Auteur: Karl D’haveloose

Ik vind het een beetje beschamend, zeker voor jou en minstens voor mezelf. Iedere dag claimt een nieuw bedrijf wel dat het een AI-bedrijf is. Vermoedelijk gaan we morgen AI-driven Veurnse pannekoeken in de winkelrekken zien (of ze effectief nog meer de papillen strelen is nog gerede twijfel). Jij en ik zitten nu alvast – zeker als het succes van Nvidia-sales zich blijft opstapelen – met dezelfde reflectie : wanneer zal AI zichzelf terugbetalen? Maar dat is dan weer een andere discussie.

In het kader van ABISS2024 – voor wie het zich niet meer zou herinneren: ABISS staat voor Advanced Business Intelligence and Software Summit – stelde iemand me een aantal  thematische vragen. Eén daarvan was of Business Intelligence, Analytics en AI niet gewoon 3 dezelfde madammen in een andere bontjas zijn. Indien niet, wat de fundamentele verschillen dan wel waren. Trouwens iedereen die in een maakbedrijf in de lead is voor deze 3 madammen, moet gegarandeerd een plaats reserveren voor ABISS2024 op 3 oktober ( max. 1.200 bezoekers). Maar nu weer ter zake.

In het interview ‘AI and the productivity paradox’ gaat Rob Thomas, Senior Vice President Software bij IBM voor de these dat artificiële intelligentie in zijn meer dan 25- jaar carrière er altijd al was, maar dan onder andere namen en gedaantes. Algoritmes, Large language-modellen en performante supercalculaties waren al mainstream, jaren voor IBM fier met de supercomputer Watson op de proppen kwam. Echter, de snelheid waarmee nu geschakeld wordt en data kwantitatief en kwalitatief geïnterpreteerd wordt, is op vandaag hyperbolisch.

Een ander inzicht, die ineens ook het verschil tussen AI, Big Data en Analytics in de juiste context giet, is dat van Kihara Kamachia, met dank aan Tech Republic. Kamachia stelt eerder dat de ene begint waar het andere stopt. Vandaar drie definities.

1. Wat is Business Intelligence?

Business Intelligence is een brede categorie van informatiebeheer, analyse en rapportage, die werkt op zowel gestructureerde als ongestructureerde gegevens. BI kan organisaties ook inzicht geven in hun markten, de ‘fit’ van hun producten en diensten in deze markten en de effectiviteit van hun interne bedrijfsvoering.

De Business Intelligence-toolkit is veelomvattend. Onder meer onderstaande kunnen we erin terugvinden:

• Standaardrapportage is het genereren van regelmatige, routinematige rapporten, zoals financiële overzichten, verkoopprestaties en andere belangrijke statistieken, die voortdurend inzicht geven in de bedrijfsvoering.
• Analytics rapportering gaat verder dan standaard rapportering door gegevens te analyseren om diepere inzichten, trends en patronen bloot te leggen.
• Data mining omvat het verkennen van grote datasets om zinvolle patronen, correlaties en inzichten te ontdekken, vaak met behulp van statistische methoden en machine learning.
• Dashboards zijn gebruiksvriendelijke, visuele weergaven van belangrijke statistieken en gegevenspunten, die een snelle en eenvoudige manier bieden om de bedrijfsprestaties in één oogopslag te volgen.
• Prestatiebeheer omvat het volgen en beheren van de prestaties van de organisatie ten opzichte van haar doelstellingen.
• Implementaties van kunstmatige intelligentie in BI omvatten het gebruik van machine learning-algoritmen en andere AI-technologieën om gegevensanalyse te automatiseren.

Alles samen vormen de instrumentatie en implementatie van al deze technologieën de activiteiten van Business Intelligence voor een organisatie.

2. ARTIFICIAL INTELLIGENCE

Artificiële Intelligentie is een technologie die patroonherkenning gebruikt om taken uit te voeren, waarvoor menselijke intelligentie nodig is op een schaal, die voor mensen moeilijk of onmogelijk zou zijn. Binnen Business Intelligence combineert AI vaak inzichten van menselijke experts, waaronder materiedeskundigen en onderzoek, met machine learning-algoritmen om patronen in gegevens te identificeren. De AI begint dan op basis hiervan conclusies te trekken.

