Business Intelligence
Introductie BI
1. INTRODUCTIE BUSINESS INTELLIGENCE
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 HËRARCHIE 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 heeft interne en externe data.
Warehouse? = waar de data gestructureerd en opgeslagen wordt. Bij problemen kunnen ze hieruit info
halen. MAAR voordat je het kan gebruiken moet je het eerst manipuleren.
DATA LAKES
= 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.
DATA WAREHOUSE VERSUS DATA LAKES
Data warehouse
= de gegevens verwerkt en georganiseerd in een enkel schema voordat ze in het warehouse worden
1
,geplaatst. De analyse wordt uitgevoerd op de opgeschoonde gegevens in het warehouse. De data is
dus gestructureerd.
Data lake
= gaat het om de ongestructureerde en ruwe gegevens. De gegevens worden enkel geselecteerd en
georganiseerd wanneer dat nodig is.
DATA IN BEDRIJVEN
= “Kunnen 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/ GETRAPTHEID
= 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.
2. DATA-ANALYTICAL THINKING
INTRODUCTIE
Laatste jaren:
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.
2
,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.
Er zijn 4 paden die we binnen data-analytical thinking gaan bespreken:
- waarom is data science zo belangrijk
- wat is analytisch denken
- wat is data science
- enkele voorbeelden.
WAAROM DATA-ANALYTICAL THINKING EN DATA SCIENCE
Data opportunities: waarom data-analytical thinking en data science zo belangrijk zijn.
1) Veel mogelijkheden dankzij de beschikbare data
2) Een probleem m.b.t. de naleving van de regels
3) Enorm veel applicaties mogelijk die inzetbaar kunnen zijn in bedrijven
DATA OPPORTUNITEITEN
1) Hele grote hoeveelheden data
2) Verscheidenheid van hoeveelheid
3) Technological advances (--> gegevens benutten voor concurrentievoordeel)
a. Computer zijn krachtiger geworden
b. Netwerken om databases te koppelen
c. Algoritmes ontwikkeld die datasets met elkaar verbinden om bredere en diepere
analyses mogelijk te maken
Door enorme variëteit en hoeveelheid aan data kan je gaan samenbrengen en problemen oplossen
Ook telkens snellere processen, betere algoritmes, betere software
Daarnaast ook technologische vooruitgang: krachtigere computers, inzicht in algoritmes
Ook netwerken + telkens betere algoritmes om data beter te analyseren
Nu? Evolutie van big data 1.0 naar big data 2.0
Om onderscheid te kunnen maken tussen big data 1.0 en big data 2.0 zouden we kunnen kijken naar
Web 1.0 en Web 2.0
Eerst was er Web 1.0.
= de basistechnologieën van het internet
(meeste bedrijven zijn nog aan het nadenken op welke manier ze op het internet actief kunnen zijn)
Bedrijven hadden netpresents: maakten websites waarop producten werden aangeprezen
Volgende stap is introductie van e-commerce: producten kenbaar maken naar eindgebruikers (klanten) of
proberen producten verkoopbaar te maken via internet
Zou je kunnen vergelijken met Big data 1.0: vandaag de dag in staat om grote hoeveelheid data te
verwerken en efficiëntie te verbeteren
Big Data 1.0:
= verwijst naar de 1e fase van het verwerken van grote hoeveelheden gegevens
Begin jaren 2000
Organisaties begonnen grote hoeveelheden gegevens te verzamelen en op te slaan, maar de nadruk
lag vooral op het vastleggen en opslaan van gegevens (niet zozeer op het analyseren en benutten van
inzichten).
Daarna Web 2.0
= end user content = eindgebruikers kunnen info toevoegen aan websites (bv. sociale media, blogs…)
Midden jaren 2000
3
, Websites werden interactiever, met gebruikers die inhoud konden maken, delen en samenwerken.
Vergelijkingen met Big data 2.0: nadenken in welke mate data kan bijdragen aan de manier
waarop bedrijfsvoering wordt gedaan, nu in staat grote mate data verwerken, maar wat kan die data
doen in bedrijfsvoering?
Big Data 2.0 vertegenwoordigt een meer geavanceerde fase van het verwerken van grote gegevens, gekenmerkt
door vooruitgang in technologie en analysetechnieken. Deze fase draait niet alleen om het opslaan van grote
hoeveelheden gegevens, maar vooral over wat het kan doen voor ons?
Dus welke waardevolle inzichten om besluitvorming en innovatie kan het geven. Machine learning en
kunstmatige intelligentie spelen hierbij een belangrijke rol.
