Stel je voor dat je auto rijdt of fietst zoals Business Intelligence tot nu toe werkt. Er staan stoplichten op rood, er steken mensen over, een andere auto komt over de streep van zijn rijbaan, enzovoorts. Je rijdt ondertussen tegen wat auto’s en mensen aan. Maar wat er ook gebeurt, je rijdt gewoon door, op de automatische piloot. Pas na verloop van tijd (een uur, dag, week of maand) denk je terug aan wat er allemaal gebeurd is, analyseert dat, en constateert dat er wel een paar problematische situaties ontstaan zijn, en dat dat anders moet. Je voorziet je auto of fiets van airbags aan de buitenkant, en constateert een maand later dat dat inderdaad heeft geholpen; de schade aan anderen en aan de eigen auto is verminderd.

Niet bepaald “intelligent”, en zo werkt het in het gewone leven natuurlijk ook niet. Snel of zelfs direct reageren op dingen die er om je heen gebeuren is essentieel. Om de parallel met autorijden nog even door te trekken – het liefst word je door de borden boven de weg, of beter nog door je navigatiesysteem, gewaarschuwd dat er een file aan komt. Door die vooruitziende blik kan je op tijd snelheid verminderen of zelfs omrijden om de file te vermijden. Net als het dagelijkse leven is het ook voor allerlei organisaties steeds belangrijker om snel in te spelen op alles wat er in en buiten de organisatie gebeurt. Daar moet je van te voren flexibel op inspelen.

Intelligentie gevraagd

Meestal wordt het woord “Intelligence” opgevat als “Informatievoorziening”. Maar regelmatig wordt het woord geïnterpreteerd als “Intelligent”. Je vraagt je dan inderdaad af wat er nou eigenlijk zo intelligent is aan Business Intelligence. Het feit dat je de historie goed kunt analyseren en lering kunt trekken uit het verleden is natuurlijk niet niks.

Maar is dat dan alles?
Wij denken dat er drie belangrijke verbeteringen nodig zijn om tot een intelligent(er) systeem te komen:
1. Voorspellen in plaats van achteruitkijken
2. Automatiseren van patroonherkenning
3. Directe koppeling aan het bedrijfsproces

Laten we de vergelijking met autorijden die hierboven al stond eens verder uitwerken aan de hand van deze drie verbeteringen.

Voorspellen in plaats van achteruitkijken
Stel dat het glad is of dat je een bocht te hard neemt. Het werkt niet echt als je nadat je uit de bocht geschoten bent, een analyse van je auto krijgt dat het ook wel glad was en dat het beter was geweest om langzamer te rijden en een stabielere koers aan te houden. Wel leerzaam voor de volgende keer, maar de schade is al geleden. Gelukkig signaleert onze auto van te voren als de temperatuur van het wegdek laag is, en grijpen systemen als ABS en ESP in vóórdat het mis gaat.

Een ander voorbeeld: Als je alleen de achteruitkijkspiegel zou gebruiken, zie je dat er een bocht in de weg zat of misschien zie je wel een auto op zijn kant liggen. Gelukkig kijken we ook door de voorruit en weten we dat we beter met de bocht mee kunnen gaan, of analyseren in no-time dat een paar auto’s wel een potentieel gevaarlijke manoeuvre uitvoeren, en bedenken dat we daar beter omheen kunnen sturen om brokken te voorkomen. Je wilt tijdens het rijden naast en voor je auto kijken, en op basis van ervaring en allerlei voorbijkomende informatie snel voorspellen wat de beste actie is.

Automatiseren van patroonherkenning
Stel je voor dat je elke keer bij het schakelen de volgorde van handelingen weer moet bedenken, of vooral bij elke verkeerssituatie een uitgebreide analyse moet laten maken van alle omgevingsfactoren, voordat je ingrijpt. Het is maar goed dat ons gedrag in de auto grotendeels geautomatiseerd is.

En ook de auto neemt ons veel werk uit handen, hij analyseert zelf dat bij een koude start een wat rijker brandstofmengsel ingespoten moet worden, zodat je zelf de choke niet meer hoeft uit te trekken, en niet hoeft te onthouden om de choke na verloop van tijd weer in te duwen.

Directe koppeling aan het bedrijfsproces
Eigenlijk zit dit element in dit voorbeeld al gedeeltelijk opgesloten in de voorgaande punten. De analyse van informatie vindt plaats op het moment dat de informatie beschikbaar komt en gedurende het bedrijfsproces.

En sterker nog, de resultaten van de analyse worden direct en soms zelfs geautomatiseerd ingezet in het bedrijfsproces.
Of de bestuurder nu door de auto automatisch gesignaleerd wordt dat het glad is en dat hij de snelheid zelf moet aanpassen, of dat de auto zelf ingrijpt in gevaarlijke situaties, zoals met ESP of ABS, deze situaties hebben gemeen dat gevaar en vervelende gevolgen worden voorkomen n plaats van achteraf gesignaleerd.

