Het gebruik van data staat in elke branche en organisatie hoog op de prioriteitenlijst. Iedereen wil datagedreven gaan werken. Maar in de praktijk betekent dat nog te vaak het ontsluiten van deze data in dashboards en rapporten.
Dashboards en rapporten worden in het algemeen door managers gebruikt om inzichten te verkrijgen in wat er gebeurd is en eventueel waarom het gebeurd is. En langzamerhand wagen deze managers zich aan voorspellingen.
Decline of the dashboard
De laatste inzichten rond de top tien trends op het gebied van data & analytics door Gartner laten een aantal opvallende dingen zien. Ik zoom in deze opinie verder in op een aantal van deze trends, maar met name op ‘decline of the dashboard’ omdat deze me na aan het hart ligt. Ik heb zelf een lange historie in systeem- en ketenintegratie, en bij alle oplossingen die we ontwikkeld en geïmplementeerd hebben, stond het kunnen monitoren van de integratiestromen hoog op de verlanglijst. Er moest altijd een tool komen om te kunnen monitoren. En altijd was dit in de vorm van een dashboard. Met fancy visuals. Beheerders en managers moesten altijd iets ’tastbaars’ hebben om te zien of de zaken nog goed draaien. Liefst ook op een groot scherm aan de muur bij de afdeling support. Telkens heb ik mij er tegen verzet, maar telkens was het een harde eis.
Waarom zou je hele dagen naar een dashboard turen, terwijl het 34 jaar geleden (het prille begin van mijn belevenissen in de it) ook al mogelijk was om management by exception te doen? Alleen als er iets aan de hand is, volgt er een melding, waarna je direct actie kunt ondernemen.
Hetzelfde hebben we zien gebeuren in data & analytics. Iedereen wil dashboards en rapporten. Om naar te kunnen staren. En mee te spelen (of je er achter te verbergen). En om vervolgens in een andere applicatie iets met (een waarschijnlijk afgeleide vorm van) deze data te gaan doen. Waarschijnlijk door het over te typen. Of het aan iemand anders door te geven, zodat hij of zij er iets mee kan gaan doen. Ongelofelijk.
Datagedreven acties
Waar het in data en analytics om gaat, is dat je in de juiste context en op het juiste moment de beschikking hebt over de meest relevante data. Zeker als het over het nemen van operationele en tactische beslissingen gaat. Natuurlijk heb je nog steeds wat aan dashboards om trends in het verleden en in de toekomst te kunnen analyseren, en om what-if scenario’s te doorgronden. Want dat is waar je je strategie op aanpast, zodat je minstens je voorgenomen doelstellingen kunt behalen.
Maar voor veruit de meeste mensen die bij organisaties werken gaat het dagelijks slim gebruiken van data over het presenteren ervan in de juiste context. Welke prijs kan ik hier het beste afgeven voor deze bulkvracht? Wat is de beste doelgroep om aan te spreken voor deze huurwoning die leeg komt te staan binnenkort? Welke skills moeten we op gaan werven? Dit soort informatie die je helpt om goeie operationele en tactische beslissingen te nemen, moet hapklaar worden aangereikt. Binnen de app waar je op dat moment mee aan het werk bent. Het scherm waar je op dat moment een prijs moet bepalen en ingeven. De tab in de erp-applicatie waarin je de verhuur van deze specifieke woning beheert. De hr-applicatie die je sociale-media-uitingen rond vacatures publiceert. Dit noemen we datagedreven momenten. Op basis waarvan je direct, in de juiste context actie kunt ondernemen. Datagedreven acties dus!
Operationaliseren van data
Om dit te bewerkstelligen, is het beheer van je dataplatform een must. De kwaliteit van data en de toegepaste algoritmes moet goed zijn en blijven. Zeker als er steeds meer op basis van machine learning-informatie – in app – op basis van automatische voorspellingen wordt aangeleverd. Waarmee het systeem zelfs kan voorschrijven welke actie je het best kunt ondernemen (prescriptive) om een bepaald doel te bereiken. Het bewaken van de kwaliteit van deze ai-modellen, het integreren van de benodigde brondata en het ontsluiten van contextgevoelige informatie via api’s richting de eindgebruikers-apps is niet eenvoudig. De meeste mensen die verantwoordelijk zijn voor het ontwikkelen van deze modellen hebben daar geen kaas van gegeten. Dat is een vak apart, samengevat door de term MLops.
