De meeste succesvolle organisaties behandelen datagedreven besluitvorming als een primaire doelstelling en streven het met religieuze ijver na. Echter, data-driven besluitvorming, de stappen die ertoe leiden en hoe AI het verandert, zijn niet goed gedefinieerd.

In een AI-first bedrijf betekent data-driven besluitvorming

• Strategische beslissingen worden genomen door een diverse groep, waaronder leidinggevenden, die vertrouwen op een voldoende uitgebreide, kwalitatief hoogwaardige set informatie. Per definitie moet een slechte strategische beslissing belangrijk genoeg zijn om tot het falen van het bedrijf te leiden.
• Er zullen operationele beslissingen zijn met aanzienlijke zakelijke gevolgen waarbij out-of-the-box oplossingen geen bevredigende resultaten opleveren. Deze worden gegenereerd door op maat gemaakte modellen voor machinaal leren. Deze modellen kunnen worden gebouwd door het houden van data science-wedstrijden, interne teams of door samen te werken met marktleiders uit de sector.
• De meeste andere operationele beslissingen worden afgehandeld door continu lerende machine learning-modellen die verklaarbare beslissingen opleveren. Operationele beslissingen zijn frequent (een keer per week of vaker) en niet kritisch (een enkele fout zal waarschijnlijk niet leiden tot het falen van het bedrijf).
• Operationele beslissingen die niet met goede nauwkeurigheid kunnen worden geautomatiseerd, worden gedelegeerd aan mensen.
  • Als gegevens ontbreken, worden op meningen gebaseerde besluiten genomen.
  • Als de gegevens bestaan en zijn geanalyseerd, vertrouwt de besluitvormer op analyse.
  • Als de gegevens bestaan maar nog niet zijn geanalyseerd, bepalen de kosten van analyse of een op meningen of op gegevens gebaseerd besluit zal worden genomen.

Voordat we dit raamwerk voor besluitvorming voor moderne bedrijven vaststellen, moeten we nagaan hoe we verschillende besluitvormingsmodellen kunnen evalueren. Als u wilt, kunt u echter direct doorgaan naar de hoofdstukken die u interesseren:

Waarom is het belangrijk?

Hoewel het duidelijk is dat datagedreven besluitvorming belangrijk is, zou het jammer zijn als we niet datagedreven bezig zouden zijn met het bewijzen ervan. Hoewel kwantitatieve gegevens over datagedreven besluitvorming moeilijk te verkrijgen zijn, zijn er significante aanwijzingen dat

• het volume van de gegenereerde gegevens toeneemt. Elke dag creëren we 2,5 quintiljoen bytes aan data volgens de analyse van Domo in 2017. 90% van de gegevens in de wereld van vandaag is in de afgelopen twee jaar gecreëerd.
• bedrijven investeren meer in data en machine learning technologie om inzichten uit die data te halen.

Een relevant onderzoek, werd uitgevoerd door New Vantage Partners over Big Data investeringen van bedrijven. Uit de resultaten blijkt dat bedrijven proberen een voorsprong op elkaar te krijgen door Big Data in het hele bedrijf te implementeren. Dit zijn de cijfers uit de enquête:

Hoe beoordeelt u verschillende besluitvormingsmodellen?

Besluitvorming kent 3 KPI’s: Snelheid, kwaliteit, controleerbaarheid. Gebrek aan een van deze kan leiden tot kritieke mislukkingen.

• Trage besluitvorming verlamt organisaties en stelt concurrenten in staat marktaandeel te winnen.
• Slechte beslissingen leiden tot mislukking. Een slechte beslissing, hoe goed ook uitgevoerd, zal waarschijnlijk geen waarde genereren. Motorola’s beslissing om te blijven investeren in Iridium-satellieten, die miljarden dollars kostten, resulteerde bijvoorbeeld in een grote afschrijving voor het bedrijf. Een goede uitvoering kon het resultaat niet veranderen omdat mobiele communicatie een goedkoper en kwalitatief beter alternatief bood voor satelliettelefoons tegen de tijd dat Iridium-telefoons werden gelanceerd.
• Als besluiten niet kunnen worden gecontroleerd, zijn ze moeilijk te verbeteren. De kwaliteit van beslissingen is moeilijk te meten op het moment dat de beslissing wordt genomen, maar kan later worden ingeschat door andere alternatieven en de huidige marktvoorwaarden in overweging te nemen. Een dergelijke postmortem analyse zou tot betere beslissingen moeten leiden

Wat zijn verschillende besluitvormingsmodellen?

Besluitvormingsmodellen te beginnen met het laagste niveau van verfijning zijn:

1- Op meningen gebaseerd

Hoewel het snelle besluiten oplevert, kan de kwaliteit van de besluiten laag zijn, hetgeen gevaarlijk is voor strategische besluiten. Het kan echter worden toegepast voor snelle besluitvorming in gevallen waarin:

• Gegevens van hoge kwaliteit zijn niet beschikbaar
• Kosten van analyse zijn hoger dan de waarde van een goede beslissing

2- Gedreven door beperkte hoeveelheid gegevens

Organisaties met problemen met de kwaliteit of beschikbaarheid van gegevens zullen waarschijnlijk vertrouwen op beperkte hoeveelheden gegevens om beslissingen te nemen. Dit is potentieel het gevaarlijkste besluitvormingsmodel, omdat besluitvormers beperkte gegevens zouden kunnen gebruiken om hun meningen te ondersteunen, wat leidt tot breed ondersteunde maar op meningen gebaseerde beslissingen.

Een aanzienlijk deel van consultingprojecten valt onder deze categorie, waar consultants zouden kunnen worden gestimuleerd om beperkte gegevenspunten te vinden om op meningen gebaseerde hypotheses te ondersteunen.

