Decision Management ontlast de data scientist
De data scientist is ‘in’; steeds meer organisaties zien nut in deze schaarse specialist. De verwachtingen en vereisten zijn hoog. Toch is de data scientist vaak bezig met de hygiëne van de bedrijfsdata en met basis- analyse ten behoeve van operationele beslissingen. Beide taken zijn te automatiseren. Het proces van Decision Management helpt bij dat automatiseren. Het laat organisaties efficiënter opereren en ontlast de data scientist zodat die aan innovatie kan werken.
Gedegen data analytics helpt organisaties hun beslissingen op basis van feiten te nemen. De juiste cruciale informatie stelt hun in staat concurrentievoordeel te realiseren. De data scientist is daardoor een gewilde expert. Volgens de Harvard Business Review is het zelfs de meest sexy baan van de 21e eeuw.
De toenemende snelheid van de markt vraagt echter tegelijkertijd gefundeerde beslissingen die geautomatiseerd plaatsvinden op operationeel niveau. Een centrale analyse-afdeling die op hoger niveau naar data kijkt en daar strategische of tactische beslissingen op baseert is niet afdoende voor operationele snelheid en efficiëntie. Daarnaast lijken de alsmaar toenemende datastromen tijdige analyse en effectieve besluitvorming te frustreren.
Event Stream Processing (ESP) en Decision Management kunnen dit oplossen. Het eerste filtert inkomende datastromen op kritieke events. Het tweede combineert business rules met modellen om snel tot operationele, centraal beheerde beslissingen te kunnen komen.
Gezocht: schaap met zes poten
Een data scientist kan een enorme bijdrage leveren voor het nemen van bedrijfsbeslissingen die zijn gefundeerd op de juiste informatie. De invulling van die baan is complex: de ideale data scientist combineert business-kennis met IT-begrip en analytics-expertise, aangevuld met de communicatieve vaardigheid om analyseresultaten uit te leggen aan de business.
Andrew Pease, Principal Business Solutions Manager, Analytical Platform COE (Center of Excellence) bij SAS België vertelt dat de gewenste datawetenschapper een schaap met vijf, zo niet zes, poten is. Gezocht: een expert die niet alleen thuis is in het datagebied maar ook nog eens IT-kennis, business-begrip en commercieel inzicht heeft.
Volgens Pease zijn veel data scientists wel tachtig procent van hun tijd bezig met basaal ‘onderhoudswerk’ in plaats van met het ‘echte analysewerk’. Een positief neveneffect van Decision Management is dat het die data scientists dit basale werk uit handen neemt. Het toepassen van Decision Management zorgt er namelijk voor dat operationele beslissingen aan de hand van business rules worden geautomatiseerd. Organisaties en data scientists houden daardoor tijd over, stelt Pease. “Tijd over voor nieuwe dingen: om nieuwe data te zoeken en nieuwe inzichten te vinden.”
Inzetten voor de echte uitdagingen
Pease raadt aan zoveel mogelijk te ‘operationaliseren’, van de initiële besluitvorming op basis van geanalyseerde data tot ook de feedback-loop voor vervolghandelingen. “Data scientists zijn dan meer in te zetten voor de echte uitdagingen”, voorspelt Pease. Dat kunnen de kleine, specifieke uitdagingen zijn of juist ook algemenere kwesties waar een organisatie voor staat. Zoals het vormen van een flexibel in te zetten taskforce voor centrale Business Intelligence en Data Analytics, schetst Pease.
Decision Management kan baat hebben bij Event Stream Processing. Het eerste is voor betere besluitvorming, het tweede voor realtime verwerking van de krenten in binnenkomende datastromen. Hoe dit elkaar helpt? Dat lees je in deze gratis whitepaper.
[/whitepaper]
