Gaan AI en datagedreven werken hand in hand

Ik zie BI (business intelligence) als het toepassen en inzetten van je bedrijfslogica. Je wilt inzicht in je bedrijf. Met behulp van data kan je herkennen wat wel en niet werkt. Je wilt dat je dat op een makkelijke manier kunt kopiëren en plakken voor je bedrijf. Geschat wordt dat 90% van alle data ter wereld pas in de laatste twee jaar is gegenereerd. Bizar dat die volumes zo toenemen! Daar wil jij natuurlijk ook op een slimme manier gebruik van maken.

Het ene is dus BI, de bedrijfslogica herhalen en inzichtelijk maken. BI kan dus ook zijn dat je bepaalde processen automatiseert. Dat kan met een digitale robot die je e-mails categoriseert of je Sharepoint netjes houdt. Het kan ook een wiskundige analyse zijn om die inzichten te verkrijgen. Wellicht gebruik je al dashboards, zodat jij altijd inzicht hebt in hoe je bedrijf ervoor staat. Die dashboards geven inzicht in je capaciteit of kwaliteit bijvoorbeeld. Daarmee kun je hele gerichte verbeterpunten en acties definiëren. Datagedreven werken at it’s finest. Oké, leuk die analyses en dashboards. Heb ik dat dan nodig om te kunnen voorspellen?

Naar mijn inziens heb je niet per se BI nodig om te kunnen starten met voorspellen. Maar, je moet je cijfers wel kennen. Voorspellen, of het gebruik van AI, kan ook een bepaalde handeling voorspellen. Een bepaalde uitkomst. Denk maar aan of een bepaalde machine kapot gaat in 6 maanden. Of wat de hoogte van je omzet zal zijn. Of welk medicijn het beste is voor die patiënt. Maar vraag je af: is dit allemaal écht AI? 

Wist jij dat er een onderscheid is tussen AI en data science? AI is data science, maar niet elke data science-oplossing is AI. AI betekent dat er intelligentie is. Een AI-model leert van zijn eigen proces. Het verbetert naarmate het model vaker wordt gebruikt. Meer data en vaker gebruiken betekent dat het model intelligenter wordt. Denk maar aan een zelfrijdende auto. Hoe meer data er is (namelijk het rijgedrag van automobilisten), hoe beter de auto leert om dat gedrag “te voorspellen”. Want dat is in feite wat de AI van die auto doet: het menselijke rijgedrag voorspellen om die uitkomst in te zetten in geautomatiseerde acties.

Er zijn verschillende technieken binnen AI en data science die je kunt inzetten, afhankelijk van het type vraagstuk en het type data. Als je een waarde wil voorspellen, moet je weten wat voor soort data je hebt:

• Nominaal: categorieën zonder volgorde (bijv. producttypes of geslacht)
• Ordinaal: categorieën met volgorde (bijv. klanttevredenheid: laag, midden, hoog)
• Discreet: telbare waarden (bijv. aantal aankopen)
• Continu: meetbare waarden met veel mogelijke uitkomsten (bijv. temperatuur of omzet)

Afhankelijk van het soort data kies je een passende analysetechniek. Een AI-model dat tekstclassificatie doet, werkt anders dan een model dat omzet voorspelt. En anders dan een model dat een beeld herkent of spraak omzet in tekst. Daarom is het zo belangrijk om eerst goed te weten wat je probleem is, voordat je met AI aan de slag gaat.

Want eerlijk is eerlijk: veel organisaties willen “iets met AI”, maar weten niet precies wat ze willen oplossen. En dan ligt teleurstelling op de loer. Of, erger nog: je besteedt budget aan een slimme AI-oplossing, terwijl je het probleem misschien ook gewoon met BI had kunnen oplossen. Toch zie ik in de praktijk vaak dat organisaties al veel waardevolle data hebben, maar dat die verspreid ligt over afdelingen of systemen. Juist daar zit de winst: voordat je met AI start, kun je veel bereiken door je data te centraliseren en op te schonen. Denk aan een eerste stap als het maken van een data-inventarisatie: welke data heb je eigenlijk al? Waar ligt die? Wie beheert wat? Dat klinkt misschien saai maar zonder goede datafundamenten bouw je een huis op los zand. Bovendien: door dit goed op te zetten, werk je meteen aan een datacultuur binnen je organisatie. En dát is misschien nog wel waardevoller dan welk model dan ook.

Dus: heb je BI nodig om met AI te starten?
Het eerlijke antwoord: nee. Je hebt niet per se BI nodig om AI toe te passen. Je kunt ook zonder dashboards of datamodellen een AI-oplossing ontwikkelen. Maar je hebt wél data nodig én een scherp beeld van het probleem dat je wilt oplossen. In die zin biedt BI vaak een goed fundament: het leert je om naar je processen te kijken, om data te structureren, om inzichten te halen uit wat je al weet. Het laat je op een vernieuwende manier naar je cijfers kijken. En pas dan kun je verder denken: “Wat zou ik kunnen voorspellen?” of “Wat zou ik kunnen automatiseren?”

Soms kun je een vraagstuk dat je dacht met AI te moeten oplossen, prima met BI aanpakken. Bijvoorbeeld: je wilt weten welke afdeling de meeste klachten ontvangt. Dat kun je in een dashboard zien. Geen AI nodig. Maar wil je klachten automatisch classificeren en voorspellen welke klachten leiden tot klantverlies? Dan kom je meer richting AI.

Het draait dus niet om de tools, maar om de vraag. Wat wil je oplossen? Wat wil je bereiken? En welke technologie past daar het beste bij? Laat je dus niet gek maken door de AI-hype. Begin bij de basis: ken je data, begrijp je processen, stel een scherpe vraag. Of je daarna een dashboard bouwt of een AI-model traint – dát is de juiste volgorde.