Investeren in big data betekent het verschil tussen aantrekken of afstoten van klanten, tussen winst of verlies. Veel retailers zien hun initiatieven op het vlak van data en analytics echter doodbloeden. Hoe creëer je daadwerkelijk waarde uit data en voorkom je een opheffingsuitverkoop? Vier tips.

Je investeert veel tijd en geld in big data, exact volgens de boodschap die retailgoeroes al enkele jaren verkondigen. Een team van data scientists ontwikkelt complexe datamodellen, die inderdaad interessante inzichten opleveren. Met kleine ‘proofs of value’ constateert u dat die inzichten daadwerkelijk ten gelde kunnen worden gemaakt. Toch gebeurt dat vervolgens niet. Wat is er aan de hand?

Tip 1: Pas de targets aan

Dat waardevolle inzichten niet in praktijk worden gebracht, heeft vaak te maken met de targets die uw medewerkers hebben meegekregen. Neem als voorbeeld het versturen van mailingen aan klanten. Op basis van bestaande data en klantprofielen kunnen we goed voorspellen hoe vaak en met welke boodschap elke klant moet worden gemaild. En stiekem weet elke marketeer donders goed dat niet elke klant op een dagelijkse email zit te wachten.

Toch trapt menigeen in de valkuil en stuurt telkens weer opnieuw een mailing uit naar het hele klantenbestand. Het resultaat: de interesse van een klant ebt snel weg en de boodschap komt niet langer aan. Waarom doen marketeers dat? Omdat ze louter en alleen worden afgerekend op de omzet die ze genereren, niet op de klanttevredenheid die ze realiseren. Dat nodigt uit om iedereen zo vaak mogelijk te mailen. Op korte termijn groeit met elk extra mailtje immers de kans op een verkoop.

Tip 2: Plaats de analisten in de business

Steeds weer zetten retailers het team van analisten bij elkaar in een kamer, soms zelfs als onderdeel

van de IT-afdeling. De afstand tot de mensen uit de business die de inzichten in praktijk moeten brengen, is groot. En te vaak blijkt die afstand onoverbrugbaar. Dat leidt tot misverstanden, onbegrepen analisten en waardevolle inzichten die onbenut blijven.

Beter is om de analisten samen met de mensen uit de business bij elkaar te zetten in multidisciplinaire teams, die werken met scrum-achtige technieken. Organisaties die succesvol zijn, beseffen dat ze continu in verandering moeten zijn en werken in dat soort teams. Dat betekent dat business managers in een vroegtijdig stadium worden betrokken bij de bouw van datamodellen, zodat analisten en de business van elkaar kunnen leren. Klantkennis zit immers in data én in mensen.

Tip 3: Neem een business analist in dienst

Data-analisten halen hun werkplezier vooral uit het maken van fraaie analyses en het opstellen van goede, misschien zelfs overontwikkelde datamodellen. Voor hun voldoening is het vaak niet eens nodig om de inzichten uit die modellen in praktijk te brengen. Veel analisten zijn daarom ook niet goed in het interpreteren van data en het vertalen daarvan naar de concrete impact op de retailer. 

Het kan verstandig zijn om daarom een business analist in te zetten. Dat is iemand die voldoende affiniteit heeft met analytics en enigszins snapt hoe datamodellen tot stand komen, maar ook weet wat de uitdagingen van de business managers zijn. Hij kan de kloof tussen analytics en business overbruggen door vragen uit de business te concretiseren en door inzichten uit datamodellen te vertalen naar kansen voor de retailer.

Tip 4: Analytics is een proces, geen project

Nog te veel retailers kijken naar alle inspanningen op het gebied van data en analytics alsof het een project met een kop en een staart betreft. Een project waarvan vooraf duidelijk moet zijn wat het gaat opleveren. Dat is vooral het geval bij retailorganisaties die worden geleid door managers uit de ‘oude generatie’ die onvoldoende gevoel en affiniteit met de nieuwe wereld hebben Het commitment van deze managers neemt snel af als investeringen in data en analytics niet snel genoeg resultaat opleveren.

Analytics is echter geen project, maar een proces waarin retailers met vallen en opstaan steeds handiger en slimmer worden. Een proces waarvan de uitkomst vooraf onduidelijk is, maar dat wel moet worden opgestart om vooruit te komen. Want alle ontwikkelingen in de retailmarkt maken één ding duidelijk: stilstand is achteruitgang.

Auteur: EY, Simon van Ulden, 5 oktober 2016

5G Technology and its possible business opportunities

With 4G technology dominating the wireless networks of the present, a successor is emerging in the form of 5G technology. 5G is expected to replace 4G technology and dominate the wireless networks of the future. This may feel far away, but this innovation may have major implications for business. Businesses who are prepared and ready to adapt to this new technology may have an advantage compared to its competitors. Let's take a better look at 5G technology and the knowledge we already have about it.

5G. What is it?

4G LTE is referred to as the gold standard of wireless technology, but only until the arrival of 5G networks – the latest generation of mobile internet connectivity which provides faster speeds and more reliable connections than ever before. The improved networks will act as a catalyst of both innovation and implementation of IoT technology, providing the necessary infrastructure to carry masses of data.

How big will it be?

5G networks are expected to launch across the world by 2020, but will require ongoing innovation and investment. Penetration and adoption is not expected until 2025-2030. It is estimated that 5G will boost real global GDP growth by $3 trillion dollars cumulatively between 2020 and 2035.

What are possible opportunities?

5G is more than just faster internet. It is a more consistent, efficient, and seamless way to open doors for many cross-sector and integrated technologies. These are some of the most exciting examples:

- Autonomous vehicles: 5G is expected to catapult the autonomous vehicle market into the mainstream. The potential for car-to-car communication through 5G technology means cars will be able to communicate with each other rather than react, making them safer and able to make immediate decisions.

- Smart cities: 5G will transform the development of smart cities. For example, capturing data through 5G will help enable smart energy grids to provide real-time diagnosis in the event of power outages, and smart parking management systems that run on 5G will inform drivers of open parking spaces in real time and therefore reduce traffic and emissions.

- Drones: 5G networks can be used to optimize drone operation and to integrate fleets of drones, enabling them to fight fires, deliver medical supplies and to provide other services in the case of an emergency.

- Healthcare: 5G networks have the power to revolutionise the healthcare industry by using wearables and biosensors to remotely track health data and provide real-time diagnoses. This can benefit healthcare providers by allowing patients to be monitored at home, as well as benefit employers who can monitor employee health in high-risk and remote environments such as mines.

Conclusion

As we accelerate towards wide-scale adoption of 5G technologies, businesses need to start planning now if they are to take full advantage. The infrastructure put in place will transform many new and existing sectors, and allow for Industry 4.0 to become a reality.

The ultra-fast speeds, ultra-low latency and increased connectivity means businesses will be able to use technologies such as IoT networks, artificial intelligence, automation and machine learning to gather and process masses of data from multiple sources anywhere in the world. This data can be used to maximise the efficiency of business operations and introduce new and innovative solutions to the market.

