Geschreven door Patrick van Haren

Patrick is mede-eigenaar en mede-oprichter van PinkWhale. Met technische expertise op gebied van cloud oplossingen i.c.m. brede ervaring op gebied van bedrijfsstrategiën, weet hij enterprise omgevingen voor de juiste doelen in te zetten. Patrick is van de rode draad, de structuur en het evenwicht binnen PinkWhale.

Data is de nieuwe economie

Dat data een hoog economische waarde heeft, is de afgelopen jaren wel gebleken. Big data kan het leven ingrijpend veranderen. Stellingen als ‘data is de nieuwe economie’ zie ik steeds vaker voorbij komen. Met regelmaat zien we startups en relatief kleine bedrijven opgekocht worden door de grote bazen, zoals Amazon. Zij hebben in zeer korte tijd enorme sprongen weten te maken. Het is hen dan vaak niet te doen om de opgekochte oplossing, maar om de data.

Toepassingen van big data

De toepassingen van big data zijn immens. Het verzamelen, goed structureren en analyses van data kan toepassingen slim maken en enorme voordelen bieden. Zo ontstaan er steeds meer oplossingen waarbij gedragingen van bijvoorbeeld groepen burgers worden voorspeld. Een functionaliteit van enorme waarde voor bijvoorbeeld beveiligingsinstanties, bij calamiteiten op festivals. Ook in de medische wereld wordt big data steeds vaker toegepast. Als voorbeeld kan middels big data steeds nauwkeuriger een medicatie- of leefstijl advies worden gecalculeerd. Big data is niet meer de toekomst, het is vandaag de dag een toepassing waarmee bedrijven enorme sprongen maken.

Machine Learning

Leren op basis van eerdere gebeurtenissen of datamutaties, daar worden tools steeds beter in. Met de komst van nieuwe ontwikkelingen en technieken kan het achterliggende belang van big data steeds groter worden. Des te interessanter de oplossing of output, des te waardevoller de data zelf. Met data genereren we dus meer data.

Een voorbeeld hiervan. Basic-Fit opent gemiddeld genomen zo’n twee nieuwe vestigingen per week. Middels geavanceerde machine learning algoritmes kan - op basis van big data - een schatting worden gemaakt welke locaties interessant kunnen zijn voor winstgevende vestigingen. Op basis van enorm veel data en variabelen kunnen voorspellingen worden opgemaakt. Ook kunnen verwachtingspatronen van het aantal leden op toekomstige vestigingen worden uitgewerkt. Dit stelt Basic-Fit vervolgens in staat om de gewenste locatie omvang / oppervlakte in kaart te brengen.

Big Data as a Service

BDaaS, ofwel Big Data as a Service, een term die we afgelopen tijd ook vaker voorbij zien komen. Wie data heeft, heeft macht. Data als product aanbieden kan dan een interessant model zijn. Middels een API data aanbieden kan dus een interessant model zijn. Het begint vaak bij het verzamelen van die data, maar hoe pak je dat eigenlijk aan?

Zelf data vullen is een optie, maar big data bereik je voornamelijk door anderen data in jouw database te laten invoeren. Gebruikers van een app of tool zijn daartoe bereid als het voor hen meerwaarde biedt. Ik geef je een voorbeeld. Er zijn enkele krachtige iPhone en Android voedingstrackers in de mobile stores te vinden. Gebruikers hiervan zijn in staat om producten uit de supermarkt toe te voegen en te koppelen aan barcodes. Deze data wordt echter gecentraliseerd, waardoor een enorme database is ontstaan met voedingsmiddelen. Dit resulteert erin dat nieuwe gebruikers barcodes kunnen scannen en de app ‘automatisch’ weet wat de voedingswaarden van het product zijn. Deze database vormt voor deze gratis app een krachtige basis om nieuwe gebruikers aan te trekken. Het verdienmodel? Zo’n app weet exact wat mensen nuttigen en wanneer zij dat doen. Voor marketingdoeleinden zeer nuttig om te weten wanneer een bepaald product over het algemeen wordt gebruikt. Maar ook het hiervoor genoemde voorbeeld van Basic-Fit, zij zullen zeker geïnteresseerd zijn waar gebruikers zich bevinden omdat deze gebruikers wellicht voor een groot doel bij hun doelgroep behoort. Een mooi voorbeeld waar de output van data het verdienmodel is en gevoed wordt door een krachtige input van nieuwe data.

Internet of Things

Met de komst van IoT oplossingen zijn we in staat nog meer data te vergaren. De werking van apparaten kan uitgelezen en gemonitord worden, maar het kan ook het gebruik van voorwerpen of apparaten uitlezen. Daarmee kunnen we vervolgens weer gedragingen meten en daar slim op inspelen. Neem een koffieautomaat als voorbeeld. Op veel locaties kan het interessant zijn om de wetenschap te hebben wanneer deze veel gebruikt wordt, of simpelweg wanneer de bonen bijna op zijn. Op die piekmomenten kan marketingtechnisch effectief op worden ingespeeld. Een klein voorbeeld van de enorme mogelijkheden waarbij IoT kan zorgdragen aan het verzamelen van big data.

Wat doe jij al met big data? Heb je een oplossing in gedachte of wil je meer weten over de toepassingen? Laten we een bakje koffie doen!