Trends in de toepassing van datawarehousing en datamining:

een twistgesprek

drs. Peter van der Putten dr. Adri van der Wurff

Sentient Machine Research SFB Groep

1. Inleiding

Datawarehousing en datamining zijn mogelijke toepassingen in een grotere organisatorische (bedrijfs)context. Dat lijkt een open deur, maar in de praktijk van (onbeantwoorde) vraag en (ongevraagd) aanbod is het een basisprincipe waar nog te vaak tegen gezondigd wordt.

Onze stelling is dat voor het tot een doorbraak van deze nog steeds nieuwe technologische toepassingen het basisprincipe van de inbedding in de grotere organisatorische context door alle betrokkenen beter begrepen dient te worden.

Ter illustratie en ter onderbouwing van deze stelling presenteren wij een - wat gechargeerd - pleidooi van de kant van een mogelijke klant die zich beklaagt over het onbegrip bij de aanbieders en de repliek van de kant van een leverancier die laat zien dat er inderdaad meer aan de hand is dan puur technologisch valt op te lossen - en dat de ondernemers zich daarbij zelf schuldig maken aan onbegrip en een zekere onwil om de nieuwe technieken te zien in het perspectief waarin ze thuishoren: als hulpmiddelen om bedrijfsdoelstellingen te realiseren.

De opvattingen zijn hier en daar voor de duidelijkheid wat uitvergroot en aangezet. Iedere gelijkenis met bestaande bedrijven en personen is onbedoeld. Deze bijdrage is niet vechtend tot stand gekomen.

2. Open brief aan de ‘technology pushers’

“Het is een heerlijke optimistische wereld vol spannende ontwikkelingen, de wereld van de aanbieders van producten op het gebied van datawarehousing en datamining. Elk jaar is alles beter, mooier, sneller. Jammer dat er ook nog een behoudzuchtige, bijna achterlijke buitenwereld is van klanten, die veel te weinig weten van computers en van wat je daar vandaag de dag allemaal mee zou kunnen doen, als je tenminste slim genoeg was te begrijpen dat je die mooie pakketten diezelfde dag nog moet aanschaffen en installeren.

Laat mij jullie eens een klein beetje vertellen over hoe het bij ons toegaat, in die echte wereld van ondernemen, produceren, administreren en uitvoeren. Wij komen om in het werk - het gaat goed, gelukkig, maar dat betekent wel dat iedereen op zijn tenen moet lopen. Met alle gevolgen van dien als het gaat om stress, weer oplopend ziekteverzuim, en overbelasting.

Minder doen is geen optie: groeien moet en de huidige klanten steeds beter bedienen is een voorwaarde om te overleven. En daarnaast, naast de eigenlijke core-business-activiteiten, zijn er tal van zaken die onafwendbaar en gelijktijdig ook allemaal moeten. ISO-certificering, TQM, servqual-audits, benchmarking, millennium-scans, Euro implementation, new-product-development met een steeds kortere time-to-market, invoering client-server toepassingen, pilot-studies voor workflow-management, business-case ontwerp voor Business Process Redesign, e-commerce, intranet en noem maar nog meer Engelstalige ellende. Begrijp me goed: ik doe wel zielig maar ondertussen is het allemaal fantastisch. Voor bedrijven als het onze is het een geweldig tijdperk. Je zou alleen willen dat je ruimer in je middelen zat: meer mensen, meer tijd en meer geld.

Juist in die situatie bellen jullie me op en sturen jullie me gelikte folders met een beschrijving van fraaie ‘toepassingen’. Daar begint het probleem al. Een ‘toepassing’ is bij jullie een computerprogramma dat nieuwe kunstjes kan die ik nog nooit heb gezien, op basis van technieken (genetische algoritmen? , ‘backpropagation’ ??) waar ik nog nooit van heb gehoord. Een ‘toepassing’ is bij mij een werkende bedrijfsfunctie, met alles wat er op en er aan hoort. Niet alleen zo’n mooie computer met een king-size kleurenbeeldscherm maar ook iemand die er mee om kan gaan en iemand die hem maken kan als hij stuk gaat. Iemand die iets doet met de informatie of de lijsten die uit dat ding komen rollen. En vooral ook iemand die dat allemaal aanstuurt en er verantwoordelijk voor is.

