Advanced analytics

De meeste rapportage kijkt achteruit. Dat is nuttig en het is de basis, maar het beantwoordt niet de vraag waar een ondernemer wakker van ligt. Welke klanten staan op het punt te vertrekken. Welke voorraad ga ik over zes weken tekortkomen. Waar zit het patroon in tweeduizend supportgesprekken dat niemand tijd heeft om te lezen.

Dat zijn vragen die je met een draaitabel niet beantwoordt. Niet omdat ze te ingewikkeld zijn, maar omdat het antwoord in de vorm van de data zit en niet in de optelsom ervan.

Wat advanced analytics toevoegt

Een goed fundament maakt het mogelijk om geavanceerdere stappen te nemen: patronen herkennen, trends voorspellen, en sneller en scherper beslissen dan met traditionele rapportage alleen. Advanced analytics haalt meer uit je data door algoritmen te gebruiken om complexe patronen waar te nemen die in een tabel onzichtbaar blijven.

Een deel daarvan gaat over cijfers: vraag voorspellen, uitval signaleren, groepen klanten vinden die zich hetzelfde gedragen zonder dat iemand die groepen vooraf heeft bedacht. Een ander deel gaat over tekst. Feedback, e-mails, supporttickets en klantinteracties zijn bij de meeste bedrijven de rijkste databron die er ligt, en tegelijk de enige die nooit geanalyseerd wordt omdat het handwerk is. Met Large Language Models is dat continu en op schaal te doen: categoriseren, samenvatten, en de terugkerende klacht eruit halen die in de cijfers nergens opduikt.

• Vooruitkijken in plaats van alleen terugkijken
• Complexe patronen herkennen en gebruiken
• Categoriseren en analyseren van ongestructureerde data

De voorwaarde die niemand graag hoort

Dit werkt alleen als de laag eronder staat. Een voorspelling op data waarvan de definities niet vastliggen is een gok met een nette grafiek eromheen, en die is gevaarlijker dan geen voorspelling, omdat er wel naar gehandeld wordt. Als je fundament nog niet ligt, is dat het eerlijke antwoord en dan is dat waar we beginnen.

Dat is ook de reden dat deze laag als derde staat en niet als eerste, hoe aantrekkelijk hij ook klinkt.

Wat het niet is

Geen model om het model, en geen AI-project omdat het goed staat. Elk van deze stappen begint bij een beslissing die je nu neemt op gevoel en die beter wordt met een onderbouwing. Levert het die onderbouwing niet op, dan is het het niet waard, en dat hoor je dan voordat er iets gebouwd wordt in plaats van erna.

Waar het meestal begint

Met de kleinste versie van de vraag. Niet een model dat alles voorspelt, maar één beslissing die je nu maandelijks op gevoel neemt, met een onderbouwing erbij en een manier om achteraf te zien of die onderbouwing klopte. Dat laatste is het belangrijkste deel en wordt het vaakst overgeslagen.

Werkt het, dan is er een reden om verder te bouwen. Werkt het niet, dan weet je dat voor de prijs van een klein project in plaats van een groot. Die uitkomst is geen mislukking, het is precies waarvoor je zo'n eerste stap zet.

Met wie je werkt

Dezelfde engineer die het fundament kent, bouwt hierop verder. Dat scheelt de overdracht waar dit soort trajecten meestal op stukloopt, want wie het model bouwt moet weten waar de data vandaan komt en waar hij niet te vertrouwen is. Vaste projectprijs, vooraf bekend.

Dit past als je rapportage op orde is en de vraag verschoven is van wat er gebeurde naar wat er gaat gebeuren.