Source: B2B international

Cio's in de publieke sector hebben voor de investeringsagenda van 2018 cloudoplossingen, security en data-analyse bovenaan hun prioriteitenlijst staan. Ook business intelligence (bi) en datamanagement scoren hoog. Anders dan in andere sectoren zijn de cio's in de publieke sector nog nauwelijks bezig met kunstmatige intelligentie en IoT. 

Dat blijkt uit cijfers van analistenbureau Gartner. Daaraan deden 461 cio's mee van nationale, federale en lokale overheden, defensie en inlichtingendientsen uit 98 landen. De uitkomsten zijn onderdeel van de 2018 CIO Agenda Survey, onder bijna 3200 cio's.

De cio's binnen de publieke sector noemen: 'cloud solutions', 'cybersecurity' en 'analytics' als belangrijkste onderdelen van de ict-omgeving waarin in 2018 de meeste investeringen zullen plaatsvinden. Volgens de respondenten wordt de datacenterinfrastructuur het vaakst aangewezen als plek om kosten te besparen. Als belangrijkste prioriteit voor het verbeteren van de bedrijfsvoering wordt 'digital transformation' genoemd.

Gartner legt de uitkomsten van de cio's in de publieke sector ook naast die van de hoogste ict-verantwoordelijken in alle andere sectoren. Daaruit blijkt dat sommige uitkomsten sterk verschillen. Voorbeelden is: 'artificial intelligence' (ai), ofwel kunstmatige intelligentie. Dat onderdeel ei

ndigt in de algemene ranglijst binnen de top tien, maar onder de cio's van de publieke sector eindigt het op de negentiende plaats. Cio's binnen defensie en inlichtingendiensten vormen een uitzondering.

Ook internet of things (IoT) heeft nog nauwelijks prioriteit op de investeringsagenda van cio's in de publieke sector. Hoewel het in het gemiddelde van cio's uit verschillende sectoren eindigt in de top-tien, komt IoT op de prioriteitenlijst van de cio's in de publieke sector uit op een twaalfde plek. 

Smart city's

Alleen lokale overheden (gemeenten) vormen een uitzondering doordat die cio's soms smart city-projecten ontplooien. Dat geldt ook weer voor cio's bij defensie en inlichtingendiensten. Maar over het algemeen is het monitoren van datastromen afkomstig van sensoren nog niet ver doorgedrongen op de lijst van prioriteitenlijst voor ict-investeringen bij de overheid.

Binnen organisaties wordt veel aandacht besteedt aan kennisdeling. De gedachte is, dat door kennisdeling de concurrentiepositie van de organisatie wordt vergroot. Met de introductie van het kennisdelen op grote schaal lijken de communicatieproblemen toe te nemen. Communicatieproblemen zijn een grote bron van ergernis. Wat wordt er nu eigenlijk bedoelt met communicatieproblemen? Heeft de wijze van kennisdelen een aandeel in het toenemen van communicatieproblemen?

Kennis kun je niet 1 dimensionaal overdragen

Als je gaat verdiepen hoe kennisdelen werkt en hoe organisaties het uitvoeren zie je een discrepantie. Kennis is persoonsgebonden en kun je niet 1 dimensionaal overdragen. Informatie kun je daarentegen wel 1 dimensionaal overdragen. Wil je kennis overdragen dan dien je dat eerst te ontleden tot informatie. Die informatie moet dan wel aansluiten op iemands persoonlijke informatie, ervaring en vaardigheid wil die persoon de informatie kunnen transformeren tot kennis.

Een goed verstaander zet informatie om in kennis

Ga als proef eens naar een lezing waar je totaal niets van af weet. De kans is groot dat je weinig opsteekt omdat je de informatie niet kan verbinden met je persoonlijke informatie, ervaringen en vaardigheden. Vervolgens ga je naar een lezing met een onderwerp waar je wel veel van af weet. De kans is groot dat je er veel van opsteekt omdat je de informatie gemakkelijk verbindt met je persoonlijke informatie, ervaringen en vaardgheden. Het spreekwoord “Een goed verstaander heeft aan een half woord genoeg” is hier een voorbeeld van.

Kennis komt procesmatig tot stand

Kennis komt procesmatig tot stand. Een proces van feiten > gegevens > informatie > kennis > Wijsheid. Tussen de overgangen vindt er een transformatie plaats

Wijsheid is een staat van bewustzijn waar feiten direct kunnen worden geplaatst in een context. Data en informatie kun je eenvoudig delen en wordt dan ook veel gedaan binnen organisaties. Alleen is het dan nog geen kennis. Informatie wordt pas kennis zodra het verbonden wordt met iemands persoonlijk informatie, ervaring en vaardigheid. Wordt informatie gedeeld, die niet aansluit op iemands persoonlijke informatie, ervaring en vaardigheid dan kan er ook geen kennisdeling plaats vinden.

‘Meester-gezel Leerling’

Kennisdelen behelst meer dan wat er nu binnen organisaties wordt gedaan. Organisaties kunnen veel winst behalen met leren volgens het model ‘Meester-gezel Leerling’.

“Het model ‘Meester-gezel Leerling’ is gebaseerd op de methodiek dat de ‘leerling’ meeloopt met de ‘meester’ en zich gaandeweg door afkijken, oefenen, meelopen, overnemen de beroepshandelingen eigen maakt. De Leerling wordt Gezel en mag zich na vele jaren Meester noemen. Voorbeelden kennen we bij beroepen, zoals bv. vioolbouwer, klokkengieter of glasblazer waarbij het vak in de werkkring pas echt geleerd kan worden.” Bron

Kennisoverdracht druppelsgewijs

Door een langdurig samenwerking van de ‘Meester-Gezel Leerling’ wordt kennis met informatie als tussenstap druppelsgewijs overgedragen die aansluit op iemands ervaring, vaardigheid en houding. Voor de Meester is het belangrijk om zijn kennis op een dusdanig manier tot informatie te verwerken zodat de leerling die informatie kan omzetten in kennis. Dit vereist veel tijd en aandacht van beiden kanten. Door kennis over te dragen aan de leerling leert ook de Meester meer over zijn expertise.

Kortere dienstverbanden bemoeilijken kennisdelen

Als je dat vergelijkt met hedendaagse organisaties dan staan we daar ver vanaf. Medewerkers worden bestookt met gestandaardiseerde informatie die niet aansluit op hun persoonlijke informatie, ervaring en vaardigheid. De steeds kortere dienstverbanden, groei van flexwerkers zorgt dat het delen van kennis steeds moeizamer gaat. Het is nog maar de vraag of deze werkwijze stand zal houden.

Managers denken dat ze kennis overdragen terwijl ze dat niet doen

Managers hebben veel kennis van de inhoud maar weinig kennis van kennisoverdracht en samenwerking 

Het niet weten hoe je kennis over moet dragen zou geen probleem zijn als dat zou worden erkend. Managers denken dat ze kennis aan het overdragen terwijl ze dat niet doen. Die misvatting zorgt voor veel frustraties van zowel de manager als de medewerker.

Leerlingen komen van school af met een hoofd vol informatie maar geen kennis

Binnen het onderwijs vindt een vergelijkbaar proces plaatst. Daar wordt gedacht dat er aan kennisoverdracht wordt gewerkt terwijl ze aan informatieoverdracht doen. Schoolverlaters bezitten voornamelijk informatie wat nog niet is omgezet in kennis. Het is dan ook niet vreemd dat er een grote kloof is tussen wat organisaties nodig hebben en wat scholen leveren.

