Marketeers kunnen er niet omheen: Big Data. Slim gebruik van beschikbare data levert verrassende inzichten op. Maar wat moet je met al deze data? En waar begin je? Deze vragen stonden centraal tijdens het Big Data Seminar dat Adformatie op dinsdag 10 oktober organiseerde in Bar Beton in Utrecht.
Philippe Baecke, associate professor Business Analytics en Big Data aan de Vlerick Business School startte het middag programma met een college over Big Data. Wat houdt dit begrip in? Op welke manieren passen organisaties Big Data toe en welke gradaties van gebruik zijn er te definiëren? En wat houden de begrippen datamining, Deep Learing, Network analysis en Artificial Intelligence in?
Omdat ons leven steeds verder digitaliseert, zijn er data in overvloed. Organisaties komen steeds meer te weten over hun publiek en klanten. Deze data kunnen gebruikt worden voor predictive models:modellen die op basis van eerdere data voorspellen hoe de toekomst eruit komt te zien. Dit model wordt gemaakt op basis van data uit het verleden. Door te kijken of er verbanden bestaan tussen bepaalde variabelen (bijvoorbeeld je leeftijd, of dat je al eerder een bepaald product hebt gekocht) wordt een model opgesteld waarmee toekomstig gedrag (of je bijv een bepaald product gaat kopen) voorspeld kan worden. Soms is het zo dat bepaalde variabelen zwaarder meetellen dan andere variabelen of een bepaalde relatie met elkaar hebben. Het achterhalen van de verbanden voor het vaststellen van dit model op basis van data uit het verleden wordt ook wel datamininggenoemd.
De volgende stap is het gebruik van big data. Hiermee worden grote hoeveelheden data bedoeld (Volume), die vaak ongestructureerd zijn (Variety) en op basis waarvan je snel of zelfs realtime beslissingen wilt nemen(Velocity). Als je terug gaat naar de predictieve analyse hierboven dan kun je concluderen dat er in dit model nog wel wat mist. Bijvoorbeeld het gedrag van mensen uit de omgeving. Mensen zijn kuddedieren, en kopiëren vaak het gedrag van anderen, en kunnen dus gemodelleerd worden.
Het in kaart brengen van relaties (vrienden, collega’s, familie) en of die mensen het product al gebruiken biedt waardevolle informatie voor je predictive model. Dit wordt gedaan via een Network Analysis. Maar je kunt ook tekst omzetten in data, door bijvoorbeeld gebruik te maken van een sentiment score. Het model dat je eerder bouwde met small data kan verrijkt worden door big data toe te voegen, waardoor je model een stuk beter wordt.
Philippe Baecke gaat nog een stukje verder. Organisaties die écht met big data naar de next level gaan proberen het menselijke aspect in het beslissingsproces te elimineren. Waarom zou je dat doen? In gevallen waarin de taak te simpel is, waardoor mensen verveeld raken. Of als een taak te complex is, waardoor mensen door de bomen het bos niet meer zien en niet snel beslissingen kunnen nemen. De combinatie van big data en deze predicitve statistics is Artifical Intelligence.
Maar je zou nog een stukje verder kunnen gaan, en dat is door te kijken of computers het menselijk brein kunnen repliceren, op basis van neurale netwerken. Om dit proces snel en goed te krijgen is vooral heel veel data nodig, zodat de computer de verbanden kan leren herkennen (Deep learning).
Maar als Big Data en de bijbehorende methodieke eenmaal praktijk zijn gaat er een wereld aan mogelijkheden open. Een app die je levensverwachting kan inschatten op basis van een selfie (Lapetus). Of een dienst die op basis van een foto de schade aan je auto vaststelt (Ageas). Of een winkel waarbij je niet in de rij hoeft te staan om af te rekenen. De camera’s en sensoren hebben namelijk precies door wat je meeneemt, waardoor je niet hoeft af te rekenen. Klinkt het futuristisch? Amazon is al ver met de ontwikkeling van deze winkel.
Datatechnologie biedt inderdaad eindeloze mogelijkheden, maar vergeet niet dat er ook nog mensen aan te pas komen om deze technologie goed toe te passen. Het is als organisatie daarom aan te raden om multidisciplinaire teams te vormen die aan datatoepassingen werken. Maar denk ook aan een cultuur waarbij al je werknemers open staan om met data te werken, de juiste tools en systemen beschikbaar zijn, en waarin de privacy van je gebruikers goed geregeld is, in lijn met de aankomende GDPR wetgeving. En verder is datascience een kwestie van veel uitproberen en veel falen. Acht van de tien modellen die gemaakt worden faalt, en de modellen die werken wil je snel inzetten. Het is dus een kwestie van “Fail Fast” en “Scale Fast”.