Voorbeeld:
Sommige bedrijven in het web 1.0 tijdperk begonnen zijn met het toepassen van web 2.0 ideeën
vervooruitlopend op de mainstream:
Amazon is een uitstekend voorbeeld, waarbij de stem van de consument al vroeg wordt meegenomen in de
beoordeling van producten en productreviews. Op dezelfde manier zien we dat sommige bedrijven al big data
2.0 toe- passen. Amazon is weer een bedrijf dat datagedreven aanbevelingen uit massale gegevens verstrekt.
WAAROM? COMPLIANCE TO REGULATIONS – NALEVING VAN DE VOORSCHRIFTEN
Volgende tak: compliance
Gaat over manier waarop bewezen kan worden dat bedrijven voldoen aan een bepaalde
regelgeving
- Basel II: banken moet kunnen bewijzen dat ze voldoen aan die richtlijnen Basel II, in staat zijn
risicomodellen uit te bouwen (kredieten, markt inschatten)
- Solvency II: verzekeringsmaatschappijen moeten kunnen duiden dat ze in staat zijn om de
policies dat ze dekken, dat ze die effectief kunnen uitbetalen -> analyse data kan hier ook rol in
spelen, analyse data kan bewijzen dat ze voldoen aan de richtlijnen van solvency
WAT ZIJN MOGELIJKE APPLICATIES?
Wat zijn meest voorhand liggende toepassingen van data science?
1STE TOEPASSING DATAMINING-TECHNIEKEN: MARKETING (meest tastbare)
- Targeted marketing: Google, FB die reclame stuurt…
- Online advertising (reclame voeren online, gericht ervoor zorgen dat bepaalde groepen die
reclame krijgen dus afbakenen van groepen)
- Aanbevelingen for cross selling: personen die product X gekocht hebben, waren ook
geïnteresseerd in product Y en Z -> op die manier kan je klant er ook van overtuigen om
andere producten die te koop zijn om andere website te gaan bekijken
2DE TOEPASSING: CUSTOMER RELATIONSHIP MANAGEMENT / KLANTENRELATIEBEHEER
Gebruikt om:
- Het gedrag van klanten te analyseren
- Het verloop (= churn) te beheren
- De verwachte waarde voor de klant te maximaliseren
Churnprediction: wanneer klanten op einde van contract komen en naar andere leverancier gaat, dus
voorspellen of hij verandert van operator op einde van het contract.
3de TOEPASSING: FINANCIELE SECTOR + OPERATIONELE MANAGEMENT
--> Financiële sector gebruikt datamining voor:
- Kredietscores
- Handel
4
Introductie BI
1. INTRODUCTIE BUSINESS INTELLIGENCE
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 HËRARCHIE 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 heeft interne en externe data.
Warehouse? = waar de data gestructureerd en opgeslagen wordt. Bij problemen kunnen ze hieruit info
halen. MAAR voordat je het kan gebruiken moet je het eerst manipuleren.
DATA LAKES
= 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.
DATA WAREHOUSE VERSUS DATA LAKES
Data warehouse
= de gegevens verwerkt en georganiseerd in een enkel schema voordat ze in het warehouse worden
1
,geplaatst. De analyse wordt uitgevoerd op de opgeschoonde gegevens in het warehouse. De data is
dus gestructureerd.
Data lake
= gaat het om de ongestructureerde en ruwe gegevens. De gegevens worden enkel geselecteerd en
georganiseerd wanneer dat nodig is.
DATA IN BEDRIJVEN
= “Kunnen 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/ GETRAPTHEID
= 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.
2. DATA-ANALYTICAL THINKING
INTRODUCTIE
Laatste jaren:
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.
2
,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.
Er zijn 4 paden die we binnen data-analytical thinking gaan bespreken:
- waarom is data science zo belangrijk
- wat is analytisch denken
- wat is data science
- enkele voorbeelden.
WAAROM DATA-ANALYTICAL THINKING EN DATA SCIENCE
Data opportunities: waarom data-analytical thinking en data science zo belangrijk zijn.
1) Veel mogelijkheden dankzij de beschikbare data
2) Een probleem m.b.t. de naleving van de regels
3) Enorm veel applicaties mogelijk die inzetbaar kunnen zijn in bedrijven
DATA OPPORTUNITEITEN
1) Hele grote hoeveelheden data
2) Verscheidenheid van hoeveelheid
3) Technological advances (--> gegevens benutten voor concurrentievoordeel)
a. Computer zijn krachtiger geworden
b. Netwerken om databases te koppelen
c. Algoritmes ontwikkeld die datasets met elkaar verbinden om bredere en diepere
analyses mogelijk te maken
Door enorme variëteit en hoeveelheid aan data kan je gaan samenbrengen en problemen oplossen
Ook telkens snellere processen, betere algoritmes, betere software
Daarnaast ook technologische vooruitgang: krachtigere computers, inzicht in algoritmes
Ook netwerken + telkens betere algoritmes om data beter te analyseren
Nu? Evolutie van big data 1.0 naar big data 2.0
Om onderscheid te kunnen maken tussen big data 1.0 en big data 2.0 zouden we kunnen kijken naar
Web 1.0 en Web 2.0
Eerst was er Web 1.0.
