Verdien jij al geld met data?

model steven Steven Visser 21 februari 2018

“De helft van het geld dat ik aan reclame besteed, wordt verspild. Het probleem is, ik weet niet welke helft.” is een uitspraak van John Wanamaker (1838-1922), eigenaar van een succesvol Amerikaans warenhuis eind 19e eeuw. Als meneer Wanamaker vandaag de dag nog in leven zou zijn, dan hoefde hij hier niet meer over in te zitten. In het huidige big-data tijdperk is alles meetbaar en speelt data analyse een cruciale rol in het maken van strategische beslissingen. Veel bedrijven "willen ook wat met data doen" en proberen daarom zo veel mogelijk data te verzamelen. Maar is dit wel de juiste aanpak?

 

Als je dit zou vragen aan een willekeurig bedrijf, blijft het antwoord je vaak verschuldigd. Onderzoek van New Vantage Partners laat zien dat maar liefst 70% van de onderzochte bedrijven een data-driven bedrijfscultuur wil creëren, terwijl maar 28% vertelt dat dit daadwerkelijk lukt. Dit komt vooral doordat bedrijven vaak wel veel data verzamelen, maar vervolgens niet weten hoe ze hiermee om moeten gaan. Neem bijvoorbeeld Walmart, de Amerikaanse super retailer. Walmart verzamelt gigantisch veel data: Meer dan 2,5 petabyte (2.500.000 gigabyte) aan data per uur. Het opslaan van deze enorme hoeveelheid data is op zichzelf al een uitdaging. Wat vaak nog een grotere uitdaging blijkt te zijn, is het verkrijgen van inzichten uit deze gigantische hoeveelheden data - waar moet je beginnen?

 

Machine learning.

Binnen Snakeware krijgt data analyse veel aandacht. Wij doen research naar het toepassen van technieken die een oplossing bieden voor het omgaan met grote hoeveelheden data. Een geschikte en aan populariteit winnende techniek is machine learning. Machine learning stelt bedrijven in staat om ongestructureerde data als een schot hagel af te vuren op een machine learning tool, met als doel om een computer zelfstandig tot nieuwe of voorspellende inzichten te laten komen. Waar traditionele algoritmes vaak enorm veel rekencapaciteit vergen, of niet goed presteren met enorme datasets, zijn machine learning methodes vaak juist wel in staat hier mee om te gaan.

 

De opkomst van neural networks.

Een voorbeeld van een machine learning techniek die de laatste tijd erg veel aandacht heeft gekregen, is neural networks. Op basis van een dataset maakt een neural network een set van “neuronen” aan en verbindt die met elkaar. Vervolgens wordt er aan dit netwerk gevraagd om een probleem op te lossen, wat het steeds opnieuw probeert te doen en daarbij de neuronen versterkt die helpen bij het oplossen. Zo wordt dit netwerk steeds slimmer en beter in het oplossen van het probleem.

 

In de praktijk.

“Klinkt goed allemaal, maar zijn er ook praktische voorbeelden die voor mijn bedrijf aantrekkelijk zijn?” Jazeker. Neural networks worden bijvoorbeeld gebruikt om uit te zoeken wat het optimale moment is om een een e-mail naar een klant te sturen. Een computer zal dan zelf berekenen welke variabelen hiervoor belangrijk zijn en zal op basis hiervan advies kunnen geven. Bovendien wordt dit neural network steeds intelligenter naar mate er meer e-maildata beschikbaar komt en zal daardoor ook steeds beter advies kunnen geven. Een ander voorbeeld is cluster analyse, een andere variant van de machine learning familie. In het kort is cluster analyse een geautomatiseerde methode waarbij objecten in significant verschillende groepen worden geplaatst. Erg handig dus bij het inzichtelijk maken voor klantsegmenten of het identificeren van de meest winstgevende klanten.

 

Wat doet Snakeware?

Snakeware is volop bezig met research om op basis van beschikbare data activatie nog beter toe te kunnen passen. Daarbij is het zinvol om mogelijkheden te verkennen die machine learning jouw bedrijf kan bieden. Als het goed geïmplementeerd wordt, zal het helpen grote hoeveelheden complexe data op een zeer efficiënte manier te vertalen naar betere methoden voor activatie.