Voorspellende analyses
Hoe veranderen voorspellende analyses de bestaande processen en welke koers heeft de digitale omgeving gezet?
Arvato-expert Michael Freundlieb geeft antwoorden op de belangrijkste vragen over voorspellende analyses en inzicht in de huidige processen.
1. Hoelang houdt Arvato Supply Chain Solutions zich al bezig met het onderwerp business intelligence/voorspellende analyses? Waarom is dit onderwerp zo belangrijk?
Arvato in de huidige vorm kwam tot stand in 2014, maar de bedrijven die fuseerden hielden zich al ongeveer 14 jaar lang bezig met business intelligence in de vorm van standaardrapportages, ad-hoc-analyses en dashboards met geavanceerde tools voor business intelligence. Zelfs al voor die tijd werden er af en toe standaardrapportages opgesteld die direct waren gebaseerd op de operationele systemen.
Als dienstverlener op het gebied van outsourcing is business intelligence op tal van manieren voor ons van belang:
1. Om te beginnen draaien de operationele processen van onze klanten grotendeels op onze live systemen. Dit houdt in dat onze klanten het risico lopen transparantie te verliezen en we kunnen dit voorkomen via EDI-interfaces tussen onze systemen en die van onze klanten, evenals via uitgebreide oplossingen op het gebied van business intelligence.
We maken dus gebruik van business intelligence om de transparantie van de uitbestede bedrijfsprocessen te herstellen. De kernvragen op dat vlak gaan vaak over welke diensten we aan onze klanten leveren, of wat de kwaliteit ervan is, binnen welke tijd iets gebeurt en wat de kosten zijn. Op deze manier herstellen we ook de mogelijkheid van onze klanten om aan hun eindklanten informatie te verstrekken, bijvoorbeeld over de huidige status van een bestelling.
2. Als dienstverlener voor vele klanten met soortgelijke bedrijven zijn we in staat om best practices aan onze klanten over te brengen en om aanbevelingen te doen over business intelligence-oplossingen. Vanwege het grote aantal klanten dat via een gezamenlijk business intelligence-platform wordt bediend, kunnen we ook gebruikmaken van geavanceerde technologie, zoals onze in-memory-database (IMDB), die anders voor onze klanten onbetaalbaar is.
3. Naast het leveren van toegevoegde waarde aan onze klanten, maken we ook intern gebruik van onze business intelligence-oplossing ten behoeve van gegevensanalyse en procesverbeteringen, bijvoorbeeld op het gebied van logistiek, klantenservice, financiële dienstverlening, accountmanagement en ons eigen bedrijfsmanagement.
Sinds het begin van 2017 hebben we een datawetenschapsteam binnen het onderdeel Business Intelligence opgericht dat zich bezighoudt met voorspellende analyses, zelflerende algoritmes en kunstmatige intelligentie. In tegenstelling tot de wat 'traditionelere’ business intelligence-analyses die meer naar het verleden kijken, richt het datawetenschapsteam zich op het doen van uitspraken over de toekomst via mathematische/statistische methoden of simulaties. We gebruiken deze procedures vooralsnog voornamelijk intern voor het verbeteren van de planning van de toewijzing van personele middelen bij de logistiek en bij de klantenservice voor het voorspellen van het volume van orders, retouren en contactmomenten. Als extra service maken we onze voorspellingen ook deels beschikbaar voor onze klanten.
Andere toepassingen op het gebied van fraudebestrijding en klantbehoud worden momenteel geïmplementeerd en worden in de toekomst als extra onderdeel van ons dienstenpakket aan onze klanten aangeboden.
We zien over het algemeen op het gebied van datawetenschap een enorm potentieel voor verdere interne optimalisatie en aanvullende op data gebaseerde diensten voor onze klanten.
2. Is Arvato een pionier en een ‘opinieleider’ als het gaat om dit onderwerp of slechts een van de velen? Waarin onderscheidt de aanpak van Arvato zich van de concurrentie?
Ik wil graag nogmaals benadrukken dat Arvato als dienstverlener het unieke voordeel heeft om niet alleen naar één klanttransactie te kijken maar ook uitgebreide ervaring meebrengt vanuit een groot aantal vergelijkbare klanttransacties en dit alles combineert tot een aanpak op basis van best practices. Hierdoor kunnen we naast het verzorgen van de technische implementatie van oplossingen op het gebied van business intelligence/voorspellende analyses onze klanten ook advies geven: Hoe pakken andere klanten het aan? Wat zijn de kerncijfers? Hoe wordt de data zo goed mogelijk opgesteld en beschikbaar gesteld aan de verschillende gebruikersgroepen? Welke methoden en technologieën zijn geschikt voor het maken van betrouwbare prognoses op het gebied van voorspellende analyses?
Bovendien is een van de belangrijkste punten waarin Arvato zich onderscheidt van de rest dat veel van de vereiste data zich al in het systeem van Arvato bevindt en dat deze via bestaande interfaces kunnen worden geraadpleegd. In tegenstelling tot bijvoorbeeld cloudgebaseerde business intelligence-oplossingen van derden hoeven onze klanten niet langer zelf energie te steken in operationele interfaces. Hier krijgt de klant het 'totaalpakket’.
We voeren onze oplossing voor business intelligence en voorspellende analyses uit voor een driecijferig aantal klanten en hebben een groot team dat werkt aan het implementeren en uitbreiden van deze oplossingen. Dit houdt in dat we altijd op de hoogte zijn van nieuwe technologieën en concepten en dat we oplossingen kunnen implementeren waartoe veel van onze klanten zelf niet in staat zijn.
3. Waar zitten de specifieke uitdagingen precies in?
Er komen een aantal spannende uitdagingen op ons af: Om te beginnen is er natuurlijk het bewaren van het evenwicht bij het aanbieden van goedkope, makkelijk schaalbare standaardoplossingen die ook nog aanpasbaar en uitbreidbaar moeten zijn op basis van de vaak zeer specifieke klantwensen.
Bovendien is business intelligence onderhevig aan voortdurende technologische veranderingen: vijftien jaar geleden was het nog geavanceerd om in elke uren per maand een aantal standaardrapportages op te stellen en om deze beschikbaar te stellen aan gebruikers in een vaste en statische vorm.
Vandaag moeten gegevens ten minste dagelijks worden bijgewerkt, of zelfs in realtime. Onze klanten en interne gebruikers willen zelf flexibel met de data kunnen werken en willen niet wachten tot de data door een IT-afdeling worden geïmplementeerd. Daarnaast volstaat het niet langer om naar het verleden te kijken. In plaats daarvan worden business intelligence-oplossingen steeds vaker gebruikt om prognoses te maken of om specifieke aanbevelingen voor een maatregel te doen. En let wel, dit wordt allemaal gedaan met volumes aan data die letterlijk de pan uitrijzen.
We hebben de constante uitdaging om de toenemende eisen, maar ook de technologische mogelijkheden en concepten die alsmaar beter worden bij te benen. Dat is ook wat mij zo aantrekt in business intelligence: er ontstaan constant nieuwe uitdagingen, maar ook nieuwe manieren om deze het hoofd te bieden.
Een voortdurende uitdaging die vaak wordt onderschat, vormt de datakwaliteit. Gebruiksvriendelijke analysetools, hippe visuele weergaveopties en geavanceerde voorspellende methoden hebben geen zin als de onderliggende data technisch ontoereikend zijn of verkeerd worden geïnterpreteerd.