Onder de motorkap: Business intelligence
Kennis
Stefan van der Pligt
Wat is Business Intelligence?

De kans is groot dat jouw organisatie in meerdere of mindere mate al bezig is met een vorm van Business Intelligence (BI). Of het nu gaat om een incidentele draaitabel met informatie over verkoopcijfers, of een periodieke bespreking van een volledig dashboard met de KPI’s van de organisatie: beide vormen kunnen waardevolle informatie bieden voor de beheersing en besturing van de organisatie.

Dat is meteen de kern van BI: het gehele proces van het verzamelen van gegevens en het omzetten van deze gegevens in bruikbare informatie, ten behoeve van de beheersing en besturing van de organisatie. Naarmate een organisatie groeit, neemt de behoefte in een goede BI-structuur vaak ook toe. Maar hoe zet je dit goed op? Welke uitdagingen komen daarbij kijken?

Vandaag hebben we een interview met Patrick IJpelaan, werkzaam bij Brink’s. Met zijn ruime werkervaring als BI Specialist nemen we een kijkje onder de motorkap en proberen we de uitdagingen het hoofd te bieden.

Uitdaging 1: Datakwaliteit

Hoe kleiner de organisatie, hoe makkelijker er kan worden omgegaan met data. Wellicht is dit niet in alle gevallen waar, maar in veel situaties zal deze redenatie kloppen. Denk bijvoorbeeld aan een ZZP’er die zijn of haar administratie voert in Excel. Wellicht worden daarin ook klantgegevens ingevuld (naam, adres, contactgegevens e.d.), maar het is voor de ZZP’er geen groot probleem als velden leeg zijn, of niet altijd hetzelfde datatype wordt gebruikt(zoals tekst of numeriek).

Dat wordt anders naarmate er meer behoefte is aan het verkrijgen van inzichten uit deze bak met data. Het kan beginnen met een simpele draaitabel in Excel. Doordat de data niet netjes of eenduidig is vastgelegd, kan dit al voor beperkingen zorgen in de draaitabel. Na enkele handmatige acties kan hier echter meestal nog wel mee worden gewerkt.

Het gaat nog een stap verder als de organisatie een structurele informatiebehoefte heeft en met de variabelen wil kunnen spelen. Het belang van datakwaliteit komt dan centraal te staan. “Eén van de grootste uitdagingen is incomplete of onjuiste data. Daarmee kan operationeel worden gewerkt, maar in analyses niet”, aldus Patrick IJpelaan. “Incomplete data kan worden verrijkt door een koppeling naar een andere interne of externe databron”.

Daarmee hebben we een mogelijke oplossing voor incomplete data in onze tabellen. Voor onjuiste data moet ook sterk rekening worden gehouden met de operationele gebruiker van het systeem. Als de gebruiker de naam van een stad kan vastleggen in een veld waar het land moet worden ingevuld, levert dit uiteraard ook problemen op in de uiteindelijke analyse. Dit kunnen we grotendeels ondervangen door het invullen van bepaalde velden af te dwingen en keuzelijsten te creëren in onze stamgegevens. Echter, zegt Patrick:“Het afdwingen van bepaalde gegevens met behulp van keuzelijsten kan ook fout gaan, bijvoorbeeld omdat de keuzelijsten sterk vergelijkbare of te algemene opties geven. Om een goede analyse uit te kunnen voeren, moet de applicatiehouder in dat geval beter differentiëren in de opties.”

Uitdaging 2: (infra)structuur

Er komt een moment dat de infrastructuur rondom de informatievoorziening moet worden verbeterd. Dit is bijvoorbeeld op het moment dat de organisatie behoefte heeft aan periodieke informatievoorziening, of wanneer het operationele systeem vastloopt omdat er wéér iemand in het systeem een datadump aan het maken is om een overzichtje te draaien.

Komt bovenstaande steeds vaker voor, dan is het aan te raden om eens na te denken over het opzetten van een datawarehouse. Een datawarehouse is een databeheersysteem waarop verschillende analysevraagstukken vrij snel kunnen worden uitgevoerd, zonder dat dit het bronsysteem (bijvoorbeeld het operationele systeem) belast.

Patrick vult aan: “Als je je data wil structureren en wil zorgen dat de gehele organisatie naar dezelfde informatie kijkt, dan is het een goed moment om een datawarehouse op te zetten. In een datawarehouse dwing je ‘business rules’ af (ALS dit, DAN dat). Daardoor worden vragen op dezelfde manier gesteld en wordt je output gevormd vanuit dezelfde uitgangspunten.”

