BUSINESS INTELLIGENCE
1.0 Introductie Business Intelligence
Waarom is data science belangrijk voor bedrijven? => niet
Wet van de massale digitale opslag
De hoeveelheid gegevens verdubbelt op jaarbasis. Het aantal dat we in 2020 opgeslagen hebben 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 iets mee doen. Voorbeeld:
machines met het eigen ERP-systeem, telefoongesprekken van klanten, IoT
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 beslissingen. Maslow zegt dus dat data de basis is en dat
die data aangewend kan worden om er 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
opgeslaan. Als er een bepaald probleem moet opgelost worden dan kunnen ze uit de data warehouse
informatie halen. Die data is zelden in een bruikbare vorm beschikbaar om direct het bedrijfsprobleem
op te lossen. Je zal 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.
Data Lakes vs Data Warehouses
Bij een data warehouse worden de gegevens verwerkt en georganiseerd in een enkel schema voordat ze
in het warehouse geplaatst worden. Da 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 ze nodig zijn.
,Data in bedrijven
Data Science gaat over de vraag of we een probleem kunnen oplossen. Data moet verzameld worden,
maar data is bijna nooit gratis beschikbaar dus bedrijven moeten investeren in data. Eenmaal je data
hebt moet je het gaan organiseren en analyseren en zo ontplooien zodat de data inzetbaar wordt voor
het bedrijf.
Data Value Trap
Wanneer je gaat nadenken wat de waarde van data in een bedrijf is, heb je 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 gaat gebeuren en wat je toekomstbeeld is. Dan heb je nog meer waarde
want je weet op voorhand wat er zal gebeuren. De laatste stap is hoe je ervoor kan zorgen dat het zal
gebeuren. Als je daarop kan antwoorden dan heb je de grootste waarde.
1.1 Data-Analytical Thinking
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 de 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.
,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 zou het
belangrijk kunnen zijn voor bedrijven om te bewijzen dat ze aan regelgeving kunnen
voldoen. Ten slotte zijn er enorm veel applicaties mogelijk die inzetbaar gemaakt kunnen
worden in bedrijven.
Data Opportunities
Er is een enorme hoeveelheid aan data. Er is een enorme variëteit aan data,
data kan komen uit veel verschillende bronnen, kan aanwezig zijn in interne
bedrijfssystemen of kan vergaard worden via applicaties zoals het internet of
andere. Daarnaast beschikken we over allerlei technologisch vooruitgang.
Dankzij deze technologisch vooruitgang is het feit dat computers altijd maar
krachtiger worden en dus altijd maar complexere berekeningen kunnen
uitvoeren. We beschikken over netwerken die een gigantische connectiviteit tot
stand brengen, zowel voor mensen of voor databanken. En we beschikken over
altijd betere algoritmes die ons in staat stellen om data op de juiste manier te
analyseren.
We maken een verschil tussen Big Data 1.0 en 2.0. Als we spreken over de grote hoeveelheden data dan
is het logisch dat we ook gaan nadenken over Big Data. Vandaag zitten we in Big Data 1.0, het zou
interessant zijn om te kunnen evolueren naar Big Data 2.0. Big Data 1.0 en Big Data 2.0 zijn twee
verschillende begrippen. We kunnen dit vergelijken met web 1.0 en web 2.0.
Web 1.0 zijn de basistechnologieën om het internet uit te bouwen. De meeste bedrijven zijn gaan
nadenken over een manier waarop ze op dat internet actief zouden kunnen zijn, we spreken over Net
Presence. Bedrijven maken websites voor hun producten. De volgende stap is de introductie van e-
commerce, zo kunnen ze hun producten bekendmaken en porberen verkoopbaar te maken via het
internet. Dit zouden we kunne vergelijken met Big Data 1.0. We zijn vandaag in staat om grote
hoeveelheden data te gaan verwerken en zo de efficiëntie te gaan verbeteren.
Web 2.0 is eigenlijk end user content. End user content betekent dat eindegebruikers informatie kunnen
toevoegen aan websites. Het klassieke voorbeeld is social media. Als je dit vergelijkt met Big Data 2.0
zouden we kunnen gaan nadenken in welke mate data zou kunnen bijdragen aan de manier waarop
bedrijfsvoering wordt gedaan. We zijn in staat om data te verwerken, maar wat kan die data doen voor
onze bedrijfsvoering?
, Compliance to regulations – naleving van de regels
Een manier waarop kan bewezen worden dat bedrijven kunnen voldoen aan bepaalde regelgeving. Er zijn
twee belangrijke regelgevingen in bepaalde takken die zijn opgelegd: Basel II & Solvency II
Basel II: banken moeten in staat zijn om risicomodellen op te stellen voor zowel krediet, als voor een
marktaandeel, als voor de operationele manier waarop de bank werkt. Om die risicomodellen op te
stellen zouden ze gebruik kunnen maken van analyse van de data die voor hen beschikbaar is
Solvency II: Dit is voor verzekeringsmaatschappijen. Zij moeten in staat zijn hun afgesloten polissen te
kunnen uitbetalen. Ze kunnen aan de het van data analyse bewijzen dat ze voldoen aan de solvency II
richtlijn.
