De toekomst van geavanceerde analyses – ondersteund en geautomatiseerd

Geavanceerde analyses hebben de afgelopen jaren een lange weg afgelegd sinds de hype rond big data is ontstaan. Sindsdien heeft een aanzienlijk aantal bedrijven een prototype van analyseoplossingen gemaakt en geprobeerd deze te operationaliseren. Naast datawetenschappers verkennen gebruikersgroepen zoals bedrijfsanalisten nu het potentieel van geavanceerde analyses. 

Processen om hoeveelheden gegevens te onderzoeken en analyses te operationaliseren, worden geconsolideerd en geavanceerde analysetools komen in toenemende mate tegemoet aan de behoeften van deze verschillende gebruikersgroepen en processen, en automatiseren zelfs gegevensanalyse.

Welke van deze onderwerpen blijven relevant? Welke ervaringen zijn relevant voor de toekomst? Welke technologieën zijn het meest veelbelovend? Is advanced analytics nog een belangrijk onderwerp voor de toekomst of neemt de hype af? 

Dit onderzoek onderzoekt de toekomstperspectieven voor de ontwikkeling van geavanceerde analyses in termen van de rol ervan voor bedrijven, relevante gebruikersgroepen, processen en technologieën. De respondenten kwamen van grote, middelgrote en kleine bedrijven over de hele wereld, met verschillende achtergronden wat betreft hun gebruik van geavanceerde analyses. 

We hopen dat dit artikel u enig inzicht geeft in de huidige staat van geavanceerde analyses en licht werpt op de toekomstige ontwikkeling ervan om uw zakelijke beslissingen te onderbouwen.

De acceptatie van geavanceerde analyses groeit gestaag, zware gebruikers vormen nog steeds een vroege meerderheid

Bedrijven die veel gebruikmaken van geavanceerde analyses vormen nog steeds een vroege meerderheid. 20 procent van onze enquêterespondenten gebruikt geavanceerde analyses in operationele scenario’s op verschillende afdelingen. Bedrijven kunnen daardoor nog steeds een concurrentievoordeel behalen door gebruik te maken van geavanceerde analytics in operationele processen. De belangrijkste belemmeringen voor het gebruik van analyses zijn een gebrek aan middelen zoals tijd en personeel, evenals kosten en een gebrek aan analytische geletterdheid.

Het implementeren van analytics vereist een mix van technologie, educatie, strategie en interne marketing van het onderwerp

De belangrijkste voorwaarden voor succesvol gebruik van geavanceerde analyses zijn het hebben van de juiste tool, het promoten van het onderwerp binnen het bedrijf, het trainen van zakelijke gebruikers in het analyseren van datasets en het hebben van een holistische datastrategie. Er is met name een grote kloof in het belang dat toonaangevende bedrijven en achterblijvers hechten aan investeringen in training en een holistische datastrategie.

Deze punten zijn niet cruciaal voor bedrijven die geavanceerde analyses selectief gebruiken, maar het gebruik ervan in het hele bedrijf werkt alleen als de gegevenstoegang en -beheer goed zijn en wanneer voldoende gebruikers over de relevante vaardigheden beschikken. Het verbeteren van gegevensbeheer en de vaardigheden van medewerkers met training zijn daarom topprioriteiten voor investeringen.

AutoML en augmented analytics ondersteunen experts, maar halen mensen niet uit de lus

Tweederde van onze respondenten is van mening dat geautomatiseerde machine learning (AutoML)-oplossingen een hoog niveau van ondersteuning kunnen bieden bij het voorbereiden van gegevens – de meest tijdrovende taak in geavanceerde analyseprojecten – en bij de selectie van geschikte modellen. Meer dan 80 procent ziet AutoML-oplossingen als een manier om bedrijfsanalisten en datawetenschappers efficiënter te maken.

Slechts enkelen denken dat deze oplossingen datawetenschappers zullen vervangen. Er is echter nog steeds vakkennis vereist om de oplossingen te gebruiken en de resultaten te interpreteren. Veel analytische taken vereisen menselijke tussenkomst, zoals probleemformulering, selectie van de juiste methode en foutmeting en interpretatie van resultaten.

