Wat is Advanced Analytics?

En wat kunnen organisaties ermee?

Advanced Analytics is het autonoom of semi-autonoom onderzoek van gestructureerde en ongestructureerde data met behulp van geavanceerde tools en technieken. Dat is de definitie zoals Gartner deze hanteert. Maar laten we eerlijk zijn, nu is het nog steeds niet duidelijk. In dit artikel geven we je de duidelijkheid waar je naar op zoek bent.

Advanced Analytics valt binnen het domein ‘digitalisering‘. Behalve dat dit ontzettend veelomvattend is, wordt het domein vaak ook te complex gemaakt. Dus net als bij Robotic Process Automation en Process Mining maken we het begrip begrijpelijk én toepasbaar.

Advanced Analytics in a nutshell

Advanced Analytics is de overkoepelende term voor de tools en technieken die helpen om meer uit de aanwezige data binnen een afdeling of organisatie te halen. Waar ‘normale’ analytics zich beperken tot het beschrijven van de huidige situatie, biedt advanced analytics de mogelijkheid om toekomstige trends, gebeurtenissen en gedrag te voorspellen.

Met behulp van Advanced Analytics kunnen geavanceerde statische modellen gemaakt worden waarmee onder andere ‘wat-als’ berekeningen gedaan kunnen worden. Tegelijkertijd geeft het de mogelijkheid om informatie te distilleren uit data, waar niet direct een vraag aan vooraf gaat. Oftewel, het maakt patronen zichtbaar waar we als mens misschien nog niet eens aan gedacht hebben.

Hiervoor wordt gebruik gemaakt van verschillende computerwetenschappen gecombineerd met statistische analyses. Enkele voorbeelden hiervan zijn:

• Machine Learning
• Kunstmatige intelligentie
• Data- en tekstmining
• Netwerk- en clusteranalyse

Het verschil met Business Intelligence

Uit de hierboven genoemde vakgebieden blijkt al dat Advanced Analytics echt iets anders is dan ‘traditionele’ analytics, ook wel bekend als Business Intelligence. Dat betekent overigens niet dat business intelligence overbodig wordt wanneer organisaties Advanced Analytics inzetten. Beide vakgebieden beantwoorden andere vragen. Laten we even als voorbeeld het uitvallen van een machine door slijtage gebruiken. In dat geval richt Business Intelligence zich op vragen als:

• Wat is er gebeurd?
• Wanneer is de machine uitgevallen?
• Door wie is het veroorzaakt? (indien van toepassing)
• Hoe vaak is de machine uitgevallen?

Deze informatie is essentieel om de situatie te begrijpen. Advanced Analytics voegt echter een extra dimensie toe aan deze informatie door vragen te beantwoorden als:

• Waarom is de machine uitgevallen?
• Gaat de machine weer uitvallen?
• Waar kunnen we aan zien dat de machine opnieuw gaat uitvallen?
• Kunnen we uitval voorkomen door iets aan te passen? En zo ja, wat moeten we dan aanpassen?

Waar wordt Advanced Analytics voor gebruikt?

De toepassing is ontzettend breed. En door de continu ontwikkelende technologie wordt het ook alsmaar breder. Enkele typische voorbeelden waarbij het wordt ingezet zijn:

• Risicobeheersing: Door datasets en datastromen in realtime te onderzoeken kan advanced analytics helpen bij het herkennen van opvallende patronen. Bijvoorbeeld in het kader van fraudedetectie en verzekeringsverplichtingen.
• Kwaliteitsborging(QAS): Met behulp van voorspellende analyses krijgen organisaties betere controle over de kwaliteitsborging. Met behulp van Advanced Analytics kunnen fluctuaties in de kwaliteit of onvoldoende kwaliteit van de producten voortijdig gesignaleerd worden.
• Marketing: Advanced Analytics biedt een schat aan mogelijkheden op het gebied van marketing. Van het identificeren van interessante klantsegmenten tot het monitoren van de reputatie. Ze krijgen betere grip op het verwachte effect van campagnes, de customer lifecycle en het sentiment van de doelgroep.
• Onderhoud: Voorspellende analyses en ‘wat-als’ berekeningen helpen organisaties om weloverwogen keuze te maken over onderhoud van machines, waarbij een optimale balans kan worden gecreëerd tussen effectiviteit, efficiëntie en marge.
• Klanttevredenheid: klanttevredenheid is voor veel organisaties de basis van het bestaansrecht. Met behulp van voorspellende analyses krijgen organisaties grip op de klanttevredenheid en met behulp van ‘wat-als’-simulaties krijgen ze controle op de factoren die de klanttevredenheid het meest beïnvloedden.

Advanced Analytics is geen doel op zich

De bovenstaande voorbeelden geven al een vrij goed antwoord op de vraag ‘wat kunnen organisaties met Advanced Analytics?’. De voorbeelden zijn oneindig en waarschijnlijk heb je bij het lezen nu ook al direct mogelijke toepassingen in het hoofd. Maar stap nu niet in de valkuil om te starten met een grootschalige implementatie. Net als met alle nieuwe ontwikkelingen is het namelijk geen doel op zich, maar een antwoord op een specifieke vraag. En die specifieke vraag is het startpunt.

In onze wereld van continu verbeteren zien we steeds vaker dat er vragen spelen waarbij Advanced Analytics het antwoord kan zijn. Bijvoorbeeld op vragen als:

• Hoe kunnen we de juiste balans vinden tussen het onnodig stilzetten van machines voor onderhoud en het voorkomen van uitval van machines door achterstallig onderhoud? Oftewel, predictive maintenance.
• Hoe kunnen we transportkosten verlagen zonder concessies te doen aan onze levertijden?
• Hoe kunnen we voorspellen welke medewerkers het meest waarschijnlijk op het punt staan om te vertrekken?
• Welke factoren hebben het meeste invloed op onze klanttevredenheid?

En als we ons dan realiseren dat Advanced Analytics mogelijk betrouwbare antwoorden kan geven op deze vragen, is de connectie met methodes als Lean snel gemaakt. Mits goed ingezet kan dit direct verschil maken op het succes van verbeterprogramma’s, worden verspillingen eenvoudiger geïdentificeerd en geëlimineerd en kan de waarde voor de klant exponentieel verhoogd worden.