1.0 Introductie Business Intelligence
Waarom is data science belangrijk voor bedrijven? => niet
Wet van de massale digitale opslag
De hoeveelheid gegevens verdubbelt op jaarbasis. Het aantal dat we in 2020 opgeslagen hebben 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 iets mee doen. Voorbeeld:
machines met het eigen ERP-systeem, telefoongesprekken van klanten, IoT
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 beslissingen. Maslow zegt dus dat data de basis is en dat
die data aangewend kan worden om er 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
opgeslaan. Als er een bepaald probleem moet opgelost worden dan kunnen ze uit de data warehouse
informatie halen. Die data is zelden in een bruikbare vorm beschikbaar om direct het bedrijfsprobleem
op te lossen. Je zal 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.
Data Lakes vs Data Warehouses
Bij een data warehouse worden de gegevens verwerkt en georganiseerd in een enkel schema voordat ze
in het warehouse geplaatst worden. Da 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 ze nodig zijn.
,Data in bedrijven
Data Science gaat over de vraag of we een probleem kunnen oplossen. Data moet verzameld worden,
maar data is bijna nooit gratis beschikbaar dus bedrijven moeten investeren in data. Eenmaal je data
hebt moet je het gaan organiseren en analyseren en zo ontplooien zodat de data inzetbaar wordt voor
het bedrijf.
Data Value Trap
Wanneer je gaat nadenken wat de waarde van data in een bedrijf is, heb je 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 gaat gebeuren en wat je toekomstbeeld is. Dan heb je nog meer waarde
want je weet op voorhand wat er zal gebeuren. De laatste stap is hoe je ervoor kan zorgen dat het zal
gebeuren. Als je daarop kan antwoorden dan heb je de grootste waarde.
1.1 Data-Analytical Thinking
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 de 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.
,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 zou het
belangrijk kunnen zijn voor bedrijven om te bewijzen dat ze aan regelgeving kunnen
voldoen. Ten slotte zijn er enorm veel applicaties mogelijk die inzetbaar gemaakt kunnen
worden in bedrijven.
Data Opportunities
Er is een enorme hoeveelheid aan data. Er is een enorme variëteit aan data,
data kan komen uit veel verschillende bronnen, kan aanwezig zijn in interne
bedrijfssystemen of kan vergaard worden via applicaties zoals het internet of
andere. Daarnaast beschikken we over allerlei technologisch vooruitgang.
Dankzij deze technologisch vooruitgang is het feit dat computers altijd maar
krachtiger worden en dus altijd maar complexere berekeningen kunnen
uitvoeren. We beschikken over netwerken die een gigantische connectiviteit tot
stand brengen, zowel voor mensen of voor databanken. En we beschikken over
altijd betere algoritmes die ons in staat stellen om data op de juiste manier te
analyseren.
We maken een verschil tussen Big Data 1.0 en 2.0. Als we spreken over de grote hoeveelheden data dan
is het logisch dat we ook gaan nadenken over Big Data. Vandaag zitten we in Big Data 1.0, het zou
interessant zijn om te kunnen evolueren naar Big Data 2.0. Big Data 1.0 en Big Data 2.0 zijn twee
verschillende begrippen. We kunnen dit vergelijken met web 1.0 en web 2.0.
Web 1.0 zijn de basistechnologieën om het internet uit te bouwen. De meeste bedrijven zijn gaan
nadenken over een manier waarop ze op dat internet actief zouden kunnen zijn, we spreken over Net
Presence. Bedrijven maken websites voor hun producten. De volgende stap is de introductie van e-
commerce, zo kunnen ze hun producten bekendmaken en porberen verkoopbaar te maken via het
internet. Dit zouden we kunne vergelijken met Big Data 1.0. We zijn vandaag in staat om grote
hoeveelheden data te gaan verwerken en zo de efficiëntie te gaan verbeteren.
Web 2.0 is eigenlijk end user content. End user content betekent dat eindegebruikers informatie kunnen
toevoegen aan websites. Het klassieke voorbeeld is social media. Als je dit vergelijkt met Big Data 2.0
zouden we kunnen gaan nadenken in welke mate data zou kunnen bijdragen aan de manier waarop
bedrijfsvoering wordt gedaan. We zijn in staat om data te verwerken, maar wat kan die data doen voor
onze bedrijfsvoering?
, Compliance to regulations – naleving van de regels
Een manier waarop kan bewezen worden dat bedrijven kunnen voldoen aan bepaalde regelgeving. Er zijn
twee belangrijke regelgevingen in bepaalde takken die zijn opgelegd: Basel II & Solvency II
Basel II: banken moeten in staat zijn om risicomodellen op te stellen voor zowel krediet, als voor een
marktaandeel, als voor de operationele manier waarop de bank werkt. Om die risicomodellen op te
stellen zouden ze gebruik kunnen maken van analyse van de data die voor hen beschikbaar is
Solvency II: Dit is voor verzekeringsmaatschappijen. Zij moeten in staat zijn hun afgesloten polissen te
kunnen uitbetalen. Ze kunnen aan de het van data analyse bewijzen dat ze voldoen aan de solvency II
richtlijn.
