SUMMAVIEW kijkt terug op geslaagde Power BI Gebruikersdag 2018

, , , ,

SUMMAVIEW kijkt terug op een geslaagde Power BI Gebruikersdag 2018 in de Jaarbeurs Utrecht. De sessie over de combinatie Power BI – machine learning werd gegeven voor een tot te laatste stoel gevulde zaal met 100 bezoekers. Tientallen geïnteresseerden kwamen tussen de bedrijven door informatie inwinnen in onze stand.

De dag begon al goed met het nieuws dat alle kaarten voor Power BI Gebruikersdag 2018 waren uitverkocht. Dat betekende 440 bezoekers en dus volle bak. Onze eigen Håkon Mørk (data science developer) hield een seminar over het automatiseren en verbeteren van bedrijfsprocessen en forecasts met de combinatie Power BI – Machine Learning. Samen met Eltjo Verweij tuigde hij real time een machine learning-model op waarbij gebruik werd gemaakt van bestaande databasegegevens van een zuivelproducent. Aan de hand van dit machine learning-model konden Håkon en Eltjo de zaal een voorspelling voorschotelen van de toekomstige sales-ontwikkeling.

Gerichte vragen

Veel aanwezigen wilden graag meer weten over het toepassen van deze werkwijze voor hun eigen organisatie. Dat bleek uit de gerichte vragen na afloop van de presentatie en aan de grote belangstelling voor de SUMMAVIEW-stand. Speciaal voor de Power BI Gebruikersdag hebben specialisten van SUMMAVIEW een whitepaper geschreven over de combinatie machine learning – Power BI. Bezoekers  van de stand kregen de gelegenheid om dit whitepaper direct te downloaden op hun smartphone of tablet.

Whitepaper dowloaden

Het whitepaper van SUMMAVIEW over machine learning en Power BI is gratis te downloaden via deze link: https://summaview.nl/whitepaper/

4 Tips voor het succesvol implementeren van artificial intelligence (AI) in organisaties

, ,

CIO’s worstelen met de vraag hoe ze artificial intelligence (AI) kunnen inzetten. Een recent Gartner-onderzoek onder wereldwijde CIO’s wijst uit dat slechts 4% van de respondenten op dit moment al gebruikmaakt van AI. Uit dezelfde enquête blijkt echter ook dat een vijfde van de CIO’s al op korte termijn AI-pilots lanceert, of van plan is om een AI-project binnen de organisatie te testen. Wat kunnen zij leren van de fouten en successen van de allereerste pioniers?

Zonder effectieve strategische plannen om AI te implementeren, lopen organisaties het risico om geld te verspillen en achter te raken op het gebied van prestaties en dus ook achter te raken op de concurrentie.

Onbewezen technologie

Whit Andrews, onderdirecteur van Gartner geeft aan dat de ontwikkeling van AI nu net in een fase is aanbeland dat het nuttig begint te worden voor organisaties. Dat houdt in dat het AI-terrein nog grotendeels onontgonnen is. ”Veel CIO’s zullen merken dat ze binnen nieuwe AI-projecten worden geconfronteerd met de gebruikelijke obstakels die onbewezen en onbekende technologie met zich meebrengt”, zegt Andrews in een artikel op de website van het Amerikaanse onderzoeks- en adviesbureau.

Tips van de pioniers

De vraag is welke lessen organisaties kunnen leren van de vroege AI-pioniers. Gartner komt met de volgende aanbevelingen aan de hand van een vragenronde langs CIO’s die al ervaring met AI binnen hun organisatie. Daar kwamen de volgende 4 tips uit naar voren:

