Data-gedreven transformatie
Zet data, AI en ML in om uw organisatie toekomstbestendig te maken
​
Hoe kan AI waarde voor bedrijven realiseren?
Hoe AI waarde kan toevoegen?
Andrew NG, AI thought leader en oprichter van Coursera en Baidu over AI. Andrew is bovendien professor in AI aan de Stanford University in Amerika en voormalig leider van Google Brain.
Thanks Andrew!
Predictive Maintenance
MatWorks, een van de toonaangevende software leveranciers over Predictive Maintenance.
Thanks Melda Ulusoy!
Geld verdienen met data analytics en AI
Uit onderzoek en ervaring van succesvolle bedrijven blijkt dat bedrijven die data en analytics strategisch inzetten om te innoveren twee maal zo snel groeien dan bedrijven die zich beperken tot wat losse projecten.
Steeds vaker zien organisaties de mogelijkheden van advanced analytics en artificial intelligence (AI). Een aantal data-intensieve bedrijfstakken zijn hier voorloper in zoals; high tech, media en telecom. Echter het slagingspercentage in deze bedrijfstakken ligt onder de 26%. Traditionele bedrijfstakken zoals olie en gas, automotive, infastructure en farma hebben zelfs een slagingspercentage dat ligt onder de 11% *. In deze bedrijfstakken valt dus nog veel te verbeteren. Steeds meer bedrijfstakken volgen. In andere bedrijfstakken en in het MKB worden de mogelijkheden van deze nieuwe technologieën nu pas echt ontdekt.
Bron: The keys to a successful digital transformation | McKinsey
-
Bedrijfsprocessen optimaliseren;
-
kwaliteit van producten verbeteren;
-
Product engineering;
-
Voorraadoptimalisatie;
-
Smart maintenance;
-
Energie management;
-
Klanttevredenheid vergroten;
-
Omzet vergroten;
-
Concurrentievoordeel behalen.
Data-driven strategy
Waarom is het zo moeilijk om een data-gedreven organisatie te worden?
Uit een onderzoek bij 85 Fortune 1000 companies (Harvard Business review, 2021) blijkt dat er veel geïnvesteerd wordt door bedrijven, maar dat de resultaten tegenvallen. Het betreft bedrijven die al zo'n 10 jaar geleden zijn gestart met data en ML. Slechts 29,2% geeft aan datagedreven transformatie te hebben bereikt en 30% heeft een uitgebreide datastrategie. Voor het vijfde achtereenvolgende jaar rapporteren deze bedrijven dat cultuur, en niet technologie, de grootste uitdaging is. In het onderzoek van 2021 rapporteren de bedrijven dat culturele uitdagingen, organizational alignment, business processes, change management, communication, people skill sets, en weerstand of gebrek aan begrip om veranderingen mogelijk te maken de grootste uitdagingen zijn. De uitkomsten van het onderzoek en de aanbevelingen sluiten aan bij de gecombineerde holistische top-down - bottom-up aanpak van Confetty. Think big, start smal.
​
Bron: Why Is It So Hard to Become a Data-Driven Company? (hbr.org)
Analytics translator
Onderzoeken en ervaringen van organisaties die succesvol zijn met data analytics en AI wijzen uit dat niet alleen data scientists nodig zijn. Om succesvol AI te implementeren heb je ook cross-functional, agile teams nodig hebt met data engineers, data architects, data-visualization experts en translators nodig. Waarom is deze laatste rol zo belangrijk? De analytics Translator kun je zien als de lijm die alles verbindt. De diverse rollen zijn dermate gespecialiseerd dat afstemming heel belangrijk is. Vooral tussen gebruikers (de business) en data scientists. Deze spreken bij wijze van spreken een verschillende taal. De translator spreekt beide talen en zorgt voor alignment. Analytics Translators definiëren business problemen en/of opportunities welke opgelost kunnen worden met analytics en AI. Zij helpen het technische team om de juiste oplossingen voor de businessproblemen te realiseren en het operationeel embedden van de oplossing in de organisatie. Het is een specialisme waar veel bedrijfskundige kennis voor nodig is in combinatie met voldoende technische kennis en project managementvaardigheden. Analytics Translators van
Cofetty AI verbinden business en techniek en spreken beide talen en kunnen deze verbinden en er zo voor zorgen dat analytics en AI echt gaat werken in de praktijk.
​
Domein Kennis
Naast bovengenoemde competenties is domeinkennis verreweg de belangrijkste skill van de translator. Translators moeten domeinkennis hebben en heel goed het bedrijf kennen om effectief waarde te realiseren voor organisaties. Zij dienen heel goed op de hoogte te zijn van de key metrics en welke invloed deze hebben op het bedrijf en uiteindelijk op winst en verlies, omzet, klantbehoud etc. Daarnaast hebben translators kennis van veel use cases zoals bijvoorbeeld predictive maintenance, smart agriculture, supply-chain management, marketing analytics etc.
Operational analytics - MLOps
Data analytics en AI operationeel inzetten gaat verder dan experimenteren met data en code. Dat is een geheel nieuwe discipline binnen ML en AI. Het in productie nemen van algoritmes en codes vraagt om een specifieke aanpak, genaamd; MLOps. In de video hiernaast wordt uitgelegd wat MLOps is.
_edited.png)