Digitaliseringtrends van het MKB in Nederland – Is jouw ‘Ding’ al online?

Nederland is een van de meest gedigitaliseerde landen van Europa. We zijn zelfs het land met de hoogste 4G-dekking, het meeste internetgebruik en de meeste digitale overheidsdiensten, dat blijkt uit de index van de digitale economie en maatschappij (DESI) voor 2019. 

De digitalisering van het MKB is de laatste jaren ook in een stroomversnelling geraakt. Maar liefst 63% van de bedrijfsprocessen in het midden- en kleinbedrijf verloopt in 2019 digitaal volgens de Visma digitaliseringsindex

Wat die digitale transformatie mogelijk maakt zijn digitale technologieën. Bedrijven maken gebruik van verschillende tools of softwareprogramma’s om hun bedrijfsprocessen te automatiseren, te verbeteren en met elkaar te integreren. Nu de digitale transformatie al ver gevorderd is, vroegen wij ons af welke software nu eigenlijk het meest gebruikt wordt. En in hoeverre digitalisering nu nog een prioriteit voor Nederlandse bedrijven is. En wat zijn de digitaliseringtrends van 2019? We zijn benieuwd! Dit zijn de resultaten van ons onderzoek over digitalisering van het MKB in Nederland. 

Digitaliseringtrends

Hoogtepunten van de studie

  • De cloud wint het van hybride oplossingen
  • Boekhoudprogramma’s zijn de meest gebruikte software in Nederland
  • Digitalisering wordt niet genoeg ingezet voor verbetering klantervaring
  • Internet of the Things is de meest gebruikte nieuwe technologie 
  • Nederlandse bedrijven willen méér gebruik maken van technologie
  • Weinig aandacht voor training in software

Digitaliseringtrends: de cloud triomfeert in Nederland

Cloud gebaseerde software wint het anno 2019 definitief van op de computer geïnstalleerde software. Meer dan de helft van de ondervraagden werkt met cloudoplossingen. Bijna een derde van alle bedrijven in Nederland werkt uitsluitend met cloudapplicaties. Veel bedrijven werken echter nog met hybride-oplossingen, een combinatie van cloud computing software en on-premise (op de computer of server geïnstalleerde) programma’s. 

Opvallend is dat een vrij groot aantal van de ondervraagden aangaf niet precies te weten welke soort software ze precies gebruiken, in de cloud of op de server.  Sommigen antwoordden dat ze überhaupt geen software gebruiken. Het kan zijn dat ondervraagden niet geheel bekend zijn met de term software. Terwijl wij Nederlanders het gebruik van Engelse termen niet schuwen, zijn veel mensen in dit geval beter bekend met de variant computerprogramma of -systeem of applicatie. 

digitaliseringtrends cloud software

Dankzij cloudapplicaties kan het MKB dezelfde krachtige ICT-oplossingen in huis halen als grote bedrijven. Cloudapplicaties werken op abonnementsbasis, oftewel als Software-as-a-Service (SaaS). Bedrijven hoeven dus niet voor licenties te betalen of te investeren in eigen servers en onderhoud. Dat wordt bij softwareoplossingen in de cloud allemaal uit handen genomen. Bedrijven verminderen zo aanzienlijk de risico’s die voortvloeien uit investeren in dure bedrijfsapplicaties, implementatie, exploitatie en onderhoud. Kleine en middelgrote ondernemingen hebben vaak geen IT-afdeling en missen het benodigde personeel en kennis voor softwareselectie en -implementatie. SaaS-producten bieden vooraf gebouwde structuren en processen die het MKB goed gebruiken kan.

De cloud is bovendien locatie-onafhankelijk. Met een internetverbinding kunnen medewerkers thuis, op locatie of onderweg inloggen en meteen aan de slag. Het Nieuwe Werken en het werken met externe teams wordt hierdoor veel makkelijker.  

Het is ook belangrijk om te realiseren dat veel nieuwe digitale technologieën, zoals kunstmatige intelligentie en het Internet of the Things (IoT) het gebruik van applicaties in de cloud vereisen. Cloud is en blijft de toekomst. 

Wat kan het gebruik van de cloud tegenhouden

Als je met vertrouwelijke gegevens werkt die je liever binnenshuis houdt kan het verstandig zijn om voor hybride oplossingen te kiezen. Je kan bepaalde systemen of data lokaal laten staan en de overige gegevens migreren naar de cloud op een externe server. 

Office is de meest gebruikte software in het MKB

We wilden weten welke specifieke softwaretoepassingen worden gebruikt in het Nederlandse MKB. In de enquête vroegen we daarom de naam van de softwareprogramma’s die door de respondenten op hun werk worden gebruikt. Uit de resultaten blijkt dat Office de duidelijke leider is, gevolgd door Adobe, Google Drive, Exact en SAP.

digitaliseringtrends meest gebruikte software

De grote populariteit van Google Drive geeft aan in hoeverre Nederland de voordelen van opslag van gegevens in de cloud al benut. Het hoge percentage Dropboxgebruikers getuigt daar ook van. Ook al haalde Dropbox de top 5 net niet, het programma staat wel op de 7de plaats. De bedrijfssoftware van het Nederlandse AFAS neemt de 6de plaats in. 

Software wordt het meest gebruikt voor boekhouden 

Vervolgens vroegen wij welke soorten software er op het werk gebruikt worden. Bijna de helft gaf aan gebruik te maken van boekhoudprogramma’s, en 24% is van plan of evalueert om het in de komende 1-2 jaar te gaan gebruiken. 

Boekhouding is de basis van digitalisering. Zonder een heldere inrichtingen van de boekhouding heeft een bedrijf geen inzicht in zijn krachten en uitdagingen. Bovendien zijn gestructureerde data de basis voor een datagedreven bedrijfsvoering. Ook zijn er in Nederland 1,1 miljoen zzp’ers werkzaam die hun administratie grotendeels zelf regelen en daar veelal boekhoudprogramma’s voor gebruiken. Respondenten noemden bijvoorbeeld Exact Online, Snelstart, Accountview, Moneybird of Rompslomp.

Data- en informatiebeveiliging hoog op de digitaliseringsagenda

Met de groeiende digitalisering wordt cybersecurity ook steeds belangrijker. Hoe meer digitalisering, des te meer gegevens digitaal zijn en systemen met elkaar verbonden worden. Dan wordt digitale veiligheid een must. 28% van de ondernemers gaf aan al gebruik te maken van software voor data- en informatiebeveiliging, 32% is van plan of is het aan het evalueren om het te gaan gebruiken in de komende 1-2 jaar. 

Verder scoorde het gebruik van HR-software hoog. Wetgeving kan hier een rol spelen. Afscherming van privacygevoelige persoonsgegevens om aan de AVG te voldoen is nauwelijks te doen met een personeelsadministratie op papier en in ordners. Een personeelsbeheersysteem met wachtwoorden ter beveiliging en waarin gegevens gemakkelijk opgehaald en vernietigd kunnen worden is dan een logische oplossing.

Bovendien is het zonder gedigitaliseerde HR-afdeling moeilijk om jong talent te bereiken. Kandidaten moeten benaderd kunnen worden waar ze zich ook bevinden, en dat gaat alleen digitaal. Respondenten noemden bijvoorbeeld de HR-software van Carerix.

Ten slotte zijn CRM-systemen (28%) en projectmanagement programma’s (22%) ook zeer populair. Respondenten noemden bijvoorbeeld de CRM-systemen van Salesforce, Odoo, Exact en Oscar CRM en de projectmanagement tools Monday, AFAS, Jira en Asana, Exact.

Bedrijven willen méér gebruik maken van technologie

Uit de resultaten van het onderzoek blijkt dat ongeveer 1 op de 3 werknemers vindt dat hun organisatie nog meer gebruik zou kunnen maken van IT en technologie. De meeste mensen beschouwen echter dat hun bedrijf al enkele voordelen van software ondervindt en dat hun bedrijf met de tijd mee gaat. Twee op de tien vindt zelfs dat hun bedrijf technologisch geavanceerd is en bijna 1 op de tien beschouwt zich een digitaliseringskoploper. 

Digitaliseringtrend gebruik IT

Een van de manieren om nog meer uit technologie te halen is het gebruik van smartphone apps. Maar liefst 40% van de ondervraagden maakt daar echter nog geen gebruik van. Digitaliseringstrends zoals mobiel werken zullen het gebruik van apps aandrijven en in de komende jaren zal het gebruik blijven toenemen. Onder de app-gebruikers gebruikt 34% meer dan één app en 26% één app voor werkdoeleinden. 

De top vijf uitdagingen van bedrijven

Maar in hoeverre is digitalisering nu nog een prioriteit voor Nederlandse bedrijven? Nu de meeste organisaties hun processen grotendeels geautomatiseerd hebben en wettelijke verplichtingen wat betreft privacywetgeving en boekhouding geregeld zijn, wat zijn nu de belangrijkste uitdagingen voor bedrijven?

Top 10 prioriteiten MKB

De nummer één prioriteit is de werving van nieuwe klanten, nauw gevolgd door de wens om producten of diensten te verbeteren. Digitalisering staat op de gedeelde vijfde plaats samen met de wens om de klanttevredenheid te verbeteren. 

Het binnenhalen van nieuwe klanten heeft uiteraard een rechtstreeks effect op de resultaten van het bedrijf, maar tegenwoordig wordt de strijd net zo hard gevoerd op het marketingslagveld van de klantervaring. De kracht van kleine ondernemingen zit hem vaak in het goed kennen van hun klanten, maar grote bedrijven kunnen nu ook een veel persoonlijke klantervaring nastreven door slim gebruik van data. 

Digitalisering wordt niet genoeg ingezet voor verbetering klantervaring

Uit ons onderzoek blijkt dat op dit vlak nog verbeteringspunten mogelijk zijn. Slecht 10% van de ondervraagden gaf aan dat het verbeteren van klantrelaties een van de belangrijkste voordelen is van het implementeren van nieuwe technologieën. Uit onderzoek van het KVK blijkt ook dat bijna de helft van de ondernemers geen enkele verandering heeft gerealiseerd rondom online marketing of het gebruiken van klantdata in de afgelopen 3 jaar. 

Gartner meldt dat een derde van de marketeers die verantwoordelijk zijn voor de Customer Experience (CX) zeggen dat hun bedrijven voornamelijk concurreren op basis van CX. De verwachtingen zijn dat bedrijven door het stroomlijnen van de ‘buyer journey’ en het verbeteren van klantervaring grote competitieve voordelen zullen behalen. Maar dan zal er wel geïnvesteerd moeten worden in het marketingbudget, want dat groeit niet altijd mee.  

Besparen van tijd is belangrijkste aspect van digitalisering

Niet het verbeteren van klantrelaties maar tijdsbesparing is voor bedrijven het grootste voordeel dat zij ondervonden door het implementeren digitale technologieën. 

 

digitalisering trend voordelen nieuwe technologieën

Op de tweede plaats komt het verhogen van efficiëntie en het verbeteren van de productiviteit. Voor bijna 20% is het gebruik van nieuwe technologieën noodzakelijk voor hun activiteit. Voor 14% is kostenbeperking een belangrijke reden.

Digitaliseringstrends: Internet of the Things 

Omdat Nederland koploper is in veel aspecten van digitalisering, onderzochten we in hoeverre het MKB al gebruik maakt van de nieuwste digitale technologieën. Uit de antwoorden bleek bijvoorbeeld dat 15% al gebruik maakt van Internet of the Things (IoT) en dat 23% erover nadenkt om het in de komende 1-2 jaar te gaan gebruiken. Dat is een hoog percentage en laat een duidelijke trend zien. 

Gebruik nieuwe technologieën in Nederland

Alle mensen zijn inmiddels online, met IoT zijn ‘dingen’ nu ook online en dus opeens een stuk ‘slimmer’. En als dingen slim worden dan plukken wij daar de vruchten van. Althans, dat gebeurt als we gebruik weten te maken van de mogelijkheden die IoT biedt. Het gaat niet alleen om het besturen van machines of apparaten op afstand met smartphones of tablets, maar om het verzamelen van gegevens. Omdat de meeste activiteiten en processen inmiddels geautomatiseerd zijn, kunnen we met IoT weer een stap verder gaan. Met IoT kunnen er oneindig veel gegevens (Big Data) verzameld worden. Met die gegevens kunnen bedrijven bestaande processen optimaliseren, opnieuw vormgeven om tot nieuwe betere of goedkopere producten of servicemodellen te komen.  

Blockchain is een andere disruptive technologie die door 5% van de respondenten al gebruikt wordt. Het is niet alleen de technologie achter cryptomunten meer, maar er zijn steeds meer nieuwe toepassingen, zoals bijvoorbeeld blockchain in de supply chain. 11% van de ondervraagden gaf aan dat ze het gebruik van blockchain aan het evalueren zijn en 6% is van plan het te gaan gebruiken in de komende 1-2 jaar.

Niet genoeg training in gebruik softwaretools

Software maakt ons dagelijkse werk veel makkelijker (70 % is het daarmee eens), maar bedrijven moeten niet vergeten hun personeel voldoende te trainen om nieuwe softwaretools optimaal te benutten. Het succes van softwaretool staat of valt met de acceptatie en de toepassing door de medewerkers en meer dan een derde van de ondervraagden melde geen enkele training te hebben gehad in het gebruik van de door het bedrijf aangeschafte software. Ook al zijn de meeste softwareprogramma’s redelijk gebruiksvriendelijk, toch zijn er altijd functionaliteiten die een uitleg nodig hebben om de mogelijkheden optimaal te benutten.

Methodologie:

Voor dit onderzoek over digitalisering in het Nederlandse bedrijfsleven hebben we in juli 2019 een online enquête uitgevoerd. De antwoorden komen uit een steekproef van de doelmarkt Nederland. De enquête werd verzonden naar 615 mensen waaruit, na screeningvragen, uiteindelijk 158 deelnemers kwalificeerde om de enquête in te vullen. Gekwalificeerde deelnemers zijn in dienst (voltijd, deeltijd of zelfstandig), werken in een kleine tot middelgrote onderneming (1-250 werknemers) en gebruiken software voor hun werk.

 

Datenbereinigung – der Frühjahrsputz für die Datenoptimierung

Wir haben es schon oft geschrieben: Daten sind die wichtigste Ressource für Unternehmen und wer die Datensicherheit vernachlässigt, bringt sich schnell in die Bredouille.

Doch bei der Datenpflege geht es nicht nur um die Sicherheit: Auch die Datenbereinigung spielt eine enorm wichtige Rolle.

Datenbereinigung – der Frühjahrsputz für die Datenoptimierung

An dieser Stelle taucht bei vielen die Frage auf: „Was ist Datenbereinigung eigentlich?“ Bei der Datenbereinigung, auch Data Scrubbing oder Data Cleansing genannt, geht es darum, Unternehmensdaten auf Ungenauigkeiten, Duplikate sowie veraltete und unvollständige Einträge zu überprüfen. Dabei werden Datenfehler entfernt und korrigiert und alles behoben, was die Daten für die Nutzung in Business Intelligence (BI)-Software unbrauchbar macht.

Daten müssen genauso regelmäßig gereinigt werden wie andere Dinge im Alltag, wie das Spülbecken oder der Hund, der sich mal wieder im Komposthaufen gewälzt hat – und der Vergleicht hinkt gar nicht mal allzu sehr, denn genau wie der Hund tun Daten alles, um die gründliche Wäsche zu vermeiden, und genau wie beim Spülbecken wartet man vergeblich darauf, dass sie sich von selbst putzen.

Während ein schmutziges Spülbecken allerdings wenig Konsequenzen nach sich zieht, sieht das bei vernachlässigten Unternehmensdaten schon ganz anders aus: Schlimmstenfalls können sie das ganze Geschäft gefährden.

Chaos ist nicht immer kreativ – Wettbewerbsvorteil dank gut organisierter Daten

Kissmetrics schätzt, dass Unternehmen aufgrund von schlechter Datenqualität mindestens 20 Prozent ihres Umsatzes verlieren. 41 % der Unternehmen nennen inkonsistente (und damit „schmutzige“) Daten als ihre größte Herausforderung, und das in den unterschiedlichsten Technologien – darunter CRM, Marketing-Tools und BI.

Werden unsaubere Daten zur Datenanalyse verwendet, ist das in etwa so, als würde man einen Benziner mit Diesel fahren. Nicht nur läuft das Unternehmen nicht rund, man riskiert auch, dauerhaft den Motor zu schädigen.

Datenanalysen, die auf Grundlage minderwertiger Daten erfolgen, können zu falschen Entscheidungen mit häufig teuren Konsequenzen führen.

Ein fehlender Datenbereinigungsplan sollte Unternehmen also genauso in Sorge versetzen wie hygienisch bedenkliche Zustände in der Kantine – doch nur 16 Prozent der Unternehmen beschreiben die von ihnen genutzten Daten als „sehr gut“, sprich: als Daten, die auf Integrität, Genauigkeit und Sicherheit basieren.

Die Datenbereinigung zur Verbesserung der Datenqualität ist nicht selten die anstrengendste und schwierigste Aufgabe bei der Datenanalyse, doch sie ist gleichzeitig die wichtigste.

Die erfolgreichsten Unternehmen, deren Geschäft auf Daten basiert, sind häufig geradezu davon besessen, ihre Daten makellos zu pflegen. Beim Aufrechterhalten der Datenqualität geht es schließlich nicht nur darum, negative Auswirkungen zu vermeiden, sondern auch um all das, was man dank sauberer Daten an Erkenntnissen für Geschäftsinnovationen gewinnen kann.

An dieser Stelle ist die Rede vom „kreativen Chaos“ einfach nicht angebracht: Unternehmen mit gut gepflegten und strukturierten Daten haben einen eindeutigen Wettbewerbsvorteil.

Was ist Datenbereinigung bzw. Data Scrubbing?

Nahezu jedes Unternehmen hat Daten, die eine Bereinigung gebrauchen könnten. Wie fangen wir also damit an?

Es gibt verschiedene Verfahren, die zur Datenbereinigung verwendet werden, doch letztendlich laufen sie auf dasselbe hinaus:

1. Das Modifizieren, Berichtigen, Zusammenfügen und Entfernen korrupter, unvollständiger, veralteter oder ungenauer Daten.

2. Das Entwickeln von Strategien zur Verbesserung von Datensicherheit und Compliance, sodass das Unternehmen durch qualitativ hochwertigere Daten einen großen Mehrwert schafft.

Warum ist die Datenbereinigung so wichtig?

Es kostet im Durchschnitt …

  • 1 $, ein Duplikat zu vermeiden
  • 10 $, ein Duplikat zu korrigieren
  • 100 $, Datenduplikate unverändert zu speichern und keine Maßnahmen zu ergreifen

Damit wird deutlich: Es ist schlicht und einfach eine Sache des guten Geschäftssinns, die eigenen Daten zu bereinigen, bevor das Chaos immer größer wird. Aktuell geben Unternehmen immerhin durchschnittlich 50 Prozent ihres IT-Budgets für die Datenwiederherstellung aus.

Ein weiteres Problem liegt darin, dass die meisten Menschen ständig Unmengen an Daten generieren. Besonders das Internet of Things (IoT) trägt dazu wesentlich bei. Wer einmal versucht, einen Tag lang keinerlei Geräte oder Services zu nutzen, die persönliche Daten teilen könnten, wird feststellen, dass das gar nicht so einfach ist: Wir haben uns schon längst daran gewöhnt, Essen online zu bestellen, Musik per Streaming-App zu hören oder unsere Heizung per Smart Home-Gerät zu steuern.

Natürlich fallen in Unternehmen noch viel mehr Daten an als in einem Privathaushalt, weshalb eine Data-Governance-Strategie, die festlegt, wie Daten verarbeitet und verwaltet werden, für Unternehmen jeder Größe unverzichtbar sind.

Data-Governance-Strategien verbessern die Datenqualität

Ideal ist es, wenn Unternehmen mithilfe entsprechender Datenverwaltungsrichtlinien zuverlässig dafür sorgen, dass die eigenen Daten regelmäßig bereinigt werden. Diese Richtlinien müssen dann natürlich auch wirklich umgesetzt werden.

Daher empfehle ich, die Datenbereinigung als ständig laufenden Hintergrundprozess zu etablieren, der genauso sorgfältig gepflegt wird wie die Hygiene im Alltagsleben.

EMPFEHLUNG:  Die folgende Checkliste für die Datenbereinigung soll dabei helfen, Data-Governance-Initiativen voranzutreiben, eine gute Datenqualität für Geschäftsprozesse zu gewährleisten und sicherzustellen, dass sich keine Daten an schwer zugänglichen Stellen im Unternehmen verstecken.

Eine Checkliste zur Datenbereinigung

Wat is ERP en wat zijn de voordelen van ERP-implementatie voor het MKB

Wist je dat het vuurtje van jouw barbecue brandt op ERP? Wist je dat hele bouwwerken staan of vallen bij ERP? 

Als je het woord ERP-systeem hoort denk je misschien aan een ingewikkeld computerprogramma met hoge aanschafkosten dat alleen voor enorme reuzen is weggelegd, maar dat is niet waar. Ook kleinere en middelgrote bedrijven kunnen profiteren van een ERP-systeem. Zo ondersteunt enterprise resource planning (ERP) van Odoo het Nederlandse bedrijf Fire-Up met de duurzamere productie van milieuvriendelijke aanmaakblokjes. En zo gebruikt het bouwbedrijf Knol Bouw de ERP-software van Exact Globe om hun bouwprojecten te ontwikkelen. 

wat is ERP

Wat is ERP?

Maar wat is ERP precies? Laten we daar eerst een antwoord op geven. De betekenis van ERP volgens Garner is een softwarepakket dat geïntegreerde applicaties biedt om een ​​reeks administratieve en operationele bedrijfsprocessen in meerdere bedrijfstakken te automatiseren en ondersteunen”. In andere woorden, de spin in het web die alle draadjes tussen de verschillende afdelingen met elkaar verbindt. 

Verschillende afdelingen binnen eenzelfde bedrijf werken nog vaak als eilandjes. ERP kan alle bedrijfsonderdelen met elkaar koppelen en afstemmen op een geautomatiseerde manier. 

In de praktijk betekent dit voor een bedrijf als Fire-Up bijvoorbeeld dat het ERP-systeem automatisch aangeeft wanneer de voorraad houtvezels en biologische olie die nodig is voor de productie van aanmaakblokjes aangevuld moet worden dankzij een voorraadsbeheermodule. De inkoopbeheermodule geeft automatische inkoopadviezen op basis van bestaande orders en doet slimme voorspellingen op basis van de bedrijfsgegevens. Het fabricageproces van de blokjes wordt efficiënter omdat het systeem de productieplanning kent en zo de capaciteit van het workcenter optimaliseert. 

Zo loopt alles als een goed geoliede machine! 

Voordelen van ERP voor MKB

Hoe kunnen MKB-bedrijven de voordelen van ERP-software benutten? We zetten er hier 7 op een rijtje. 

Schaalbaar

ERP is bovenal een schaalbaar systeem, gebaseerd op een basispakket waaraan softwaremodules of verschillende bedrijfsapplicaties toegevoegd kunnen worden. Je hebt de mogelijkheid om alleen de modules te gebruiken die voor jouw organisatie nuttig zijn en die uit te breiden wanneer nodig. Zo zijn er modules voor productie, verkoopbeheer, email marketing, voorraadbeheer, facturatie, cm, websitebuilder, etc. Als je aparte software gebruikt voor al deze bedrijfsonderdelen is latere koppeling een tijdrovend proces als het überhaupt al mogelijk is. Bovendien gaat zo’n integratieproces soms gepaard met gegevensverlies omdat het uploaden van historische of niet digitale data een heel karwei is. Een ERP-pakket verschaft uniformiteit vanaf het begin en biedt schaalbare oplossingen voor groei. Je betaalt overigens vaak per gebruiker, wat voordelig is voor kleine bedrijven. 

Stroomlijnen van bedrijfsprocessen 

Alle gegevens uit verschillende afdelingen worden nu digitaal geregistreerd in één systeem en met elkaar gekoppeld. Hierdoor hebben medewerkers rechtstreeks inzicht in de bedrijfsprocessen op andere afdelingen en kunnen efficiënter werken. De kans op menselijke fouten neemt af en de communicatie tussen afdelingen verbetert. Voor het management betekent dit bovendien een beter overzicht van alle bedrijfsprocessen. 

