-

Hoe je datamanagement en analytics inricht voor AI

Het besef dat Artificial Intelligence (AI) ons leven definitief gaat veranderen wordt met de dag groter. Met name machine-learning is breed toepasbaar binnen bedrijven. Hoe start je daarmee?

Uit eigen onderzoek blijkt dat 88 procent van de directieleden AI vooralsnog als een trendy verschijnsel ziet. We merken dat het concept interessant wordt gevonden maar tegelijkertijd weten bedrijven niet precies hoe ze er waarde uit kunnen halen of beseffen ze onvoldoende dat je eerst je data op orde moet hebben voor je met AI (en dan met name machine-learning) aan de slag kunt. Je automatiseert feitelijk het trekken van conclusies en daar heb je voldoende datasets voor nodig. Naast het analyseren van wat er is gebeurd op basis van bijvoorbeeld historische data uit het CRM-systeem, kun je met behulp van AI vooral voorspellen wat er gaat gebeuren. En om het nog interessanter en krachtiger te maken: met AI kun je ook bepalen hoe je iets veroorzaakt of juist voorkomt.

Zo past een groot olie- en gasbedrijf bijvoorbeeld predictive analytics toe om te voorkomen dat de operatie stil komt te liggen op boorplatformen. Het is vaak heel complex om een machineonderdeel naar een boorplatform op een afgelegen locatie te krijgen en als het werk stilligt kost dat miljoenen. Om dit voor elkaar te krijgen zijn in dit geval de Electronic Submersible Pumps voorzien van sensoren die de meetdata leveren voor het voorspellende model dat hiervoor wordt gebruikt. Op basis van die data worden patronen herkend die erop duiden dat een onderdeel binnenkort aan vervanging toe is. Vervolgens kun je ervoor zorgen dat het alvast aanwezig is zodat de reparatie veel sneller kan worden uitgevoerd

Natuurlijk hoef je geen miljardenbedrijf te zijn om profijt te hebben van AI. Doordat het zo breed is, kan het worden ingezet voor allerlei doeleinden, van het optimaliseren van voorraadbeheer tot het efficiënter plannen van de logistiek, van gepersonaliseerde e-mailcampagnes tot het voorspellen van waar vogels zich bevinden op Schiphol om birdstrikes tegen te gaan. In de praktijk zien we twee redenen waarom bedrijven met AI aan de slag gaan. De eerste is vanuit de business: we hebben een vraag of probleem – hoe lossen we dat op? De tweede is datagedreven: we hebben al deze data beschikbaar, wat kunnen we daarmee? Ongeacht de drijfveer geldt dat je voordat je begint met AI vast moet stellen welke zakelijke waarde je eruit wilt halen. Oftewel: welke problemen moet het oplossen? Vervolgens kun je in zes stappen je data omzetten in een oplossing.

Stap 1: kijk wat je hebt

Wat voor soort data heb je al vastgelegd? Zijn het gestructureerde gegevens die afkomstig zijn uit het CRM-systeem, ERP of de klantenservicekanalen? Of zijn het ongestructureerde data die bijvoorbeeld afkomstig zijn van social media? Ga op zoek naar de bedrijfsprocessen die hoge kwaliteit data opleveren met het businessprobleem dat je wilt oplossen in je achterhoofd. Voeg tags of metadata toe om de belangrijkste informatie te categoriseren. Dit hoeft niet handmatig te gebeuren – AI kan ook een rol spelen bij het leggen van het grondwerk hiervoor, namelijk het ordenen van ongestructureerde data en gegevens uit manuele processen.

Stap 2: inzicht

Je hebt een inventaris gemaakt van de data die in potentie antwoord kunnen geven op je businessprobleem. Welke initiële inzichten kun je daaruit ontlenen? Deze vormen de hypothese die je gaat onderzoeken. Zorg er wel voor dat je reëel bent – je moet over de data kunnen beschikken die nodig zijn om de hypothese te meten. Voor een bedrijf dat cv-ketels installeert en repareert hebben we bijvoorbeeld een model gemaakt dat voorspelt hoeveel monteurs er per dag nodig zijn. De hypothese was dat een aantal verschillende factoren daarbij een rol spelen, zoals bijvoorbeeld het weer, de locatie van de melding en de tijd van het jaar. Machine-learning leverde in drie weken tijd een model op dat een strakke inschatting geeft van hoeveel mensen op een bepaalde dag nodig zijn.

Stap 3: focus

Je weet wat het businessprobleem is, welke data je nodig hebt om dat op te lossen en hoe je die data kunt gebruiken. Dit is het moment waarop je de weg kunt kwijtraken omdat je beschikt over veel meer datasets dan nodig zijn om je hypothese te testen. Maak een keuze en houd je daaraan. Ga niet gaandeweg nieuwe hypothesen bedenken of extra datacategorieën toevoegen. Dat maakt het onnodig complex om tot een model te komen. Machine-learning is nu eenmaal een kwestie van trial & error, je doet niets in één keer goed. Als een model uiteindelijk 80 procent accuraat is dan ben je al heel ver. Maar voordat dat het geval is heb je algauw een tiental verschillende varianten getest.

Stap 4: prototype en bewijs

In deze fase test je de hypothese. Stel vragen en train algoritmen om die te beantwoorden. Als je de kennis daarvoor niet in huis hebt, zoek dan een externe partij die hierbij kan helpen. Een verzekeraar die veel telefonisch contact heeft met klanten wilde bijvoorbeeld de beschikbare resources beter benutten. Onze hypothese was dat je met behulp van een sentimentanalyse kunt bepalen of iemand een low, medium of high potential is. Zo weet je hoeveel moeite je kunt steken in een bepaalde persoon, wat natuurlijk interessante informatie is voor salesmedewerkers. Het model werd ‘gevoed’ met de gespreksnotities en klantgegevens uit het CRM-systeem en kwam vervolgens tot een accurate beoordeling van hoeveel waarde de bellende klant heeft voor de verzekeraar. Die kan daardoor de beschikbare callcentercapaciteit veel effectiever inzetten.

Stap 5: organiseren en ontwerpen

De hypothese is bewezen en het prototype voegt waarde toe. Nu komt het erop aan de data-inzichten zo te organiseren en ontwerpen dat ze geïntegreerd worden in de dagelijkse gang van zaken bij je bedrijf. Zo hebben we de data waarover een hypotheekverstrekker beschikt gebruikt om het aanvraagproces te versnellen door geautomatiseerd de kredietwaardigheid van de klant te beoordelen. AI doet de eerste checks, waarna een medewerker de aanvraag afhandelt, zodat het hele traject in twee dagen kan worden doorlopen, terwijl dat vroeger twee weken was. In dit geval werden de data-inzichten operationeel gemaakt door het aanpassen van het proces en de medewerkers daarin te trainen.

Stap 6: creëer waarde en herhaal

De data zijn aan het werk gezet voor je bedrijf. In deze fase meet je het effect en verzamel je steeds meer data, zodat je kunt gaan optimaliseren of nieuwe problemen kunt aanpakken. Dit is een cyclus die nooit stopt – niet alleen krijg je steeds meer inzichten, de markt verandert ook continu. Door continu te kijken welke data je hebt en wat je daarmee kunt doen, kun je snel op die veranderingen inspelen. Dat is de kracht van AI.

Dit artikel is tot stand gekomen in samenwerking met Patrick Boom, Intelligent Automation Lead bij Avanade.

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond