Zoals je in mijn vorige blog hebt kunnen lezen, wordt data steeds belangrijker voor bedrijven. Binnen Facility as a Service (FaaS) bestaat een connectiviteitslaag die niet alleen belangrijk is voor het koppelen van verschillende subsystemen, maar die ook meteen de basis vormt voor een goede Business Intelligence (BI) strategie.

We onderscheiden verschillende volwassenheidsfasen voor het analyseren van data:

Niveau 0

Bij niveau 0 hebben we het over ruwe data. Bij gebouwgebonden elektrotechnische installaties gaat het om event data streams die gegeneerd worden door individuen of machines en toepassingen. Soms wordt dit ook wel aangeduid als Internet of Things (IoT).

Connectiviteit is een voorwaarde

We hebben eerder geconcludeerd dat verschillende gebouwgebonden subsystemen aan elkaar gelinkt moeten worden, wil je de kenniswerker vanuit customer intimacy optimaal kunnen ondersteunen. Door het toevoegen van een extra connectiviteitslaag kunnen subsystemen gekoppeld worden. Hierdoor kunnen ze met elkaar communiceren, informatie uitwisselen en elkaar commando’s geven. De data streams die hierdoor gegenereerd worden, zijn voor bedrijven waardevol omdat procesinformatie is toegevoegd. Dus naast de verbindende factor vormt deze extra connectiviteitslaag tevens de basis voor het BI -proces. Binnen deze laag wordt de ruwe data verzameld, opgeslagen en geanalyseerd. Een goede start voor de volgende volwassenheidsfase van het BI-proces.

Niveau 1

Bij niveau 1 stellen we de vragen: ‘Wat is er gebeurd?’ en ‘Hoe kunnen we daarvan leren?’. De eerste stap in dit niveau is het structureren van de data. Op basis van de ruwe data brengen we gerelateerde events die interessant zijn voor analyse en rapportage samen. Vaak gaat het hierbij om zogenaamde Key Performance Indicators (KPI’s). In stap twee rapporteren we onze bevindingen in een standaard rapport.

Neem als voorbeeld een winkeloptimalisatie-oplossing die is gebaseerd op een camerasysteem. Een dergelijke oplossing, waarbij bedrijfsinformatie- en analysesoftware gecombineerd wordt met netwerkcamera’s, registreert heel nauwkeurig het aantal bezoekers van een winkel en hun gemiddelde bezoekduur. Aan het eind van de dag weet een filiaalmanager precies hoeveel bezoekers er zijn geweest en hoe dit zich aantal verhoudt tot andere dagen in de week of andere periodes in het jaar.

Niveau 2

In het tweede niveau stellen we de vraag: ‘Wat gebeurt er nu?’ De BI-software analyseert real time wat er gaat gebeuren. Dit is stap drie in het volwassenheidsproces van BI.

Als we weer uitgaan van de winkeloptimalisatie-oplossing, dan kunnen we analyseren hoeveel bezoekers voor een kassa staan en hoelang de wachttijd is. Als bezoekers te lang moeten wachten, worden ze ongeduldig, zetten producten mogelijk terug in de schappen en lopen weg. Dit kost een winkelier, in een tijd waarin het hem toch al moeilijk wordt gemaakt door de webshops, kostbare omzet.

Niveau 3

Bij niveau 3 stellen we de vragen: ‘Wat gaat er gebeuren?’ en ‘Hoe anticiperen we hierop?’ We spreken hier ook wel van ‘predictive analytics’. Predictive analytics maakt gebruik van statische modellen voor het ontdekken van patronen in historische en transactionele data, om op die manier zowel risico’s als kansen te herkennen.

Neem nog een keer het voorbeeld van de winkeloptimalisatie oplossing. Bij niveau 1 kregen we inzicht in de actuele bezoekersaantallen en duur van het bezoek. Door het systeem verbanden te laten leggen tussen bijvoorbeeld de wachtrijtijd en het percentage bezoekers dat daadwerkelijk iets koopt, kunnen we pieken voorspellen. In plaats van een te lange wachtrij waardoor klanten geïrriteerd weglopen, kan een filiaalmanager na een systeemmelding op het juiste moment meer personeel bij de kassa’s plaatsen. Hierdoor wordt de serviceverlening als beter ervaren, waardoor de conversie (omzet) zal groeien. In dit niveau kun je spreken van een proactieve houding van de filiaalmanager. In plaats van een melding te krijgen dat de rij te lang is (zoals in niveau 2) zal de manager in niveau 3 voorkomen dat de wachttijd teveel oploopt.

Niveau 4

Bij niveau 4 stellen we de vraag: ‘ Wat is het beste case scenario?’ Deze vijfde stap in het volwassenheidsniveau staat in het teken van predictive modelling en optimalisatie. Door het leggen van kruisverbanden tussen de beschikbare data krijgen we inzicht in de kansen van morgen.

Neem weer het eerder genoemde voorbeeld van de winkeloptimalisatie. Intelligente camerasystemen herkennen het geslacht en de leeftijdscategorie van de klanten, hun looproute en de tijd dat ze voor een display of schap staan. Door deze gegevens te leggen naast informatie over veel verkochte producten kun je vaststellen welk assortiment het beste past bij jouw doelgroep en op welke plek in de winkel je deze artikelen het beste kunt plaatsen.

Winkeliers die gebruik maken van deze oplossingen geven aan een omzetverhoging van 20% te realiseren.

Toelichting

Het voorbeeld van de winkeloptimalisatie-oplossing is onderdeel van CCTV (Closed-circuit televi