  1. Ga niet meteen op zoek naar grote besparingen of extra winsten, maar streef aanvankelijk naar ‘zachte’ resultaten, zoals verbeteringen aan processen, klanttevredenheid, producten en financiële benchmarks.
  2. Focus op groei van medewerkers, niet op vervanging. Zie AI niet als een middel om hetzelfde werk met minder mensen te kunnen doen, maar probeer menselijke prestaties te verbeteren met AI. Op deze manier is het ook makkelijker om medewerkers achter het toepassen van AI te krijgen.
  3. Zorg ervoor dat externe partijen hun kennis over AI overdragen op eigen medewerkers. Zo kun je als bedrijf toekomstige AI-projecten ontwikkelen met interne kennis en skills.
  4. Zorg voor AI-oplossingen die een goede onderbouwing geven van de AI-voorspellingen of adviezen, idealiter met behulp van actiecontroletrajecten en functies die de resultaten visualiseren of uitleggen. Alleen een aanbeveling is vaak niet voldoende. Ook de ‘waarom-vraag’ moeten kunnen worden beantwoord. Gartner voorspelt dat in 2022 AI-projecten met ingebouwde transparantie twee keer zo veel kans hebben om financiering te ontvangen van CIO’s.

 

Bron: Gartner

“3 concrete besparingen die dankzij machine learning mogelijk zijn”

, ,

SUMMAVIEW-directeur Christiaan Vrieling schrijft regelmatig columns voor FinancieelManagement.nl. Deze week schrijft hij over machine learning. Christiaan behandelt 3 concrete voorbeelden van resultaten die met behulp van machine learning zijn bereikt in uiteenlopende sectoren.

———–

Machine learning heeft zich ontwikkeld tot een heuse modeterm. Tegelijkertijd merk ik in de praktijk dat er ook nog veel onduidelijkheid bestaat over wat je eigenlijk concreet aan machine learning kunt hebben. In dit artikel drie voorbeelden uit de finance, e-commerce en industrie over hoe zelflerende technieken tot besparingen hebben geleid.

1. Forecasting van grootboekrekeningen
In de grootboekrekening kunnen per afdeling verborgen gegevens zitten die belangrijk zijn voor de toekomst van het bedrijf. Niet alleen de winst- en verliesrekening, maar ook individuele wijzigingen kunnen worden geanalyseerd om afdelingen te vergelijken en verbeteringen door te voeren. De grote hoeveelheid data kan ook worden benut in de budgetplanning voor de toekomst; op basis van de huidige grootboekstand kan dankzij machine learning een accurate prognose worden berekend voor de ontwikkeling van iedere afzonderlijke afdeling. Verder kan het routinewerk geautomatiseerd worden om transacties toe te wijzen per grootboekrekening, op basis van eerdere menselijke toewijzingen. Data zoals klantnaam, omschrijving van items of bankrekeningnummer kunnen we dan gebruiken om te herkennen wat voor transactie behandeld wordt.

Lees de rest van de column op FM.nl.

SUMMAVIEW focust op machine learning tijdens Power BI Gebruikersdag

, , , ,

SUMMAVIEW is op zaterdag 24 maart aanwezig op de landelijke Power BI Gebruikersdag. We geven een seminar over machine learning in combinatie met Power BI en zullen met een eigenzinnige stand op de beursvloer staan.

Onze collega Håkon Mørk houdt op deze dag een seminar over het automatiseren en verbeteren van forecasts met de combinatie Power BI – Machine Learning. Samen met Eltjo Verweij zet hij een machine learning model op, aan de hand van een werkelijke sales-database. Dit model voorspelt de toekomstige sales-ontwikkeling van een bepaald product. De forecast wordt eerst gepresenteerd als aanbod. Op basis van deze forecast geeft de gebruiker vervolgens een eigen voorspelling, die is opgebouwd uit zijn persoonlijke kennis in combinatie met het forecast-aanbod. Deze eigen voorspelling voert hij in het model in door gebruik te maken van de nieuwe write-back functionaliteit van Power BI.