Waar we dit alles in auto’s al lang hebben en doen, werken veel Business Intelligence systemen veel minder geavanceerd, we laten daarmee totnu toe grote mogelijkheden liggen.

Welke dingen gebeuren er nog maar één keer per dag?

Er zijn wel voorbeelden te bedenken. Zonsopgang of zonsondergang, de opening van de beurs, het ophalen van de post. Zo ook het verversen van een datawarehouse of rapportage, als je geluk hebt. Heel vaak worden rapportages zelfs maar maandelijks of wekelijks ververst. Maar in uw bedrijf zijn er wel steeds minder dingen die maar één keer per dag gebeuren. De verwachtingen van klanten en zakenpartners zijn onmiskenbaar hoger geworden op het gebied van snelheid. Waar vroeger het verwerken van een order gerust weken kon en mocht duren is het gangbaar geworden om de complete verwerking dagelijks of zelfs in een dagdeel te doen. Denk ook maar aan e-mail – ook al is e-mail nog geen MSN, vaak zijn de verwachtingen hoog gespannen en wordt reactie op een e-mail in een paar uur verwacht. Elke branche heeft zo zijn eigen gebieden en eigen (re)actietijden, maar overal zie je dat er een versnelling is opgetreden over de afgelopen jaren.

We merken vaak dat dit fenomeen leidt tot de vraag of we toch niet op de bronsystemen kunnen rapporteren in plaats van op het datawarehouse. Maar als je dat gaat doen loop je er tegenaan dat dan juist de intelligentie die al wel ingebouwd was in het vullen van het datawarehouse, waaronder het koppelen van informatie uit allerlei systemen, niet beschikbaar is. Zo hebben we wel eens zonder een datawarehouse een BI systeem gebouwd dat binnen anderhalf uur gegevens uit 3 systemen haalde en combineerde. Daarmee kon de organisatie tot wel 3 of 4 keer per dag een actueel inzicht verkrijgen in de stand van zaken, en daar direct ook weer de mensen op aansturen. Wel waren hiermee de grenzen van het mogelijke bereikt – nóg sneller was echt niet mogelijk, ook niet met deze bijzondere Business Intelligence applicatie.

De extractie van gegevens is normaal een batch operatie die veel gegevens-transport tot gevolg heeft en gewoonweg de nodige tijd vergt. Vaak heeft zo’n slag ook onwenselijke effecten zoals een tragere werking van de bronsystemen tijdens het genereren van de informatie. Als je op dit pad door probeert te wandelen, blijkt de rek er uit te gaan, een traditioneel Business Intelligence systeem kan nog meer duwen en trekken niet verdragen.

De bomen en het bos

We willen dus veel sneller rapportages beschikbaar krijgen, maar we lopen daarbij ook aan tegen steeds maar groeiende data-hoeveelheden. Niet alleen is de hoeveelheid data binnen bedrijven sterk toegenomen, ook het data-verkeer dat tussen bedrijven en om bedrijven heen stroomt is geëxplodeerd.

Samenwerking tussen bedrijven leidt tot een toename van proces- en afstemmings-informatie. Technologieën als RFID chips en bewaking of monitoring van systemen of ruimtes genereren grote hoeveelheden data. Typerend voor deze informatie is dat ze meestal vluchtig is – het is niet altijd noodzakelijk om ze op te slaan, en het is van belang om direct te acteren op de gegevens die langskomen. En ook leidt de grote hoeveelheid data ertoe dat het een kunst is om uitermate snel de informatie te ontdekken in de data-brei.

Wij hebben een groot aantal systemen geïmplementeerd die die analyse en daaropvolgende actie in bijzonder korte tijd uitvoert – de basis daartoe vormt Apama´s Complex Event Processing (CEP) platform. De meest extreme exponent is zogenaamde “algorithmic trading”, waar het systeem beursinformatie en beursnieuws binnen enkele milliseconden combineert, patronen ontdekt, de beste actie bepaalt, en zelfs al direct de orders plaatst. Belangrijk is daarbij dat de kennis en ervaring die door analisten over de jaren heen is opgebouwd en steeds verder verfijnd wordt, neergeslagen wordt in transparante “scenario’s”.

Dat betekent dat de analisten zelf invloed blijven hebben op de manier waarop hun kennis en ervaring wordt gebruikt, en ook kunnen monitoren of dat goed gebeurt. Ook kunnen aangepaste of nieuwe scenario’s tegen een reeks opgeslagen data worden afgespeeld om te weten te komen of ze het nagestreefde effect zullen hebben, zodra ze in productie geplaatst worden.