AI is sterk afhankelijk van complexe statistische algoritmen, die door datawetenschappers zijn ontwikkeld om een reeks gestructureerde en ongestructureerde gegevens te onderzoeken. Op deze manier kan AI inzichten produceren ter ondersteuning van beslissingen. Het kan zelfs ingezet worden om processen autonoom uit te voeren zonder menselijke tussenkomst.

Een voorbeeld van een AI-toepassing is de creditcardindustrie, waar een systeem wordt getraind om te kijken naar de gebruikspatronen van consumentenkaarten en mogelijk frauduleus gedrag te identificeren.

3. En wat is analytics ?

Analytics werkt op zowel gestructureerde als ongestructureerde data om de besluitvorming binnen bedrijven te ondersteunen. Er worden zowel standaard query's in rapportvorm gebruikt als complexere AI-algoritmen, die unieke patronen in gegevens vinden en daaruit inzichten afleiden.

Verschillende soorten analytics worden veel gebruikt in organisaties - van marketing tot operations, financiën, klantenservice, IT en human resources. Hierbij denken we onder meer aan volgende types:

• Diagnostisch: Dit soort analytics onderzoekt de oorzaken van gebeurtenissen of uitkomsten in het verleden, wat gebruikers helpt de factoren of acties te begrijpen, die aanleiding gaven tot een bepaald resultaat. Bijvoorbeeld een stijging van de verkoop in het laatste kwartaal.
• Beschrijvend: Bij beschrijvende analyses worden historische gegevens samengevat en geïnterpreteerd om een gebeurtenis of resultaat te begrijpen. Bijvoorbeeld heeft het bedrijf zijn KPI's gehaald?
• Voorspellend: Dit type analytics maakt gebruik van datastatistische methoden en machine learning-algoritmen om toekomstige uitkomsten te voorspellen op basis van historische gegevens. Fabrikanten kunnen bijvoorbeeld voorspellende algoritmen gebruiken om te controleren op defecten in de infrastructuur.
• Prescriptief: Prescriptive analytics gaat verder dan het voorspellen van toekomstige gebeurtenissen en stelt acties voor die genomen kunnen worden om de gewenste resultaten te beïnvloeden. Bijvoorbeeld het analyseren van online kopersgedrag in het verleden en waardoor dit kan beïnvloed worden.

Wat zijn de verschillen tussen BI, AI en analytics?

BI, AI en analytics leveren allemaal inzichten op waarmee organisaties beter kunnen presteren, de toekomst kunnen voorspellen en aan de behoeften van hun markten kunnen voldoen. Er zijn echter enkele fundamentele verschillen tussen deze concepten in reikwijdte en functie.

Business Intelligence is een overkoepelend raamwerk voor analytics en AI. Analytics daarentegen kan desgewenst meer op zichzelf staand worden gebruikt. Een verkoopteam kan bijvoorbeeld analysesoftware aanschaffen om markten te beoordelen. AI automatiseert dan weer redeneerprocessen om menselijk werk te elimineren of te verminderen. Een industriële robot met AI aan boord kan bijvoorbeeld een handeling uitvoeren op een assemblagelijn, die voorheen door een mens werd uitgevoerd.

BI, AI en analytics combineren? Zo ja, in welke volgorde?

Analytics en AI kunnen worden geïntegreerd in een groter BI-raamwerk, maar dat hoeft niet. Het voordeel van het integreren van analysetools en AI in een BI-stack is dat je een end-to-endinfrastructuur hebt voor gegevensbeheer, besluitvorming en bedrijfsvoering voor je onderneming.

Als je hiervoor kiest, is de eerste stap het ontwikkelen van het BI-framework dat zowel de analytics als de AI zal huisvesten. De volgende stap is het vullen van dit raamwerk. Bijvoorbeeld waar in je organisatie ga je analytics gebruiken, waar ga je automatiseren met AI en hoe ga je het delen van gegevens door je hele bedrijf faciliteren?