Live prognoses

De twee verschillende prognoses worden daarna in Power BI met elkaar vergeleken. Eltjo en Håkon maken daarna verdere prognoses aan de hand van linear regression. Het model moet resultaten direct omzetten naar live aangepaste prognoses. Het illustere SUMMAVIEW-duo laat met de presentatie zien dat Power BI en machine learning een effectieve en winstgevende combinatie kan zijn.

Machine learning stand

Ook zal SUMMAVIEW aanwezig zijn met een eigen stand op de beursvloer. Wat we hier precies laten zien houden we nog even geheim, maar vast staat dat ook hier het thema machine learning in combinatie met forecasting en reporting centraal zal staan. Bezoekers van onze stand zullen niet met lege handen naar huis terugkeren. Hierover volgt later meer informatie.

Stichting Power BI Gebruikersgroep

Het is de tweede keer dat Stichting Power BI Gebruikersgroep deze dag organiseert. De Power BI Gebruikersdag biedt een programma van technische sessies, praktijkverhalen en nieuwe ontwikkelingen. Naast een plenaire sessie zijn er vier break-out tracks. De dag is vooral gericht op professionals uit de IT, business intelligence en finance. SUMMAVIEW is specialist in het implementeren en koppelen van dashboard reporting tools – waaronder Power BI- voor teams en afdelingen. Wij hopen op interessante informatie-uitwisseling met collega’s en mogelijke nieuwe klanten en heten iedereen van harte welkom bij de seminar van Håkon en Eltjo en in onze stand.

Website: http://pbig.nl
Twitter: @pbig_nl

 

 

 

De 3 basis-algoritmes voor Machine Learning

,

Machine Learning is een krachtig middel voor het maken van voorspellingen en berekende suggesties aan de hand van big data. Maar hoe werken de algoritmes nu eigenlijk? Speciaal voor de beginners op dit gebied zet ik in dit artikel de 3 basis-algoritmes voor Machine Learning uiteen.

Een bekend dagelijks voorbeeld van Machine Learning algoritmes zijn de suggesties die Netflix doet voor je volgende film of serie, op basis van content die je al bekeken hebt. Een ander voorbeeld is Bol.com dat een suggestie doet voor je volgende aankoop op basis van je interesses uit het verleden.


Machine Learning is gebaseerd op 3 soorten algoritmes:

1. Supervised learning
2. Unsupervised learning
3. Reinforcement learning

Supervised learning is handig in situaties waar de dataset die je gebruikt al een label heeft. Unsupervised learning komt van pas in situaties waar je eerst moet ontdekken wat de relaties zijn in een niet gelabelde dataset. Reinforcement learning zit tussen deze twee voorbeelden in.

Ik ga in dit artikel uit van supervised learning aangezien de stof aan de uitleg hiervan het makkelijkst te begrijpen is.


  1. Decision Trees

Een dicision tree is een boomvormig model waar verschillende keuzes en mogelijke consequenties uitgetekend worden.

Er wordt een minimumaantal vragen gesteld om zo dicht mogelijk bij een correct antwoord te komen. Deze methode zorg ervoor dat je een probleem structureel en systematisch aan kan pakken om tot een logische conclusie te komen.

 

  1. Naive Bayes Classification


Naive Bayes Classification is een soort algoritme waarbij de Bayes’ Law word toegepast. The Bayes Law indiceert de waarschijnlijkheid van een gebeurtenis. Hier lees je meer over de Bayes Law.

Als je de Naïve Bayes Classification gebruikt, ga je aan de hand van de Bayes Law oordelen of iets waarschijnlijk is en kom je zo tot een veronderstelling wat het meest voor de hand liggend is.

 

  1. Ordinary Least Squares Regression

Wie iets van statistieken af weet heeft ongetwijfeld wel eens gehoord van lineaire regressie. Least squares is hetzelfde als lineaire regressie. Lineaire regressie is een methode waarmee je een regressie-analyse toepast.  Lineaire regressie kan je zien als een rechte lijn die door een aantal punten heen loopt.