Intelligente automatisering

Het ERP-programma kan handelingen die handmatig uitgevoerd worden automatiseren. Dit kan bijvoorbeeld inhouden dat een bestelling automatisch wordt verwerkt tot inkoopbon. Of dat je voorraad gereduceerd kan worden om risico’s te vermijden. Dit laatste is een voorbeeld van intelligente automatisering, waarbij het systeem de gegevens waarover het bezit gebruikt om voorspellingen te kunnen doen op basis van AI

Bedrijfsvoering gebaseerd op data 

Dankzij de digitalisering van alle gegevens in één systeem komt er een zee aan betrouwbare bedrijfsinformatie beschikbaar. In plaats van een bedrijfsvoering op basis van stukjes data kunnen er nu volledig op data gedreven beslissingen worden genomen. Het biedt de kans om bestaande processen te optimaliseren, opnieuw vorm te geven en tot nieuwe betere of goedkopere servicemodellen of producten te komen. Bovendien heb je de zekerheid dat de data die je uit je systeem ophaalt accuraat is. 

Reporting 

Een ERP-programma biedt goede reporting functionaliteiten. Dat wil zeggen dat het systeem de gegevens niet alleen voor je ophaalt, maar ook omzet naar begrijpelijke informatie. Ben je zelf geen grote fan van data-analyse, dan hoef je nu je hoofd niet meer te breken over het structureren van informatie. De ERP-software presenteert de data op zo’n manier dat jij het kan gebruiken voor het meten en monitoren van je bedrijfsprestaties. Zo wordt het een stuk makkelijker om de juiste beslissingen te nemen en op tijd te anticiperen.

Informatiebeveiliging

Als gegevens in verschillende systemen en spreadsheets ondergebracht zijn is je bedrijf een makkelijker doelwit voor hackers. Elke bron moet apart beveiligd zijn om te voorkomen dat cybercriminelen gevoelige gegevens te pakken krijgen. ERP-software biedt één veilige locatie voor alle gegevens. 

ERP-software aanbieders helpen bedrijven hun gegevens veilig te stellen via de laatste automatische veiligheidsupdates, instellingen voor gebruikerstoestemmingen, het aanbieden van trainingen, het extern monitoren door deskundigen, source code scanning, etc. Voldoen aan de privacywetgeving (AVG) en de bescherming van klantgegevens wordt nu ook een stuk eenvoudiger.  

Kostenbesparing

De implementatie van een ERP-systeem betekent volledige digitalisering van je bedrijf. Handmatige processen verdwijnen en worden geautomatiseerd. Het zorgt voor meer effectiviteit en efficiënter werken. Je krijgt beter inzicht in je eigen bedrijf zodat het duidelijk wordt waar je kosten kan besparen. Denk bijvoorbeeld aan het fabricageproces van de aanmaakblokjes voor de barbecue van Fire-Up. Het bedrijf wil inzetten op duurzaamheid, en dat geldt niet alleen voor de ingrediënten van de aanmaakblokjes die milieuvriendelijk moeten zijn, maar betekent ook de optimalisering van het productieproces en de verpakkingsmethodes. Zonder een systeem dat het productieproces en de voorraad optimaliseert is dat niet mogelijk. 

Kort gezegd, een complete oplossing als ERP brengt je bedrijfsvoering op een hoger niveau. Nu is het alleen nog zaak om de juiste oplossing voor jouw bedrijf te vinden. Er zijn namelijk wel honderden ERP-software aanbieders! Hoe kan je dat het beste aanpakken?

Je kan beginnen met de lijst ERP-systemen op Capterra en deze filteren op functionaliteiten die voor jou van belang zijn. Vervolgens kan je de geschikte programma’s naast elkaar zetten en vergelijken en de reviews lezen van geverifieerde gebruikers. Dat maakt je keuze wellicht een stuk makkelijker! 

 

Valorisez vos données en optant pour le data scrubbing

Mettez en valeur vos données, optez pour le data scrubbing

Mettez en valeur vos données, optez pour le data scrubbing

Imaginez-vous une seconde recevoir ce compliment lors d’une réunion professionnelle : « Votre base de données a bonne mine. C’est idéal pour le data scrubbing ! »

Il y a des chances que vous ne sachiez pas quoi répondre et n’osiez pas admettre que vous ignorez tout de ce fameux data scrubbing.

Nous sommes là pour vous aider. Le data scrubbing, ou nettoyage des données, désigne le processus de vérification des données commerciales. L’objectif est d’identifier les informations erronées, dupliquées, obsolètes ou incomplètes. Le data scrubbing élimine tout ce qui rend les données peu fiables ou inutilisables pour les logiciels de business intelligence et les analyses de données.

Après tout, tout comme les objets du quotidien, il faut bien nettoyer les données de temps en temps si on ne veut pas que ce soit le chaos. Et si vous avez un animal de compagnie, le data scrubbing va vous parler : car les données, tout comme un chat ou un chien, ça déteste le bain. Si vous repoussez l’échéance, vous finirez dans le premier cas avec un animal dont l’odeur risque de vous faire pleurer. Et avec les données, les conséquences d’une telle négligence sont bien pires : vous mettez votre entreprise en péril.

Si vous aimez le chaos, mauvaise nouvelle : ce sont les données les mieux organisées qui l’emportent

IBM estime qu’en 2016, la mauvaise qualité des données a coûté plus de
3,1 milliards de dollars aux entreprises américaines. Environ 50 % du temps des spécialistes de la gestion des connaissances est dédié au traitement et à la correction des données, que ce soit sur un CRM, un outil de marketing ou dinformatique décisionnelle.

Utiliser des données corrompues pour réaliser des analyses revient à verser de l’essence dans le réservoir d’une voiture diesel. Non seulement votre entreprise fonctionnera moins bien, mais en plus, vous risquez d’endommager le moteur.

Vous prendrez des décisions fondées sur des bases incorrectes et dont les conséquences pourraient bien être sévères.

Se passer d’une routine de nettoyage des données reviendrait à se passer de votre douche quotidienne. Et pourtant, 66 % des entreprises françaises n’ont aucune approche centralisée en place et considèrent que 19 % de leurs données sont de mauvaise qualité. Autrement dit, 19 % de ces données ne sont ni intègres, ni exactes, ni sécurisées.

En vous permettant de calibrer la qualité des données, le nettoyage des données est le point le plus difficile et crucial de l’analyse de données.

Ce n’est pas un hasard si les plus grandes entreprises déploient des efforts colossaux pour organiser leurs données. Il ne s’agit pas seulement de limiter les conséquences d’une mauvaise qualité des données, mais aussi d’utiliser des données propres pour obtenir des informations précises sur les innovations métier.

Si vous êtes plus à l’aise dans le désordre, il va falloir prendre de bonnes résolutions : les données les mieux organisées sont celles qui prévalent.

Qu’est-ce que le data scrubbing ?

Tout le monde possède des données qui pourraient bénéficier d’un petit récurage. Mais par où commencer ?

Google identifie trois expressions correspondant au nettoyage des données :

  • Data scrubbing
  • Data cleaning
  • Data cleansing

Mais y a-t-il une réelle différence entre ces trois expressions ?

Il s’agit davantage d’une question de nuances, car toutes les trois désignent le même processus et les mêmes stratégies dans le contexte de purification des données pour les analyses.

Que vous l’appeliez par un nom ou un autre, dans tous les cas, le data scrubbing, cleaning ou cleansing désigne :

  1. La modification, la correction, la fusion et l’élimination de données corrompues, incomplètes, obsolètes ou inexactes.
  2. Les stratégies de sécurisation, de mise aux normes et d’enrichissement des données pour ajouter de la valeur à l’entreprise.

Pourquoi le data scrubbing est-il  important ?

En moyenne, les erreurs coûtent aux entreprises environ 10 à 20 % de leur budget d’implémentation.

Sans surprise, il est plus judicieux de corriger les informations saisies au fur et à mesure que d’attendre d’avoir un volume de données ingérable. Actuellement, 40 à 50 % du budget temps d’un projet est dédié à la modification des données.

Il faut également se rappeler que chacun d’entre nous génère un volume affolant de données. L’Internet des objets contribue de façon majeure à ce problème. On ne peut même plus commander un café sans utiliser de données.

Toutes les entreprises, quelle que soit leur taille, devraient intégrer le nettoyage de données dans leurs processus informatiques, car elles produisent chaque jour des volumes astronomiques de données. La politique de gestion des données doit être clairement définie et figurer parmi les processus cruciaux de l’entreprise.

Mettez en valeur la qualité de vos informations pour une gestion des données stratégique

On pourrait penser qu’il suffit de procéder à un grand nettoyage de printemps dans sa base de données, mais il est probable que cela ne suffise pas. Considérez plutôt le data scrubbing comme une tâche en arrière-plan.

LA SOLUTION :  Utilisez la checklist suivante pour définir votre initiative de nettoyage de données, extraire des informations de qualité pour prendre des décisions, et vous assurer de ne manquer aucun dépôt de données.

Infographie data scrubbing : la checklist

Neue Technologien im Bereich Business Intelligence: Natural Language Processing (NLP) und BI-Chatbots

Roboter arbeitet mit Natural Language Processing

Roboter arbeitet mit Natural Language Processing

Die meisten Inhaber*innen kleiner und mittelgroßer Unternehmen geben unumwunden zu, dass die Datenanalyse nicht zu ihren großen Stärken gehört. Sie werfen sich voller Elan in ihre Arbeit, um die Firma ihrer Träume aufzubauen und nehmen Business Intelligence-Trends nur am Rande wahr.

Im Zeitalter von „Big Data“ kommt der Datenanalyse aber ein wichtiger Platz beim Aufbau und Wachstum eines Unternehmens zu. Es wächst nämlich nicht nur das Unternehmen selbst, sondern auch die Masse, Geschwindigkeit und Vielfalt der Daten. Gleichzeitig wird auch die Datenanalyse komplexer und stellt somit eine Herausforderung dar, die mehr Programmierkenntnisse und Statistikwissen verlangt.

An diesem Punkt lohnt sich der Einsatz von Business Intelligence (BI)-Chatbots oder BI-Bots. BI-Bots verstehen Datenabfragen in gesprochener Sprache und liefern Ergebnisse. Natural Language Processing (NLP), d. h. die Verarbeitung natürlicher Sprache, und Chatbots sind aufstrebende Technologien, die jedermann Zugang zur Datenanalyse ermöglichen werden.

In Zukunft wird in kleinen wie großen Unternehmen die Datenanalyse mithilfe von BI-Tools mit NLP-Chatbots (auch Freitext-Chatbots) zum Alltag gehören, genau wie die Einführung von Datentools und das Treffen von datengestützten Entscheidungen zur Umsatzsteigerung und einem verbesserten Geschäftsverlauf.

In diesem Artikel werden NLP- und BI-Bots definiert und Features aufgeführt, nach denen man Ausschau halten sollte. Weiterhin werden interessante Marktentwicklungen aufgezeigt.

Natural Language Processing- und BI-Bots simulieren menschliche Gespräche über Daten und Analysen

Bei NLP handelt es sich um einen Teilbereich der Künstlichen Intelligenz (KI), in dem in menschlicher Sprache gestellte Nutzeranfragen interpretiert, erkannt, verstanden und verarbeitet werden. Für BI bedeutet dies, dass man nicht länger in SQL oder .NET programmieren muss, um Daten auszuwerten. Fragen können in einfacher Sprache eingegeben werden und man erhält Antworten aus seinen Datensätzen.

Screenshot einer Natural Language Processing AnfrageSo funktioniert eine NLP-Anfrage in QlikSense

Chatbots sind Computerprogramme, die zu dem Zweck entworfen wurden, eine Unterhaltung mit menschlichen Nutzern zu simulieren. Sie haben sich als sehr hilfreich erwiesen und sind zum Beispiel beim Kundenservice, zu Beginn von Verkaufsgesprächen und zum Lösen von Kundenfragen weit verbreitet.

Die Kerntechnologie hinter Chatbots, mit deren Hilfe menschliche Anfragen entziffert und verarbeitet werden, heißt Natural Language Processing, kurz NLP.

Ein weiteres Einsatzgebiet sind BI-Anwendungen, also Business-Intelligence-Anwendungen. BI-Anwendungen erleichtern datengestützte Entscheidungen und BI-Bots vereinfachen den Vorgang zusätzlich, indem sie Nutzer*innen die Möglichkeit geben, eine echte Unterhaltung über ihre Daten zu führen. BI-Bots greifen dann auf die Daten zu, nehmen notwendige Analysen vor und liefern Ergebnisse zu den gestellten Anfragen.

Für Anwender*innen funktionieren sie wie jeder normale Chatbot. Man muss einfach nur seine Daten eingeben und dann dem Chatbot seine Fragen stellen bzw. sie eintippen. Der Chat-Simulator liefert dann relevante Ergebnisse und Erkenntnisse.