Van informatie- naar kennisoverdracht

De eerste stap die nodig is het erkennen dat er binnen organisaties geen kennisoverdracht plaatst vindt maar informatieoverdracht. Dat maakt de weg vrij om werkwijzen te introduceren zoals ‘Meester-Gezel Leerling’ die informatie omzet naar kennis. Waarschijnlijk zullen de steeds kortere dienstverbanden en de groei in flexwerkers worden afgeremd. Kennisoverdracht in specifieke branches verg nu eenmaal tijd en aandacht die je eenmaal verkregen niet zomaar weggooit.

Mensen zijn geen robots

Mensen zijn geen robots die je even snel programmeert met informatie. Mensen zijn unieke en creatieve wezens die pas tot hun recht komen als er veel tijd en aandacht besteed wordt aan het leerproces. Mensen verrijken daarbij de overgedragen kennis met hun eigen persoonlijke informatie, ervaringen en vaardigheden. Zo wordt de kennis verdiept en verbreedt. Een win win dus!

Auteur: Sybren van de Schaar

Bron: managementsite

Kerstcadeau bijna 100 euro

Market intelligence neemt een vlucht. Nu ondernemingen hun interne informatiehuishouding in toenemend mate in orde hebben

gaat de aandacht (opnieuw?) uit naar de informatievoorziening met betrekking tot de markt van ondernemingen. Opnieuw? Ja, opnieuw!

Als sinds de ’60er jaren staat het onderwerp midden in de belangstelling maar onder invloed van informatietechnologische ontwikkelingen werd het steeds naar de achtergrond gedrongen door aandacht voor de interne optimalisering van de informatiehuishouding. Executive informatiesystemen (een term uit de jaren ’80) leidde tot BI en BI tot DWH, ETL, Reporting en score carding. De toename van data op social media, het net en de mogelijkheden op het gebied van ongestructureerde data – data mining maar ook machine learning voedden nu opnieuw de aandacht voor toepassing van technologie bij het beter kennen van de bedrijfsomgeving. Het belang daarvan is dus niet veranderd maar de mogelijkheden nemen wel toe.

Drie jaar geleden werd Hammer, market intelligence opgericht met als doel bedrijven van market intel te voorzien met gebruikmaking van moderne data technologie. Egbert Philips (Director van het in Arnhem gevestigde Hammer); “Wat betreft management informatie zou er minstens zo veel aandacht moeten zijn voor het kennen en doorgronden van markt en bedrijfsomgeving als voor de interne prestaties. Dit zou niet afhankelijk moeten zijn van technologische mogelijkheden. De ontwikkeling van data science en big data technologieën maken het wel mogelijk market intelligence beter en efficiënter in te richten. Daar richten we ons met Hammer op. We willen een partner zijn voor bedrijven die hun markten structureel willen kennen en doorgronden. Informatie technologie blijft daarbij een middel maar wel een heel belangrijk middel.”

Hammer is weliswaar een jonge onderneming maar bepaald niet nieuw in het veld. De oprichters zijn reeds jarenlang actief in market intel en de toepassing daarvan in onder ander strategische planning vraagstukken. Hammer ondersteunt echter ook meer tactische beslissingen. Vraagstukken met betrekking tot pricing, sourcing/inkoop, het kiezen van distributiepartners, productontwikkeling en business development kunnen niet goed worden beantwoord zonder input van marktinformatie.

Eind november organiseert Hammer een klantevent. Wanneer u geïnteresseerd bent stuur dan een e-mail naar info@hammer-intel.com

http://www.hammer-intel.com

NLP: the booming technology for data-driven businesses

Becoming data-driven is the new mantra in business. The consensus is that the most value can be achieved by getting the data in the hands of decision makers. However, this is only true if data consumers know how to handle data. Getting managers to think like data scientists is one way to approach this challenge, another is to make data more approachable and more human. As such, it’s no surprise that natural language processing (NLP) is the talk of the data-driven town.

Emergence of a new type of language

  When considering the next generation of digital user interaction NLP might not be the first thing that comes to mind, it’s by no means a new concept or technology. As referenced on Wikipedia, NLP is a subfield of computer science, information engineering, andartificial intelligence (AI) concerned with the interactions between computers and human (natural) languages. In particular: how to program computers to process and analyze large amounts of natural language data.

Developments in the related disciplines of machine learning (ML) and AI are propelling the use of NLP forward. Industry leaders like Gartner have claimed conversational analytics as an emerging paradigm. This shift enables business professionals to explore their data, generate queries, and receive and act on insights using natural language. This can through be voice or text, through mobile devices, or through personal assistants for example.

Becoming fluent in NLP

When facing strategic obstacles that can hinder innovation and muddy the decision-making process, such as organizational silos, Deloitte found that businesses with leaders who embody the characteristics of the Industry 4.0 persona “the Data-Driven Decisive” are overcoming these roadblocks through a methodical, data-driven approach and are often bolder in their decisions.

In order to effectively apply data throughout an organization, companies need to provide employees with a base-level understanding of the importance and role of data within their business. Looking at the overwhelming demand to be met here, this challenge needs to be approached from both ends through education and tools.

Teaching employees how they can use data and which questions to ask will go some distance to establishing a group of data-capable individuals within the workforce. Giving them the effective media through which they can consume data exponentially increases the number of people that can manipulate, analyze, and visualize data in a way that allows them to make better decisions.

The aim is not to convert everyone into a data scientist. Data specialists will still be needed to do more forward-looking number crunching, and both groups might yield different solutions. Natural language processing as used in Tableau’s Ask Data solution mainly aims to lower the bar for all the non-data experts to use data to improve the results of their day-to-day jobs.

Deciphering ambiguity

Inference remains an area where things can get a bit complicated. NLP is good at interpreting language and spotting ambiguity in elements when there isn’t enough clarity in data sets.

A business user enters a search term in Ask Data and sees the answer being presented in the most insightful way. But pulling out the right elements from the right tables and variables, the actual SQL query under the hood, is hidden from the user’s view.

NLP is good at leaving no stone unturned when it comes to solving problems. But NLP alone is not the best interface when the user doesn’t know enough about what they’re looking for, can’t articulate a question, or would rather choose from a list of options. For example, a user might not know what the name of a particular product is, but if they click to view a menu with a list of products to filter through, they’ll be able to make an easier choice. This is where mixed-modality systems like Ask Data shine.

NLP is still not the most effective at resolving a query when there’s lots of room for interpretation—especially when it hasn’t seen the specific query before. For example, if a colleague were to ask to “email Frank,” then we as humans tend to know to look for the Franks we know professionally, not the Franks in our family or circle of friends. As humans, we have the advantage of tapping our memory to inform the context of a request based on who is making the request. NLP still has some catching up to do in this department.

Enabling a culture of data

For companies looking to start talking with their data, the most important first step is to enable a culture of data. It is also important to pay attention to the needs and wants of the people that are required to handle data.