Datagedreven actie kan niet zonder MLops. Maar voor een groot gedeelte zeker zonder dashboards en rapporten. De data – als het gaat om predictive of prescriptive, dus ‘slimme data’ – moet betrouwbaar op een presenteerblaadje worden aangereikt, zodat je het direct kunt gebruiken als dé informatie die je op dat moment nodig hebt.
Interessant begin, maar dan wordt direct weer oplossingen gezocht in de techniek.
Als je tot de ontdekking komt dat 34 jaar geleden er niets gebeurde met “management by exception’ en nu met de ondersteunende tool ook niet, waarom dan doormodderen met techniek als oplossing.
Zou het niet zo kunnen zijn dat er een reden is waarom leidinggevenden (ik noem ze hier bewust geen managers) het werkelijke probleem niet oplossen?
Beste Atilla, dat klopt zeker. Het datagedreven worden van een organisatie is niet alleen een technisch feestje, maar een verandering van mindset die ook begeleid moet worden. Dat begint bij de business en achter de vraag achter de vraag zien te komen. Maar in deze opinie heb me alleen op het technische stuk gefocust.
Dag Gijs,
Ik herken veel in wat je schrijft en ondanks dat we verschillende dingen doen zijn er zeker ook raakvlakken.
Een groot deel van mijn werkende leven heb ik applicaties gemaakt die data genereren. Keer op keer heb ik belanghebbende uit moeten leggen wat de kracht is van data, maar dat het ook moeite kost om waarde uit data te halen. Data voor functioneel inzicht is zelden zuiver en het wordt heel snel complex, voor iedere vraag een ander rapport en ieder rapport heeft weer een goede beschrijving nodig om de context aan te duiden. Een voorbeeld: Wij vragen na iedere digitaal leeronderdeel een waardering. Als over tijd de gemiddelde waardering stijgt of daalt heeft dat vaak een oorzaak of meerdere oorzaken. Het kan met de instroom van nieuwe studenten te maken hebben, of dat de content verouderd, of dat er revisies hebben plaatsgevonden of dat de aanverwante content verandert is, of het leerprogramma, enzovoort. Wat ik bedoel is dat er altijd een verhaal achter de data zit en dat iemand die de data goed kent, deze ook zou moeten delen voor de duiding.
De stelling datagedreven actie kan niet zonder MLops is natuurlijk zo gesteld om te prikkelen. Zeer veel van onze systemen produceren acties en zijn data gedreven, maar weinig daarvan gebruiken hiervoor machine learning. Uit mijn hoofd alleen de chatbot, de intrusion detection en de systeem monitoring. Maar zelfs daar komt veel inrichting van gewoon menselijk inzicht en tweaken, niet van het inrichten of aanpassen van het ML model of algoritme. Als je concrete voorbeelden hebt met links en leesvoer hou ik me daarvoor aanbevolen.
MLops; het omgaan met machine learning en voorspellende modellen op een “DevOps” achtige manier is niet voor iedereen weggelegd denk ik dan maar. Ik ben benieuwd wat de modus operandi van zo’n “afdeling” is. Dat lijkt me dan weer wel inspirerend!
DL/ML is een vorm van kunstmatige intelligentie waarbij algoritmen leren van de gegevens en aldus nauwkeuriger worden in het voorspellen van de resultaten zonder menselijke tussenkomst. Ik denk dat dit niet zonder techniek kan maar misschien weet Atilla iets dat ik niet weet. En ja, datagedreven acties kunnen zonder de tussenkomst van mensen gedaan worden en daarmee zonder de dashboards maar niet zonder logging omdat hierin uiteindelijk het leermoment zit. Door sensornetwerken kunnen we min of meer realtime bepaalde ontwikkelingen zien en horen om daarop te anticiperen met de kunstmatige intelligentie van DL/ML maar dat kan niet zonder platform. Vraag is welke want beeld-, spraak- en patroonherkenning is een complete andere workload dan gebruikelijk binnnen de kantoorautomatisering. Zo zijn deze workloads veelal I/O (ingest/data prep) en compute (training/answering) intensief terwijl het beheer van de frameworks, het configureren van de infrastructuur en het integreren van verschillende componenten veel tijd kost. MLops gaat dus om het tweaken en tunen van het platform op de meeste efficiënte wijze en energie efficiëntie van het platform lijkt mij één van de belangrijkste uitdagingen de komenden jaren omdat de inzet van GPU’s meer stroom en koeling vraagt dan er veelal beschikbaar is.
