Waar traditionele Business Intelligence meer beschrijvend qua aard was, is de huidige focus van Business Intelligence verschoven naar een dynamischer veld waarin een breed scala aan Business tools wordt gebruikt. Dit is met name het gevolg van de enorme toename van beschikbare data.
De vier logische stappen die worden gevolgd bij het nemen van belangrijke beslissingen zijn als volgt:
- Begrijpen van de context en ontstaan van het probleem
- Onderzoeken en kwantificeren van data
- Het vinden en gebruiken van de juiste tool en algoritme voor het specifieke probleem
- Gebruik nuttige dashboarding tools (Power BI, Qlikview, etc.) om inzichten goed te begrijpen met het gebruik van visualisaties
Producten aanbieden die beter aansluiten bij de behoefte van de klant
Door het analyseren van consumentendata zijn bedrijven in staat om te onderzoeken hoe hun services en producten beter kunnen aansluiten bij de behoeften van de klant. Zodoende kunnen bedrijven ontdekken hoe ze toegevoegde waarde kunnen leveren aan hun organisatie. In de praktijk betekent dit een beter aanbevelingssysteem dat gebruikt kan worden bij e-commerce, verzekeraars, sociale media platforms, etc. Data science helpt ook bij optimalisatie, classificatie en beeldherkenning met elk hun eigen praktische waarde.
Een praktijkvoorbeeld van de implementatie van deze technieken is onder andere: mistdetectie op snelwegen, om vervolgens waarschuwingsborden te activeren die mensen erop wijst dat ze hun mistlampen moeten aanzetten. Classificatie kan bijvoorbeeld helpen bij het classificeren van consumenten in een mailinglijst, die aan de hand van hun specifieke karakteristieken ingedeeld kunnen worden in een gepersonaliseerde mailinglijst, zodat consumenten op een voor hun relevante manier worden benaderd. Hieronder is een voorbeeld te zien waar mails worden geclassificeerd op basis van e-maillengte en aantal nieuwe ontvangers van de afzender. Door middel van classificatie is het onder andere mogelijk om e-mails te classificeren onder spam of normaal binnenkomende e-mail.
Uitkomsten voorspellen
Er zijn verschillende manieren van voorspellende analyses om op (klanten)data los te laten. De toepassingen omvatten consumentensegmentatie, risicoanalyse, fraudedetectie, optimalisatie marketingcampagnes, marktanalyse en omzetvoorspellingen. Door middel van voorspellingen is het mogelijk om te anticiperen op gebeurtenissen die nog moeten gebeuren. Bijvoorbeeld: een groot warenhuis kan aankoopgedrag voorspellen van hun klanten op basis van historische consumentendata, en voorraden daarmee matchen, om zodoende te voldoen aan de vraag naar producten van consumenten op het juiste moment. Door te voorspellen welke consumenten interesse zouden kunnen hebben in een bepaald product, is het ook mogelijk om bepaalde groepen consumenten te benaderen met marketingcampagnes om op die manier de omzet, en misschien nog wel belangrijker, de winst te vergroten.
Deze voorspellingen zijn te doen in o.a. Azure Machine Learning Studio, R, SAS, IBM SPSS, SAP HANA en Python.