As with a lot of other implementations, starting with a small team and then expanding tends to be a successful approach. By equipping your team with the tools needed to explore data and ask questions, the team will then get exposed to the new ways data can be accessed. It’s also vital to make them aware of the growing global community resource of data explorers that function as a sharing economy of tips and tricks.

Lastly, as functionality is still very much developing, providing insight to vendors to inform product updates and new capabilities is invaluable. Endless chatter will get you nowhere. Meaningful conversations, with data, are the ones that count.

Author: Ryan Atallah

Source: Tableau

Het bedrijf Oshkosh zal niet voor iedereen bekend in de oren klinken, maar het is een grote multinational die wereldwijde zware voertuigen produceert. Oshkosh bestaat uit verschillende business units die ieder hun eigen doelgroep kennen, zoals defensie, brandweer, industrie, media, sleepdiensten, betonindustrie en vliegvelden. Er zijn onder meer fabrieken in Frankrijk en Engeland. De jaarlijkse omzet telt zo'n 8 miljard euro.

Toen de Indiër Anupam Khare in april 2018 CIO werd van Oshkosh was hij al snel onder de indruk van het strategische planningsproces van het leiderschapsteam, en hij wilde IT hier graag een meer integraal onderdeel van maken.

Het OLT (Oshkosh Leadership Team) begint dit proces door de algemene visie en strategische doelstellingen van het bedrijf te herzien. Om de nieuwe visie en doelstellingen te realiseren, sluit het team aan bij belangrijke bedrijfsbrede strategische initiatieven. Strategische initiatieven bestaan o.a. uit het mogelijk maken van een people first culture, aftermarket groei en operational excellence.

Zodra de OLT de strategie en doelstellingen van de onderneming heeft herzien, ontwikkelen de leiders van elk van de vier segmenten van Oshkosh (Access, Commercial, Defense en Fire & Emergency) individuele strategische plannen die de algemene strategie van Oshkosh ondersteunen en integreren.

"Omdat elk bedrijfssegment zijn eigen strategie ontwikkelt om te integreren met de algemene Oshkosh-strategie, heb ik besloten om hetzelfde te doen voor IT", zegt Khare. "Ons doel is om IT te runnen als een business, dus IT moet dezelfde strategische planningsprocessen volgen als onze bedrijfssegmenten", aldus Khare.

Strategische IT-planning gekoppeld aan business planning

Khare heeft een IT Strategy Board gevormd, waarin ook zijn IT-leiderschapsteam een aandeel heeft. Samen bekeken zij de strategische doelstellingen van elk bedrijfssegment in een zoektocht naar gemeenschappelijke kansen waar IT de bedrijfsstrategie mogelijk zou kunnen maken of verbeteren en uiteindelijk significante bedrijfswaarde zou kunnen toevoegen.

De IT Strategy Board heeft deze gemeenschappelijke kansen omgezet in een algemene IT-strategie, met de volgefnde elementen:

• People first - Het verbeteren van de digitale fitheid van het bedrijf, met een specifieke focus op klantgerichtheid.
• Het runnen van IT als bedrijf, dat wil zeggen het leveren van kwaliteitsproducten en -diensten tegen marktprijzen.
• Moderniseren en innoveren van de huidige infrastructuur en het applicatieportfolio.
• Het leveren van geavanceerde mogelijkheden met een focus op analyse, digitale productie en kunstmatige intelligentie.
• Beveiliging en ontsluiting van informatie, een dubbele focus op informatiebeveiliging en gebruikerservaring.

Khare en zijn leiderschapsteam zijn vervolgens in gesprek gegaan met de OLT en de presidenten van de verschillende bedrijfssegmenten met de vraag: "Is deze strategie bevorderlijk voor de agenda van het bedrijf als geheel en voor uw business in het bijzonder?

het antwoord was bevestigend. Met de support voor hun IT-strategie, begonnen met de betrekking van de tweede lijn van IT-leiderschap. "We hebben een workshop georganiseerd om de strategie te herzien en aan te passen op een meer granulair niveau," zegt Khare. "Het proces stelde ons in staat om een buy-in te creëren met zowel onze business stakeholders als met het bredere IT-team''.

De implementatie van de IT-strategie

Nu de IT-strategie op meerdere niveaus en in verschillende teams is duidelijk was, was het tijd voor de uitvoering. Om de strategie aan de IT-organisatie te communiceren, gebruikte Khare een driemaandelijks plenaire sessie waar alle 450 IT-teamleden aanwezig waren en een samenwerkingsplatform waar IT'ers elkaar kunnen vragen naar specifieke cases, strategieën of projecten.

"We rollen de strategie trapsgewijs uit van de CEO naar elke IT-medewerker, ongeacht hun titel of functie," zegt Khare. "Ons doel is dat onze strategie geen PowerPoint is; het is echt.

Om de strategie echt te maken, integreert Khare deze strategieën nu in specifieke prestatiemanagement doelstellingen voor zijn team, dat alleen tijd en middelen zal investeren in projecten die deze doelstellingen bevorderen.

Om de digitale fitnessdoelstelling (#1 op bovenstaande lijst) te halen geven alle IT-leiders van Oshkosh digitale oriëntatiecursussen voor hun teams bijvoorbeeld. Voor het runnen van IT als bedrijf gebruikt elke leider nu een "business value dashboard" om een business-gerichte conversatie met hun stakeholders te faciliteren. Om te moderniseren en te innoveren, stimuleert het team initiatieven die variëren van software-gedefinieerde netwerken (SDN) tot ERP-upgrades. Voor geavanceerde mogelijkheden ontwikkelen ze een productoptimalisatiemodel en voor het beveiligen en mogelijk maken van informatie bouwt het team betere gebruikersinterfaces voor desktopbeveiligingstools.

Om ervoor te zorgen dat alle Oshkosh werknemers de verbinding tussen de Oshkosh ondernemingsstrategie en IT begrijpt, sprak Khare op het wereldwijde congres van het bedrijf. "Mijn rol is om drie dingen te communiceren," sprak Khare. "Hoe onze IT-transformatie jouw business zal helpen slagen, hoe we jouw leven gemakkelijker gaan maken en hoe IT geobsedeerd is door de behoeften van onze klanten, zowel binnen als buiten het bedrijf", aldus Khare.

De connectie tussen de bedrijfsstrategie en de IT-strategie

Om de link tussen de business als geheel en de IT-strategie te verstevigen, brengt Khare ook de leiderschapskenmerken van het directiecomité in zijn IT-leiderschapsteam in. Dit zijn:

• Nederigheid: "Onze CEO en senior leadership team worden gedreven door de waarde die ze creëren, niet door persoonlijke agenda's", zegt Khare. "Nederigheid is een van de eigenschappen die ik zoek in mijn IT-leiders. We spreken elkaar aan als we zien dat ego's in de weg zitten."
• Oprichtersmentaliteit: ''The founders mentality: how to overcome the predictable crises of growth, door Chris Zook en James Allen, aan al zijn IT-leiders. "We geven een gevoel van eigenaarschap en persoonlijke betrokkenheid bij het succes van onze bedrijven en vermijden de complexiteit en bureaucratie die ons kan afremmen," zegt hij.
• Klantenobsessie: "In IT hebben we onze focus verlegd van het voldoen aan onze SLA's naar het inleven in en het leveren van waarde aan onze zakelijke partners en onze klanten," zegt Khare. "Klantenobsessie speelt een belangrijke rol in de manier waarop we prioriteit geven aan investeringen", aldus Khare.