Geavanceerde analyses zijn er om te blijven, maar de kennis van gegevensbeheer en analyse moet worden verbeterd

Bijna alle respondenten beschouwen geavanceerde analyse als een waardevolle aanvulling op hun bestaande analyselandschap en verwachten ook dat bedrijfsanalisten er in de toekomst gebruik van zullen maken. Datageletterdheid wordt door de meesten als een van de grootste belemmeringen hiervoor gezien. Geavanceerde analyses, vooral in operationele scenario’s, zijn vaak gericht op het automatiseren van processen. Vertrouwen krijgen in geautomatiseerde beslissingen om de gegevenskwaliteit te verbeteren , wordt als een groot probleem beschouwd.

Veel bedrijven ervaren al dataproblemen in hun business intelligence, dus ze zijn zich ervan bewust dat invoergegevens betrouwbaar en volledig moeten zijn. Het opleiden van bedrijfsanalisten en algoritmische transparantie zijn andere gebieden om het vertrouwen in geautomatiseerde besluitvorming aan te pakken.

BARC-aanbevelingen

Begin nu

Begin nu en maak deel uit van een vroege meerderheid die geavanceerde analyses in het hele bedrijf implementeert en operationaliseert. Om dat te laten gebeuren, moeten de menselijke hulpbronnen aanwezig zijn om tijd te besteden aan analyses voor het formuleren en testen van use-cases en het toegankelijk maken van gegevens. De voordelen zijn aanzienlijk en tastbaar voor degenen die de moeite nemen. Gebruikers melden voordelen met betrekking tot kostenbesparingen en verbeterde klantervaring.

Zorg voor de juiste mix

Overweeg om tools en onderwijs te combineren om geavanceerde analyses met succes te implementeren. Bedrijven profiteren van het opbouwen van bewustzijn over mogelijke use-cases en voordelen. Medewerkers moeten beschikken over basisvaardigheden op het gebied van gegevensvoorbereiding, visualisatie en interpretatie, evenals een gedeeld begrip van het potentieel van geavanceerde analyses in uw bedrijf.

Het opbouwen van human resources om analytische vaardigheden te verbeteren is de belangrijkste maatregel die bedrijven in een vroeg stadium kunnen nemen om succes te garanderen. Hoewel externe middelen helpen om projecten op te voeren, kan een algemeen gebruik alleen worden gerealiseerd met brede interne kennis. Intuïtieve en zakelijk gebruiksvriendelijke tools vergemakkelijken het werken met geavanceerde analytische methoden enorm. Inspanningen moeten gepaard gaan met een duidelijke en pragmatische strategie over hoe gegevens wel en niet binnen het bedrijf moeten worden gebruikt om beslissingen te informeren en te automatiseren.

Ondersteun uw datawetenschappers met AutoML

Gebruik geautomatiseerde machine learning om datawetenschappers efficiënter te maken, vooral bij datavoorbereiding, modeltraining en validatie. Maar verwacht niet dat software uw data science-team in de toekomst zal vervangen. Datawetenschap vereist nog steeds menselijke input, bijvoorbeeld om de use case te definiëren, de resultaten te evalueren, te beslissen of een prototype geoperationaliseerd moet worden en om oplossingen in de organisatie te integreren.

Geavanceerde analyses zullen in de toekomst verder aan populariteit winnen, maar alleen als de kennis van gegevens en analyse op peil blijft

Verwacht dat analytics in de toekomst voor verschillende functies in operationele processen zal worden gebruikt. Geavanceerde analyses zullen veel op gegevens gebaseerde beslissingen in toekomstige evenementen automatiseren, maar dit zal alleen gebeuren als mensen vertrouwen hebben gekregen in geautomatiseerde beslissingen. Om dit te laten gebeuren, is geletterdheid op het gebied van data en analyse een van de grootste hindernissen. Een ander belangrijk punt op deze reis is datamanagement. Algoritmen zijn net zo goed als de gegevens waarmee ze zijn getraind, dus gegevensbeheer en kwaliteit zijn essentieel om ervoor te zorgen dat algoritmen geldige resultaten opleveren.