Als eerste moet ik meteen melden dat ik nog volledig in de euforie zit die men voelt na een succesvolle workshop. Zo'n gevoel van: "Wow, we gaan daar NU mee aan de slag... en we gaan dít en dát meteen opstarten". Vorige week had ik het uitzonderlijke genoegen om met een Business Analytics & Optimization workshop mee te doen. Business Analytics en Optimization (BAO, dus) wordt door onze CEO als één van de vier speerpunten gezien. En terecht. Deze versie van Mag IT iets méér zijn? gaat over dit onderwerp.
Op de keper beschouwd is er wel iets vreemds aan de hand met data. Data in pure vorm, zeg maar de nullen en enen, is meer dan voldoende aanwezig. Om je een idee te geven zweefde er in 2009 zo'n slordige 800.000 petabyte aan data rond. Peta is 'n 1 met 15 nullen, dus het was 800.000.000.000.000.000.000 byte. Dat groeit. Nogal hard, eigenlijk. Er zijn geluiden dat er over 10 jaar 35 Zettabyte aan data is. Zetta is een 1 met 21 nullen. Het International System of Units (SI), (het orgaan dat de officiële voorvoegsels zoals Kilo, Mega etc. bedenkt) heeft nog maar één stap boven Zetta gedefinieerd, dat is Yotta. Daar werkt men dus korstachtig aan de volgende namen van nieuwe voorvoegsels.
Terug naar de data. Daar is genoeg van. Toch maken beslissers in bedrijven en organisatie zeer slecht gebruik van data. IBM heeft onderzocht dat 1 van de 3 beslissingen in bedrijven worden genomen zonder data te raadplegen, en 50% heeft geen toegang tot de data. Hmm, terwijl de opslagsystemen binnen de IT afdelingen altijd te krap bemeten zijn.
De hele grap hiervan is natuurlijk dat data in de afgelopen decennia puur als bijproduct van de automatisering werd gezien. Inmiddels is er een ware stroom aan data beschikbaar die uit de vele miljoenen apparaatjes en devices stroomt. Die data is vluchtig, onvoorspelbaar ongestructureerd en nog veel meer wat de "traditionele" gestructureerde data niet was.
Toch is de nieuwe ongestructureerde data veel interessanter om (nagenoeg) real-time door te ploegen en om dan vervolgens zinnige zaken mee te doen. Tijd voor een voorbeeld.
Tijdens de workshop werd er nogal vaak gesproken over "customer churn" (het was een Amerikaanse workshop...). "Churn" betekent, in deze context, het weggaan van een klant bij bv. een telecom bedrijf. Als je de gegevens van een klant goed weet te interpreteren kan je voorspellen of er opgezegd gaat worden dmv. het aantal verbroken verbindingen in beeld te brengen. Als dat aantal boven een bepaalde hoeveelheid uitstijgt, zal de klantenservice gebeld worden, die allemaal goed bereikbaar zijn sinds Youp zich er tegenaan heeft bemoeid.
De gesprekken met de kantenservice kunnen worden opgenomen en middels spraakherkenning kunnen er patronen van woorden, en zelfs intonaties en stemmingen worden vastgelegd. Aan de hand van deze gegevens kan verdraaid goed worden uitgerekend hoe groot de kans is dat een klant zijn abonnement opzegt!
Maar het gaat zelfs nóg verder. Stel, je hebt de analyse uitgevoerd en een lijstje gemaakt van diegene waarbij het aannemelijk is dat ze binnenkort gaan opzeggen. Als je dan óók nog instaat bent te kijken welk van deze personen grote invloed hebben op hun omgeving, kan je een geoptimaliseerde actie plegen op de mogelijke deserteurs. Je kan een persoon in het snotje houden omdat hij al 4 keer met klachten naar de helpdesk heeft gebeld én dat hij de laatste twee maanden vele keren een slechte en uitvallende telefoonverbinding heeft gehad. In het proces wellicht een medewerker over de balie heeft getrokken. Het is voor een telecom bedrijf te billijken als die ene persoon weggaat onder het motto " Shit happens". Maar als die persoon buitengewoon actief is op Twitter, FaceBook, Hyves, LinkedIn, LotusLive en nog eens vele blogs heeft en columns schrijft, dan wordt het een ander verhaal. Met uitgekiende IBM software kan je ook die gegevens doorploegen en laten uitrekenen hoe groot de kans is dat behalve hij/zij aan zijn stutten trekt, ook nog eens 73,8 vrienden "Alt-F4" gaan. Tijd om een aanbieding te doen, want eenmaal weg zijn de kosten aanzienlijk groter om hem terug te krijgen.
Met de hele BAO gedachte wil IBM zeggen dat data in informatie, in kennis en uiteindelijk is wijsheid omgezet kan worden en daarmee een optimalisatieslag te kunnen maken. In bovengenoemd voorbeeld zou alleen die persoon maar een aanbieding gedaan hoeven te worden. Een zeer gerichte en dus goedkopere actie dan zomaar in het wilde weg mensen 20% korting te geven.
IBM heeft de laatste 5 jaar een groot gedeelte van zijn software acquisities gebaseerd op bedrijven in dit gebied, met als grote spelers Cognos en recentelijk SPSS. Maar er zijn er vele meer die in de kantlijn stonden maar wel degelijk met BAO te maken hadden.
Dat verklaard ook dat het hele Information Management van IBM BAO kan aanpakken: van wortel tot kruin. Het begint al bij een infrastructuur die rondom Informatie ontworpen is, dan hebben we de databases DB2 en Informix. Vervolgens zijn zaken als het opschonen van data (Master Data Management) en Enterprise Content Management nodig om betrouwbare gegevens te krijgen. Zwaartepunt ligt hierbij in het portfolio van IBM InfoSphere. Vervolgens kan je met Business Intelligence zaken beter begrijpen en met zware analyse software je organisatie optimaliseren. One stop shopping. En voor organisaties die dat eng vinden zijn alle stappen om tot BAO te komen ook los van elkaar te maken. Heeft een klant besloten om veel meer geld uit te geven voor een Oracle database, prima, er kan nog steeds gebruik gemaakt worden van andere BAO functionaliteit van IBM.
Ach, prachtig spul! Daar gaan we NU mee aan de slag!