Tot slot deelt Khare het volgende advies voor alle CIO's die op zoek zijn naar een gepassioneerde, strategische en klantgerichte IT-organisatie:

"Breng niet je eigen team en strategie van je vorige bedrijf mee. Werk met business en IT leiders van bovenaf en van onderaf om een nieuwe aanpak en strategie te ontwikkelen. De strategie en cultuur van elk bedrijf zijn verschillend''.

"Betrek uw team zodat ze deelnemen aan de creatie van de strategie. Ontwikkel een strategie samen met uw mensen, leg de strategie niet aan hen op".

"Creëer een op waarde gebaseerd merk voor IT. In mijn team hebben we het nooit over SAP of Microsoft. We hebben het over de tevredenheid van onze klanten".

Auteur: Martha Heller

Bron: CIO

Artificial Intelligence (AI) can be a real value driver for organizations. As the power of algorithms, computing and amounts of data surge, companies within manufacturing and industry start to see an increasing amount of use cases. These systems could drive efficiency and enhance capability. But also automatize tasks, decrease costs and improve revenue.

Success and value generated by AI benefit from a good understanding and expectation of what the technology can deliver from the C-suite down. Organizations in general should also have a well-considered implementation process. This concludes IBM in the recently published white paper on AI. ‘Beyond the hype: A guide to understanding and successfully implementing artificial intelligence within your business’.

Putting AI into practice: specific tasks

AI is not about sentient robots and magic boxes. AI is a science and a set of computational technologies. These are inspired by the ways people use their nervous systems and their bodies to sense, learn, reason and take action. But typically operate quite differently. AI encompasses machine learning (machines that can learn from data – algorithms adjusting themselves) and deep learning (a combination of algorithms that are mutually linked).

Within AI data scientists extract knowledge and interpret data by using the right tools and statistical methods. The machines learn to recognize patterns in the data that it is fed to them. And map these patterns to future outcomes.

Implementations

Relevant AI use cases span various areas across virtually every industry. But there are three main macro domains that continue to drive the adoption as well as the most economies across businesses. Cognitive engagement involves how to deliver new ways for humans to engage with machines. Cognitive insights and knowledge addresses how to augment humans who are overwhelmed with information and knowledge. And cognitive automation relates to move from process automation to mimicking human intelligence, to facilitate complex and knowledge-intense business decisions.

Below are some examples of successful implementations within the industrial and manufacturing domain:

• Using the many different available sensor measurements from large truck engines, a neural network at a manufacturer is trained to recognize normal and abnormal engine behavior. The model is able to detect when specific measurements were out of the ordinary. Anomalous sensor readings are highly predictive of pending engine failures.
• At a car manufacturer through supervised learning techniques predictive models were developed that could provide an early warning of failure based on the different system messages and sensor readings that continuously stream from the production line. This early warning could be used to prioritize maintenance and reduce both downtime as well as false positives and needless efforts.
• The output of machine learning-based predictive models with prescriptive, mathematical optimization models was used at a utility company to prescribe the optimal mix of power production sources to meet predicted demand and to minimize costs. This required both the prediction of demand as well as prediction of available solar and wind energy capacity.
• To understand the business dynamics and create inventory of possibly relevant data sources a material producer used machine learning models to learn the price behavior and forecast future price development. The models also enabled buyers to evaluate their own ‘what if’ scenarios. This all came together for the user in an interactive dashboard.

There are three main steps to implement AI:

1. -Develop an AI strategy and roadmap
2. -Establish AI capabilities and skills
3. -Start small and scale quickly

In the previously mentioned white paper IBM provides some practical recommendations to avoid frequent pitfalls such as cultural or managerial resistance, bad or insufficient data, too high or low expectations, lack of capabilities et cetera.

Based on its experience and knowledge, IBM can help to successfully implement AI and guide organizations in the transformation to Industry 4.0. IBM enables companies to experiment with big ideas, acquire new expertise and build new enterprise-grade solutions for immediate market impact. It gives companies the speed of a start-up, at the scale and rigor of an enterprise.

Author: Marloes Roelands

Source: IBM

Hospitals and health systems continue to invest in data analytics, but (too) often a fragmented, decentralized approach to analytics delivery models results in excessive costs, inefficiency and missed opportunities to improve patient care.

A number of factors have coalesced in recent years to catalyze greater investment in healthcare analytics – the ongoing transition to new payment models under value-based care, a greater emphasis on the health of populations, and increasing competition. But also the explosion in available health data from electronic health records, laboratory test results, and wearable devices – to name a few.

The momentum isn’t expected to slow down any time soon. A recent report from Zion Market Research predicts the global healthcare analytics market to grow to $68 billion in 2024 from approximately $20 billion in 2017, a compound annual growth rate of more than 19 percent.

While there’s no question that providing organizations are busy writing checks to healthcare analytics vendors, there is some question about whether they’re getting an adequate bang for their bucks.

For example, a Deloitte survey of U.S. hospitals and health systems with greater than $500 million in revenues found that fewer than half of respondents said their organization had a clear, integrated data analytics strategy, while about one in four didn’t have a data governance model in placebat all. Even more problematic, about one in three reported that they didn’t know their organizations’ total analytics spend.

Multiple vendors, no single source of truth

A common cause of many of these issues is a decentralized approach to analytics in which data analysis happens in different business units that do not share assumptions, analytics methods or insights broadly. In contrast, under a centralized delivery model, an experienced team of data analysts report to one function at the enterprise level, even if they are assigned to serve different business units, based on strategic priorities set at the corporate level. This business-oriented team of analysts meets the need of organizational stakeholders while maintaining and developing in-house intelligence.

For a large part, a centralized analytics delivery model is important because it offers an improvement to the fragmented, incomplete data governance models that too many providers still use. For example, it’s not uncommon for large health systems to contract with multiple vendors to analyze population health risk for groups of patients with different conditions, such as diabetes and osteoarthritis among others.

This lack of a single source of truth in analytics can lead to different answers to the same question, such as conflicting guidance on levels of risk, and in turn, on the highest-priority patients to target for interventions. As a result of this fragmented and potentially conflicting information, when prioritizing care plans and interventions, the health system cannot build a consistent clinical profile with a 360-degree view of each patient that accounts for the same factors.

This results in health system decision makers being left wondering which vendors’ information they should believe.

Delivering analytics as a service across the organization

In addition to the fragmentation of data, there are a number of common barriers that prevent hospitals from efficiently and cost-effectively deploying analytics across their organizations, including territorial disputes over data, unclear roles and responsibilities and competition for already-scarce resources.

As with virtually all organizational transitions, success in centralizing analytics starts with buy-in at the top. Strong executive leadership must bring together talented people with deep experience in applying analytical expertise to solving pressing clinical and business issues.

