De organisatie gereed maken voor machine learning
Tegelijk met de AI-hype heeft ook machine learning een snelle opmars gemaakt binnen het bedrijfsleven. Maar wat is machine learning precies? En welke stappen moeten organisaties zetten om machine learning (verder) te integreren binnen de organisatie? In een nieuw rapport delen experts van Supply Value hun visie.
Machine learning is een vorm van kunstmatige intelligentie die computers in staat stelt om te leren van data en voorspellingen te doen zonder expliciete programmering. Het herkent verborgen patronen en vertaalt deze naar concrete besluiten.
Hierdoor is machine learning een krachtige oplossing met een enorme potentie. Organisaties die hier tijdig mee beginnen, kunnen aanzienlijke voordelen behalen ten opzichte van de rest van de markt.
Machine learning biedt verscheidene toepassingen. Velen zijn bekend met generatieve AI-toepassingen zoals ChatGPT, waar een model antwoorden genereert op gestelde vragen. Door het programma te gebruiken en feedback te geven op de antwoorden, blijft het systeem leren. Dit stelt het in staat om steeds complexere vraagstukken op te lossen, waardoor het zijn nut behoudt in een veranderende omgeving.
Een andere herkenbare toepassing is het spamfilter in je mailbox. Dit systeem probeert continu zijn filter te verbeteren door te leren van de interactie van de gebruiker met inkomende e-mails. Mails die regelmatig door de gebruiker naar de ongewenste mailbox worden verplaatst, worden uiteindelijk ook door het programma herkend en automatisch gefilterd.
Naast deze alledaagse toepassingen heeft machine learning een breed scala aan mogelijkheden binnen verschillende organisaties. Deze toepassingen illustreren niet alleen de veelzijdigheid van machine learning, maar ook de impact ervan op verschillende sectoren.
Concrete voorbeelden van machine learning
In hun rapport wijzen de auteurs van Supply Value op een groot aantal mogelijke use cases voor machine learning. Momenteel wordt de technologie veel toegepast in sectoren zoals de financiële dienstverlening (denk aan fraudeopsporing), de farmaceutische industrie en levenswetenschappen (denk aan de ontwikkeling van nieuwe medicijnen), de gezondheidszorg (denk aan het opsporen van ziektes) en de maakindustrie.
De onderzoekers van Supply Value noemen twee concrete voorbeelden van machine learning-toepassingen.
Het eerste voorbeeld betreft een bedrijf dat gespecialiseerd is in halfgeleiderapparatuur. Dit bedrijf heeft zijn traditionele voorraadbeheersysteem vervangen door een machine learning-systeem, wat resulteert in hogere serviceniveaus voor klanten tegen lagere kosten. Met 15% lagere voorraadkosten kan de oude vullingsgraad worden bereikt, en het machine learning-systeem kan de vullingsgraad zelfs verhogen van 81% naar 85%.
Het tweede voorbeeld betreft een elektronicabedrijf dat zich richt op de particuliere markt. Hier bracht het machine learning-model tekortkomingen in het voorraadbeheer aan het licht. Een opvallende bevinding was dat de regio met het hoogste verkoopvolume de minste voorraad had. Dit leidde tot ernstige tekorten in de winkels in die regio.
Hoe kan machine learning worden opgeschaald?
Om organisaties te helpen zich voor te bereiden op het gebruik van machine learning, heeft Supply Value een volwassenheidsmodel ontwikkeld. Dit model beschrijft hoe volwassen organisaties zijn in het gebruik en beheer van data, en waar de organisatie staat op het gebied van datagedrevenheid. Dat doet het model langs vier verschillende assen: technologie, beleid, organisatie en dataprocessen.
Door het model te gebruiken, kunnen organisaties in kaart brengen waar ze staan en welke stappen gezet kunnen worden om machine learning naar een hoger niveau te tillen.
1) Assessment: data maturity
Het eerste assessment richt zich op het in kaart brengen van de datavolwassenheid van de organisatie. De vijf volwassenheidslagen zijn:
- Basis: In deze fase heeft een organisatie beperkt begrip van haar data. Er is geen formeel beheer en data is niet gemakkelijk toegankelijk. Door deze situatie vindt er geen datagedreven besluitvorming plaats.