Hier ein Beispiel, wie ein BI-Bot funktioniert:

Mit BI-Bots wird Datenanalyse zum Kinderspiel

BI-Bots vereinfachen die Datenverarbeitung und -auswertung und verleihen dem Ganzen eine menschliche Note. Einige der Hauptvorteile von Bi-Bots sind:

 Bedienkomfort In BI-Anwendungen integrierte Chatbots erhöhen den Bedienkomfort. Alles ist so einfach, als wenn man Kolleg*innen um Daten bitten würde und das Ergebnis sofort erhält, ohne dass man über einem Wust von Datensätzen brüten muss.

 Daten-Demokratisierung Chat-Simulatoren fördern die Benutzerakzeptanz von BI-Tools am Arbeitsplatz. Gartner schätzt, dass Konversationsanalysen in Form von Chatbots und NLP im Jahr 2021 mehr als 50 % der Mitarbeiter*innen unterstützen werden. Zurzeit sind es noch 35 %. NLP-Chatbots erleichtern es einer großen Zahl der Angestellten, Datenanalysen durchzuführen und auf die Ergebnisse zuzugreifen.

 Kosteneinsparungen: Kundendienst-Chatbots können bis zu 80 % der Fragen allein lösen, sparen dabei Zeit und steigern die Kundenbindung. BI-Bots erzielen ähnliche Einsparungen für kleine Unternehmen. Allein im Kundendienst können Millionen eingespart werden, die normalerweise für (interne oder externe) Analyst*innen hätten ausgegeben werden müssen.

Warum nehmen NLP-Bots an Bedeutung zu?

NLP-Chatbots ermöglichen eine schnelle und gründliche Datenanalyse und werden bald standardmäßig zu jedem Analysetool gehören, sodass auch die breite Masse sich diese zu Nutzen machen kann.

Dem Gartner Hype Cycle for Analytics and Business Intelligence 2018 (für Gartner-Kunden verfügbar) zufolge wird die Suche-basierte Datenermittlung mithilfe natürlicher Sprache eine wichtige Schnittstelle für BI-Inhaltserstellung. Sehr wahrscheinlich wird sich dies zu einem Feature in modernen Analyse-Tools entwickeln, nicht zu einer eigenständigen Technologie.

Anbieter von BI-Lösungen arbeiten daran, die Schnittstellen ihrer Tools mit Chatbot-Features zu verbessern, damit Analysen noch leichter vorgenommen werden und allen zur Verfügung stehen.

Häufige BI-Chatbot-Features

Die BI-Chatbot-Entwicklung befindet sich noch in den Kinderschuhen und hat noch nicht viele Optionen zur Auswahl. Einige der häufigen Features sind u. a.:

  • Natural Language Processing (NLP) und maschinelles Lernen (ML): Smart Learning und natürliche Unterhaltungen helfen Bots, die Absicht eines Nutzers zu verstehen und sich schnell an den Büro-Jargon anzupassen. Erweiterte NLP-, KI- und ML-Technologien unterstützen den Chatbot dabei, mit jeder neuen Anfrage zu lernen, sodass Ergebnisse wie Nutzererlebnis effizienter und genauer werden.
  • Warnungen in Echtzeit: Der Chatbot muss Nutzer*innen eigenständig wichtige Updates für die Datenanalyse und andere für sie relevante Ergebnisse zukommen lassen. Diese Benachrichtigungen müssen abhängig von der Abteilung, dem Standort und der Position personalisiert und so auf jede einzelne Person zugeschnitten sein. Außerdem müssen sie Nutzer*innen über Datenanomalien unterrichten.
  • Funktionen für die Zusammenarbeit Funktionen für die Zusammenarbeit ermöglichen es dem Chatbot, aus den Daten gewonnene Erkenntnisse mit anderen Nutzer*innen per E-Mail, Chat oder Nachrichten zu teilen. Auch ein Gruppen-Chat sollte zur Verfügung stehen.
  • Datensicherheit: Der Chatbot sichert Daten mithilfe von Features wie Benutzerauthentifizierung, Autorisierung, Verschlüsselung und Zugangskontrolle.
  • Integration: Der Chatbot muss in der Lage sein, Daten nahtlos zwischen BI-Tools und anderen Anwendungen wie ERPCRM und weiteren Datenbanken zu verschieben. Außerdem muss er sich schnell in BI-Tools integrieren lassen, am besten sogar über eine eingebaute Funktion verfügen.
  • Bereitstellbar auf Messaging-Apps: Der BI-Bot muss zu beliebten Messaging-Apps wie Slackoder Microsoft Teams hinzugefügt werden können. Auf diese Weise können Daten analysiert werden, ohne BI-Systeme überhaupt öffnen oder zum Zugriff auf Daten zwischen verschiedenen Apps wechseln zu müssen.
  • Bereitstellung auf mehreren Geräten: Der Chatbot muss auf mehreren Geräten wie Laptops, Desktops, Mobiltelefonen and Tablets bereitgestellt werden können. Weiterhin muss er verschiedene Betriebssysteme wie Windows, iOS, und Android unterstützen.

Aktuelle Chatbot-Entwicklungen im BI-Sektor

Natural Language Processing, KI und Chatbots werden die Business Intelligence vorantreiben. Die Verbindung aus Gesprächsführung und Künstlicher Intelligenz ist der letzte Schritt, der strategische Geschäftsdaten mit allen Mitarbeitern verknüpft.

Einige bekannte BI-Anbieter verzeichnen bereits gewaltige Fortschritte in der Konversationsanalyse.

Tableau: Tableau hat in Tableau 2019 mit dem neuen Tool „Frag die Daten“ eine Reihe von Smart-Funktionen wie Natural Language Processing hinzugefügt. Über das Tool kann man Fragen in Textform in das Programm eingeben und erhält dann relevante Ergebnisse. Markenanalysten und Entwickler*innen bei Tableau sind sich jedoch einig, dass da noch Luft nach oben ist und die NLP-Features im Laufe der Zeit weiterentwickelt und verbessert werden.

Qlik: Qlik hat CrunchBot im Frühjahr 2019 aufgekauft, um so die eigene Expertise im Bereich der Gesprächsanalysen auszuweiten. Durch die Übernahme verfügt Qlik nun über die Technologie, mit der Nutzer einfach in natürlicher Sprache eine Frage in Qlik Sense oder in anderen Kollaborationstools wie Slack, Skype, Salesforce Chat oder Microsoft Teams eingeben können. Nutzer erhalten dann direkt in diesen Anwendungen in Form von automatisch erstellten Tabellen, Prognosen und Datenauswertungen Antworten auf ihre Fragen.

SisenseSisense Boto ist der Chatbot von Sisense, der mithilfe von maschinellem Lernen Dateneinblicke gibt und teilt. Nutzer können Sisense Boto als Kontakt zu SlackSkype oder anderen Messenger-Lösungen hinzufügen und dann CSV.-Tabellen zum Analysieren weiterleiten. Der Bot liefert dann die Ergebnisse und teilt sie (wenn gewünscht) auch mit anderen Nutzern.

BI-Chatbots und NLP werden in den nächsten 5 Jahren zu Mainstream-Technologien

Die Entwicklung von NLP-Technologien steckt noch in den Anfängen und so liegt ihr Präzisionsgrad zurzeit bei 60-70%, was in vielen Fällen noch nicht ausreicht. Es gibt jedoch ein wachsendes Interesse und Forschungsbemühungen zur Entwicklung eines noch intelligenteren und genaueren NLP.

Gartner vertritt die Meinung, dass Chatbots für Analysen, KI-Suchen und die Generierung von und Abfrage in natürlicher Sprache in den nächsten zwei bis fünf Jahren Unternehmen viele Vorteilen verschaffen werden. Programmierung in natürlicher Sprache bei BI-Tools wird es Mitarbeitern ohne die erforderlichen Kenntnisse leichter machen, mithilfe von Analysetools datengestützte Einsichten zu erhalten.

„Der Trend ist noch ganz frisch, aber ich glaube, dass die Konversationsanalyse in den nächsten zwei bis Jahren eine wichtige und gewohnheitsmäßige Rolle dabei zukommen wird, wie Nutzer Analyseinhalte nutzen und mit ihnen umgehen.“

Rita Sallam, Analystin bei Gartner

Anbieter von BI-Lösungen arbeiten zurzeit daran, Chatbot-Funktionen so schnell wie möglich in ihre Tools zu implementieren, sodass sie wahrscheinlich in den nächsten fünf Jahren in den meisten Lösungen ein Standard-Feature sein werden. Zu diesem Zeitpunkt werden sie hoffentlich auch zu angemessenen Preisen in einem Großteil der Unternehmen – sowohl kleinen als auch großen – zum Einsatz kommen.

Nächste Schritte mit BI-Bots und NLP

Für dein Unternehmen ist es nicht nur wichtig, über Entwicklungen in der BI und im NLP auf dem Laufenden zu bleiben. Dein Unternehmen muss auch einige Schritte aktiv einleiten, um sicherzustellen, dass der Wechsel zu den aufstrebenden Technologien für alle Mitarbeiter reibungslos verläuft.

  1. Testen von Probeversionen: Unternehmen sollten Probeversionen der BI-Bots vom eigenen BI-Anbieter, aber auch von Wettbewerbern testen. Am besten sollte eine kleine Gruppe von Mitarbeiter*innen diese Funktion nutzen und so Vor- und Nachteile feststellen. Auf diese Weise fällt der Wechsel zum vermehrten Einsatz von NLP-Chatbots später allen Mitarbeiter*innen leichter.
  2. Aufbau einer „Datenkultur“: Der Aufbau einer Datenkultur erfordert einiges an Investitionen. Mitarbeiter*innen erfahren dadurch die Vorteile von datengestützten anstelle von Bauch-Entscheidungen, sodass die Akzeptanz von BI-Tools wächst. Weiterhin fällt es ihnen leichter, neue BI-Features wie Chatbots zu verstehen und zu nutzen.
  3. Regelmäßige Interaktion mit dem BI-Anbieter: Unternehmen sollten über Updates, neue Feature und Upgrades ihrer BI-Anbieter auf dem Laufenden bleiben. Vielleicht ergibt sich auch eine Zusammenarbeit, sodass neue Features erarbeitet und individuelle Anpassungen vorgenommen werden können.

Eine Liste von BI-Software ist im GetApp-BI-Verzeichnis erhältlich

Hinweis: Die in diesem Artikel aufgeführten Anwendungen dienen als Beispiel, um ein Feature im Kontext zu zeigen. Es besteht keine Verbindung und sie sind nicht als Empfehlung zu verstehen. Weiterhin stützen sich zum Zeitpunkt der Veröffentlichung auf Quellen, die als vertrauenswürdig gelten.

Inteligência artificial nas empresas: saiba como aplicá-la no seu negócio

inteligencia artificial nas empresas

inteligencia artificial nas empresas

Poucos devem ser os que ainda não cruzaram com a seguinte sigla em suas buscas pela internet: IA, a abreviação para inteligência artificial, está por todos os lados, e o mundo dos negócios não é exceção.

Segundo pesquisa global da empresa de consultoria Gartner (estudo completo em inglês disponível para assinantes), 50% das empresas planejam investir nesta área até 2020. 

Mas o que é inteligência artificial? Trata-se de uma tecnologia que aplica análises avançadas e técnicas baseadas na lógica para interpretar eventos e auxiliar e automatizar decisões, imitando o comportamento humano.

O uso da IA permite, por exemplo, que empresas nos ofereçam publicidades direcionadas com produtos super específicos que estejamos buscando. Essa tecnologia também pode proporcionar no futuro o acesso a carros autônomos ou ainda ajudar na cura de doenças graves como o câncer.

À primeira vista, portanto, utilizar a inteligência artificial nas empresas pode parecer algo distante. Mas a realidade é outra. 

“A inteligência artificial é confusa por natureza por causa da sua conexão com a ficção científica presente nos meios de comunicação e porque as pessoas tendem a dotá-la de poderes mentais que não possui”, destaca Whit Andrews, especialista em inteligência artificial da Gartner.

Segundo Andrews, o segredo para desmistificá-la é entender como selecionar e aplicar tecnologias que utilizam a IA e que gerem valor para os negócios, como os robôs de atendimento online e técnicas avançadas de análise que potencializem o trabalho nas empresas. 

Analisaremos essas questões abaixo.

Exemplos de inteligência artificial nas empresas

1. CRM

Um dos campos de grande impacto da inteligência artificial nos negócios recentemente é a gestão de relacionamento com o cliente (CRM na sigla em inglês). 