A best practice is to place a senior-level executive in charge of analytics, potentially in a Chief Data Officer role, to lead the organization’s centralization initiative. A key function of this role is to establish effective and comprehensive data governance practices, clearly defining what type of data the organization will collect, how the data is structured, who can access it, and how it gets reported and presented to different people in the organization, among other steps.

Once the organization establishes a solid foundation for data, it will be ready to adopt a single analytics platform that delivers actionable information to decision makers. Today’s leading analytics platforms often employ machine-learning systems to automatically extract important insights that may not be otherwise apparent to human analysts.

Ultimately, the aim is the creation of one internal, centralized professional services group within the organization that delivers analytics as a service to other stakeholders in the hospital. By structuring a hospital’s analytics functions this way, the organization can eliminate the fragmentation and cacophony of multiple systems that offer conflicting insights and prevent leadership from understanding the organization’s full analytics spend.

Generalization in practice

Already, prominent health systems like University of Michigan Health System (UMHS) and Beth Israel Deaconess Medical Center (BIDMC) have taken the leap to centralized analytics delivery models. UMHS, for example, has created comprehensive registries for population health and used them to generate predictive analytics that focus predominantly on chronic diseases. BIDMC, through its centralized analytics governance model, provides layers of decision support and analytics for its physicians, with the goal of understanding variations in cost and care to maximize quality, safety, and efficiency.

In the future, the insights derived from centralized analytics delivery models are likely to help hospitals improve quality, lower costs, identify at-risk populations and better understand performance. For that to happen, however, hospitals and health systems must first overcome the fragmented, decentralized approach to analytics that prevents them from realizing the full value of their analytics investments.

Source: Insidebigdata

Imagine being able to communicate effortlessly with the devices around you. This means having your devices fully automated and connected by sharing data through the use of sensors. This will definitely improve the quality of life and make our day to day activities much easier. This will also make businesses more efficient and facilitate in driving new business models.

Well, there is no need to imagine as this is already a reality. These are the wonders of the innovation brought about by the Internet of Things (IoT), which simply refers to the network of devices, such as vehicles and home appliances, that contain electronics, software, sensors, actuators and connectivity that allows them to connect, interact and exchange data. The emergence of IoT brings about numerous benefits, but also poses a huge threat to security as it creates new opportunities for all the information it gathers to be compromised.

Cybersecurity is already at the top of the agenda for many industries, but the scale and scope of IoT deployments escalate security, making it harder than ever to protect businesses and consumers from cyber attacks. intelligent organizations already need to protect their data and information, but cybersecurity is growing more important than ever with the emergence of IoT devices. Although IoT developments have made life easier on so many levels, it has also brought about serious security implications, as the scale of connected devices greatly increases the overall complexity of cybersecurity, while the scope of the IoT which isn’t operating as an independent device but an ecosystem magnifies these challenges — any data breach can cause significant damage to a whole business database.

As HP found out, 70% of the Internet of Things devices are vulnerable to external attacks. With the technical vulnerability of most of these devices, it can only escalate these threats. Also, with its constant evolution and little attention to security, the potential for damaging cyber attacks can only tend to increase in the future. The implementation of IoT networks opens up the grid to malicious cyber attacks and any form of compromise in the network could lead to great data leakage.

8 IoT threats to cybersecurity in the future

8 IoT threats to cybersecurity in the future

1. Complexity

Variation of devices connected to a network is accompanied by risks worsening cybersecurity worries with its diverse and wide ecosystem.

2. Volume of Data

With IoT’s great need of data to work, it opens up nearly every part of our lives to the Internet, posing an important threat to the possibility of data manipulation. As a result, we must consider what this kind of access to the Internet means for your digital and personal security, as the availability of numerous access points leads directly to an increase in the risk of a breach or hack.Unified attacks can bring down a system or a network of data that is relied upon by millions. IoT is an incredible idea with the potential to change our lives dramatically but brings with it a flurry of concerns that will stretch your abilities and require you to be on your toes at all times.

3. Continuous Expansion

The IoT evolution doesn’t seem like slowing down anytime soon and, in fact, it continues to evolve and expand rapidly. This makes it difficult for cybersecurity to keep up with the pace.

4. Over-Dependence On the Cloud

With the cloud infrastructure, IoT has a heavy reliance on the cloud for safety, which makes cyber attacks to be targeted to the cloud. With this knowledge, it’s important to look for more ways to reduce those threats. More monitoring will be highly needed for cloud configuration, as well as logging. This monitoring can also be done with the use of external tools — These includes antivurus softwares and VPNs needed to be reviewed and compared carefully. These reviews and comparisons will enable you to choose the tool best suited for your device and needs, while the use of these tools will go a long way in securing your internet connections.

5. Privacy Issues

The issue of privacy is generated by the collection of personal data in addition to the lack of proper protection of the data.

6. Deficiency In Authentication

This area deals with ineffective mechanisms being in place to authenticate to the IoT user interface and/or poor authorization mechanisms whereby a user can gain a higher level of access than allowed with regard to their weak authentication mechanisms. For example, there is usually a large amount of data that is not sufficiently encrypted and these data are transmitted via wireless networks, many of which are public and lacking in security.

7. Insecurity

Over the past two years,AT&T’s Security Operations Center has logged a 458% increase in vulnerability scans of IoT devices. The risk with this is that the IoT device could be easier to attack, allowing unauthorized access to the device or its data. Most IoT manufacturers concentrate more on the efficiency of the device and less on the security, making devices vulnerable to cyberattacks. It is also difficutl to secure these devices after they become an end product, which only increases the challenges of cybersecurity.

8. Industrial IoT

According to Forcepoint, in 2019 attackers will break into industrial IoT devices by attacking the underlying cloud infrastructures. This target is more desirable for an attacker, as access to the underlying systems of these multi-tenanted, multi-customer environments represents a much bigger payday.<

What does the future hold?

Due to the aforementioned IoT-related weaknesses, which give cybercriminals more access to manipulate connected devices, it’s clear that IoT is painting a scary future for cybersecurity. However, it’s noteworthy that no system can ever be perfect. A continuous effort has to be put into work in order to provide more effective cybersecurity measures to ensure more safety in our day-to-day use of the IoT devices around us.

Author: Joseph Chuckwube

Source: SAP

Inventory management software can make a big difference in helping to decrease your inventory gap and boost your profit. Here's what to know:

You know better than anybody how many variables are in play during an average day in warehouse and inventory management. There’s low-turnover merchandise to look after, high-demand merchandise to re-order and equipment breakdowns to contend with. With global e-commerce raising the bar for efficiency and competitiveness, it just makes good business sense to look atinventory management software for supply chains. Here’s what you should know.

Why worry about inventory gap?

