Middelgrote en kleine bedrijven (mkb-bedrijven) geloven soms dat big data alleen van toepassing is op het niveau van de allergrootste ondernemingen. Maar ook kleinere bedrijven verbeteren hun prestaties in elk opzicht aanzienlijk wanneer ze de zeeën van data rondom hen gebruiken.

Wanneer het gaat over big data – het analyseren van grote datasets – voelen mkb’s zich al gauw geïntimideerd of zijn ze gewoonweg niet geïnteresseerd. Big data verwijst naar extreem grote hoeveelheden aan data, op basis van enorme databanken waar slechts heel weinig mkb’s ooit mee in aanraking komen. Daarom concludeert een mkb haast onmiddellijk dat big data irrelevant is. Want de omvang ervan is gigantisch, en de business van een mkb is dat niet.

Maar eigenlijk ligt de overtuigende factor om big data te gebruiken in analytics: het proces om trends en patronen te achterhalen. Dat is een aspect waarop mkb’s wél kunnen inzetten. Data hoeven niet per definitie ‘big’ te zijn om businessinzichten op te leveren in domeinen als interne verrichtingen, consumentengedrag, campagne-effectiviteit en marktopportuniteiten.
Big data en data-analytics hebben een heleboel buzz opgeleverd omdat ze resultaten beloven én opleveren.
Dat blijkt onder andere uit deze statistieken:
• Ze stimuleren verkoop: 44 procent van de mkb-bedrijven die data-analysetools gebruikt, brengt verslag uit van een gestegen verkoop. Van de bedrijven die geen data-analysetools gebruiken, rapporteert slechts 33 procent betere verkoopcijfers.
• Ze maken management eenvoudiger: bedrijven die een beroep doen op data-analytics hebben vijf keer meer kans om sneller zakelijke beslissingen te nemen dan de bedrijven die geen data-analyses uitvoeren.

Start bij je huidige infrastructuur
“De eerste stap bij het verzamelen van data is begrijpen en gebruiken wat je al hebt”, zegt Jim Harder, CEO van data-analytics consultingbedrijf Visual Data Group. Begin bij de departementale rapporten, zoals verkoopcijfers per regio, voorraadhoogtes en creditrekeningen. Daarna ga je een stap verder door extra data te verzamelen en te consolideren.

Maar welke data precies? Het is verleidelijk om alle mogelijke data in bezit te krijgen en achteraf pas te sorteren. Maar dat kan leiden tot ‘paralyse door analyse’, letterlijk een verlamming door te over-analyseren. “Er zijn gewoon te veel data om te analyseren, zeker voor een mkb”, zegt Chris Stephenson, CEO van cognitive analytics platform provider Topos Labs.

Gebruik daarom context om je dataverzameling te begrenzen. “Don’t boil the ocean if you need a cup of coffee”, zegt Stephenson. “Kies niet voor de Google-benadering: je hebt niet álles nodig. Studiebeurs vs. financiële beurs vs. vakantiebeurs: alle drie beurzen, maar als bedrijf actief in financiële diensten, heb je enkel interesse in de tweede variatie.”

Het idee is om data te verzamelen die je helpen om vragen te beantwoorden, zowel de vragen die je kent (“wat zijn onze sales-trends?”) als de vragen die je niet kent (“kijk eens aan, de omzet is gestegen in steden met een rijke jazz-geschiedenis”). Zorg er dus voor dat je de juiste vragen stelt en de data verzamelt die het mogelijk maken om die vragen te beantwoorden.

Veel kleine mkb’s hebben jammer genoeg geen idee hoe te starten met dataverzameling. Ook Michael J. Prichard, CEO van data intelligence platform compagny Metis Machine, ondervindt dat wanneer hij potentiële klanten bezoekt. Als je vraagt naar twee jaar aan data om mee te starten, antwoorden veel bedrijfsleiders, “Dat hebben we niet, dus tot binnen 2 jaar.”
Nochtans hebben mkb’s meestal meer nuttige data dan ze zelf beseffen. “Er is veel wat nog steeds niet wordt opgenomen, zoals ERP en transactiegegevens”, zegt Harder. “Maar in elke organisatie zijn er gegevens beschikbaar. Het is misschien niet eenvoudig om er de hand op te leggen, maar dat is wel het beginpunt.”

Dirty data
Fantastisch: je ontdekte net dat je mkb gegevens in huis heeft die het analyseren waard zijn. Maar vooraleer je overgaat tot consolidaties en analyses, is er nog de dodelijkste vijand van goede analyses waar je rekening mee dient te houden: dirty data. Inaccurate, onvolledige of inconsistente data worden verkeerdelijk vertaald naar uitzonderingen of ongedocumenteerde verschillen.
Slechte data zijn een verraderlijk probleem. Volgens een studie door 452 Research in 2015 ligt de oorzaak van 58 procent van de dirty data bij een foute gegevensinvoer.

“Data science is niet het moeilijkste aan het verhaal”, legt Prichard uit. “Het zijn de gegevens zelf: de data in handen krijgen, zicht krijgen op de bruikbare data, data opschonen en data verplaatsen. 60 procent van de datawetenschappers besteedt het meeste van de tijd aan data opschonen en labelen. Die fase is het moeilijkste.”
Als je de voordelen van data-analyse wilt ondervinden, is het nodig om tijd en moeite te investeren in het opschonen van de datasets. Zoals Harder het stelt: “Data bezitten, is één ding. Ze transformeren tot het punt waarop ze bruikbaar zijn en impact hebben, is koren op de molen.” 