Com essa tecnologia, softwares podem prever padrões de comportamento ao analisar o “rastro” deixado por consumidores no mundo digital. Ao ajudar a entender os consumidores nos mínimos detalhes, a IA permite que as empresas desenvolvam melhores estratégias de venda e repensem a maneira como se comunicam com potenciais clientes. Entre as áreas beneficiadas pelo uso da AI citadas por 100 empresas ouvidas pela Gartner (conteúdo em inglês) está justamente a de vendas. 

Ao identificar padrões através da análise de dados é possível ganhar eficiência, contatando os consumidores mais propensos a comprar determinados produtos e no momento mais adequado. Os principais softwares CRM oferecem este tipo de funcionalidade.

Além disso, internamente, a automação pode ajudar vendedores em trabalhos repetitivos e na otimização de processos.

 

2. Chatbots

chatbot entre os exemplos de inteligencia artificial nas empresas

O uso de chatbots, os canais automatizados de atendimento, no suporte ao cliente ganha cada vez mais popularidade. É outra das áreas que se beneficia da inteligência artificial, que aprimora essas ferramentas a fim de tornar a assistência virtual o mais natural e eficiente possível. 

De acordo com uma pesquisa recente feita pela empresa especializada Aivo com empresas de e-commerce nas Américas, 65% das consultas de clientes feitas nos últimos seis meses foram respondidas de forma eficaz por chatbots. O levantamento indica que o foco ao usá-los é otimizar e aprimorar o atendimento ao cliente, permitindo ainda uma redução de custos e um potencial aumento de vendas. Facebook e Whatsapp são canais onde o seu uso é bastante comum. 

Uma curiosidade: especificamente no Brasil, a segunda-feira é o dia em que tradicionalmente os consumidores solicitam mais a ajuda dessa ferramenta.

3. Marketing Digital

Quem trabalha com marketing sabe da importância de entender a fundo a audiência para a qual se está escrevendo ou criando. 

 A inteligência artificial pode ajudar no desenvolvimento de campanhas desenhadas para um determinado tipo de consumidor com base no seu comportamento online e que busquem aproveitar ao máximo o orçamento disponível. Ferramentas de automação de marketing usam essa tecnologia para a otimização de propagandas em grande plataformas, como Facebook e Google, por exemplo. 

Além disso, as análises dos hábitos dos compradores geradas por programas com a ajuda da IA permitem aos empresários regular preços e programar promoções e ofertas. 

Com essas poderosas ferramentas de análise estatística é possível descobrir com base em dados quais são os pontos fortes (e fracos) do negócio e abrir os olhos para nichos de mercado que poderiam passar despercebidos caso toda essa informação não fosse analisada. 

4. Recursos humanos 

rh inteligencia artificial

Outra área onde a automatização ganha espaço é a de recursos humanos, onde softwares são usados no gerenciamento de férias, benefícios, desligamentos e turnos de horário de colaboradores. 

Programas que usam inteligência artificial podem auxiliar os profissionais de RH nas diferentes áreas em que atuam: 

Seleção: com a grande quantidade de currículos recebidos para certas vagas, escolher os que melhor encaixam é um desafio. Ferramentas que automatizam o processo facilitam essa tarefa.

Gerenciamento: as dúvidas de um trabalhador novo geralmente se repetem. Com um portal otimizado com inteligência artificial os trabalhadores podem fazer consultas sem ter de contatar diretamente o RH, inclusive apelando a chatbots.

Resultados e treinamento: com a análise dos dados de desempenho dos trabalhadores é possível conhecer os pontos fracos da equipe e desenvolver treinamentos.

Para começar agora

O uso da inteligência artificial nas empresas já é uma realidade, mas especialistas ressaltam que é preciso estar atento às novidades na área, já que as mudanças são constantes. 

O investimento não deve ser uma barreira. Para os pequenos negócios, onde a questão financeira é sempre importante, há opções gratuitas de softwares que integram essa tecnologia às suas funcionalidades. Basta escolher a que melhor se adapta ao tamanho e ao tipo negócio e fazer um teste!    

Comment utiliser la predictive analytics ? 5 étapes pour vous lancer

Comment utiliser la predictive analytics 5 étapes pour vous lancer

Comment utiliser la predictive analytics 5 étapes pour vous lancer

Les prédictions ont quelque chose de fascinant. Peut-être parce qu’elles sont difficiles à établir. Peut-être parce qu’il est toujours difficile de viser juste. Pourtant, les prévisions commerciales et la predictive analytics (ou analyse prédictive) peuvent vous aider à faire de belles économies et à obtenir de meilleurs résultats.

 

EXEMPLES :

  • Le propriétaire d’un petit café peut réduire ses frais marketing en déterminant quels clients sont susceptibles de lui tourner le dos et en leur envoyant des offres de réduction ciblées. Il peut investir moins de temps et de moyens dans les clients fidèles et les clients ponctuels peu susceptibles de revenir. 
  • Il est possible de prédire quels produits risquent d’être renvoyés par des clients après les soldes, ce qui permet aux entreprises d’e-commerce de mieux gérer leurs équipes de livraison et de réduire leurs frais.

 

Mais comment établir des prédictions et sélectionner les plus justes (c’est-à-dire les plus réalistes) ?

La réponse est simple : en exploitant les données.

Avec les bonnes informations, vous pouvez prévoir vos résultats avec une plus grande précision.

 

EXEMPLES :

  • De plus en plus de spécialistes de l’e-commerce affirment que la predictive analytics accélère les ventes.
  • Les équipes commerciales qui utilisent la predictive analytics présentent près de trois fois plus souvent des performances supérieures ou excellentes.

 

Cependant, l’implémentation de l’analyse prédictive n’est pas de tout repos, en particulier pour les PME qui disposent de ressources limitées pour gérer leurs données. Elle exige avant tout de récolter, d’organiser et de stocker les informations pertinentes.

Vous devez vous discipliner pour pouvoir établir des prévisions plus précises. Si vous récoltez de mauvaises données et si vous n’êtes pas correctement préparé, vous ne pourrez générer que des modèles prédictifs boiteux, ce qui vous empêchera de prendre les meilleures décisions possible.

Dans cet article, vous découvrirez non seulement comment utiliser la predictive analytics dans différents cas à partir d’exemples concrets, mais aussi quelles étapes suivre pour l’intégrer à vos processus.

Qu’est-ce que la predictive analytics ?

La predictive analytics est une forme d’analyse avancée qui s’appuie sur le big data ou des contenus spécifiques pour répondre à des questions comme “Qu’est-ce qui pourrait se produire ?”

Les prédictions se basent sur l’historique des activités, l’intelligence artificielle et l’apprentissage automatique (machine learning).

Les solutions d’analyse prédictive s’appuient sur des outils statistiques comme les analyses de régression, la modélisation des données, les prévisions et les analyses multivariées pour prévoir ce qui pourrait se produire dans le futur.


3 exemples d’application de la predictive analytics

La predictive analytics aide les entreprises à relever les différents types de défis qui peuvent se présenter et à atteindre leurs objectifs commerciaux.

Voici 3 exemples où elle peut booster vos résultats.

1. La predictive analytics permet de réduire l’attrition de clientèle en vous aidant à créer des offres personnalisées

Vous devez dépenser cinq fois plus pour acquérir de nouveaux clients que pour conserver votre clientèle. En réduisant le nombre de consommateurs qui vous tournent le dos, vous pouvez faire des économies et créer une base clientèle étendue et fidèle.

Identifier les clients insatisfaits et créer des offres personnalisées font partie des applications les plus communes de la predictive analytics.

Pour calculer votre score de “perte de clientèle potentielle”, vous avez besoin de données sur les profils, les transactions et les retours client. Ces informations sont ensuite saisies dans des outils de predictive analytics qui utilisent des techniques comme les corrélations et les régressions multiples pour identifier les clients les plus susceptibles de partir.

Selon le score obtenu, vous pouvez ensuite préparer des offres personnalisées (remises ou affiliations exclusives, par exemple) pour convaincre vos clients de vous rester fidèles.

 

EXEMPLE :

Coyote a optimisé son programme fidélité grâce à la predictive analytics.

Objectif : Coyote, une entreprise française proposant des solutions d’avertissement sur le trafic en temps réel, voulait renforcer sa clientèle en utilisant un programme fidélité efficace. L’objectif était de segmenter ses clients, qualifier les données entrantes et quantifier l’utilisation des appareils.

Actions : Coyote a utilisé le logiciel Dataiku Data Science Studio pour implémenter un outil d’analyse prédictive des comportements destiné à segmenter sa clientèle. L’application a automatiquement compilé des données variées, dont des informations provenant en temps réel des appareils, des données contractuelles et des informations client. Le logiciel a ensuite nettoyé les données et utilisant le machine learning pour modéliser les comportements client. Les résultats ont permis d’optimiser les campagnes marketing.

Résultats : Coyote a pu segmenter très précisément sa clientèle, améliorer les performances de ses campagnes d’appels de 11 % et réduire la perte de clients grâce à des campagnes marketing personnalisées.

 

Dataikul logiciel
Outil de prévision de l’attrition de clientèle de Dataiku DSS

2. La predictive analytics renforce les prévisions de ventes

En entreprise, de nombreuses décisions comme l’intégration de nouveaux collaborateurs, l’ouverture de nouveaux bureaux et l’inventaire des stocks sont prises sur la base de prévisions de ventes.

Mais vos prédictions sont-elles généralement justes ou ont-elles au minimum une marge d’erreur acceptable ?

Les prévisions des ventes traditionnelles reposent fortement sur des intuitions et des données limitées.

prévisions ventes traditionnelles

Les modèles d’analyse prédictive qui utilisent des sources de données internes et externes comme les informations issues d’outils de marketing automation, d’historiques des ventes, de données client, de performances des vendeurs, etc. permettent d’établir des prédictions exactes dans la majorité des cas.

 

EXEMPLE :

Les données provenant de sources multiples améliorent la précision des prévisions de ventes.

Objectif : une administration de services publics américaine était confrontée à des dépassements de budget constants en raison de mauvaises prévisions commerciales. Elle surévaluait constamment la demande et dépensait donc trop en personnel et en achats de matériaux.

Actions : plutôt que de se fier exclusivement aux informations tirées de l’historique de ses opérations, l’administration a récolté plus de données à l’aide d’enquêtes, d’études de marché, des tendances Google et des informations sur ses ventes passées. Ce nouvel ensemble de données, plus large, a été intégré dans un modèle prédictif développé avec l’aide d’un consultant externe.

Remarque : si votre budget ne vous permet pas de vous offrir les services d’un consultant, vous pouvez adopter un logiciel d’analyse prédictive équipé pour l’intégration de calculs et de modèles sur mesure et conçu pour traiter des données issues de sources multiples.

Résultats : le nouveau modèle prévisionnel, 13 fois plus précis que l’ancien, a aidé l’administration à anticiper les demandes des consommateurs et à s’adapter plus rapidement aux fluctuations du marché.

3. Les outils d’analyse prédictive vous permettent de fixer un prix optimal pour vos produits

Il n’est pas toujours évident de fixer le bon prix pour vos produits ou services. Un prix élevé peut décourager certains consommateurs et réduire vos volumes de ventes, mais un prix bas est synonyme de marges réduites.

La predictive analytics peut vous aider à déterminer le prix juste pour vos produits et services.

En prédisant la demande et en comprenant le comportement de vos clients, leurs habitudes d’achat et les tendances du marché, vous pourrez optimiser vos prix et améliorer vos rentrées et la gestion de vos stocks.

EXEMPLE :

Rue La La a augmenté ses revenus de 10 % en optimisant ses prix.

Objectif : Rue La La est un petit commerce de détail américain qui doit généralement prévoir les ventes et fixer les prix de produits vendus sur sa boutique en ligne pour la première fois (et donc sans historique des ventes). L’entreprise souffrait souvent de ruptures de stock pour certains produits écoulés en une heure ou devait gérer des stocks massifs pour ceux qui ne se vendaient pas. Elle perdait donc de l’argent.

Actions : Rue La La a défini une série d’attributs quantitatifs pour ses produits et a utilisé des données issues de ses historiques de ventes pour prédire les futures demandes. L’entreprise a établi un modèle de prédiction et d’optimisation des ventes en s’appuyant sur des techniques de calcul et des statistiques comme les analyses de régression et le machine learning. Elle a collaboré avec le Massachusetts Institute of Technology (MIT) pour créer un outil personnalisé de fixation automatique des prix.

