgehaald. Helemaal
bovenaan staat 'optimalisatie'. Hier is het proces zo geoptimaliseerd dat het
maximaal gebruikmaakt van de potentiële waarde die vervat zit in de
beschikbare data.
TUSSEN DEZE TWEE UITERSTEN BEVINDEN ZICH DRIE PUNTEN:
HINDSIGHT: Data wordt gebruikt om te modelleren wat er gebeurd is en om
processen ACHTERAF te optimaliseren.
INSIGHT: Data wordt gebruikt om inzichten te vergaren en te begrijpen WAAROM
bepaalde zaken zich hebben voorgedaan, om processen te optimaliseren.
FORESIGHT: Data wordt gebruikt om VOORSPELLINGEN te doen en het proces zo
te optimaliseren dat het kan anticiperen op toekomstige gebeurtenissen.
DATA-ANALYSE KAN VIER SOORTEN VRAGEN VOOR ORGANISATIES
BEANTWOORDEN:
Wat is er gebeurd?
Waarom is dat gebeurd?
Wat zal er gebeuren?
Hoe kunnen we ervoor zorgen dat er iets gebeurt?
Elk van deze vragen bevindt zich op een andere positie op de lijn tussen 'informatie' en
'optimalisatie'. Organisaties moeten investeren in data en begrijpen hoe informatie
uit data kan worden gebruikt om verschillende bedrijfsprocessen te optimaliseren. De
potentiële waarde van data wordt pas duidelijk wanneer informatie uit bestaande data
wordt gehaald voor diverse bedrijfsproblemen.
INLEIDING
Data wordt gezien als de ruwe grondstof die nodig is om informatie te vormen, wat
waarde creëert voor de organisatie. Hoofdstuk 2 introduceerde verschillende raamwerken
voor het vormen van een strategie, waarbij de waarde van data centraal staat.
Bij RBVF (2.1.2) moeten bedrijven de waarde van elk bedrijfsmiddel, inclusief data,
optimaal benutten voor concurrentievoordeel. Het Deltamodel (2.1.3) benadrukt het
belang van informatiesystemen in bedrijfsstrategieën, waarbij data omgevormd wordt tot
informatie. Het MIT-model (2.1.4) gebruikt data-analyse om concurrentievoordeel te
behalen.
In het vorige hoofdstuk werd besproken hoe data gestructureerd en beheerd kan worden.
Dit hoofdstuk richt zich op hoe data omgevormd wordt tot informatie.
DE WAARDE VAN DATA:
Het doel van een informatiesysteem bestaat erin om data te verzamelen en die zo
te verwerken en te structureren dat de data omgezet kan worden naar inzetbare
informatie. De resulterende informatie is sterk afhankelijk van bijvoorbeeld de
nauwkeurigheid waarmee de data in het informatiesysteem is terechtgekomen. In 5.2
werden de kwaliteitsvereisten van data besproken. Die kwaliteitsvereisten zijn een
belangrijke randvoorwaarde om zoveel mogelijk waarde uit data te kunnen halen.
Een informatiesysteem is neutraal en registreert de data zoals de instanties zich
voordoen. Data liegt niet, zeker niet als de data vergaard is door het informatiesysteem
zelf, bijvoorbeeld via sensoren.
Organisaties dienen zich bewust te zijn van de waarde van data. Het vatten van de
waarde en het inschatten van het volledige potentieel van de beschikbare data, is
echter heel moeilijk. Zelfs als men daarin slaagt, is het nog een hele uitdaging om dat
potentieel volledig inzetbaar te maken.
De manier waarop data wordt omgezet naar informatie is bepalend of het volledige
potentieel van de data benut wordt.
Een grootwarenhuis kan informatie bijhouden van het aankoopgedrag van klanten door gebruik te maken van
de getrouwheidskaart. Die data kan op heel veel verschillende manieren gebruikt worden. Zo kan die gebruikt
worden om de stock in de winkels up-to-date te houden. Diezelfde data zou kunnen gebruikt worden om klanten
te profileren. Maar die data kan ook gebruikt worden om de verkoop van groenten en fruit te voorspellen, zodat
er weinig hoeft weggegooid te worden.
Data die aanwezig is in een informatiesysteem kan voor meerdere doeleinden gebruikt
worden. We kunnen stellen dat de waarde van data toeneemt naarmate een
organisatie beter in staat is om complexere informatie te laten ontstaan vanuit
de data. De manier waarop data geanalyseerd wordt om informatie te creëren is dus
bepalend of een bedrijf al dan niet het volledige potentieel van de data kan vatten.
DATA VALUE GAP:
Een meerderheid van de bedrijven vindt het
moeilijk om waarde te halen uit data. Bijna alle
bedrijven geven te kennen dat ze er niet in
slagen om het volledige potentieel van data
te gebruiken om waarde te creëren, om die
data om te zetten in inzetbare/waardevolle
informatie.
Je zou kunnen stellen dat er een soort
kloof is tussen de waarde die bedrijven uit
data halen en de potentiële waarde die
vervat zit in data data value gap.
, H6: DATA-ANALYSE
ANALYTICAL VALUE ESCALATOR:
Een interessante manier om de toenemende waarde van data (en data-analyse) te
bekijken, is de Analytical Value Escalator. Die werd voor het eerst gebruikt door
Gartner in 2012.
X-as: complexiteit van data-analyses.
Y-as: waarde van de analyse.
Die waarde wordt bekeken als de manier
waarop de bekomen informatie wordt
ingezet om het proces te ondersteunen.
Binnen dit kader wordt een schuine rechte
getekend. Deze lijn stelt de maturiteit
van de organisatie met betrekking tot
het inzetten van de data voor. De lijn
wordt opgedeeld in verschillende
onderdelen. Zo wordt in eerste instantie
gekeken naar het doel, de manier waarop data wordt omgezet in informatie en hoe die
informatie geïnterpreteerd wordt door de organisatie.
Helemaal onderaan deze lijn staat 'informatie'. Het gaat hier over informatie die
beschikbaar is, maar waar de potentiële waarde niet wordt uitgehaald. Helemaal
bovenaan staat 'optimalisatie'. Hier is het proces zo geoptimaliseerd dat het
maximaal gebruikmaakt van de potentiële waarde die vervat zit in de
beschikbare data.
TUSSEN DEZE TWEE UITERSTEN BEVINDEN ZICH DRIE PUNTEN:
HINDSIGHT: Data wordt gebruikt om te modelleren wat er gebeurd is en om
processen ACHTERAF te optimaliseren.
INSIGHT: Data wordt gebruikt om inzichten te vergaren en te begrijpen WAAROM
bepaalde zaken zich hebben voorgedaan, om processen te optimaliseren.
FORESIGHT: Data wordt gebruikt om VOORSPELLINGEN te doen en het proces zo
te optimaliseren dat het kan anticiperen op toekomstige gebeurtenissen.
DATA-ANALYSE KAN VIER SOORTEN VRAGEN VOOR ORGANISATIES
BEANTWOORDEN:
Wat is er gebeurd?
Waarom is dat gebeurd?
Wat zal er gebeuren?
Hoe kunnen we ervoor zorgen dat er iets gebeurt?
Elk van deze vragen bevindt zich op een andere positie op de lijn tussen 'informatie' en
'optimalisatie'. Organisaties moeten investeren in data en begrijpen hoe informatie
uit data kan worden gebruikt om verschillende bedrijfsprocessen te optimaliseren. De
potentiële waarde van data wordt pas duidelijk wanneer informatie uit bestaande data
wordt gehaald voor diverse bedrijfsproblemen.
