8 trends die de rol van de analist veranderen – deel 2 door Jan Kuper

Orriginal Version here

8 trends die de rol van de analist veranderen – deel 2

8 trends die de rol van de analist veranderen – deel 2

De macro-ontwikkelingen die ik in mijn vorige blog omschreef hebben mijns inziens geleid tot 8 trends die zorgen voor een verandering van de rol van de analist:

Trend 1: Opkomst van Big Data vraagstukken
Niet alleen is de omvang van bestaande bronnen in de laatste paar jaren toegenomen, maar ook het aantal bronnen van waaruit we informatie halen is nog nooit zo veelzijdig geweest. Data is all around us. Gegeven het feit dat het verzamelen van data tegenwoordig bijna geen kostenpost met zich meebrengt leidt dit tot een andere wijze van inzet van data. Waarom bijvoorbeeld marktonderzoeken uitvoeren naar imago terwijl de klant zijn bevindingen blogt? Waarom gegevens over concurrenten handmatig verzamelen terwijl hij deze via het internet prijsgeeft? Waarom prijsanalyses via mystery shoppers uitvoeren terwijl we via scraping de prijzen kunnen achterhalen? In tegenstelling tot het verleden waarin we data ‘fijnknepen’ via allerlei statistische technieken om informatie te distilleren, is het nu zaak patronen te herkennen uit de grote hoeveelheid data. Deze ontwikkeling vraagt echter om nieuwe vaardigheden van de analist.

Trend 2: Ontwikkeling nieuwe data tools
Tot enige jaren geleden kenden we grofweg een aantal tools om data te bewerken en vervolgens te analyseren. De belangrijkste waren SAS, SPSS, Excel. Tegenwoordig is er een groot scala aan nieuwe tools op de markt, die via open source worden onderhouden. Denk hierbij aan tools als R, Python, Octave. Kenmerkend voor deze tools, is het feit dat ze snel allerlei nieuwe technieken kunnen implementeren. Deze tools zijn namelijk niet afhankelijk van releases. Nadeel is echter dat ze met name stand alone kunnen worden gebruikt en niet kunnen worden inzet als business solutions. Het zijn geavanceerde speeltjes van de hedendaagse data analist. Echter free sourcing heeft ertoe geleid dat met name start-ups snel intelligence afdelingen draaiende kunnen hebben zonder hoge investeringskosten.

Trend 3: Kennis van programmeren/algoritmen wordt steeds belangrijker
Doordat de omvang van de data als input voor analyses explosief toeneemt, neemt ook de verwerkingstijd exponentieel toe. Denk alleen aan het sorteren van een bestand.
Kennis van algoritmen is dan ook van essentieel belang, om analyses uit te kunnen voeren. Analisten eisen steeds meer van tools ten aanzien van de flexibiliteit om inputparameters te kunnen tweaken. Eigenlijk gaat de hedendaagse analist/scientist meer terug naar de uitgangspunten van de analyse en wil de analist niet een kant en klare knop. Standaard software heeft hier nogal eens moeite mee. Maar ook voor de analist betekent dit, dat beheersing van algoritmen tot de vaardigheden moet gaan behoren.

programmeren1

Trend 4: Gebruik web intelligence
Als er een bedrijfstak is, die geconfronteerd is met dataproblemen, zijn het de organisatie die zich hebben beziggehouden met zoekmachines en sociale netwerken. Dit zijn de frontiers van nieuwe technieken. Over het algemeen kun je zeggen dat ze met allerlei big data problemen zijn geconfronteerd. Hiervoor hebben deze organisaties oplossingen bedacht, denk aan map-reduce of het herintroduceren van parallelle computing. Analisten in andere bedrijfstakken kunnen leren van deze bedrijfstak. Opvallen is echter dat juist web-organisaties oplossingen delen. Zie ook trend 8.

