Training Adviseren over data, digitalisering en innovatieve ontwikkeling

Bij digitalisering wordt vooral de rol van data in de besluitvorming van organisaties steeds groter. Om deze transitie op een goede manier vorm te geven, bestaan er veel methoden, frameworks en software. Hierbij rijst de vraag welke van deze tools wanneer ingezet kunnen worden. Dit is vooral afhankelijk van de huidige stand van digitalisering in een organisatie en welke doelstellingen er worden gesteld. Het kan dan variëren van het samenbrengen van verschillende databronnen, om die te visualiseren (BI), tot een predictive analytics systeem op basis van AI.

Training Adviseren over data, digitalisering en innovatieve ontwikkeling

Tijdens de training Adviseren over data, digitalisering en innovatieve ontwikkeling nemen wij je mee door het hele data- en innovatielandschap, om zo de kennis van methoden, frameworks en systemen op het gebied van data te vergroten en inzicht te geven in welke tools toegepast kunnen worden in welke fase van digitalisering.

Na de training ben je in staat om te beoordelen waar een organisatie staat in de fasen van digitalisering en kun je een advies doen over de vervolgstap in dit proces. Je weet dan welke vragen je beantwoord moet hebben om een aanzet te geven tot een roadmap voor digitalisering.

Tijdens de Training Adviseren over data, digitalisering en innovatieve ontwikkeling komen in basis onderstaande onderwerpen aan bod. Afhankelijk van ontwikkelingen op het vakgebied, kan de feitelijke trainingsinhoud hier echter van afwijken. Bel ons gerust voor meer informatie over de actuele inhoud.

De fasering van digitalisering van organisaties geeft aan in hoeverre deze organisatie ‘data driven’ genoemd kan worden, dus: in hoeverre spelen data een rol in de besluitvorming en sturing? Wij bespreken daarin de volgende fasen:

• Ad Hoc: data wordt gefragmenteerd gebruikt op basis van individuele vragen;
• Engaged: de organisatie beseft zich dat er meer uit data te halen is en wil zich op dat vlak ontwikkelen;
• Structured: de organisatie brengt orde en overzicht aan in haar data en gedigitaliseerde processen. Er is budget en een aantal acties zijn al in gang gezet;
• Managed: de organisatie past planmatig en consistent een vooraf opgestelde digitale strategie toet. Rollen, processen en verantwoordelijkheden zijn duidelijk gedefinieerd;
• Optimized: Optimalisatie vindt plaats door doelstellingen naar een steeds hoger bij te stellen, de roadmap en de structuur worden herijkt en continu verbeterd, onder meer met behulp van AI.

Verschillende termen en begrippen worden besproken. Wat houden ze in en hoe verhouden ze zich tot elkaar? Hoe en wanneer worden ze ingezet? Doel is dat iedereen dezelfde taal spreekt. Aan bod komen o.a.:

• Wat is data?
• Wat zijn data analyse, data mining, datavisualisatie?
• Wat houden machine learning en kunstmatige intelligentie in?
• Wat zijn algoritmen en hoe worden deze ingezet?

Het Europese CRISP-DM (Cross Industry Standard Process for Data Mining) model is een standaard procesmodel voor Data Mining. Het biedt een aantal stappen die moeten worden doorlopen om data mining succesvol te kunnen toepassen op de business doelstellingen en vragen die daaruit voortkomen en de invulling van een data mining proces.

• CRISP-DM model wat is het?
• Business Understanding: in kaart brengen van vragen en doelstellingen uit de business;
• Data Understanding: welke data is er, waar bevindt die zichen wordt de data al gebruikt? Bijvoorbeeld ui CRM systemen, boekhoudpakketten, e-mail, documenten;
• Data Preparation: data samenbrengen, integreren en transformeren om daar waarde uit te kunnen halen;
• Modeling: het modelleren van data ten behoeve van het beantwoorden van de vragen uit de business door middel van data mining;
• Evaluation: beoordelen of resultaten voldoen aan de doelstellingen, of je conclusies kunt trekken met betrekking de gestelde vragen;
• Deployment: toepassen van resultaten in rapportage en uiteindelijk in besluitvorming.

Data management: hoe ga je om met je data? Het DAMA-DMBOK framework biedt je een raamwerk van concepten en oplossingen om data management effectief toe te passen in je organisatie. We bespreken aan de hand van dit framework enkele belangrijke onderdelen van data management:

• Overview data management aan de hand van DAMA-DMBOK
• Data governance, organisatie, doelstellingen, rollen en verantwoordelijkheden
• Data security en privacy (AVG)
• Compliance

De techniek is ondersteunend in de organisatie van een digitaliseringsproces, maar in veel gevallen wordt er wel eerst naar techniek gekeken. Hoe kan de infrastructuur van data eruit zien? Welke platforms en software zijn daarbij betrokken? En vooral: hoe maak je een keuze in wat je inzet? Wat bepaalt die keuze? Dat zijn vragen die we hier bespreken.

• Data omzetten naar informatie
• Integratie en transformatie
• Databronnen
• • Databases
  • Documenten (Excel)
  • Data warehousing
• Data analyse software
• Visualisatie software
• Security software
• Overview cloud platforms en diensten:
• • Azure Cloud
  • AWS Cloud
  • Google Cloud
• Welk type software of platform past bij welke fase?
• Wat is de impact van keuzes?
• • Investeringen
  • Schaalbaarheid
  • Connectiviteit
  • Beschikbaarheid van kennis

De praktijk: je bepaalt de fase van digitalisering voor verschillende praktijkcases. Vervolgens bespreken we voor die gevallen wat de vervolgstappen kunnen zijn en hoe je die adviseert.

Gegeven is een bepaald bedrijf met bepaalde data, processen en mensen, die zich in bepaalde digitaliseringsfase bevindt:

• In welke fase bevindt dit bedrijf zich? Waar blijkt dat uit?
• Wat hebben ze nodig voor de volgende fase?
• Welke methoden passen bij de volgende fase?
• Welk type software of platform past bij de volgende fase?
• Welke keuzes moeten hierin worden gemaakt?
• Wat is het belangrijkste advies aan dit bedrijf?
• Welke valkuilen kun je tegenkomen?
• Hoe ga je hiermee om?
• Hoe zou de roadmap eruit zien voor deze organisatie?