1.1 DATA ANALYTICAL THINKING
INTRODUCTIE
De laatste jaren hebben bedrijven sterk geïnvesteerd in infrastructuur om data te
verzamelen en op te slaan. Hierdoor is bijna elk aspect van een organisatie
meetbaar geworden:
• Operaties en productie
• Supply chain
• Marketingcampagnes
• Klantgedrag
Daarnaast is er ook veel externe data beschikbaar, zoals:
• Markttrends
• Nieuws
• Activiteiten van concurrenten
Deze overvloed aan data heeft geleid tot de groei van data science: het vakgebied
dat zich richt op het halen van kennis en inzichten uit data.
WAAROM DATA-ANALYTICAL THINKING EN DATA SCIENCE?
1. DATA OPPORTUNITIES
EXPLOSIE VAN DATA
Bedrijven beschikken vandaag over enorme hoeveelheden data. Vroeger kon men
datasets nog handmatig analyseren, maar:
• De hoeveelheid data is te groot geworden
• De complexiteit is te hoog
TECHNOLOGISCHE VOORUITGANG
Tegelijkertijd zijn er belangrijke ontwikkelingen:
• Krachtigere computers
• Snellere netwerken
• Geavanceerde algoritmes
,Deze maken het mogelijk om:
• Grote datasets te combineren
• Diepere inzichten te verkrijgen
BIG DATA 1.0 → BIG DATA 2.0
BIG DATA 1.0
• Bedrijven bouwen infrastructuur om data te verwerken
• Focus op efficiëntie en ondersteuning van bestaande processen
Vergelijkbaar met web 1.0:
• Basis internettoepassingen
• Online aanwezigheid en e-commerce
BIG DATA 2.0
• Bedrijven gaan zich afvragen:
o Wat kan ik nu doen dat vroeger niet kon?
• Focus op innovatie en nieuwe toepassingen
Vergelijkbaar met web 2.0:
• Interactie en gebruikersparticipatie
• Sociale netwerken
• Invloed van consumenten
VOORBEELD
Bedrijven zoals Amazon:
• Gebruikten vroeg gebruikersreviews (web 2.0-denken)
• Gebruiken nu data voor aanbevelingssystemen (big data 2.0)
,2. COMPLIANCE TO REGULATIONS (NALEVING VAN REGELS)
Data-analyse is ook noodzakelijk om te voldoen aan regelgeving, vooral in de
financiële sector:
• Basel II
o Voor banken
o Risicomodellen voor krediet, markt en operationele risico’s
• Solvency II
o Voor verzekeringsmaatschappijen
o Focus op financiële stabiliteit en risicobeheer
Conclusie:
Data-analyse is niet alleen nuttig, maar soms verplicht.
3. MOGELIJKE TOEPASSINGEN
Data science en datamining hebben toepassingen in bijna alle domeinen:
MARKETING
• Targeted marketing
• Online advertenties
• Cross-selling aanbevelingen
CUSTOMER RELATIONSHIP MANAGEMENT (CRM)
• Analyse van klantgedrag
• Churn voorspellen
• Klantwaarde maximaliseren
FINANCIËLE SECTOR
• Kredietscoring
• Handel (trading)
• Fraudedetectie
OPERATIES
• Supply chain optimalisatie
• Personeelsbeheer
, RETAIL EN TECHNOLOGIE
Grote bedrijven zoals Walmart en Amazon gebruiken data in:
• Marketing
• Logistiek
• Voorraadbeheer
CORPORATE PERFORMANCE MANAGEMENT
• Meten en verbeteren van bedrijfsresultaten
EXTERNE DATA EN GLOBALISATIE
• Bedrijven gebruiken niet alleen interne data
• Data uit verschillende bronnen (markt, partners, externe datasets) wordt
gecombineerd
• Snelle analyse van deze data is cruciaal
SAMENVATTING
Data-analytical thinking is essentieel omdat:
• Er enorme hoeveelheden data beschikbaar zijn
• Technologie het mogelijk maakt om deze te analyseren
• Bedrijven concurrentievoordeel willen behalen
• Regelgeving data-analyse vereist
• Toepassingen in vrijwel elke sector bestaan
Data-analytical thinking helpt bedrijven om betere beslissingen te nemen op basis
van data, en vormt de kern van moderne bedrijfsvoering.
