Derfor er big data så svært
Brugen af big data til analytics vokser, men tilfredsheden med implementeringerne falder. Det viser en international undersøgelse, der primært omfatter amerikanske virksomheder. Big data analytics er ikke helt så let i praksis, som mange opfattede det for få år siden.
Virksomheder er generelt blevet mere realistiske omkring, hvor de befinder sig på big data analytics-modenhedskurven, viser en undersøgelse. .
Alt fra paller over lastbiler, containere og kraner til poser med julesalat og radisser i supermarkedets grøntsagsafdeling repræsenterer et potentiale for at opsamle, lagre og overføre informationer, der kan gøre ledelsen af forsyningskæden smartere, hurtigere og mere effektiv.
Virksomhederne skal bare samle dataene op og føde dem ind i systemer med analyseværktøjer og kunstig intelligens og voila, så har de et hurtigere og mere kvalificeret beslutnings- og styringsgrundlag, som resulterer i mindre spild og højere værdiskabelse. Det er i hvert fald idéen med big data analytics.
Men virkeligheden ser tilsyneladende lidt mere nuanceret ud. I hvert fald hvis man skal tro den undersøgelse, den globale brancheforening CSCMP (Council of Supply Chain Management Professionals) har gennemført sammen med Arizona State University og Colorado State University i 2017 og igen i 2018.
Figur 1: Datatilfredshed 2017 versus 2018 / total antal implementeringer / datatilgængelighed / dataanvendelighed / dataintegritet / datapålidelighed / Efterhånden som flere virksomheder implementerer big data analytics, falder tilfredsheden med datakvalitet..
Flere kaster sig over big data
En sammenligning af undersøgelserne fra 2017 og 2018 fortæller en tydelig historie om, at flere virksomheder (14 procent flere) har kastet sig over big data analytics, mens mængden af virksomheder, der svarer, at de slet ikke arbejder med big data analytics er faldet fra 23 til 10 procent.
Der er altså godt gang i analyserne af de store datamængder fra de mange forskelligartede kilder. Men virksomhederne rapporterer samtidig, at tilfredsheden med dataene er faldet med mellem 4 og 8 procent, se figur 1.
Big data er hårdt arbejde
Undersøgelsen afslører også, at færre respondenter svarer, at big data-implementeringerne er ”transformerende” eller ”avanceret”. Forskerne bag undersøgelsen tolker det resultat på den måde, at efterhånden som erfaringerne med big data analytics bliver mere omfattende, bliver forventningerne også mere nuancerede og realistiske.
De mener, at: ”vi i 2017 oplevede en masse begejstring og eufori omkring big data analyser, og der er nu sket en erkendelse af, at big data ikke er forskellig fra alle andre nye teknologier på den måde, at det kræver en masse hårdt arbejde at konvertere ny teknologi til en succes. Virksomheder er generelt blevet mere realistiske omkring, hvor de befinder sig på modenhedskurven”.
Fem typer af data analytics
Forskerne opdeler data analytics i fem kategorier:
- Descriptive – hvad sker der/er der sket?
- Diagnostic – hvorfor sker det?
- Predictive – hvad vil der ske?
- Prescriptive – hvad skal der gøres?
- Cognitive – brug af machine learning for at identificere hvad der skal eller kan gøres.
Forskerne tolker den faldende tilfredshed med kvaliteten af dataene ud fra samme perspektiv. De mener, at virksomhederne efterhånden, som de får gravet sig dybere ned i dataene, får en ny indsigt i dataproblematikker, der tidligere var usynlige, men som nu kommer op til overfladen.
Forskerne konkluderer, at der masser af potentiale i big data analytics specielt i kombination med kunstig intelligens, men at det kræver masser af hårdt arbejde og en længere proces med mere nuanceret forståelse af data, tilgængelighed og mangler.