- Herhaalbaar: Er zijn basisprocessen voor databeheer en documentatie aanwezig. De organisatie is begonnen met rapportages en basisanalyses op basis van data. Echter, de data is nog niet integraal beschikbaar en vaak niet van de gewenste kwaliteit.
- Gedefinieerd: De organisatie heeft een geformaliseerd databeheer en gedefinieerde rollen en verantwoordelijkheden voor dataprocessen. Dit resulteert in geavanceerde analyses en besluitvorming op basis van data. De focus ligt nu met name op datakwaliteit en -integriteit.
- Beheerd: Op dit niveau is er sprake van een volwassen databeleid, met een sterke focus op datakwaliteit en -integriteit. Omdat de kwaliteit en integriteit al van een hoog niveau zijn, wordt de focus verder uitgebreid naar veiligheid en privacy. Men wil data integreren door de gehele organisatie. Er is al sprake van strategische besluitvorming en bedrijfsplanning op basis van data.
- Geoptimaliseerd: Het gebruik van data is volledig geïntegreerd en geoptimaliseerd binnen de organisatie. Data worden ingezet als strategisch middel, wat resulteert in een sterke focus op datagedreven werken. De organisatie is voortdurend bezig met het verbeteren van haar datamanagement.
2) Assessment: gebruik van machine learning
Dit assessment kijkt in hoeverre het gebruik van machine learning aansluit bij de organisatiedoelstellingen en welke capaciteiten er zijn om machine learning verder uit te bouwen. De zeven volwassenheidslagen zijn:
- Onwetend: Op dit niveau is er weinig tot geen bewustzijn en begrip van machine learning. Er is geen interesse en er worden geen initiatieven gestart om kansen op het gebied van machine learning te onderzoeken.
- Nieuwsgierig: Hier wordt het potentieel van machine learning op sommige plekken binnen de organisatie herkend, maar men weet niet zeker waar te beginnen. Kennis is vaak afwezig.
- Startend: Potentiële use cases worden in beperkte mate verkend. Echter kunnen deze use cases stroef verlopen, omdat er intern weinig expertise aanwezig is.
- Gedreven: Delen van de organisatie zijn actief aan het verkennen om mogelijkheden voor machine learning-toepassingen te identificeren. De organisatie is bezig met het creëren van een formeel machine learning-beleid. Talent wordt bijgeschoold en er worden enkele pogingen gedaan om machine learning te implementeren in geïdentificeerde gebieden.
- Geïntegreerd: Machine learning is geïntegreerd in een aantal processen, waarmee het bijdraagt aan het optimaliseren en automatiseren van deze processen. Tevens zijn er personen aangewezen die verantwoordelijk zijn voor machine learning-toepassingen binnen de organisatie. Dankzij de bijscholing bestaat er ook de nodige kennis onder collega’s.
- Geoptimaliseerd: Machine learning wordt omarmd als strategische toepassing. Het is bedrijfsbreed geïntegreerd in vele processen, waarbij het gebruik voortdurend wordt geoptimaliseerd om waarde te genereren.
- Voorloper: Op dit niveau is machine learning diep verankerd in de dagelijkse activiteiten en besluitvormingsprocessen van de organisatie. De organisatie is een voorloper op het gebied van machine learning-technologie en de toepassing hiervan.
De volwassenheid in kaart
Door beide self-assessments uit te voeren, krijgen organisaties inzicht in de huidige situatie, kansen en uitdagingen. En die kansen zijn groot, benadrukt Supply Value. Denk aan het optimaliseren van processen, verlagen van kosten en verhogen van klanttevredenheid.
Door tijdig in deze technologie te investeren en de juiste stappen te ondernemen, kunnen bedrijven zich onderscheiden in de huidige competitieve markt, aldus de onderzoekers. Ze concluderen dan ook dat het voor organisaties cruciaal is om de potentie van machine learning te omarmen en een strategie te ontwikkelen die hen in staat stelt deze krachtige tool effectief te integreren in hun bedrijfsvoering.