= de basistechnologieën van het internet
(meeste bedrijven zijn nog aan het nadenken op welke manier ze op het internet actief kunnen zijn)
Bedrijven hadden netpresents: maakten websites waarop producten werden aangeprezen
Volgende stap is introductie van e-commerce: producten kenbaar maken naar eindgebruikers (klanten) of
proberen producten verkoopbaar te maken via internet
Zou je kunnen vergelijken met Big data 1.0: vandaag de dag in staat om grote hoeveelheid data te
verwerken en efficiëntie te verbeteren
Big Data 1.0:
= verwijst naar de 1e fase van het verwerken van grote hoeveelheden gegevens
Begin jaren 2000
Organisaties begonnen grote hoeveelheden gegevens te verzamelen en op te slaan, maar de nadruk
lag vooral op het vastleggen en opslaan van gegevens (niet zozeer op het analyseren en benutten van
inzichten).
Daarna Web 2.0
= end user content = eindgebruikers kunnen info toevoegen aan websites (bv. sociale media, blogs…)
Midden jaren 2000
3
, Websites werden interactiever, met gebruikers die inhoud konden maken, delen en samenwerken.
Vergelijkingen met Big data 2.0: nadenken in welke mate data kan bijdragen aan de manier
waarop bedrijfsvoering wordt gedaan, nu in staat grote mate data verwerken, maar wat kan die data
doen in bedrijfsvoering?
Big Data 2.0 vertegenwoordigt een meer geavanceerde fase van het verwerken van grote gegevens, gekenmerkt
door vooruitgang in technologie en analysetechnieken. Deze fase draait niet alleen om het opslaan van grote
hoeveelheden gegevens, maar vooral over wat het kan doen voor ons?
Dus welke waardevolle inzichten om besluitvorming en innovatie kan het geven. Machine learning en
kunstmatige intelligentie spelen hierbij een belangrijke rol.
Voorbeeld:
Sommige bedrijven in het web 1.0 tijdperk begonnen zijn met het toepassen van web 2.0 ideeën
vervooruitlopend op de mainstream:
Amazon is een uitstekend voorbeeld, waarbij de stem van de consument al vroeg wordt meegenomen in de
beoordeling van producten en productreviews. Op dezelfde manier zien we dat sommige bedrijven al big data
2.0 toe- passen. Amazon is weer een bedrijf dat datagedreven aanbevelingen uit massale gegevens verstrekt.
WAAROM? COMPLIANCE TO REGULATIONS – NALEVING VAN DE VOORSCHRIFTEN
Volgende tak: compliance
Gaat over manier waarop bewezen kan worden dat bedrijven voldoen aan een bepaalde
regelgeving
- Basel II: banken moet kunnen bewijzen dat ze voldoen aan die richtlijnen Basel II, in staat zijn
risicomodellen uit te bouwen (kredieten, markt inschatten)
- Solvency II: verzekeringsmaatschappijen moeten kunnen duiden dat ze in staat zijn om de
policies dat ze dekken, dat ze die effectief kunnen uitbetalen -> analyse data kan hier ook rol in
spelen, analyse data kan bewijzen dat ze voldoen aan de richtlijnen van solvency
WAT ZIJN MOGELIJKE APPLICATIES?
Wat zijn meest voorhand liggende toepassingen van data science?
1STE TOEPASSING DATAMINING-TECHNIEKEN: MARKETING (meest tastbare)
- Targeted marketing: Google, FB die reclame stuurt…
- Online advertising (reclame voeren online, gericht ervoor zorgen dat bepaalde groepen die
reclame krijgen dus afbakenen van groepen)
- Aanbevelingen for cross selling: personen die product X gekocht hebben, waren ook
geïnteresseerd in product Y en Z -> op die manier kan je klant er ook van overtuigen om
andere producten die te koop zijn om andere website te gaan bekijken
2DE TOEPASSING: CUSTOMER RELATIONSHIP MANAGEMENT / KLANTENRELATIEBEHEER
Gebruikt om:
- Het gedrag van klanten te analyseren
- Het verloop (= churn) te beheren
- De verwachte waarde voor de klant te maximaliseren
Churnprediction: wanneer klanten op einde van contract komen en naar andere leverancier gaat, dus
voorspellen of hij verandert van operator op einde van het contract.
3de TOEPASSING: FINANCIELE SECTOR + OPERATIONELE MANAGEMENT
--> Financiële sector gebruikt datamining voor:
- Kredietscores
- Handel
4