Er zijn dus al enkele voorbeelden te benoemen van een datawarehouse, maar het staat er niet met een knip in de vingers. Welke uitdagingen spelen een rol bij het opzetten van een datawarehouse?

Patrick: “Onvolkomenheden van data. Bij de ontwikkeling van ons datawarehouse bleek dat niet alles direct was afgedekt door de ‘business rules’. Ook de optimalisatie van de performance is een continue uitdaging. Voor de gebruiker is het belangrijk dat de performance goed is.”

Teruggrijpend op de datakwaliteit, vragen we ons af hoe er in de datawarehouse voor wordt gezorgd dat dit op orde is. “Enerzijds door goed na te denken over de structuur van je datawarehouse. De ontsluiting van data moet gelijk goed zijn. Je houdt er tevens rekening mee in het opzetten van het ETL-proces”, aldus Patrick.

Het ETL-proces gaat om extractie, transformatie en laden van data. Kortweg: het ophalen van data uit verschillende systemen, het veranderen of verrijken van de data en het laden van de data naar de eindbestemming, in dit geval het datawarehouse. Het is van belang goed na te denken over het ETL-proces. Zo kan bij het laden worden gekozen voor een volledige verversing van alle data (met als gevolg een steeds langere laadtijd, naarmate de hoeveelheid data toeneemt) of het incrementeel laden van data, waarbij een vergelijking wordt gemaakt tussen de beschikbare data en data in het datawarehouse. Bij het incrementeel laden worden slechts de gewijzigde velden geladen.    

Uitdaging 3: Nieuwe Databronnen

Het kan zo zijn dat er op een bepaald moment met nieuwe systemen of tools wordt gewerkt. Hierin wordt data vastgelegd, wat na verloop van tijd mogelijk een interessante bron van informatie wordt. Hoe bepaal je nu of je deze bron wilt koppelen aan het datawarehouse?

In feite is de gedachtegang vergelijkbaar met de keuze voor het opzetten van een datawarehouse: zodra er behoefte is aan een periodieke informatievoorziening, waarbij de hele organisatie naar dezelfde informatie kijkt, wordt het interessant. Patrick zegt hierover: “Het is goed om eerst handmatig de data te ontsluiten en te kijken of de data bruikbaar is. Het zou immers zonde zijn als je veel tijd kwijt bent aan het maken van de koppeling, terwijl achteraf blijkt dat het geen nut heeft. Als de data bruikbaar is en de informatiestroom geautomatiseerd moet worden, dan is eenkoppeling vervolgens noodzakelijk.”

Ook hierin kan een uitdaging ontstaan, bijvoorbeeld als je geen kennis hebt van één van de systemen. Het maken van de koppeling kan dan een uitdaging vormen. Gelukkig zijn er online community’s of externe specialisten die hierbij kunnen helpen, mocht het echt niet lukken.

Afsluitend woord

Het opzetten van een datawarehouse kan al in een vroeg stadium interessant zijn. Ja, het kost tijd en geld en er is iemand nodig die continu een oogje in het zeil houdt op het gebied van datakwaliteit, performance en optimalisatie. Daar staat echter tegenover dat belangrijke informatie éénduidig wordt gepresenteerd en (ook ad hoc-)analyses sneller kunnen worden uitgevoerd. Deze informatie vormt de kern voor de beheersing en besturing van de organisatie. Zeker wanneer het zodanig is gestructureerd dat het directe informatie geeft over de KPI’s van de organisatie. Lees voor meer informatie onze blog over KPI's in de zorg.

Wij willen Patrick IJpelaan graag bedanken voor zijn tijden het delen van zijn kennis en kunde als BI Specialist.

Inschrijven
Nadat jij je hebt ingeschreven sturen we je een bevestiging via de email.
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Onderwerpen:
Over de auteur
Stefan van der Pligt

Stefan heeft als financieel interim manager ervaring opgedaan in het accounts payable proces en is inzetbaar als projectmedewerker. Als pay support specialist hield hij zich bezig met het in kaart brengen en optimaliseren van processen. Stefan heeft duidelijke affiniteit met automatisering en gedegen kennis van financiële (ERP) systemen zoals SAP, Exact en Navision. Verder heeft hij zich in house verdiept in Power BI en Data Analyse. Tijdens zijn HBO-studie Bedrijfseconomie heeft Stefan onderzoek gedaan naar de business controller van de toekomst. Ook was hij mentor in het project ‘Mentoren op Zuid’.