devops, secops, busops.
noem iets waar je op focust en zet er ops achter.
je mag ook leuke combinaties maken, met dev, ses, bus en inderdaad wrom niet ML want waar je niet op stuurt, dat gaat uiteindelijk mis.
all-ops-ers dus, alleen kunnen ze niet vinden. Gek he.
Teams sturen tegenwoordig zichzelf en machines ook.
Daarom kunnen de net nieuw geconfigureerde dashboards weg. Dashboard zijn om te sturen.
Dure specialisten die ze maakten, andere dure specialisten die ze weer verwijderen.
Sommigen hebben als excuus, je had ze nooit moeten krijgen maar had moeten managen op exception.
Maar exceptions oplossen was nooit populair, dashboards wel, lees ik dan weer.
Medewerkers kunnen ook weg, chatbot die “computer says no” meldt is voldoende.
Daarna automatisch mailtje met uitnodiging voor review, voor de klanterervaring.
De klant zo lang tergen dattie eigenlijk weg wil, maar zich realiseert dat de rest net zo belabberd is. Trouwe klanten belonen met 5% korting op voortzetting van hun oude dure abo en nieuwe klanten met een half jaar gratis. De dienst “meerdere ip adressen” van Ziggo opheffen om mij “nog beter van dienst” te kunnen zijn. Het is namelijk goedkoper om ze niet te hebben 😛 stond in de brief. Die eindigt met een telefoonnummer voor vragen. Dat was blijkbaar van de verkoopafdeling die me meedeelde dat meerdere vaste IP adressen nu bij het zeer dure abo “zakelijk PRO” hoorde. Eerst had ik alleen een zg “zakelijk” abo, blijkbaar iets anders dan professioneel.
Een beetje de kern : Zakelijk iets anders dan professioneel…
“Het veranderen van de mindset” lees ik steeds vaker in computable.
Van een vak uitoefenen waar je trots op bent naar de bullshit baan.
Maar back to business:
WAT NOOOUUUUUU WEEER ?
Ik zeg niks over balken en splinters maar vroeger had ik een loopbaan waarbij navigatie middels markante punten in het landschap ging en je aldus zigzaggend naar het doel ging met kompas richtpunten. Gyroscopische positiebepaling omzetten in kaarthoeken werd achterhaald door een digitale transformatie van een technologisch ontwikkeling zoals GPS/Glonass. Het eigenaarschap van bepaalde platformen dwong Europa tot het Galileo project om zodoende minder afhankelijk te zijn aangaande de plaatsbepaling omdat deze in steeds meer civiele processen een prominente rol gaat spelen. Van A naar Beter middels DL/ML gaat om een moderne datasyntese van machine-gegeneerde data vanuit sensornetwerken welke op een voor de mens meest logische manier gepresenteerd worden in een dashboad. En de beslissing om linksaf of rechtsaf te gaan om daarmee af te wijken (Management by Exception) van je gebruikelijke route kan ingegeven worden door dynamische factoren zoals wegwerkzaamheden of een ongeluk welke via een sensornetwerk gedetecteerd worden. De gebruiker consumeert trouwens niet alleen steeds vaker de resultaten van DL/ML middels (5G) smartphone maar is gelijkertijd ook een sensor in het netwerk. De machine-gegeneerde feedback wordt vaak vergeten maar vormt naar mijn opinie de basis voor de datagedreven oplossingen die niet om de zuurtegraad van een mening gaat. Ik denk dat je mindset niet veranderd als je ogen gesloten houdt voor de voortschrijdende ontwikkeling dat een digitale transformatie drijft op het goedkoper worden van allerlei technologische ontwikkelingen.