De kwaliteit van beslissingen kan beter zijn dan op meningen gebaseerde besluitvorming als besluitvormers openstaan voor nieuwe informatie, rekening houden met psychologische vooroordelen, hun benadering van het doen van voorspellingen variëren (inside view vs outside view) en op zoek gaan naar antwoorden in plaats van te zoeken naar gegevens om hun mening te ondersteunen.

3- Datagestuurde besluitvorming via handmatige analyse

Voor dit model moeten gegevens beschikbaar zijn, van hoge kwaliteit zijn en moet er consensus zijn over de juistheid van gegevens. Het is de aanpak die de voorkeur verdient voor belangrijke beslissingen waarbij timing niet kritisch is en waarbij de kosten van automatisering te hoog zijn in vergelijking met de voordelen.

Om dit mogelijk te maken, moeten bedrijven:

• hun gegevens efficiënt en effectief beheren
• zorgen voor de kwaliteit van hun gegevens
• vertrouwen op krachtige analytics/business intelligence tools

4- Geautomatiseerde datagedreven besluitvorming

Gegevens zijn beschikbaar en van hoge kwaliteit en er is consensus over de juistheid van de gegevens en ze zijn verwerkt, zodat beslissingen automatisch worden genomen. Op basis van de uitkomsten verbetert het besluitvormingsmodel zichzelf voortdurend in de loop van de tijd. Controle is echter een uitdaging wanneer redenen voor beslissingen niet worden gegeven.

Om dit te bereiken, moeten bedrijven de nieuwste machine learning- en AI-benaderingen toepassen om geautomatiseerde, operationele modellen te bouwen op basis van hun gegevens.

5- Geautomatiseerde data-driven verklaarbare besluitvorming

Naast geautomatiseerde data-driven besluitvorming, worden verklaarbare machine learning-modellen gebruikt om beslissingen te nemen. Verklaringen helpen beslissingen te controleren en het onderliggende model voortdurend te verbeteren via handmatige interventies bovenop geautomatiseerd continu leren.

Waarom ik dit heb geschreven?

Ik heb het grootste deel van mijn professionele carrière doorgebracht bij McKinsey waar datagedreven besluitvorming een van de kernprincipes is. Het was een geweldig principe, maar nogal uitdagend om te bereiken als consultant zonder toegang tot interne gegevens. Gezien mijn huidige ervaring met AI, wilde ik nadenken over hoe we datagedreven besluitvorming beter kunnen definiëren.

Hoe kan uw bedrijf een datagedreven onderneming worden in het tijdperk van AI?

1. Bedrijven moeten een digitale transformatie realiseren om ervoor te zorgen dat ze digitale processen hebben. We hebben bijvoorbeeld een gedetailleerde gids over het gebruik van RPA om repetitieve processen te digitaliseren en te automatiseren. Digitale transformatie stelt het bedrijf in staat om gegevens te genereren die zullen worden gebruikt om modellen te bouwen en de besluitvorming te operationaliseren. Gegevens moeten van hoge kwaliteit en toegankelijk zijn om verdere transformatie mogelijk te maken.
2. AI-transformatie kan beginnen als processen worden gedigitaliseerd. Hoogwaardige processen waar volwassen out-0f-the-box oplossingen bestaan, zijn de eerste gebieden voor AI-transformatie.
3. Naarmate bedrijven meer op machine learning/AI gebaseerde oplossingen inzetten, zullen er gebieden zijn waar out-of-the-box oplossingen ontoereikend zijn. Bedrijven moeten AI-oplossingen op maat gaan inzetten om de besluitvorming op dergelijke gebieden te automatiseren.
4. Naarmate modellen vaker worden gebruikt bij de besluitvorming, moeten bedrijven ervoor zorgen dat ze verklaarbaar en vrij van vooringenomenheid zijn.
5. Tijdens deze reis moet het management datagedreven besluitvorming ook omarmen. Er moeten bewuste afwegingen worden gemaakt tussen de inspanning voor gegevensanalyse en de kwaliteit van de beslissing. Deze culturele verandering staat niet op zichzelf, maar moet worden ontwikkeld naarmate de analytische capaciteiten van het bedrijf rijper worden. Een bedrijf met volwassen digitale processen kan het zich veroorloven om meer van zijn beslissingen op een datagedreven manier te nemen dan een bedrijf met offline processen, aangezien het een aanzienlijke inspanning vergt om de resultaten van dergelijke processen in detail te analyseren.

Na deze stappen zal het bedrijf het volwassenheidsniveau hebben bereikt dat aan het begin van het artikel is beschreven. De precieze stappen om daar te komen hangen af van de huidige maturiteit van het bedrijf. Bedrijven kunnen samenwerken met verschillende partners om ondersteuning te krijgen bij deze reis:

• consultingbedrijven voor digitale transformatie om de dx-roadmap te identificeren en de belangrijkste initiatieven te implementeren
• analytics-consultants om het analytics-kader van de onderneming op te zetten waarmee kritieke beslissingen kunnen worden voltooid met een mix van geautomatiseerde en handmatige analyse
• data science / AI-consultants om de gegevens van de onderneming te operationaliseren door aangepaste modellen te bouwen die autonoom zakelijke beslissingen nemen, zoals het verwerken van leningen of claims
• organisatoren van data science-wedstrijden om bedrijven te helpen de wijsheid van de menigte te benutten om effectieve modellen te bouwen tegen beperkte kosten

Als u relevante gegevens hebt om uw machine learning-problemen op te lossen, maar ondersteuning van partners nodig hebt bij het bouwen van machine learning-modellen, kunnen wij u helpen:

Partners identificeren om AI-oplossingen op maat te bouwen

Als u meer vragen heeft, helpen wij u graag:

Laat ons de juiste leverancier voor uw bedrijf vinden