Ook als uw bedrijfsproces niet om milliseconden draait, maar om uren, geeft deze technologie u veel voordeel. In plaats van batchgewijs informatie op te halen uit databases, worden berichten en brokjes informatie op het moment dat ze beschikbaar komen meteen samengevoegd met reeds beschikbare informatie in het geheugen van servers. Het systeem genereert als dat nodig is direct waarschuwingen via dashboards of bijvoorbeeld e-mails, of zet zonder menselijke tussenkomst een proces in werking. Hier zie je de gevraagde koppeling aan het bedrijfsproces op twee manieren tot uiting komen – zowel het direct verwerken van procesinformatie op het moment dat ze ontstaat, als et direct toepasbaar zijn in het bedrijfsproces. Een ander gevolg van het in geheugen bijhouden van de geïntegreerde informatie is dat ook rapportages en dashboards niet een database hoeven te bevragen, maar rechtstreeks connecteren aan het geheugen, met een zeer snelle responstijd als gevolg.

Herkent u dit patroon?

De mogelijkheden van Business Intelligence tools om snel allerlei dwarsdoorsnedes te maken blijven van groot belang. Het daadwerkelijk ontdekken van verbanden en patronen is daarbij meestal voorbehouden aan de analisten, de Business Intelligence tools helpen hen vooral bij het doorzoeken naar meer ondersteunende informatie voor hun hypotheses. Een stap verder gaan de applicaties van SPSS, die met hun statistische algoritmes veel meer kracht bieden om grotendeels geautomatiseerd verbanden en patronen te ontdekken in grote hoeveelheden data.

Business Intelligence tools gaan daarbij vooral uit van bekende gegevens(stromen), en kunnen niet omgaan met onbekende brokjes data. SPSS biedt hier juist met onder andere neurale netwerken mogelijkheden om wel die onbekende gegevens te classificeren en in te zetten bij de besluitvorming. Die flexibiliteit heb je nodig, net zoals je in het verkeer nou precies in lastige en overwachte situaties het snelst moet beslissen en de gevolgen van je beslissing het grootst zijn.

Het is dus een combinatie van achteraf analyseren en vooruit kijken – ook hier gaat de parallel met het verkeer weer op: ongelukken en verkeersstromen worden ook achteraf geanalyseerd om lering te trekken voor de toekomst.

Elke keer als analyses door tools en mensen achteraf hebben geleid tot nieuwe kennis en inzichten, is het zaak om deze kennis neer te slaan in scenario’s of andere algoritmes die door de CEP engine constant zo snel mogelijk op de langskomende gegevensstroom toegepast wordt.
De algoritmes van SPSS kunnen hierbij als bouwstenen in Apama worden opgenomen, waarna de gebruikers van het systeem deze middels scenario’s aan elkaar knopen en aanroepen. SPSS biedt hierbij statistische algoritmes aan Apama, waarbij de wereld van Apama wordt uitgebreid van harde vergelijkingen naar meer op kansen gebaseerde vergelijkingen en “fuzzy logic”, en de wereld van SPSS wordt uitgebreid met de grote verwerkingskracht en snelheid van Apama.

Direct ingrijpen – al dan niet geautomatiseerd

Het is al een enorme stap voorwaarts als er continu inzicht is in de actuele informatie van allerlei bedrijfsprocessen. Tegelijk is het ook heel belangrijk dat er ook zo snel mogelijk iets gedaan wordt met die informatie, zodra daar aanleiding toe bestaat! De gevolgen van niet tijdig ingrijpen kunnen vaak groot zijn. Dat roept om zo gerichte en zoveel ogelijk geautomatiseerde actie´s.

Er zijn genoeg situaties denkbaar waarin het systeem volledig geautomatiseerd beslissingen kan nemen en ook de conclusies mag trekken. Naast de genoemde algorithmic trading kan je ook denken aan bijvoorbeeld blokkade van een creditcard bij vreemde betaalpatronen, een shutdown van een machine, het blokkeren van de uitvoering van een order wanneer deze sterk afwijkt van het normale afnamepatroon van een klant, en ga zo maar door. In andere gevallen moet een persoon snel ingrijpen, dan is het van belang dat er niet primair dashboards met mooie grafieken en meters getoond worden, maar dashboards die primair uitzonderingssituaties laten zien, waarop weer ingezoomed kan worden voor meer achterliggende informatie. En het systeem moet zelf vanzelfsprekend ook SMS’jes of mails versturen zodra een uitzonderingssituatie optreedt, en escalatieniveaus hanteren wanneer er geen tijdige opvolging plaatsvindt.

En nu?

Meestal voorzien reeds in gebruik zijnde applicaties niet in deze functionaliteiten, al is het maar omdat informatie vanuit allerlei bronnen samen moet komen en op basis van geconstateerde correlaties ingegrepen moet worden. Dit vereist een compleet andere manier van denken, die alleen met een platform zoals Apama in praktijk gebracht kan worden. Wij komen graag met u in gesprek om uw situatie en onze mogelijkheden met u te verkennen.

Bent u klaar voor right-time inzicht en actie? Wij wel!

Productfolder

Voor onze productfolder heeft u Adobe Acrobat Reader nodig. Door middel van de onderstaande afbeelding kunt u Acrobat Reader downloaden.

Met dank aan Martin van Middelkoop, Progress Software.