INTRODUCTIE
De laatste jaren hebben bedrijven sterk geïnvesteerd in infrastructuur om data te
verzamelen en op te slaan. Hierdoor is bijna elk aspect van een organisatie
meetbaar geworden:
• Operaties en productie
• Supply chain
• Marketingcampagnes
• Klantgedrag
Daarnaast is er ook veel externe data beschikbaar, zoals:
• Markttrends
• Nieuws
• Activiteiten van concurrenten
Deze overvloed aan data heeft geleid tot de groei van data science: het vakgebied
dat zich richt op het halen van kennis en inzichten uit data.
WAAROM DATA-ANALYTICAL THINKING EN DATA SCIENCE?
1. DATA OPPORTUNITIES
EXPLOSIE VAN DATA
Bedrijven beschikken vandaag over enorme hoeveelheden data. Vroeger kon men
datasets nog handmatig analyseren, maar:
• De hoeveelheid data is te groot geworden
• De complexiteit is te hoog
TECHNOLOGISCHE VOORUITGANG
Tegelijkertijd zijn er belangrijke ontwikkelingen:
• Krachtigere computers
• Snellere netwerken
• Geavanceerde algoritmes
,Deze maken het mogelijk om:
• Grote datasets te combineren
• Diepere inzichten te verkrijgen
BIG DATA 1.0 → BIG DATA 2.0
BIG DATA 1.0
• Bedrijven bouwen infrastructuur om data te verwerken
• Focus op efficiëntie en ondersteuning van bestaande processen
Vergelijkbaar met web 1.0:
• Basis internettoepassingen
• Online aanwezigheid en e-commerce
BIG DATA 2.0
• Bedrijven gaan zich afvragen:
o Wat kan ik nu doen dat vroeger niet kon?
• Focus op innovatie en nieuwe toepassingen
Vergelijkbaar met web 2.0:
• Interactie en gebruikersparticipatie
• Sociale netwerken
• Invloed van consumenten
VOORBEELD
Bedrijven zoals Amazon:
• Gebruikten vroeg gebruikersreviews (web 2.0-denken)
• Gebruiken nu data voor aanbevelingssystemen (big data 2.0)
,2. COMPLIANCE TO REGULATIONS (NALEVING VAN REGELS)
Data-analyse is ook noodzakelijk om te voldoen aan regelgeving, vooral in de
financiële sector:
• Basel II
o Voor banken
o Risicomodellen voor krediet, markt en operationele risico’s
• Solvency II
o Voor verzekeringsmaatschappijen
o Focus op financiële stabiliteit en risicobeheer
Conclusie:
Data-analyse is niet alleen nuttig, maar soms verplicht.
3. MOGELIJKE TOEPASSINGEN
Data science en datamining hebben toepassingen in bijna alle domeinen:
MARKETING
• Targeted marketing
• Online advertenties
• Cross-selling aanbevelingen
CUSTOMER RELATIONSHIP MANAGEMENT (CRM)
• Analyse van klantgedrag
• Churn voorspellen
• Klantwaarde maximaliseren
FINANCIËLE SECTOR
• Kredietscoring
• Handel (trading)
• Fraudedetectie
OPERATIES
• Supply chain optimalisatie
• Personeelsbeheer
, RETAIL EN TECHNOLOGIE
Grote bedrijven zoals Walmart en Amazon gebruiken data in:
• Marketing
• Logistiek
• Voorraadbeheer
CORPORATE PERFORMANCE MANAGEMENT
• Meten en verbeteren van bedrijfsresultaten
EXTERNE DATA EN GLOBALISATIE
• Bedrijven gebruiken niet alleen interne data
• Data uit verschillende bronnen (markt, partners, externe datasets) wordt
gecombineerd
• Snelle analyse van deze data is cruciaal
SAMENVATTING
Data-analytical thinking is essentieel omdat:
• Er enorme hoeveelheden data beschikbaar zijn
• Technologie het mogelijk maakt om deze te analyseren
• Bedrijven concurrentievoordeel willen behalen
• Regelgeving data-analyse vereist
• Toepassingen in vrijwel elke sector bestaan
Data-analytical thinking helpt bedrijven om betere beslissingen te nemen op basis
van data, en vormt de kern van moderne bedrijfsvoering.
