Waarom data science verder gaat dan Business Intelligence, maar niet zonder kan

Na de hype rond big data van enkele jaren geleden is er een nieuwe term die steeds vaker opduikt in het bedrijfsleven: data science. Vrijwel iedereen zal er in zijn dagelijks leven mee in aanraking komen, bijvoorbeeld tijdens het gebruiken van webshops. Frank de Nijs is business developer bij Centric; hij legt uit wat de verschillen zijn en wat de begrippen met elkaar gemeen hebben.

Business Intelligence: inzicht in de resultaten

"Business Intelligence (BI) is geënt op terugkijken", vertelt hij. "Vanuit dat terugkijken kun je met statistieken uit het verleden conclusies trekken." Je ziet door BI bepaalde trends plaatsvinden, bijvoorbeeld een jaarlijkse stijging van 2%. "Wanneer dat jarenlang hetzelfde blijft of een gestage verandering doormaakt, kun je de conclusie trekken dat de stijging het volgende jaar ook wel twee procent zal zijn of in een vergelijkbaar tempo daarvan zal afwijken."

Data science onderzoekt de achtergrond van de trends

Met BI breng je trends in beeld door terug te kijken. Maar data scientists gaan verder, en proberen als eerste stap de oorzaken achter die trends in beeld te krijgen. De Nijs: "Je gaat op zoek naar de kenmerken achter zo’n trend: welke kenmerken van het bedrijf zorgen voor die jaarlijkse stijging van twee procent, of wat veroorzaakt die fluctuatie? Op die manier kun je accurater voorspellen wat er in de toekomst gebeurt, indien je ook in staat bent die beïnvloedingsfactoren te monitoren."

Voor- en nadelen van data science ten opzichte van Business Intelligence

Bovendien werkt data science met enorme hoeveelheden data, die algoritmes en Machine Learning geanalyseerd worden. Die methodes zijn in staat om zich een weg te banen door enorme hoeveelheden gegevens, en daarin verbanden te ontdekken.

"Dat is een groot voordeel van data science ten opzichte van BI", legt De Nijs uit. ‘Het kenmerk van BI is dat de analist zelf moet bedenken van welk gegevens de causaliteit moet worden aangetoond. Data science kan uit een onwaarschijnlijk grote hoeveelheid van mogelijkheden zelf factoren vinden waarvan je nooit gedacht had dat ze van invloed zouden zijn. Denk aan spanningen in een wijk, waarover je signalen krijgt als gemeente. Je vraagt je af: welke bronnen zijn daarover beschikbaar? Zorgkosten, meldingen bij Jeugdzorg, dingen die bij de politie gebeuren. Dat kunnen allemaal factoren zijn die bepaalde trends kunnen verklaren. Die data ga je ordenen door aan de hand van Data Science algoritmen te ontdekken welke kenmerken dominant zijn in welke omstandigheden."

Reactief werken met BI versus proactief werken met data science

Werken met BI, waarmee je naar het verleden kijkt en op basis daarvan beslissingen neemt, is in principe reactief. Een van de grote voordelen van data science in vergelijking met BI is dat je proactief beleid kunt voeren.

De Nijs:"Een data scientist kan live informatie binnenkrijgen en ingrijpen wanneer voorspellingen laten zien dat een operatie de verkeerde kant opgaat. Via modellen en algoritmes voorspel je ook de gevolgen van dat ingrijpen. Zo wacht je niet, zoals met BI, tot de resultaten van de afgelopen maand binnenkomen, maar kun je halverwege de maand al met een aanpassing in een handelswijze op de werkvloer komen."

IT-inzichten die je niet mag missen

Als eerste op de hoogte zijn van de laatste IT-ontwikkelingen? Schrijf je in voor onze maandelijkse nieuwsbrief.

Data Science heeft niet altijd de voorkeur boven BI

De algoritmes van data science kunnen een weg vinden in enorme hoeveelheden informatie. Maar wanneer er minder data beschikbaar is, zijn de BI-analisten weer in het voordeel. "Dan kunnen de modellen van Data Science geen significantie geven", zegt De Nijs. "In die gevallen kan een enkele uitschieter zorgen voor een compleet ander model. Dan heb je toch het menselijke inzicht nodig van een BI-deskundige, die zijn kennis gebruikt om te kunnen bepalen of een verband causaal is of niet."

Altijd in aanraking met data science

Vrijwel iedereen zal in zijn dagelijks leven in aanraking komen met data science - gewenst of ongewenst. "Wanneer je iets via internet koopt, analyseert een webshop een hoop", legt De Nijs uit. "Ga op een duur device naar bepaalde webshops, dan zijn de prijzen hoger dan wanneer je dat op een goedkopere laptop of smartphone doet."

Prijselasticiteit is ook data science. "In de reisbranche gebeurt het ook: wanneer je voor de tweede keer naar dezelfde hotelkamer kijkt, kan ‘ie ineens een paar tientjes duurder zijn."

Synergie tussen data science en BI

De opkomst van data science hoeft niet het einde van BI te betekenen, verwacht De Nijs. Sterker nog, beide technieken komen het beste tot hun recht wanneer ze in combinatie met elkaar gebruikt worden.

"Organisaties moeten eerst goed kunnen vaststellen wat er precies gebeurt voordat je de mogelijke oorzaak van een probleem kan onderzoeken. En dat is echt BI-werk", zegt hij. "Een analist gaat kijken of er stijgende kosten zijn, verlaagde productiviteit, dat soort dingen. Vervolgens ga je met een data scientist kijken of je de oorzaken van die problemen kunt achterhalen en met adviezen kunt komen om op een proactieve manier in te grijpen. Maar aan het eind van de maand wil je altijd nog weten of die adviezen daadwerkelijk voor verbetering gezorgd hebben, en ook dat doe je via BI."

Trendrapport ontvangen?

Voor het trendrapport data science vroegen we partijen in verschillende markten naar hun redenen om data science in te zetten: welke toepassingen zien zij? Waar zit de winst? Maar ook: welke uitdagingen zijn er te overwinnen voordat je succesvol met data science aan de slag kunt?

Stap de drempel over en download het trendrapport.