Résultats : en appliquant les prix suggérés par son outil de calcul, l’entreprise a pu augmenter ses rentrées de 10 % à 13 % dans différents départements.

 

Voici d’autres domaines où la predictive analytics peut se montrer utile :

  • Départs des employés
  • Défauts de paiement
  • Visites médicales récurrentes
  • Maintenance ou remplacement annuel de machines

La predictive analytics est efficace dans bien d’autres domaines.

Avant de vous plonger dans cet univers fascinant, voici quelques mesures à prendre.


5 étapes pour se préparer à adopter la predictive analytics

Afin de générer le type de données nécessaires pour établir de bonnes prévisions, vous devez avant tout veiller à ce que votre entreprise soit orientée données.

5 étapes pour préparer votre entreprise à adopter la predictive analytics

5 étapes pour préparer votre entreprise à l'analyse prédictive

1. Définissez les résultats souhaités

La predictive analytics vous permet de visualiser vos futurs résultats. Définissez donc clairement vos objectifs pour créer les solutions de predictive analytics correspondantes.

La predictive analytics permet notamment de répondre aux questions suivantes :

  • Quels clients ou segments de clientèle sont les plus susceptibles de nous rester spontanément fidèles ?
  • Quel produit sera le plus demandé durant les soldes ?
  • Quels clients B2B risquent de payer en retard ?
  • Quels fournisseurs sont susceptibles de ne pas livrer dans les temps ?
  • Quelles étapes de la production risquent de nous coûter plus cher au prochain trimestre ?

Vous découvrirez peut-être que les informations dont vous disposez ne sont pas suffisantes pour répondre à vos questions. Dans ce cas, vous devrez soit récolter des données pertinentes pendant un certain temps, soit aborder vos questions sous un angle différent.

2. Tirez des données pertinentes de toutes les sources disponibles

Les modèles d’analyse prédictive ont besoin de données. Vous devez donc identifier les informations qui permettront de répondre à vos questions.

Si celles-ci sont enregistrées dans des tableurs, il peut être difficile, voire impossible, de les saisir dans vos modèles d’analyse prédictive.

Utilisez plutôt vos applications de CRM, votre logiciel de caisse, vos outils marketing et d’autres logiciels pour stocker les informations pertinentes. Ces outils vous permettent de conserver et de classer plus de données (souvent sur le cloud, ce qui réduit les coûts d’infrastructure informatique).

Vous pouvez ensuite utiliser des outils d’extraction des données pour prélever des informations depuis différentes sources. Les API vous permettent aussi de vous connecter à plusieurs applications pour collecter des informations.

Vous pouvez en outre enregistrer de grandes quantités de données dans des systèmes de base de données, des data warehouses (entrepôts de données) et des réservoirs de données.

3. Améliorez la qualité des données en employant des techniques de nettoyage des données

GIGO est l’acronyme de “garbage in, garbage out” (déchets entrants, déchets sortants), une expression qui rappelle que des données de mauvaise qualité produisent des analyses du même niveau.

Vos prédictions seront erronées si elles sont établies sur la base de données médiocres. Vous devez donc vous assurer que vos vendeurs, marketeurs et autres employés saisissent les valeurs dans les formats convenus. Vous perdrez ainsi moins de temps à nettoyer les données.

Vous devrez aussi prévenir les doublons (et résoudre les problèmes de duplication le cas échéant) ainsi que normaliser les données pour assurer leur cohérence dans vos dossiers. La plupart des logiciels de business intelligence incluent des fonctionnalités de nettoyage des données comme l’élimination, la standardisation, l’harmonisation et le profilage.

4. Choisissez des solutions d’analyse prédictive existantes ou créez vos propres modèles pour mettre les données à l’épreuve

Pour créer votre propre modèle d’analyse prédictive, il vous faut une expertise en science des données. Vous devrez donc recourir à des spécialistes du domaine ou des personnes dont les compétences analytiques sont suffisamment poussées pour créer de toutes pièces des modèles prédictifs.

Vous pouvez sous-traiter ce travail à une société de conseil qui propose des services d’analytics ou faire appel à des chercheurs universitaires.

Si le budget nécessaire est un obstacle pour votre PME, vous pouvez opter pour lune des nombreuses solutions logicielles qui incluent des outils de modélisation prédictive.

Ils ne peuvent pas entièrement remplacer un spécialiste de la science des données, mais leurs modèles prédictifs intégrés sont faciles à utiliser et nettement moins chers que des scientifiques. Les logiciels d’analyse prédictive peuvent aider les entreprises à se faire la main sur des techniques prévisionnelles.

Choisissez un logiciel d’analyse prédictive qui propose ces fonctionnalités
clés :

logiciel d'analyse prédictive

Consultez notre répertoire de logiciels d’analyse prédictive pour accéder à une liste complète de solutions logicielles à capacités prédictives. 

5. Évaluez et validez la robustesse des modèles prédictifs

En évaluant et en validant vos modèles prédictifs à partir de différents ensembles de données, vous pourrez identifier leurs faiblesses et vous assurer qu’ils s’adapteront à différents cas de figure.

Il existe différentes techniques de validation de modèles prédictifs, dont la validation croisée et la validation par régression.

Ne vous inquiétez pas : même si ces techniques ne vous sont pas familières, aujourdhui, la plupart des outils logiciels danalyse prédictive intègrent la validation de modèles. Vous pouvez utiliser des fonctionnalités automatisées pour évaluer la robustesse de votre modèle.

Vous pouvez ensuite intégrer les modèles prédictifs au sein de vos processus de vente et utiliser les résultats pour prendre de meilleures décisions.


Soyez conscient des défis liés à l’implémentation de solutions d’analyse prédictive

L’implémentation d’outils de modélisation prédictive n’est pas un long fleuve tranquille.

Les outils d’analyse prédictive fournissent des prévisions, pas des certitudes

Même si vous aimeriez que vos outils vous fournissent des prévisions 100 % exactes, ils ne produisent en fait que des prédictions sur des événements susceptibles de se produire. Toutes les prévisions, même celles qui sont basées sur les meilleures données disponibles, ne sont pas exemptes d’erreurs ni d’incertitudes.

Vos décisions commerciales devraient donc reposer sur un ensemble de facteurs (données, jugement personnel, valeur ou impact de la décision, etc.) et pas sur un seul type d’information.

La construction de modèles prédictifs prend du temps

La predictive analytics ne sinvente pas en quelques heures. Pour créer et implémenter des modèles prédictifs robustes, vous aurez besoin de plusieurs semaines, voire de plusieurs mois selon votre niveau dexpertise et vos connaissances de départ.

Soyez patient et testez continuellement vos modèles pour découvrir les nuances de lart de la prévision. Des modèles prédictifs robustes et réutilisables vous permettront de faire des économies.

Le passage à la predictive analytics n’est pas gratuit. Outils, formations, systèmes de test… tout a un coût

Le prix des logiciels danalyse prédictive est en baisse depuis quelques années, mais il reste élevé. Et cest sans compter linvestissement indispensable dans la formation des employés.

Les PME doivent dépenser entre 7 000 € et 18 000 € par an pour implémenter la predictive analytics dans leurs processus, frais de formation exclus. Les structures de 500 à 5 000 employés investissent annuellement jusquà 80 000 € et les plus grandes entreprises au moins 400 000 €.

Et maintenant ?

Commencez à tester la predictive analytics à petite échelle puis passez à la vitesse supérieure une fois que vous aurez un peu plus dexpérience et que vous aurez obtenu des résultats intéressants.

Vous pouvez commencer par identifier des cas réels dans lesquels lutilité de la predictive analytics a déjà été avérée (réduction de lattrition de la clientèle, prédictions concernant lévolution de la demande, etc.) pour les adapter à vos activités.

3 conseils pour commencer

analyse prédictive conseilsRessources complémentaires

Consultez le répertoire GetApp des logiciels d’analyse prédictive pour découvrir une liste complète de solutions incluant des fonctionnalités prédictives.

Qualité des données : 6 problèmes qui touchent les entreprises

Qualité des données 6 problèmes qui touchent les entreprises

Qualité des données 6 problèmes qui touchent les entreprises

Votre entreprise ne connaît pas la crise ? Pas un nuage à l’horizon ? Profitez-en pour vous pencher sur un élément clé de vos activités : la qualité des données.

Aujourd’hui, les sociétés rivalisent pour exploiter aux mieux les données. Elles s’appuient sur des logiciels de business intelligence (BI) pour analyser les informations en profondeur et prendre les meilleures décisions possible. Pourtant, selon Forbes Insights, 84 % des PDG s’inquiètent de la qualité des données sur lesquelles ils fondent leurs décisions. Et lorsque l’intégrité des données est compromise, il peut être difficile de savoir quelles archives et quelles variables ont été altérées, dupliquées, supprimées ou oubliées.

Mauvaises données, mauvaises décisions

Les chefs de PME doivent s’assurer que les données sur lesquelles ils se fondent sont exactes, légitimes et intactes. Des données de mauvaise qualité ont un impact économique non négligeable pour les entreprises. Pour y voir plus clair, rien de tel que d’évaluer objectivement l’impact et le poids des facteurs qui influencent l’intégrité des données.


Voici 6 problèmes susceptibles daffecter la qualité de vos données.

Données incomplètes ou contradictoires

L’encodage des données est souvent à l’origine d’erreurs et de perte de qualité des données. Lorsque les informations ne sont pas correctement saisies (formulaires client mal remplis, champs imprécis, erreurs humaines), certaines variables peuvent manquer.

Imaginez à quel point il peut être difficile de localiser l’adresse e-mail d’un client dont le nom de domaine est incomplet (@gmail sans .com, par exemple). De plus, le manque de cohérence (formats de dates mm/aaaa ou aaaa/mm, par exemple) peut entraîner une mauvaise interprétation des données par les systèmes, les processus et les équipes.

Conseil : les responsables marketing doivent collaborer étroitement avec le service informatique pour aligner leurs priorités respectives lors de la création de formulaires client, la sélection de champs ou de formats, et l’établissement de standards de récolte des données.

Données incomplètes ou contradictoires

Non-conformité

Qui peut accéder aux données ? Comment les informations doivent-elles être stockées ? Quelles sont les procédures de gestion globale des données tout au long de leur cycle de vie ? Voilà des questions essentielles qui, selon votre secteur d’activité ou la juridiction dont vous dépendez, devraient vous permettre d’assurer votre conformité à des lois et à des réglementations comme le RGPD.

Les données non conformes sont représentatives d’un manque de qualité. Les problèmes qui découlent d’une gestion des données peu rigoureuse peuvent rapidement empirer, entraînant des amendes salées et une perte irréparable de la confiance client.

Conseil : pour consolider la gestion des données au sein de votre PME, commencez par réviser (ou créer) une politique de gestion des données avec tous les individus concernés. Établissez des directives et des procédures claires pour guider l’utilisation des informations récoltées conformément aux réglementations en vigueur. Veillez également à définir des méthodes décrivant précisément comment vos clients (ou les autres personnes concernées) seront informés des modifications ou des incidents de sécurité éventuels.

Transmission altérée

Quand les données quittent le service informatique ou sont utilisées par d’autres collaborateurs, c’est souvent là que les PME rencontrent des problèmes. La communication d’informations rappelle souvent le téléphone arabe : la qualité du message se dégrade à chaque transmission ou, dans ce cas précis, des données se perdent ou se déforment à chaque étape. Par conséquent, les équipes se transmettent des versions datées ou détériorées des informations sans jamais avoir une vision globale du processus.

Conseil : les outils de BI en self-service permettent à tous les utilisateurs de profiter d’outils fonctionnels d’analytics et aident toutes les équipes à garder un œil sur les actifs.

Doublons et données dépassées

Les données ne sont pratiquement jamais au repos. Elles se déplacent constamment et passent entre des dizaines de mains. Il est donc inévitable d’avoir des doublons et des informations obsolètes. Les doublons, souvent erronés, peuvent compliquer les recherches et biaiser l’analyse des données. De plus, étant donné qu’elles échappent facilement aux détections superficielles, les informations datées provoquent des erreurs d’analyse. 

Conseil : même si vos processus de gestion des données sont majoritairement automatisés, n’oubliez pas que les scripts et les algorithmes peuvent aussi se tromper. Pour obtenir les meilleurs résultats possible,  en associant efforts humains et informatiques.

Failles et risques de sécurité

Quand on envisage les menaces pesant sur la qualité des données, on pense évidemment aux failles de sécurité provoquées par des cyberattaques. Selon Symantec, 71 % des PME victimes de cyberattaques doivent déposer le bilan. Les données exposées peuvent être corrompues, altérées ou compromises par des malwares ou des virus et ce, en toute discrétion.

