Er zijn 3 voor de hand liggende V’s van Big Data:

  1. Volume = Toenemend data-volume bepaalt in meerdere bedrijfstakken nieuwe data-architectuur en data-oplossingen.
  2. Velocity = Hoge snelheid waarmee data in systemen terechtkomen.
  3. Variety = De veelheid aan data-types en data- formaten en de complexiteit ervan.

Maar is het niet kortzichtig om enkel volume, snelheid en variëteit als belangrijke data-uitdagingen te n(o)emen?

 

 

Vragen die klanten stellen over Big Data en Data Intelligentie

De vragen die ik van klanten hoor, gaan veel verder en dieper dan volume, snelheid, variëteit:

  • Hoe vinden we  de juiste databronnen?
  • Hoe bewaren we al die data (data-opslag)?
  • Hoe verwerken we die data?
  • Hoe bewaken we de data-kwaliteit?
  • Hoe zit het met het opschonen (data-cleaning) van de data?
  • Hoe zoeken we in die data?

Voor de V’s van Data Intelligentie kijk ik daarom verder dan de voor de hand liggende 3.

Voor een top 10 geef ik je er nog 6, maar meer dan waarschijnlijk zijn er nog honderden V’s van belang als we het over Big Data en Data Intelligentie hebben.

  1. Veracity = Hoe waarheidsgetrouw is uw data? Hoe gaat u om met veroudering van uw data? Hoe juist is de informatie die u haalt van social media of het internet?
  2. Validity = Wat is de kwaliteit van uw Big Data en het management ervan?
  3. Variability = De variabiliteit van de data: tijdreeksen, seizoensgebonden en elke andere vorm van niet-statisch gedrag in uw gegevensbronnen.
  4. Venue = Gedistribueerde, heterogene gegevens uit meerdere platforms, van verschillende systemen en van verschillende eigenaren met verschillende toegangsrechten en opmaakeisen, gegevens uit private en publieke cloud oplossingen.
  5. Vocabulary = Inhoudelijke en context-gebaseerde meta data, zoals schema’s, datamodellen, categorieën, classificaties ...
  6. Vagueness = Verwarring over de betekenis van big data.

Voor Big Data en Data Intelligentie staat de klant centraal, niet de technologie

Hoeveel V’s er nog mogen zijn, de allerbelangrijkste is:

  1. Value = Het aanduiden van de business value, ROI, en het potentieel van de data voor uw organisatie.

Pragmatische voorbeelden met Value

Een bedrijf in de onderhoudssector ontdekte dat 63% van haar klanten 3 tot 4 dagen na het reinigen van afzuigkappen de ongediertebestrijding bestelde. Sommigen echter bij de concurrentie. Nu staan de twee diensten in elke offerte samen aangeboden. En klanten gaan daar gretig op in.

Door het combineren van Google Trends, weerberichten en het vervoersmiddel van medewerkers konden we met 85% zekerheid afwezigen bij de klanten van een interimkantoor voorspellen. Het interimkantoor kon daardoor pro-actief hun klanten flexkrachten aanbieden.

Een bank ontdekte door het analyseren van hun logging dat kredietsimulaties vaak op dezelfde plaats werden afgebroken. Hierdoor konden zij de gebruikersinterface herontwikkelen. Bovendien installeerden zij een mechanisme om bij onderbroken simulaties hun klanten te contacteren.

Door het simuleren van routes uit offerteaanvragen slaagde een logistiek bedrijf er in om een strategisch plan op te stellen voor een betere inplanting van hun magazijnen en hubs om zo hun slaagkansen op het winnen van lastenboeken te verhogen.

Voor een job- en immosite zijn we erin geslaagd de kans op accurate resultaten te verhogen door het implementeren van een intelligente zoekfunctie, die gebruik maakt van open data om aan woordherkenning te doen.

Na de vele droomverhalen die ik hoor rond Big Data en Data Science pleit ik zelf dan ook eerder voor veel meer pragmatisme. En dat brengt me bij een ‘laatste’ V, de V van Voetjes op de grond.