Big Data behøver ikke være raketvidenskab

Vores kunder oplever stigende krav til produktivitetsforbedringer og kravene til at genopfinde sig selv har aldrig været større som følge af den teknologiske udvikling vi oplever. Vi har snart nået enden for hvad det er muligt at trække ud af effektiviseringer ved hjælp af procesoptimering, konsolidering og digitalisering. Nye ydelser og produkter springer ud af det blå i kølvandet på den digitale agenda verden over.
Det næste evolutionære spring ligger i Big Data og advanced analytics. Store datamængder giver et nøjagtigere statistisk grundlag til at træffe automatiserede beslutninger. Ved hjælp af matematiske modeller kan IT-systemer afdække mønstre, anormalitet og forudsige udfald af alt fra salg og produktion til sagsbehandling.
Det giver et kæmpe potentiale til at:

  1. Automatisere tidligere manuelle arbejdsgange med intelligente IT-løsninger
  2. Etablere datadrevne beslutningsprocesser, hvor beslutninger suppleres med fakta om virksomhedens omgivelser
  3. Nye produkter og ydelser, som er databaseret og kan give virksomheden helt nye veje

Nøglen til produktivitetsforbedringer ligger til dels i de ustrukturerede data. (Billede, video, dokumenter og logdata). Disse data har tidligere været uoverkommelige for virksomheder at trække værdi ud af ved hjælp af IT. Enten krævede det meget dyre IT-udviklingsopgaver, eller også har det krævet meget dyre og omfattende produkter fra de helt store softwarehuse.
Big Data behøver ikke være raketvidenskab. Mange af de statistiske og matematiske modeller ligger frit tilgængeligt på nettet og der findes gode open source biblioteker med gratis programmer, der er rigtig gode at bygge videre på. Det kræver selvfølgelig stadig dygtige folk, der forstår at anvende modellerne og bringe dem i samspil med virksomhedens mål og data.

3 vigtige skridt for at få startet Big Data:

  1. Start småt – erfaringsopbygning er nøglen til at arbejde med Big Data og advanced analytics. Det kræver meget benarbejde at vende virksomheden til denne innovationsrejse. Et Proof of concept på eksisterende data og infrastruktur kan bane vejen og få lagt grundstenene til en solid business case. Det er ikke nødvendigt at starte med de store produktinvesteringer før business casen er på plads
  2. Data skal gøres tilgængeligt – hvis data ikke er tilgængelig til analytisk formål, ligger der et stort arbejde i at gøre data klar til beregning. Det er her vi ser, at der skal investeres mest tid. Derfor kan det være relevant at starte med datasæt, der allerede er klar og eventuelt supplere med en ekstern datakilde såsom vejrdata eller økonomiske nøgletal. Det er vigtigt at der er tilstrækkelig stor population i de data, der vælges for at finde et interessant mønster
  3. Sætte de rette kompetencer sammen – det er altafgørende at det rette mix af analytiske kompetencer sættes sammen med folk, der har kendskab til forretningsdomænet og data. Hvor de matematiske modeller kan afdække mønstre i data som vi mennesker ikke kan overskue, så kræver det stadigvæk at vi stiller relevante data til rådighed for beregningen.

Vi vil i det kommende stykke tid stille skarpt på de metoder og muligheder, der findes til at arbejde analytisk med data. Blandt andet vil vi forklare de forskellige matematiske modeller på et menneskeligt sprog og vi vil gå mere i dybden med intelligente løsninger og brug af objektgenkendelse.

Læs mere om Big Data og Business Intelligence her

Rasmus Ranmar is responsible for our Big Data and analytics initiative. Rasmus has a broad background in IT, with roles such as Enterprise Architect, Project and Program Manager and developer. As business consultant Rasmus often works very closely with clients.