Misschien hebben we nog wat plaats in de kelder
Wanneer een mkb start met verzamelen en consolideren van data, duikt algauw een tweede uitdaging op. Waar naartoe met alles? “In zekere mate hangt de optimale manier van dataverzameling af van de grootte van de organisatie”, zegt Harder. Kleinere organisaties slaan hun data vaak op in de cloud omwille van de betaalbaarheid. Dat geldt zeker wanneer het product van de mkb is gebaseerd op data, zoals bij uitgeverij Green Builder Media, die bijna uitsluitend de cloud gebruikt voor opslag. Vanzelfsprekend, want ze zijn er al actief.

“Middelgrote organisaties zullen eerder voor een hybride benadering kiezen,” zegt Harder, “omdat middelgrote bedrijven doorgaans al on-premise systemen hebben.” Systemen op locatie maken het mogelijk om snel data te verzamelen en er analyses op uit te voeren, en de cloud leent zich ertoe om oudere data op een betaalbare manier te archiveren.
Dat is precies hoe het werkt voor Jasons mkb, waar sommige data zich lokaal bevinden en andere data in de cloud worden opgeslagen. “De lokale dataset omvat de drie laatste maanden aan verzamelde data; daarop voeren wij dagelijks analyses uit”, zegt hij. “De cloud is eerder voor data-opslag, om een inzicht te krijgen in historische trends en patronen.”
Bij beslissingen omtrent opslag gaat het ook vaak om een balans tussen snelheid en kosten. “De meeste data van de klanten bevinden zich in de cloud, maar het gaat niet altijd om locaties die eenvoudig toegankelijk zijn”, zegt Prichard. “De meest recente data zijn gemakkelijk te raadplegen, maar veel van onze klanten slaan hun historische data op in een voordelig archief-systeem zoals Amazon Glacier. Toegang krijgen tot die data neemt meer tijd in beslag, maar de klanten besteden tenminste minder budget om ze bij te houden.”

Analyses in actie
Al die moeite is het enkel waard wanneer de organisatie er beter van wordt. Voor mkb’s is dat absoluut het geval. “Merken zijn op zoek naar unieke en interessante manieren om meer producten te verkopen”, zegt Stephenson, “en je moet weten wat klanten aanzet tot aankopen.” Data-analyses kunnen mkb’s die inzichten geven. “Niet elke vraag moet juist beantwoord worden”, zegt Harder, “maar je moet veel vragen durven te stellen.”
Technology selection management platform SelectHub gebruikt data om alle soorten besluiten te nemen. Michael Shearer, SlectHubs VP of marketing, haalt drie concrete voorbeelden aan uit zijn eigen organisatie:
– Klanten identificeren: “We gingen ervanuit dat inkoopafdelingen onze doelgroep waren”, zegt Shearer. Maar SelectHub ontdekte dat hun platform vaker gebruikt werd door individuele afdelingshoofden. Met als gevolg een verschuiving in SelectHubs marketingstrategieën.
– Interesses van de klanten identificeren: behoeftepatronen en rapportaanvragen helpen om interessedomeinen aan te duiden. Shearer: “In het domein van business intelligence zagen we dat datavisualisatie een hot topic was. Dat inzicht sterkte onze marketingbesluiten.”
– Marketing gaps identificeren: data-analyses onthullen marktopportuniteiten die de organisatie voorheen over het hoofd zag. “Veel mensen zochten naar CRM op onze website”, zegt Shearer, “maar in het bijzonder naar sales force automation (SFA). Dat leidde ons naar een robuuster leaderboard en naar een contentmarketingstrategie om deze nieuwe doelgroep te bereiken.”

Dat betekent niet dat het eenvoudig is
Maak jezelf niets wijs: data implementeren en data-analyses ondersteunen zijn geen eenvoudige processen. “Het hele proces is complex”, zegt Prichard. Dat geldt in elke fase, van ontvangst (verzameling en consolidatie) tot proces (modeleren en analyse) en resultaat (visualisatie en rapportering). Prichard: “Als je die niet alle drie de baas kunt, word je het slachtoffer van je eigen zwakste schakel. Mensen worden enthousiast door het proces, maar je hebt ook de rest nodig.”
Mkb’s hebben zelden institutionele kennis over data-analyse, laat staan interne expertise. Daarom kiezen velen voor analytics-as-a-service (AaaS) en voor consultants om hun vaardigheden rond data-analyse op te bouwen.
Zijn de resultaten het harde werk waard? Green Builder Media’s CEO Sara Gutterman gelooft van wel. “Onze data bieden ons een glazen bol over hoe de markt zal evolueren”, zegt ze. “Ze geven ons een inzicht in ons publiek van early adopters en innovators.”
Het wordt steeds moeilijker voor mkb’s om de voordelen van data-analyses te negeren. Data-analyses leiden naar meer accurate besluiten en maken het mogelijk voor mkb’s om de effecten van die besluiten te meten. De data hoeven niet omvangrijk te zijn, maar dat zullen de beslissingen wel zijn.

Lessen voor leiders
– Mkb’s kunnen net zoveel voordeel halen uit data-analyses als grote organisaties.
– Mkb’s hebben meer bruikbare data in handen dan ze zelf beseffen.
– De grootste uitdaging van data-analyses toepassen bestaat eruit om de data schoon genoeg te maken om er analyses op uit te voeren.

 Bron: www.hpe.com