Gastexpert: Democratiseren van analytics is noodzakelijk voor IoT-succes in het MKB

De toenemende populariteit van Internet of Things is begrijpelijk. Bedrijven zetten devices in elk zakelijk proces in en sinds sensoren veel betaalbaarder zijn geworden, zijn bedrijven beter in staat om deze in te zetten om data te verzamelen uit diverse bronnen; van menselijke interactie tot de performance van de machines. De analyses van deze data kunnen vervolgens weer leiden tot verbeteringen door de gehele organisatie heen.

De IoT-hype is op gang gekomen door de succesverhalen van een aantal early adopters als Tesla, Uber en Ford, die zelfrijdende auto’s bouwen die afhankelijk zijn van IoT. Maar je hoort zelden dat kleine of middelgrote bedrijven gebruik maken van alle beschikbare databronnen en deze inzetten om IoT-projecten aan te jagen.

MKB heeft achterstand op het gebied van data-analyse

Het lukt veel bedrijven niet om IoT goed in te zetten. Sommige bedrijven menen bijvoorbeeld een rapportage- en analysestrategie te hebben, maar hebben dan eigenlijk alleen maar een datavisualisatie tool zoals Tableau – of nog erger, hun strategie bestaat uit een soort van eenvoudige spreadsheet-rapportage. In deze gevallen zijn IoT-initiatieven al direct gedoemd om te mislukken.

Zelfs als bedrijven goede strategieën inzetten, ontbreekt het soms aan de juiste mensen – data scientists –om de processen goed te beheren. Data scientists spelen een belangrijke rol bij het opzetten van data- en analysestrategieën, omdat zij  de output kunnen interpreteren en valideren. Nieuwe tools en technologieën helpen bedrijven bij het verwerken van de data, maar de medewerkers zijn de denkers achter de schermen en zij zijn niet zomaar te vervangen.

De uitdaging voor het MKB wordt alleen maar ingewikkelder doordat ook het ontwikkelen en uitvoeren van een allesomvattende data- en analysestrategie een groot struikelblok is. De data moet op een juiste manier beheerd worden, van het verzamelen en beschikbaar maken tot het ordenen en voorbereiden. Vervolgens is het belangrijk om te bepalen welk analysemodel tot de beste voorspellingen leidt. Deze beslissing kan een data scientist het beste maken. Zodra bepaald is welk model ingezet gaat worden, is het zaak om uit te zoeken hoe de analyses het beste kunnen worden geoperationaliseerd en ingezet in het productieproces. Tot slot is het belangrijk dat het proces an sich altijd de beweging volgt van de veranderende bedrijfsomstandigheden. Al deze verschillende elementen van succesvolle IoT-implementaties kosten geld en resources. En dat is precies de reden waarom tot nu toe alleen de industriereuzen zich volop hebben gestort op de belofte die IoT heet.

De nieuwe benadering van IoT voor het MKB is cognitieve, zelflerende automatisering

Elk bedrijf moet rekening houden met zijn eigen, unieke uitdagingen bij het ontwerpen van een data- en analysestrategie die het maximale uit IoT kan halen. Maar bij MKB-bedrijven is het niet realistisch om een riant team van data scientists aan te nemen om dit in goede banen te leiden. Analytics-as-a-Service kan ondersteuning bieden voor afzonderlijke gevallen, zoals text-to-voice, maar het ‘outsourcen’ van het gehele proces van strategische beslissingen is vaak een no-go voor de meeste organisaties. Ook de komst van nieuwe tools waarmee data scientists effectiever kunnen werken, heeft niet veel invloed op de democratisering van analyses bij kleinere bedrijven.

Eigenlijk is er maar een mogelijkheid en dat is automatisering. Veel mensen denken dat dat exact is wat bestaande tools al lang doen, maar om echt stappen vooruit te maken moet het analyseproces zelflerend worden gemaakt. Het werkt niet om alleen de analyse-output van learning te voorzien. Deze nieuwe benadering past meta-learning principes toe op machine-learning. Tegelijkertijd worden learnings automatisch toegepast van een machine of entiteit naar andere machines of entiteiten.

Meta-learning minimaliseert de kosten van lopende machine-learning experimenten door learnings van eerdere machine-learning experimenten vast te leggen in het meta-data formulier. Vervolgens kunnen deze learnings worden ingezet in toekomstige experimenten. Dit is een belangrijke stap om de volgende redenen:

1. Het vergroot de accuraatheid van de analysemodellen, wat weer direct invloed heeft op de bedrijfsresultaten.
2. Het zorgt voort snellere resultaten, waardoor het bedrijf meer agile wordt. Analytics zijn alleen nuttig voor het bedrijf als ze relevant zijn op het moment dat ze opgehaald worden. Verbeterde agility ondersteunt bedrijven bij het juist en sneller anticiperen op informatie.
3. Er is een betere beheersing van de infrastructuur en dit houdt de kosten die nodig zijn voor machine-learning algoritmes beter onder controle. Dit is van groot belang, omdat het datavolume dat beschikbaar is voor bedrijven exponentieel groeit, net als de toename van IoT devices.

Veel bedrijven behalen niet het volledige rendement uit de IoT-belofte, vanwege de achterstand op het gebied van analyse en data skills. Maar nu de industrie de toegang tot cognitieve tools voor analytics laagdrempelig maakt, zijn meer bedrijven in staat om IoT winstgevend in te zetten. Deze nieuwe benadering automatiseert in wezen de levenscyclus van de data-wetenschap, waardoor er minder dure resources – die voor veel organisaties onbereikbaar zijn – nodig zijn.