Door de lijn door te trekken kom je op een redelijk correcte voorspelling van wat er gaat gebeuren.

De toekomst van uw bedrijf voorspellen?

, ,

Microsoft heeft een tool op de markt gebracht waarmee toekomstige prestaties binnen organisaties relatief eenvoudig kunnen worden geanalyseerd: Microsoft Azure Machine Learning. Wat mij betreft heeft Microsoft hiermee de toekomst van datamanagement en Business Controlling in handen.

Door: Christiaan Vrieling

Elke organisatie doet, als het goed is, aan prestatiemeting. Om prestaties te kunnen meten wordt een keur aan middelen ingezet: KPI’s, databases, business intelligence, Excel, evaluatiegesprekken, noem maar op. Al deze vormen van prestatiemeting hebben één ding gemeen: ze meten alleen de actuele of de voorbije prestaties.

Prestatiemetingen in de toekomst

Microsoft Azure Machine Learning (Azure ML), doet het anders. Dit is een nieuwe tool die de gebruiker in staat stelt om prestatiemetingen en andere analyses op databases te verrichten die gericht zijn op  de toekomst. Dit biedt tal van vernieuwende mogelijkheden.

Planning optimaliseren

De manager die zich bezighoudt met planningen kan met Azure ML bijvoorbeeld veel eenvoudiger en handzamer de planning optimaliseren. Een bedrijf met veel factoren en actoren, zoals bijvoorbeeld de NS, kan dankzij deze tool makkelijker in kaart brengen  hoe veranderingen aan het spoorboekje zullen gaan uitpakken.

Revolutionair ingericht

Deze tool van Microsoft doet  iets revolutionairs: hij biedt de mogelijkheid om op een eenvoudige manier voorspellende analyses over data uit te voeren. Het revolutionaire aan deze tool is niet eens deze mogelijkheid op zich, het vernieuwende zit hem vooral in de manier waarop Microsoft hem heeft ingericht.

Het programma biedt de volgende innovatieve mogelijkheden:

  1. Werken met offline databases vanuit de cloud. Dit is een hybride oplossing.  Dat wil zeggen dat er met offline én online gegevens in de cloud wordt gewerkt.
  2. Snelle analyses maken. Er kan met Azure ML direct worden geanalyseerd; databases hoeven alleen maar te worden ‘geselecteerd’ en er kan direct worden begonnen met voorspellingen doen.
  3. Interactieve omgeving. Je kunt ‘spelen’ met data. Bijvoorbeeld: kijken wat er in de toekomst gebeurt als bepaalde factoren veranderen. Zo kunnen verschillende scenario’s snel worden behandeld.

Veel eenvoudiger

Momenteel zijn toekomstanalyses natuurlijk ook mogelijk. Hiervoor worden dan specialisten ingehuurd die veel tijd en moeite (en geld!) nodig hebben om tot een betrouwbare voorspellende analyse te kunnen komen. Alle scenario’s moeten los worden uitgewerkt en voor veel managers zijn uitkomsten van zulke analyses arbitrair omdat het heel lastig is om inzicht te krijgen in zo’n ingewikkeld proces . Ook het proces van trial and error is met de komst van Azure ML minder aanwezig, omdat verschillende scenario’s van tevoren allemaal data-technisch kunnen worden doorgerekend.  Met Azure ML wordt voorspellende analyses doen dus kinderspel.

Van Multinational tot MKB

Azure ML is heel breed toepasbaar. Iedereen die iets (vastgelegd in data) wil weten over de toekomst, kan nu zelf een toekomstgerichte analyse uitvoeren om te kijken wat de volgende waarden zullen zijn in de database. Dit kan zowel op hele grote als op kleine schaal. Niet alleen de NS en Unilever, maar ook het MKB en de detailhandel kunnen de nieuwe tool van Microsoft inzetten voor verbetering van hun bedrijfsvoering. De dorpsbakker bijvoorbeeld, kan kijken wat er met de afzet van een bepaald soort brood gebeurd als hij de prijs aanpast met een heel simpel grafiekje.

