Innovatie & Strategie

Dit is een bijdrage van SAS
Analytics
analytics opschalen

Wat is de beste strategie om analytics op te schalen?

Takeaways van het Gartner Data & Analytics Summit in Londen. 

6 juli 2022
Door: SAS , partner

Takeaways van het Gartner Data & Analytics Summit in Londen. 

Iedereen is het er waarschijnlijk over eens dat het er niet alleen om gaat hoe geavanceerd technologie is, maar in hoeverre het je organisatie vooruit helpt. Dat geldt ook voor analytics. Hoe accurater de resultaten van je analytics technologie en de inzichten uit analyses kunnen worden opgeschaald, hoe meer business impact.

Maar wat is de beste strategie om analytics zo goed mogelijk op te schalen? We legden de vraag voor aan de bezoekers van het Gartner Data & Analytics Summit in Londen. Om te profiteren van de kennis en ervaring van de ruim 1.500 deelnemers, stelden we de bezoekers van de SAS-stand de vraag: Wat is de beste strategie om analytics op te schalen? Ze konden hun stem uitbrengen en kiezen uit  de volgende antwoordopties:

  1. Democratiseren met low of no-code
  2. ModelOps (automatisering en governance)
  3. Centre of Excellence
  4. Cloud adoptie
  5. Opleiding/training en datageletterdheid

De meeste stemmen gingen uit naar "Opleiding/training en datageletterheid".  Hoewel opleiding/training en datageletterheid de meeste stemmen kreeg, wil ik ook graag ingaan op het belang van de andere opties. Hieronder leg ik uit waarom en laat ons maar direct met dat COE beginnen.

Centre of Excellence

In de meeste organisaties waar ik de afgelopen jaren mee heb samengewerkt en die succesvol zijn met analytics, is de aanwezigheid van een COE-functie een belangrijke factor. Nu hoeft deze katalysator niet noodzakelijkerwijs te bestaan in de vorm van een formele analytics COE (met headcount en rapportagelijnen), het kan net zo eenvoudig een individuele leider zijn die analytics in de organisatie stimuleert en bevordert. In ieder geval is het vermogen om leiding te geven en invloed uit te oefenen essentieel. In beide situaties zien we dat veel waarde gecreëerd wordt door kruisbestuiving tussen verschillende gebruikers, en het uitwerken en hergebruiken van standaarden.

Natuurlijk is het moeilijk om een datagedreven cultuur te ontwikkelen als je medewerkers geen kennis hebben van data en geen toegang hebben tot up-to-date trainingen. Je zou kunnen aanvoeren dat dit door de analytics COE aangestuurd en beheerd moet worden.

Opleiding en datagelettterdheid

Pas-afgestudeerden hebben een veel sterkere interesse in data en analytics dan pakweg 15 jaar geleden. We zien nu dat afgestudeerden van universiteiten vooral kennis hebben van Python en open source frameworks. Het is verleidelijk voor organisaties met een bestaande SAS-omgeving om nieuwe teamleden aan te nemen en hen gewoon "on the job" te laten leren. Het risico bestaat echter dat personen zonder opleiding gewoon verder bouwen en uitbreiden door bestaande SAS-code te kopiëren. Hoewel dit effectief is, is het (zeker op lange termijn) misschien niet efficiënt of optimaal, aangezien het SAS-platform de afgelopen 40 jaar enorm is geëvolueerd.

Democratiseren met low of no-code

SAS Viya biedt nu bijvoorbeeld ook een GUI-gebaseerde interface voor data preparatie, visualisatie, advanced analytics, Machine Learning & AI die citizen data scientists in staat stelt om snel effectief te worden zonder te hoeven coderen. Dit biedt een 'low of no-code'-functionaliteit die de productiviteit van data analisten verbetert. Tegelijkertijd is er voor data-analisten die liever coderen, een programmeerinterface die toegang biedt tot identieke mogelijkheden. Bovendien omarmt SAS Viya open-source tooling voor high-end analytics, maar ook voor alledaagse taken. Zo kun je bijvoorbeeld data acquisitie flows creëren met een mix van SAS en Python code. Op deze manier wordt de drempel tot het gebruik van SAS verlaagt voor al deze gebruikersprofielen ongeacht hun verschillende behoeften en voorkeuren.

ModelOps (automatisering en governance)

Het is opmerkelijk dat ModelOps een goede tweede plaats kreeg bij het stemmen, omdat veel bezoekers van onze stand bekenden dat hun organisaties met fundamentele uitdagingen rondom data governance en datakwaliteit worden geconfronteerd.

ModelOps richt zich op het 'last mile' probleem dat in veel sectoren bestaat, waaronder supply chain en telecommunicatie. Simpel gezegd staan organisaties voor de uitdaging om analytics om te zetten in effectieve besluitvorming. Dit weerspiegelt het feit dat het nog steeds moeilijk is om de analytics-modellen (gecreëerd door data science-teams) in productie te brengen. Dat is anders wel een vereiste om waarde te creëren.

ModelOps is een relatief nieuwe discipline die modellen als activa beschouwt en die governance en een op de levenscyclus gebaseerde methodologie voor modelontwikkeling, -implementatie en -beheer introduceert. Lees hier meer over hoe SAS analytics operationaliseert.

Cloud adoptie

Daarnaast was het opvallend dat in de discussies met de standbezoekers het onderwerp cloud adoptie werd beperkt tot de infrastructuur van de publieke cloud. Terwijl er zoveel meer bij komt kijken, zoals de introductie van een Cloud-native architectuur, continuous integration en continuous deployment (CI/CD), een meer flexibele en agile manier van werken die deze architecturen mogelijk maken. Dit onderwerp was misschien populairder geweest als het in deze bredere context was gepresenteerd. Mogelijk zijn die concepten nog niet ver genoeg ingeburgerd bij de eindgebruiker en ziet men de cloud nog steeds in zijn engere vorm, namelijk de vervanger van het eigen in-house datacenter. Bij de echte innovators zien we dat zakelijke gebruikers zichzelf op aanvraag kunnen bedienen van cloud resources. Hierdoor vormt  IT niet langer een bottleneck en kunnen ze zich focussen op de standaarden en governance in het gebruik.

Voor veel organisaties is opleiding/training en datagelettterdheid van essentieel belang om analytics op te schalen in de organisatie. Het belang van een COE moeten we alleen niet onderschatten voor het stimuleren en bevorderen van analytics in de organisatie en vereist een zekere kritische massa in analytics-gebruik voordat het efficiënt kan worden ingezet.

Dit is een bijdrage van: Mathias Coopmans, Enterprise Architect and Head of SAS Global Technology Futures en Paul Gittins, Principal Business Consultant bij SAS.

Reactie toevoegen