Datagedreven vlieg je naar de supermarkt omdat de aardappelen op zijn. Maar waarom zou je, als er s’avonds een oer-Hollandse pasta op het menu staat? Doelgedreven weet je dat je alle ingrediënten voor deze maaltijd allang in huis hebt.
De relevantie van data wordt steeds bepaald door de doelen die je nastreeft en deze doelen zijn niet af te leiden uit de context.
Datagedreven is letterlijk (als een kip zonder kop) achter de feiten aanhollen.
Datagedreven is complexiteitsverhogend; doelgedreven is complexiteitsverlagend (en past bovendien perfect bij SOA); dat is toch niet moeilijk om te onthouden? 🙂
Leuk Jack,
Abstractie is te complex voor de meeste mensen.
Doelgedreven is lastig, omdat je dan kleur moet bekennen.
Datagedreven werken klinkt bij mij ook zoiets als een onderwijzer kennisgedreven en een aannemer roept bouwmateriaalgedreven.
Natuurlijk zijn er middelen nodig om iets te realiseren. De vraag is wat ga je bouwen en waarom Welk achterliggend concrete probleem ga je oplossen? En ervaren er voldoende belanghebbenden dat zogenaamde probleem?
Jack,
De machine-gegeneerde data is nog heel wat anders dan jouw theoretische realiteit als ik kijk hoe doelgericht ik was door schuttersput te graven bij olifantenpaadjes, ook wel bekend als een hinderlaag. Irakezen lagen tijdens de tweede golfoorlog in hinderlagen langs de wegen naar Bagdad die niet door de Amerikanen gebruikt werden omdat ze met GPS een technologische voorsprong hadden. En het slagveld is ondertussen nogal veranderd door AR die niet alleen gevoed wordt door de ogen in de lucht van onbemande vliegtuigen waardoor zelfs de kleinste unit een beter beeld heeft van de situatie dan 20 jaar geleden een generaal.
Maak in je verbeelding de sprong van een ‘connected battlefield’ naar een Groningse supermarkt waar dus dezelfde techniek gebruikt wordt om proletarisch winkelen tegen te gaan. Geïnformeerde steekproef bij zelfscankassa op basis van de datagedreven beslissingsmodellen gaat om de patroonherkenningen die opmerkelijk veel overeenkomsten hebben met sommige militaire systemen. Oja, de ‘ogen in de lucht’ bij de supermarkt kunnen natuurlijk ook nog op vele andere manieren gebruikt worden als uit alle gevolgde routes blijkt dat sommige producten verplaatst moeten worden om een van de vele doelstelling van datagedreven beslissingen te noemen.
Verbeelding en doelen zijn nog weleens in tegenspraak als je kijkt naar de technologische mogelijkheden van alle sensoren. Digitale transformatie vindt niet alleen plaats op de gebruikelijk werkplek en een tot de verbeelding sprekend voorbeeld is Gymastic Judge System op basis van 3D camera’s die heel wat beter zijn dan het menselijk oog. Deze Human Centric AI is ontwikkeld omdat turnen een jurysport is waar veel maar ook steeds moeilijker te vinden gekwalificeerde vrijwilligers voor nodig zijn omdat het nog slechter betaalt dan de zorg. Bijkomende voordeel van datagedreven jury systeem is dat er middels AR veel informatie aan de toeschouwers kan geven die je anders gemist had en de sport attractiever maakt om te kijken waardoor je uiteindelijk meer reclameinkomsten kunt genereren.
https://www.zdnet.com/article/fujitsus-ai-to-help-judges-score-gymnastic-performances-at-world-championships
Atilla,
Gemiddelde onderwijzer is niet kennisgedreven maar resultaatgedreven aangaande een vastgelegde route want aan het einde van de route moet je voldoen aan een vastgestelde norm om je diploma te krijgen. Nieuwsgierigheid om buiten de lijntjes te gaan kleuren wordt eerder bestraft dan beloond.
@Oud lid
Je bedoelt toch het Amerikaanse leger, dat landen achter laat zonder concreet resultaat.
Het lukte de Amerikanen met GPS en AR en weet ik veel wat voor rommel nog steeds niet de Taliban en grote groepen in Irak en Syrië uit te schakelen. Het echte probleem was dat er democratie moest worden geëxporteerd en de vraag rijst of je met data dat probleem kan oplossen.