Les chefs d’entreprise sont souvent surpris d’apprendre que leurs collaborateurs représentent une menace directe : un grand nombre de cyberattaques sont dues à des employés qui ont, sans le savoir, communiqué des données sensibles à des tiers.

Conseil : de nombreuses organisations engagent sans le savoir des personnes qui risquent d’être associées au piratage de leurs données, mais les fuites d’informations sont plus souvent dues à l’ignorance qu’à la malveillance. Veillez à ce que vos collaborateurs développent un certain bon sens en matière de sécurité et formez-les aux meilleures pratiques en matière de mots de passe et de procédures de sauvegarde de données.

Failles et risques de sécurité

Mises à niveau des systèmes

Les mises à niveau des systèmes constituent un danger souvent négligé. Pourtant, extraire et réimplémenter un système clé lourd en données peut avoir des conséquences sur l’intégration des anciens contenus. Parfois, des problèmes peuvent survenir lors de la modification du système de gestion principal, de la structure des fichiers ou du format des données. Il faut donc procéder à la migration et à la restauration de données en suivant une stratégie reproductible et en s’appuyant sur des sources vérifiées.

Conseil : soyez méthodique. Planifiez soigneusement l’intégration des données avant de mettre vos systèmes à niveau. Créez aussi des plans d’urgence en cas de sinistre, de faille de sécurité au d’autre événement inattendu exigeant une restauration des données.

Was ist Data Mining und wie kann es kleinen Unternehmen helfen?

Business Mann in einer Mine stellt Data Mining dar

Business Mann in einer Mine

Was ist das Erfolgsrezept vieler erfolgreicher Internetfirmen? Und warum werden sie auch in Zukunft den Markt dominieren? Bei der Antwort auf diese Fragen geben viele Experten „Data Mining“ als Grund an. Doch was ist Data Mining eigentlich genau und wieso hat es ein so großes Potential?

  • Hinter den personalisierten Empfehlungen auf der Amazon-Website steht genau das: Data Mining. Aus diesem Grund hat Amazon sich entschieden, in den Lebensmittelvertrieb einzusteigen und das ist gar nicht mal so verrückt, wie es klingt, zumindest in den USA. In Deutschland tut sich der Lieferdienst von Lebensmitteln generell schwerer.
  • Facebook wurde zu einem milliardenschweren Unternehmen, weil das Unternehmen mithilfe von Data Mining-Methoden der riesigen Nutzerbasis extrem gezielte und vor allem konvertierende Werbung zeigt.
  • 88 Prozent der Suchanfragen über Desktop-PCs weltweit werden über Google ausgeführt, da dieser Dienst relevantere Suchergebnisse liefert als die Mitbewerber – aufgrund von Data Mining.

Auch kleinen Unternehmen stehen viele Daten zur Verfügung: Rechnungen, Bestandsunterlagen und Tabellenkalkulationen ohne Ende. Mithilfe dieser Informationen schafft man es doch gewiss an die Spitze, oder?

Mathemathische Formeln fliegen im Raum herum

Was ist Data Mining? Auf den ersten Blick für manche ein ziemliches Rätsel.

Und genau an dieser Stelle wird klar, dass die Bezeichnung „Data Mining“ trügerisch ist. Schnell bekommt man den Eindruck, dass man sich nur genug anstrengen muss, um erfolgreich zu sein. In den ganzen Daten muss sich der berühmte Topf mit Gold befinden, bzw. die Informationen, die sich zu Geld machen lassen.

Aber so läuft es leider nicht. Was nicht heißt, dass Data Mining keine Option für kleine Unternehmen ist. Ganz im Gegenteil, genau wie für Amazon und Google ist Data Mining auch ausschlaggebend für deren Zukunft.

Wir sehen uns nachfolgend an, wie Data Mining wirklich vonstattengeht und wie die Ergebnisse eingesetzt werden können. Zudem stellen wir auch einige erschwingliche Data Mining-Tools vor, die kleine Unternehmen in Betracht ziehen sollten.

Was ist Data Mining?

Das Gabler Wirtschaftslexikon definiert Data Mining als „die Anwendung von Methoden und Algorithmen zur möglichst automatischen Extraktion empirischer Zusammenhänge zwischen Planungsobjekten, deren Daten in einer hierfür aufgebauten Datenbasis bereitgestellt werden.“

Einfach gesagt nutzen Data Mining-Methoden Statistiken und Modellierung, um große Mengen unterschiedlicher Daten zu analysieren und mögliche Muster und Verbindungen festzustellen.

Wie funktioniert Data Mining?

Bei dem Begriff „Data Mining“ denkt man zuerst, dass man sich auf der Suche nach neuen Daten befindet. Tatsächlich werden aber bereits vorhandene Daten auf Bezüge, Muster und Trends untersucht.

Dabei wird meistens in drei Schritten vorgegangen:

Schritt 1: Datenquellen identifizieren

Befindet man sich in einem Einzelhandelsgeschäft, werden bei jedem Kauf mit einer Geldkarte Daten wie der Kundenname, der Zeitpunkt des Kaufs und die erworbenen Produkte in einem Kassensystem gesammelt. Bei einem Online-Geschäft stehen für jeden Besucher einer Website Informationen zur Verfügung: Kamen die Besucher über Twitter, YouTube oder eine andere Quelle und welche Seiten haben sie sich angeschaut? Das sind äußert nützliche Informationen! Wenn diese noch nicht gesammelt werden, sollte dies schleunigst in einer Tabelle oder einer Software festgehalten werden. Anschließend untersucht man Quellen auf mögliche Muster.

Schritt 2: Zu analysierende Datenpunkte aus Quellen auswählen

Am besten wäre es, wenn man einfach nur zwei riesige Datenbanken in einen Computer speisen müsste und dieser sämtliche möglichen Korrelationen lernen würde, aber die Technik ist noch nicht ganz so weit. Software benötigt Anweisungen und muss wissen, wo sie nach Mustern suchen soll. Es hat sich daher als bewährte Vorgehensweise herauskristallisiert, bestimmte Datenpunkte festzulegen, bei denen nach einem Kausalzusammenhang gesucht wird. Der monatliche Umsatz und die Anzahl der Kunden mit Vorname Daniel stehen sehr wahrscheinlich nicht in Korrelation. Die Uhrzeit und wie viele Personen sich zu diesem Zeitpunkt im Laden befinden hingegen schon.

Schritt 3: Ein Modell anwenden und testen, das Datenpunkte am besten verknüpft

Bei diesem Punkt schalten die meisten Leute ab, daher wollen wir es mit einem einfachen Beispiel in Microsoft Excel verdeutlichen. Nehmen wir einen Eiswagen und stellen fest, inwieweit das Wetter sich auf den Verkauf auswirkt. Über 30 Tage hinweg werden die Höchsttemperatur und die Anzahl der verkauften Eistüten festgehalten:

Beispiel für Data Mining

Auf den ersten Blick sieht es so aus, als ob sich hier ein Trend abzeichnet. Wichtiger ist jedoch, dass eine bloße Betrachtung nicht ausreicht, um einen quantifizierbaren Zusammenhang zwischen diesen Datensätzen herzustellen.

Fügt man jedoch eine Trendlinie hinzu – eine gerade Linie in Excel, mit der in diesem Fall gezeigt wird, dass sich die Anzahl der verkauften Eiswaffeln mit dem Wetter ändert – so lassen sich andere Aussagen treffen. Hierbei wird folgendes Modell angewendet:

Beispiel für Data Mining

Jetzt können wir deutlich sehen, dass mit Ausnahme weniger Ausreißer der Verkauf von Eis bei gutem Wetter zunimmt. Es geht aber noch besser. Wir können auf diese beiden Datensätze auch eine einfache Formel anwenden (=CORREL), um einen sogenannten Korrelationskoeffizient zu erhalten: eine Zahl, die sich in der Statistik zwischen +1 und -1 bewegt und Auskunft über die Abhängigkeit zweier Datensätze voneinander gibt. +1,00 zeigt eine perfekte positive Korrelation an (steigt die Temperatur um ein Grad, so wird auch ein weiteres Eis verkauft) und -1,00 eine perfekte negative Korrelation (steigt die Temperatur um ein Grad, so wird ein Eis weniger verkauft). Der Wert 0,00 zeigt an, dass es keinerlei Zusammenhang gibt.

Der Korrelationskoeffizient für die hier vorliegenden Temperatur-/Eisdaten liegt bei 0,67, was auf eine kleine positive Korrelation schließen lässt.

Und das ist im Grunde schon Data Mining. Wir haben uns zwei unterschiedliche Datensätze genommen und ein Muster gefunden, das sie verbindet. Nun könnten wir dem Modell weitere Daten zum Testen hinzufügen und sicherstellen, dass es weiterhin richtig ist.

An dieser Stelle soll jedoch noch einmal betont werden, dass es sich hier um ein sehr vereinfachtes Beispiel handelt. Ausschlaggebender wäre es, wenn wir uns anstelle von 30 Tagen mit 30.000 Tagen beschäftigen würden. Hinzu kommen noch weitere Faktoren, die Einfluss auf die Zahlen haben, ob es zum Beispiel an den einzelnen Tagen geregnet hat oder auf einmal das Schokoladeneis ausgegangen war. Und die beste Linie ist auch keine Gerade, sondern eine wilde Kurve. Spätestens an dieser Stelle wird klar, warum Software für Data Mining unabdingbar ist.

Wie nutze ich Data Mining zu meinem Vorteil?

Verborgene Muster in den Geschäftsdaten zu finden kann faszinierend sein, aber letztendlich ist die ganze Arbeit umsonst, wenn man das dadurch erhaltene Wissen nicht auch zur Geschäftsoptimierung einsetzt. Wir stellen daher einige Möglichkeiten vor, wie Unternehmen Data Mining-Methoden zu ihrem Wettbewerbsvorteil nutzen können.

  • Saisonalität identifizieren:Mithilfe von Data Mining lassen sich die besten Zeiten für Preiserhöhungen bzw. Preisreduzierungen ermitteln. Das amerikanische Warenhaus Macy’s analysiert mit erweiterten Data Mining-Methoden die Nachfrage und Bestandszahlen für das Online-Geschäft und passt die Preise für mehr als 73 Millionen Artikel in Echtzeit
  • Höhere Ausgaben fördern:Über das Data Mining lässt sich herausfinden, welche Artikel häufig zusammen gekauft oder angesehen werden und so können in einigen Fällen Vorratskäufe empfohlen werden. Walmart fand so heraus, dass Kunden bei schlechtem Wetter vermehrt Batterien, Notfallausrüstung und Erdbeer-Pop Tarts In Gegenden mit unfreundlichem Wetter erhöhten sie daher ihre Pop Tart-Vorräte und konnten den Umsatz steigern.
  • Bessere Mitarbeiter einstellen:Arbeitgeber setzen Data Mining auch zunehmend ein, um die Eigenschaften von Bewerbern festzustellen, die später zu leistungsstarken Mitarbeitern werden. Xerox fand heraus, dass der in einem Persönlichkeitstest sogenannte „kreative Typ“ länger in den Trainingsprogrammen dabeiblieb, wodurch die Abbruchrate um 20 Prozent gesenkt wurde.
  • Marketinganstrengungen verbessern: Aufgrund des Data Mining von Kundendaten lassen sich neue Marketingstrategien wie E-Mail- und Social Media-Kampagnen für verschiedene Kundensegmente entwickeln. Intermix teilte seine Kunden in drei klar voneinander getrennte Gruppen auf und bewarb jede davon mit unterschiedlichen E-Mail-Angeboten, was zu einem um 15 Prozent erhöhten Jahresumsatz führte.
  • Kosten senken: Data Mining kann nicht nur zum Verdienen, sondern auch zum Sparen eingesetzt werden. UPS konnte 148 Millionen Liter Benzin einsparen, indem sie nicht mehr links abbogen.

Data Mining-Tools für kleine Unternehmen

Schon überfordert? Das ist verständlich. Data Mining ist hochkomplex und so mag es auf den ersten Blick erscheinen, als sollten sich nur hochqualifizierte Datenanalysten in großen Unternehmen damit auseinandersetzen.

Dieser Schein trügt jedoch. Das Forschungs- und Beratungsunternehmen Gartner schätzt, dass der Markt für Business Intelligence und Analysesoftware bis 2020 auf mehr als 22 Milliarden USD anwachsen wird und ein Großteil dieses Wachstums durch kleine und mittelständische Betriebe entsteht. Immer mehr erschwingliche Data Mining-Tools werden auch für diese Unternehmen zugänglich.

