Business en IT op één lijn krijgen is de kunst

Cegeka
Partner Content

Partner Content verbindt organisaties met de lezers van en doet een beroep op de specialisten van Roularta Brand Studio voor tekst en illustraties. De inhoud wordt eventueel aangebracht door de partner en valt buiten de verantwoordelijkheid van de redactie.

28 oktober 2020, 14:53 Bijgewerkt op: 17 augustus 2022, 07:31

Met machine learning (ML) kan je zoveel meer dan louter automatiseren. Zo kan je er ook bedrijfs- en beslissingsprocessen mee ondersteunen en optimaliseren. Dat is de vaste overtuiging van Jan Kesters, Data Intelligence Sales and Solution Manager bij Cegeka.

“Vandaag genereren we meer data dan ooit. Camera’s en sensoren digitaliseren alles. Daarom raden wij onze klanten aan om in hun datastrategie en -platform te investeren om hun business en IT op één lijn te krijgen. Die aanpak is de beste garantie op succes bij machine learning.”

Ter illustratie geeft Jan Kesters er meteen een voorbeeld bij uit de eigen beroepspraktijk: “Binnen de retailsector combineren we klanten- en verkoopdata en gebruiken wij machine learning vandaag al om aan te geven welke de klanten zijn met de hoogste kans om een product aan te kopen of te vernieuwen. Zo helpen wij retailers om hun marketing- en verkooppijlen op de juiste klanten te richten en de duurtijd tot aankoop te verminderen”

Jan Kesters, Data Intelligence Sales and Solution Manager bij Cegeka
Jan Kesters, Data Intelligence Sales and Solution Manager bij Cegeka

Leren om te voorspellen

Maar waarover hebben we het precies? Over systemen voor artificiële intelligentie (AI) die, zoals de term zelf al aangeeft, ook een zeker leervermogen bezitten. “Ze maken gebruik van algoritmes om data te verwerken en van die data te leren”, legt Jan Kesters uit. “En door dat leerproces, dat door de tijd heen verbetert, kunnen ze ook voorspellingen doen. Denk aan het voorspellen van het weer of het proactief detecteren van een mogelijk kwaliteitsprobleem in een productieproces.”

Bepalend voor het succes van machine learning zijn de hoeveelheid data en de kwaliteit van die data. “Die maken dat de kwaliteit van je algoritmes effectief verbetert. Vandaar ook het belang om steeds nieuwe databronnen toe te voegen die relevant kunnen zijn. Hoe meer relevante data, des te accurater de voorspellingen”, verduidelijkt Jan Kesters.

Investeer in je datastrategie en -platform om business en IT op één lijn te krijgen. Dat is de beste garantie op succes bij machine learning.

Proof of value

Bepalend voor het succes van machine learning is ook dat je een goede datastrategie weet te ontwikkelen. En dat je de juiste knowhow in huis hebt om alle nodige data te verzamelen en te beheren. Dat betekent dat je een modern dataplatform nodig hebt ter ondersteuning van je datastrategie. “Al blijft mijn belangrijkste advies toch: zorg ervoor dat business en IT op één lijn zitten. En dat je voor beide partijen ook concrete, meetbare succescriteria vooropstelt. Investeer met andere woorden niet in machine learning louter en alleen om aan machine learning te doen.”

Om de succescriteria van een ML-project te bepalen en het succes ervan achteraf ook effectief te kunnen meten, ontwikkelde Cegeka een eigen methode waarbij het gebruikmaakt van een ‘AI Value Canvas’. “Met het oog op de ontwikkeling van zo’n AI Value Canvas brengen we de business- en de IT-mensen samen in een gedeelde workshop”, verklaart Jan Kesters. “Daaruit komt in eerste instantie een beschrijving van de succescriteria en de eindresultaten die zij samen zullen nastreven: een ‘proof of value’, zeg maar, waarmee ze de meetbare ‘return on investment’ van het project concreet in kaart brengen. Tegelijk bepalen ze welke technologie ze daarvoor gaan inzetten en de ICT-vereisten van het project. Dat kan het ontsluiten en beschikbaar stellen van data zijn, maar evengoed het implementeren of aanpassen van een applicatie.”

Betere beslissingen

Met zijn AI Value Canvas wil Cegeka voorkomen dat een project totaal de mist ingaat. “Al kan een project dat ogenschijnlijk mislukt, paradoxaal genoeg toch een zeker succes opleveren,” weet Jan Kesters uit ervaring. “Doordat het bijvoorbeeld onverwacht een probleem met de kwaliteit van de data blootlegt. Naast een bewustwording introduceert dat heel vaak ook een nieuwe dynamiek binnen een bedrijf. Die uit zich dan bijvoorbeeld in het bijplaatsen van een sensor of het aankopen van nieuwe data. Wat op zijn beurt weer tot betere resultaten van de machine learning kan leiden, en zo uiteindelijk ook tot betere beslissingen.”