The primary advantage of reducing your inventory gap through smarter inventory management is cost savings. You’re probably not surprised — any gap or delay between inventory (supply) and the satisfaction of customer needs (demand) means lost profits. You also don’t want your warehouses or your vendors moving more product than they actually need. Inventory management dashboards can bring you better forecasting, a more visible and accurate approach to inventory counts and much more. Managing inventory more closely can reduce some of the more intolerable sources of inventory gap too, such as employee theft. When there’s a repeatable workflow for the handling of products and an accurate-in-real-time inventory management system to back it up, the attractive nuisance of having so much valuable merchandise close at hand starts looking a little less attractive. Then, think about the requirements of multichannel ecommerce sales. If your company offers customers and vendors a variety of platforms from which they can place orders or request service, you need a single order processor to keep everything straight. With modern-day warehouse management, you can easily automate your system. This can reduce ergonomic hazards employees face regularly among other safety risks. Invest in a system that can automatically receive and prioritize orders and check orders against existing inventory. New software can also plot likely sales forecasts to inform production decisions. Maybe the bottom line here is that inventory gaps and poor inventory management are types of liabilities. They make you liable for employee theft. They make you liable to re-order product that’s already sitting in your warehouse. They might even make you the weak link in an otherwise efficient, well-running, multi-discipline supply chain. Here’s a closer look at some of the advantages of bringing modern inventory management software into your operations.

Solve inventory problems proactively

If you’re tired of playing catch-up or scrambling for a course of action after something unexpected happens, you’re a prime candidate for inventory management software. And one of the most common events in warehousing is finding out you have more — or less — inventory than you thought. The best software for warehousing is one that builds a digital database of every incoming and outgoing SKU scan, in real-time. You’ve probably done one or two scheduled hand counts and paper-based inventories in your time. But thanks to QR codes, bar codes, RF scanners, RFID tags and other technologies, your database of available inventory can now be up to date, always, with every change in custody accounted for, from shipping to warehouse stowing to order picking and, eventually, packing and labeling for shipment again. You can still do random counts for peace of mind, but you’ll never again wonder what you have or where it is — or whether you’ll be able to meet incoming demand.

Better manage your available space

Devising more efficient and logical workflows is equal parts science and art. First-In-First-Out stowing of products and picking of customer orders is important for any number of reasons — including time-sensitive products and, let’s be honest, the accumulation of dust in product racks that comes from un-churned product. But making sure items are stowed with FIFO and size requirements in mind can help on both of these fronts and more. Just like your warehouse management software can provide real-time information about the materials coming and going from your facility, it can also give you a better understanding of your available storage and racking space. And it can help you arrive at better and more efficient solutions. For your stowing needs, management and pathfinding software can direct employees to the appropriate areas of the warehouse and automatically find bins of appropriate size and configuration for the incoming freight. The best systems can maximize chances to practice FIFO as well as cut down on mis-stows. What does this development mean for inventory gap? For a start, it means you’ll have a much lower chance of letting sensitive products spoil on your shelves because newer product was stacked on top or in front of it. Losing that many potential sales and having to scramble for new inventory can be devastating, and your bottom line might never recover if it happens at the wrong time of year or in the wrong season.

Balance anticipated sales with leaner manufacturing

Have you ever been in a situation where your sales teams were requesting extra inventory so that they would never miss a sale, only to be rebuffed by your supply chain managers, who had already been moving to leaner manufacturing principles? Finding the ideal middle-ground is something inventory management software can help you with. Your operation probably depends on manufacturers interfacing with procurement managers in warehouses and retail stores. If that’s the case, the importance of being as proactive as possible about ordering (or not ordering) new inventory becomes apparent. For example, you might have a product that turns over in your warehouses only once or twice a year. But if your sales teams bring about an unexpected, off-season demand for one of those products, you want software that can call upon the necessary parties in as timely a fashion as possible to meet demand. And more than that, you want enough data coming in that this intelligent, de-centralized system is able to produce reliable lead time estimates for everybody waiting downstream.

Final thoughts

Bringing a deliberate and, as appropriate, technologically advanced approach to managing inventory can be helpful in a variety of ways — but most of all in helping make sure there’s never too wide a gap between what you’re earning and what you have the ability (or the inventory) to earn.

Author: Megan Ray Nichols

Source: Smart Data Collective

The amount of data that created nowadays is incredible. The amount and importance of data is ever growing, and with that the need for analyzing and identifying patterns and trends in data becomes critical for businesses. Therefore, the need for big data analytics is higher than ever. That raises questions about the future of big data. ‘In which direction will the big data industry evolve?’ 'What are the dominant trends for big data in the future?' While there are several predictions doing the rounds, these are the top 10 big data predictions that will most likely dominate the (near) future of the big data industry:

1. An increased demand for data scientists

It is clear that with the growth of data, the demand for people capable of managing big data is also growing. Demand for data scientists, analysts and data management experts is on the rise. The gap between the demand and availability of people who are skilled in analyzing big data trends is big and keeps getting bigger. It is up to you to decide if you wish to hire offshore data scientists/data managersor hire an in-house team for your business.

2. Businesses will prefer algorithms over software

Businesses prefer purchasing existing algorithms over creating their own. It gives them more customization options compared to a situation where they buy software. Software cannot be modified as per user requirements, rather businesses have to adjust as per the software.

3. Businesses increase investments in big data

IDC analysts predict that the investment in big data and analytics will reach $187 billion in 2019. Even though the big data investment from one industry to the other will vary, spending as a whole will increase. It is predicted that the manufacturing industry will experience the highest investment in big data, followed by healthcare and the financial industry.

4. Data security and privacy will be a growing concern

Data security and privacy have been the biggest challenges in the big data and internet of things (IoT) industries. Since the volume of data started increasing exponentially, the privacy and security of data have become more complex and the need to maintain high-security standards is becoming extremely important. If there is something that will impede the growth of big data, it is data security and privacyconcerns.

5. Machine learning will be of more importance for big data

Machine learning will be of paramount importance regarding big data. One of the most important reasons why machine learning will be important for big data is that it can be of huge help in predictive analysis and addressing future challenges.

6. The rise of predictive analytics

Simply put, predictive analytics can predict the future more reliably with the help of big data analytics. It is a highly sophisticated and effective way to gather market and customer information to determine the next actions of both consumer and businesses. Analytics provide depth in the understanding of futuristic behaviour.

7. Chief Data Officers will have a more important role

As big data becomes important, the role of Chief Data Officers will increase. Chief Data Officers will be able to direct functional departments with the power of deeply analysed data and in-depth studies of trends.

8. Artificial Intelligence will become more accessible

Without going in detail about how Artificial Intelligence becomes significantly important for every industry, it is safe to say that big data is a major enabler of AI. Processing large amounts of data to derive trends for AI and machine learning is possible. With cloud-based data storage infrastructure, parallel processing of big data is possible. Big data will make AI more productive and more efficient.

9. A surge in IoT networks

Smart devices are dominating our lives like never before. There will be an increase in the use of IoT by businesses and that will only increase the amount of data that is being generated. In fact, the focus will be on introducing new devices that are capable of collecting and processing data as quickly as possible.

10. Chatbots will get smarter

Needless to say, chatbots come across a large part of daily online interaction. But chatbots are turning more and more intelligent and capable of personalized interactions. With the rise of AI, big data will enable tons of data to be processed and conversations can be analysed to draw a more streamlined strategy that is more customer-focused for chatbots to be smarter.

Is your business ready for the future of big data analytics? Keep the above predictions in mind when preparing your business for emerging technologies and think about how big data can play a role.