Hier einige Data Mining-Tools für kleine Unternehmen mit Top-Bewertungen:

Für Vermarkter: Google Analytics

Ein Screenshot des Data Mining Tools Google Analytics

Glücklicherweise teilt Google ein paar seiner Data Mining-Geheimnisse mit uns. Mit Google Analytics können Unternehmen kostenlos so einiges über ihre Website erfahren: Wie viele Leute besuchen sie und wie lange bleiben sie dort, welchen Browser nutzen sie und vieles mehr. Data Mining-Experten gehen noch einen Schritt weiter und kombinieren Google Analytics mit der bekannten Programmiersprache für statistische Berechnungen und Grafiken R. Hier wird in einem Tutorial gezeigt, wie das funktioniert (Englisch).

Für Verkaufsteams: InsightSquared

Ein Screenshot des Data Mining Tools

InsightSquared wurde speziell für kleine und mittlere Unternehmen entwickelt und analysiert CRM-Daten, wobei Verkaufsmuster und Trends visuell dargestellt werden. Das Ergebnis ist ein differenzierter Blick auf den Verkaufstrichter, wodurch Verkaufschancen wahrgenommen und übersichtliche Berichte für Stakeholder schnell und einfach erstellt werden. Personalvermittler können mithilfe von InsightSquared ihre Mitarbeiter nicht nur schneller und preisgünstiger, sondern auch zu passenderen Stellenangeboten vermitteln.

Für Power-User: Periscope Data

Ein Screenshot des Data Mining Tools

Unternehmen mit anspruchsvollen Anforderungen sollten sich näher mit Periscope Data beschäftigen. Datenteams können mit Periscope mehrere Datenbanken integrieren und so in Echtzeit Zugriff auf Datenvisualisierung, Dashboards und Berichte erhalten, die mit individuell angepassten Nutzergruppen innerhalb des Unternehmens geteilt werden können. Ein eingebetteter SQL-Editor unterstützt das Schreiben von Anfragen, wodurch Unternehmen mithilfe von Data Mining mehr über ihre Daten und Kunden herausfinden als jemals zuvor.

Dies sind nur ein paar Beispiele. Weitere Produkte findest du auf unserer Software-Seite für Data Mining. Wir hoffen, die Antwort auf die Frage „Was ist Data Mining?“ ist für dich ein wenig klarer geworden und du hast einige Ideen bekommen, wie du es selbst einsetzen könntest!

Vorsicht: Bei Data-Mining immer auf DSGVO-Konformität prüfen:

Man befindet sich hier in einem Graubereich, da der Begriff Data-Mining in der DSGVO nicht explizit erwähnt wird und lediglich als Teilgebiet des Profiling gesehen werden kann. Grundsätzlich betrifft die DSGVO personenbezogene und nicht anonymisierte Daten. Trotzdem sollte die Erhebung und Verarbeitung von Daten in diesem Fall immer individuell auf DSGVO-Konformität überprüft werden.

Qu’est-ce que l’informatique décisionnelle ?

Qu'est ce que l'informatique décisionnelle

Qu'est ce que l'informatique décisionnelle

Si vous lisez cet article, c’est que l’informatique décisionnelle (ou BI, pour Business Intelligence) vous intéresse. Vous ne savez peut-être pas exactement ce que c’est, mais vous en connaissez les grandes lignes et savez que cela inclut généralement des statistiques et des graphiques. La plupart du temps, ces données sont affichées sur un tableau de bord d’informatique décisionnelle.

Pour les dirigeants d’entreprise, ces données peuvent devenir extrêmement complexes. Dans cet article, nous aborderons les points suivants pour vous donner une idée globale de cette fameuse “business intelligence” :

  • Définition
  • Anecdote historique au sujet de l’informatique décisionnelle
  • Pourquoi l’informatique décisionnelle représente une option viable pour les PME
  • Exemples d’applications BI populaires
  • Articles à lire pour aller plus loin

Définition de l’informatique décisionnelle

Le magazine Futura Tech définit l’informatique décisionnelle comme “un ensemble de méthodes, de moyens et d’outils informatiques utilisés pour piloter une entreprise et aider à la prise de décision“.

Les prémices de la business intelligence

C’est dans “Cyclopædia of Commercial and Business Anecdotes“, un ouvrage de langue anglaise écrit par Richard Millar Devens en 1865, que l’on trouve la première occurrence de l’expression “business intelligence”, ou informatique décisionnelle. Devens y raconte l’histoire d’un banquier du nom de Sir Henry Furnese qui fit appel à une forme primaire d’informatique décisionnelle. Ce baronnet britannique s’appuya sur des rapports préliminaires en provenance du front (la Guerre de la Ligue d’Augsbourg faisait alors rage) pour prendre des décisions commerciales. Ses prises de risque furent couronnées de succès et le roi Guillaume en personne lui offrit une bague en diamant en récompense.

Cette anecdote illustre le point de départ de l’informatique décisionnelle : extraire des données et les analyser correctement pour développer les opérations commerciales.

Cependant, un grand pouvoir implique de grandes responsabilités et pour Sir Furnese, le mensonge était une option bien trop tentante. Il finit par falsifier rapports et données et ordonna à ses agents d’adapter leur apparence et comportement selon ce qu’il voulait acheter ou vendre.

Un siècle plus tard, en 1989, l’analyste Howard Dresner suggère le terme d'”informatique décisionnelle” pour englober les concepts et méthodes dédiés à améliorer la prise de décision métier en s’appuyant sur des solutions basées sur les faits. Ce terme s’est ensuite établi comme un domaine propre du monde des affaires.

L’informatique décisionnelle est-elle réservée aux grandes entreprises ?

Pas du tout ! Il est vrai que par le passé, l’informatique décisionnelle était surtout utilisée dans les grandes entreprises : son aspect chronophage et son coût élevé la rendaient peu accessible aux PME. Seules les grandes entreprises bénéficiaient de l’infrastructure nécessaire en termes de moyens humains, technologiques et financiers pour investir dans l’informatique décisionnelle. Cependant, le cloud computing et autres avancées technologiques ont participé à la démocratisation de l’informatique décisionnelle pour les PME.

Pourquoi l’informatique décisionnelle représente une option viable pour les PME

Il est fort probable que vous vous appuyiez sur plusieurs outils différents pour gérer votre entreprise. Que vous utilisiez Excel pour préparer les chiffres prévisionnels de la croissance ou que vous étudiez la circulation de vos données avec Google Analytics, vous devez pouvoir compter sur une vision globale de ces données.

Un tableau de bord conçu pour surveiller et regrouper vos données vous aidera non seulement à augmenter vos bénéfices, mais également à éviter d’éventuels problèmes par la suite.

Des exemples d’applications BI populaires

J’ai passé en revue la liste des logiciels de business intelligence de GetApp et identifié 3 applications proposant diverses fonctionnalités d’informatique décisionnelle évaluées par les utilisateurs.

Microsoft Power BI

Microsoft Power BI propose une interface glisser-déposer intuitive et idéale pour vous initier à l’informatique décisionnelle ; vous pourrez partager vos tableaux de bord et données d’un seul toucher du doigt. Cette application appartient à l’écosystème Microsoft et s’intègre en toute facilité à d’autres programmes métiers tels que Salesforce, Google Analytics, Quickbooks et Zendesk. Disponible sur iOS, Android et Windows Phone, Microsoft Power BI vous accompagnera dans tous vos déplacements.

Microsoft Power BI inclut les fonctionnalités suivantes :

  • Tableaux de bord et rapports en temps réel
  • Analyse des données à l’aide du traitement automatique du langage naturel
  • Aperçu mobile basé sur les données
  • Outils de visualisation des données
  • Options avancées de partage

plateforme microsoft power bi

Un utilisateur du site web Software Advice, fait part de son enthousiasme pour Microsoft Power BI : “Je ne pensais pas que cet outil me plairait autant. J’ai pu créer facilement et rapidement des représentations visuelles et des rapports basés sur de simples feuilles de calculs et des fichiers plats. […] Si vous utilisez Office, cet outil va vous plaire, car il partage la même interface que les autres outils Microsoft qui vous permettent de créer des tableaux de bord de A à Z.”

Tableau

Basé sur un projet de recherche de l’Université Stanford, le logiciel Tableau est renommé pour ses visualisations de données. De nombreuses entreprises et groupes de presse du monde entier s’appuient sur ce logiciel, mais même votre entreprise peut bénéficier de ses capacités d’analyses de données pour améliorer la prise de décisions. La philosophie de Tableau est simple : pas besoin de savoir coder pour comprendre vos données. Ce sont vos données qui doivent fournir des représentations visuelles intelligibles.

Bon à savoir : Tableau a été développé pour les entreprises de taille moyenne et peut s’avérer coûteux pour une petite structure. La version basique est à 12 $ (environ 11 €) par utilisateur et par mois avec un minimum de 100 utilisateurs.


Tableau inclut les fonctionnalités suivantes :

  • Tableaux de bord interactifs
  • Liste de connecteurs de données natifs
  • Prise en charge des commentaires sur les tableaux de bord
  • Gestion des métadonnées
  • Autorisations de sécurité à tous les niveaux
  • Importation de toutes les données, quelles que soient la plage ou la taille
  • API pour serveur REST

infographie enfants unicef

Un utilisateur de Tableau, a partagé son avis sur GetApp : “De tous les programmes d’informatique décisionnelle que j’ai essayés (Zoho, tableaux croisés sur Excel, Microsoft Power BI…), Tableau est de loin le plus facile à utiliser. Il suffit de glisser-déposer les données pour réaliser des analyses. Cependant, si vous avez besoin de quelque chose de plus complet que des graphiques à axes X et Y, vous devrez apprendre un peu de code de base. Vous pourrez heureusement trouver de nombreux guides gratuits sur les forums et blogs de la communauté, mais à moins que vous n’essayiez de faire exactement ce qui est expliqué dans les exemples, vous devrez adapter les cas de figure indiqués à votre cas spécifique, ce qui peut prendre du temps. De plus, cet outil représente un investissement non négligeable avec un coût d’environ 1 000 $ (880 €) par an. Mais tout bien considéré, Tableau l’emporte sur les autres programmes.”

Klipfolio

Klipfolio a été développé tout particulièrement pour les PME. Il s’agit d’un outil simple (par exemple, les ensembles de données peuvent être personnalisés à l’aide de fonctions de type Excel et de calculs basiques), mais surtout, il s’agit d’un outil peu coûteux, disponible à partir de 24 $ par mois (environ 21,5 €). Mais qui dit abordable ne veut pas dire rudimentaire ! Klipfolio s’intègre parfaitement aux applications telles que Twitter, Moz et Google Analytics. Il n’y a rien de plus facile que de recouper en une seule visualisation des données provenant de plusieurs sources. De plus, si vous débutez dans l’informatique décisionnelle, vous pourrez vous appuyer sur des centaines de visualisations prêtes à l’emploi pour créer votre tableau de bord.


Klipfolio inclut les fonctionnalités suivantes :

  • Options de branding (par exemple, remplacement de logo)
  • Prise en charge des fichiers Excel, CSV, JSON et XML
  • Intégration de plusieurs sources de données dans un seul rapport
  • Options de marque blanche pour les agences et partenaires
  • Tableaux de bord simplifiés
  • Différents styles de rapports intégrés

plateforme klipfolio

Un utilisateur de GetApp, écrit : “Klipfolio est un outil dynamique qui vous permet de créer votre visualisation en un temps record. Pour nos tableaux de bord d’activité, je cherchais une solution abordable et rapide à implémenter. Nous avions besoin d’un outil en ligne ou hébergé sur le cloud, sans installation requise et intégrable à notre base de données PostgreSQL. Klipfolio répond à tous ces critères. De plus, de nombreux outils de visualisation et tableaux de bords sont déjà intégrés : cela s’avère particulièrement utile pour les agences de marketing en ligne, ou si vous devez créer votre tableau de bord avec Google Analytics, Facebook Ads ou autre source de données.”

Pour aller plus loin

Grâce à cet article riche en informations et anecdotes historiques, vous devriez désormais en savoir un peu plus au sujet de l’informatique décisionnelle. Si ce sujet vous fascine, consultez les articles indiqués ci-dessous ainsi que notre liste des meilleurs logiciels de business intelligence. N’hésitez pas à partager vos recommandations ou questions dans la section Commentaires ci-dessous !