Trend 5: Opkomst van machine learning/Natural Language Processing
Met de mogelijkheid van meer rekencapaciteit, hebben we de mogelijkheid gekregen om antwoorden op vraagstukken via iteraties te achterhalen. Met name binnen de Machine Learning is dit essentieel. Analisten hoeven zich niet meer in allerlei bochten te wringen op zoek naar antwoorden. In het verlengde van machine learning ligt Natural Language Processing (afgekort tot NPL). Dit wordt met name toegepast bij DNA onderzoek, maar ook in het geval van sentiment analyse. Steeds meer zullen deze technieken antwoorden gaan geven op bestaande vraagstukken, waar ‘conventionele technieken’ deze moeilijk kunnen beantwoorden.

Trend 6: Social netwerk analyses/graphs/gaming theorie
Met de opkomst van sociale netwerken heeft ook de netwerktheorie wederom een enorme boost gekregen. Sociale netwerktheorie kijkt naar de onderlinge relaties tussen de objecten.
Doordat netwerken verschillen in structuur zijn ook de effecten verschillend. Denk bijvoorbeeld aan de wijze hoe informatie door een netwerk vloeit, of de kans op infectie binnen een netwerk.
Een belangrijk voordeel van het gebruik netwerkanalyse is dat we kijken naar de onderlinge samenhang. Hierdoor geven deze technieken steeds vaak inzichten die we via individuele targeting niet kunnen beantwoorden. Met name telco’s maken gebruik van netwerk modellen om churn te verklaren. In het verlengde van netwerk nalyses, ligt gaming theorie. Gaming theorie voegt dynamiek toe aan een netwerk. Met name als het gaat om de dynamica van een concurrentie-analyse. SNA als gaming theorie zouden dan ook wel eens kunnen worden toegevoegd aan het pallet van een intelligence afdeling. Vanwege de hyperconcurrentie op bepaalde markten zou dit vakgebied wel eens tot de kerntaken van een MI-afdeling kunnen gaan behoren.

socialnetworkanalysis

Trend 7: Storytelling en het belang van data products
Dat managers niet meer geïnteresseerd zijn in dikke rapportages, met veel grafieken is al lang bekend. Als er namelijk een kenmerk is van een manager, is het feit dat deze weinig tijd heeft. Alle informatie moet kort en bondig zijn. Men wil maximale informatie via een minimum aan input (lees sheets). Kant en klare data producten, die 5 of misschien zelfs 6 variabelen in één overzicht tonen, zijn gewenst. Daarnaast wil men het liefst ook nog simulaties kunnen uitvoeren.
Storytelling is van essentieel belang. Hoe dit er in de toekomst moet uit gaan zien. Misschien heeft Hans Rosling in de video, Hans Rosling’s 200 Countries, 200 Years, 4 Minutes – The Joy of Stats, een voorzet gegeven. Analisten moet tijd gaan besteden aan het presenteren van data. De tijdsbesteding moet misschien wel als volgt worden: 40% datamanipulatie, 30% analyses en 30% presentatie. Misschien moeten wij analisten meer gezamenlijk gaan optrekken met communicatiespecialisten.

Trend 8: Peer-to-peer/leren van andere(n) disciplines
Als er een vakgebied is waarbij leren centraal staat, is het wel het vakgebied van de data analist. Hedendaagse oplossingen zijn morgen achterhaald. Het vakgebied is enorm in beweging.
Wat opvalt is de mate waarin informatie wordt gedeeld. Is het via LinkedIn-groepen, netwerkgroepen als stake overflow dan wel via MOOC als via omgevingen als de Github. In Nederland kent men ook de meetings van de Data scientist groep Nederland of Utrecht, the applied machine learning group, etc. Maar ook tussen verschillende vakgebieden vindt kennisuitwisseling plaats. Zo wordt technieken uit de biologie in de economie toegepast.
Een ander fenomeen zijn de Kaggle cups. Analisten strijden onderling op zoek naar het beste antwoord. De positie die je als groep inneemt wordt gezien als een ranking van kennis.

Conclusie
De voorgaande trends geven duidelijk aan dat de invulling van de rol van de hedendaagse analist sterk aan veranderingen onderhevig is. Dit betekent niet dat bestaande functies zullen verdwijnen. Wel zullen nieuwe vaardigheden moeten worden toegevoegd. Alleen zo kun je als analist de toegevoegde waarde kunnen blijven leveren waarmee de organisatie zich uiteindelijk kan onderscheiden van de concurrentie.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s