Maar Azure ML kan meer, zeker ook voor de meer omvangrijke organisaties. Met R-codes kunnen bijvoorbeeld zeer dynamische gegevenssets worden gemaakt. Zo kunnen heel veel verschillende factoren worden meegerekend om uitgebreide, gedetailleerde toekomstanalyses voor een groot bedrijf uit te voeren.

Goud in handen

De mogelijkheden van Azure ML zijn dus bijna eindeloos. Iedereen die toekomstvoorspellingen wil doen, kan deze nieuwe tool gebruiken omdat hij zo breed toepasbaar is. Ik zou me geen branche kunnen voorstellen, waar dit niet handig is. Dus bij deze doe ik een toekomstvoorspelling: Microsoft heeft met Azure ML goud in handen.

3 makkelijk te begrijpen Machine Learning algoritmes

, ,

Big data is op dit moment erg belangrijk in de tech wereld. Dit maakt machine learning erg zeer interessant omdat machine learning enorm krachtig is in het maken van voorspellingen en berekende suggesties. Voorbeelden hiervan is Netflix, die algoritmes heeft  die een suggestie doet wat je volgende film word op basis van de films die je al gekeken hebt. Een ander voorbeeld is dat Bol.com een suggestie doet voor je volgende aankoop op basis van de aankopen die je al gemaakt hebt.

Binnen machine learning zijn er 3 soorten algoritmes. Namelijk supervised learning, unsupervised learning en reinforcement learning. Supervised learning is handig in situaties waar de dataset die je gebruikt een label heeft. Unsupervised learning is handig in situaties waar je eerst moet ontdekken wat de relaties zijn in een niet gelabelde dataset. Reinforcement learning is een middelmaat van de andere twee voorbeelden. Ik ga het in dit artikel hebben over supervised learning.

Supervised learning:

Decision Trees:

Een dicision tree is eigenlijk een soort boomachtig model waar verschillende keuzes en mogelijke consequenties uitgetekend worden. Hier een plaatje om er een beeld bij te krijgen.

Er wordt eigenlijk dus een minimum aantal vragen gesteld om zo dicht mogelijk bij een correct antwoord te komen. Deze methode zorg ervoor dat je een probleem structureel en systematisch aan kan pakken om tot een logische conclusie te komen.

Naïve Bayes Classification:

Naïve bayes classification is een soort algoritme waarbij de bayes’ law word toegepast. The Bayes’ law indiceert de waarschijnlijkheid van een gebeurtenis. Hier meer over Bayes’ law: https://en.wikipedia.org/wiki/Bayes%27_theorem

Figuur 2: formule voor de bayes’ law

 

Als je de Naïve bayes classification gebruikt ga je doormiddel van de Bayes’ law oordelen of iets waarschijnlijk is en kom je zo tot een veronderstelling wat het meest voor de hand liggend is.

Ordinary Least Squares Regression:

Als je iets van statistieken weet, dan heb je hoogstwaarschijnlijk weleens gehoord van lineaire regressie. Least squares is hetzelfde als lineaire regressie. Lineaire regressie is een methode hoe je een regressie-analyse toepast.  Lineaire regressie kan je zien als een rechte lijn door een aantal punten heen zetten.

Figuur 3: lineaire regressie visualisatie

 

Door de lijn door te trekken kom je op een redelijk correcte voorspelling van wat er gaat gebeuren.

Bibliografie:

Le, J. (2016, Augustus). The 10 Algorithms Machine Learning Engineers Need to Know. Retrieved from KDnuggets: http://www.kdnuggets.com/2016/08/10-algorithms-machine-learning-engineers.html
Wikipedia. (2017, Mei 29). Retrieved from Bayes’ theorem: https://en.wikipedia.org/wiki/Bayes%27_theorem