Source: Datafloq

Organisaties kunnen op tal van terreinen nog winnen aan intelligentie. Afhankelijk van de definitie van intelligentie (een intelligente organisatie is echt iets anders dan dingen gewoon  slim doen) kunnen we bijvoorbeeld ook veel intelligenter HRM bedrijven.

Zoals bij veel functionele disciplines al het geval is, komt nu ook bij HR het gebruik van informatietechnologie in de belangstelling te staan.

Rocket science? Gaat dit de discipline overbodig maken? Welnee. Zoals altijd gaat het om het nemen van goede of betere beslissingen. In dit geval ten aanzien van de ontwikkeling van het menselijk kapitaal in de onderneming. En de beste beslissingen worden nog altijd genomen met kennis van zaken. En kennis van zaken is op data en inzichten gebaseerd. En data is steeds meer beschikbaar. Nu ook ten aanzien van mensen en hun talent. Het gaat erom die data te gebruiken. Daarvoor moeten we de data alleen toegankelijk en toepasbaar maken. En dit is geen rocket science!

Toch raakt ook de HR manager (net als zijn collega uit andere disciplines overigens) van slag als de ‘ICT tovenaars’ met beloften van Big Data technologie aankomen. How come? Omdat we nog steeds denken dat de wetten van de functionele discipline overbodig worden als automatisering voorbij komt? Omdat we bang zijn te zeggen dat we die technologie niet snappen of er de relevantie niet van zien? Omdat we tegen de ICT-er niet durven te zeggen dat het leuk klinkt maar dat onduidelijk blijft wat de toegevoegde waarde is voor onze discipline (waar de ICT-er doorgaans niets van snapt)? Zijn dit mogelijke oorzaken? Of speelt er iets anders?

Het is hier in ieder geval oppassen geblazen. Big data en data mining leveren geen beslissingen maar nieuwe data en correlaties; mogelijke inzichten die tot kennis kunnen verworden als we statistisch en methodisch goed genoeg zijn onderlegd. Als bijvoorbeeld blijkt dat alle goede sales managers in Oktober zijn geboren betekent dit niet dat ‘geboren in Oktober’ een kwalificerende functie-eis moet zijn.. Om maar een potentiële valkuil te noemen. Wel kunnen in alle fasen van talent management (integrale proces van talent werving, selectie, training, ontwikkeling en promotie) met behulp van meer data en datatechnologie betere beslissingen worden genomen. Een data-infrastructuur die data genereert, analyseert en op maat  aanbiedt voor besluitvorming, kan dan veel toegevoegde waarde opleveren. Mits met kennis van zaken ingericht.

Technology can help HR fix the people thing by allowing them to do the ‘simple but difficult’ things better and on a broader scale.

It isn’t about doing ‘clever’ things. For example, technology should be used to help a people manager select the person 

they believe they need to do the job. It is not there to find a better person than the manager believes they want. 

How does this work? If a ‘clever’ selection process is so detached from the manager (who doesn’t know what he wants) that the ‘right recruit’ gets through the process, that person will have no chance of performing as the ‘clever HR person’ wants or expected them to. They will do what the manager tells them to do. These mismatched expectations can lead to attrition.

The real problem is that the people manager is wrong; they don’t want to recruit the person the strategy demands. In this world of ‘clever’ everything is disconnected but in the world of simple but difficult everything must connect and must integrate. ‘Simple HR’ may only be ‘roughly right’ but it’s much better than ‘clever HR’ that can be ‘precisely wrong.’

The new HR systems deliver insight and support to do the ‘simple business things’ (like selecting the right person)they will now demand. The business world wants insight and speed of change. Therefore the HR systems and the HR function must change; they must support the leaders to do the simple but difficult things needed to get the people thing right. Big data technologies, BI-tools and information processes are able to deliver value here in a very easy but simple way! It is to the HR person to grab this value.

Big Data is a big deal. We currently live in an age where information is everywhere, and data is exponentially growing at a rapid pace. This data has the potential to enable machine-assisted decision making, automation and business optimization, essentially setting the groundwork for digital transformation.

Yet 60% of global data and analytics decision makers say their company is sitting on 100 terabytes of data or more and are struggling to keep up with the overflowing amount of information. Studies have shown that 80% of the world’s data is unstructured, and remains locked within Enterprise Information Management (EIM) systems. Unstructured data encompasses information that is continuously produced by various sources from social media, IoT and smart devices, emails, voicemails, presentations, legal depositions, web pages, videos, and more.

Unstructured content, on its own, or paired with structured data, can be put to work to refine a business’s strategy. But a major challenge that enterprises are struggling with today is first, understanding the complexity and volume of data that their business generates and second, knowing what to do with it.

Unlocking the value of unstructured data

The unstructured data being generated every day inside and outside businesses holds targeted, specific intelligence that is unique and valuable, and can be used to find the keys to current and future business drivers. By ignoring Big Data, businesses are unable to derive actionable insights that can lead to tangible outcomes. But done correctly, intelligent corporations can turn this huge stash of dusty data into richer insights and make data-driven decisions, while reducing cost and staying ahead of the competition.

Data can be collected, fed into other applications, algorithms applied, information exchanged through deep learning and insights discovered to improve decision-making. For example, asset-intensive industries can put their data to work in the form of predictive maintenance and resource scheduling. Data can inform HR departments on hiring analysis to fill roles with the best candidates. Algorithms can be applied to help find ways to retain top talent based on measuring potential.

But for businesses to thrive in today’s dynamic digital landscape, they need the right tools to unlock data from every known channel, with access to insights that lies in the deepest depths of an enterprise. Advances in text analytics and machine learning are giving companies more power to cross-examine unstructured content, rather than leaving them to rely on intuition and gut instinct.

Practical AI: the right tools will bring positive outcomes

There’s no doubt that Artificial Intelligence (AI) is changing the world. And it’s changing the enterprise first – including some of the most paper-intensive industries such as healthcare, government and banking. Utilizing practical uses of AI, like text mining and AI-augmented capture, enables organizations to bring their data to life regardless of the source.

Text mining is a process that allows a machine to read unstructured textual data, which usually contains more valuable context and insights than its structured counterparts. With this technology, machines are able to learn to not only identify any mentions of people, places, things or events, but can also read written text and assign emotional tone to each of these mentions. Using the financial sector as an example, sophisticated analytics allows banks and financial organizations to spot and understand trends, like common product complaints or frequently asked questions.

AI-augmented capture takes text mining a step further by capturing and interpreting content locked in documents, be them in paper form, scanned in, or in your digital files. It then uses AI to tread and understand the content in documents, classifying them more effectively, so that they then can be automatically routed to the right people, with the right priority level and in compliance with the sensitivity of the information in the document. For example, government entities and large enterprises struggle to grapple with the pure volume of incoming information as part of critical operations, from onboarding, invoicing, claims, customer correspondence, and more. But these tools largely reduce the need for error-prone, time-consuming manual intervention for all processes.

Using the right tools can provide visibility into what customers are valuing at that moment and allows organizations to identify new product categories or business opportunities. By deploying these practical uses of AI and analytics, organizations will shift from being data-driven to insights-driven, which has become an absolute must for companies to keep up with competition in the modern day and age of the digital revolution.

Author: Zachary Jarvinen

Source: Dataversity