Voor zo’n toepassing komt meer kijken dan jullie me in die folder voorhouden. En dat zou dan nog niet erg zijn als duidelijk was dat het me ook veel meer opbracht dan het me, alles bij elkaar, kosten gaat. Wat zijn de investeringskosten, wat zijn de operationele kosten, wat is de bijdrage aan de cashflow en wanneer is die te verwachten? Zowel de totale kosten van de integrale toepassing als de verwachte baten wil ik zien, met een DCF of een CPB-analyse - of gebruik ik nu op mijn beurt termen die jullie vreemd in de oren klinken?

Naast de vraag naar de financiële kant van de zaak zijn er nog meer zaken waar ik zo mijn vraagtekens bij heb. Realiseren jullie je wel dat de organisaties steeds complexer worden. De fusies, overnames en allianties buitelen over elkaar heen, en bij alle pogingen om tot synergievoordelen te komen moeten ook de automatiseringssystemen aangepast worden en vinden aan de lopende band grote of kleinere reorganisaties plaats. En daar bovenop nog eens de Euro en het Millennium die ik hiervoor al noemde en die werken als een soort zwart gat voor alle automatiseringscapaciteit.

Niet alleen de mensen op de werkvloer en de automatiseerders hebben daardoor hun handen en hoofden vol, maar ook de managers en managementteams zijn heel druk bezig, met hun bedrijf (her)structureren en leiden. Daarbij proberen we risico’s zo veel mogelijk uit te sluiten. (Denk weer aan Euro en Millennium.)

Een van de - grove - methoden om risico’s uit te sluiten is géén first user te willen zijn van nieuwe technieken, en niet te willen werken met kleine, pas opgerichte bedrijfjes.

Natuurlijk kunnen we niet achterblijven. Zowel niet als het gaat om de innovatie van de processen als om de marketing- en verkoop-inspanningen. Dus zijn we op het gebied van de geautomatiseerde processen meer gaan werken met databases. Een bijkomend voordeel daarvan is dat we er ook in een handomdraai allerlei leuke lijstjes uit kunnen krijgen die we vroeger maar niet lieten maken omdat er dan een heel programma voor geschreven moest worden. Nu hebben we een paar van de handige jongens die dat in een uurtje kunnen. Een paar van de lijstjes laten we nu voortaan wekelijks uit de machine komen.

Waarom zouden we dan nog datawarehousing moeten gaan doen? De databases zijn er toch gewoon al? Ik geloof niet de processen daardoor aantoonbaar sneller lopen, maar het onderhoud van de systemen en nieuwbouw zouden allemaal een stuk makkelijker zijn. (Wat in de ontwikkeling van de automatiseringskosten niet echt terug te zien is, omdat het allemaal van oudsher altijd alleen maar stijgt en stijgt, al roepen ze geregeld wat anders.)

Wat betreft de marketing en verkoop timmeren we ook aan de weg. We maken meer reclame dan vroeger. Niet alleen de krant, ook de radio en zelfs de TV. Prachtige commercials waar elk lid van de Raad van Bestuur een goed gevoel bij krijgt. Het versterkt ook de bedrijfstrots van onze medewerkers.

En je weet: een gulden kan je maar een keer uitgeven, ook als het een marketing-gulden is. Dus zitten wij niet te wachten op database-marketing of iets dergelijks. Dat betekent dat er meer stafmensen komen, met systemen die niets van onze klanten weten, en dat gaat ten koste van de mensen in het veld, met de echte contacten met de echte klanten. Ik zou alleen willen dat de database van onze verkopers, daarboven in hun hoofd, wat toegankelijker was. Dat zou flink schelen in de informatie-uitwisseling. Het probleem met verkopers en relatiebeheerders is dat ze niets willen weten van nieuwe manieren van werken, waarbij de computer ze gaat vertellen wanneer ze wie moeten bezoeken. Het zijn toch een beetje de vrije jongens van het bedrijf, hè.

Het beeld lijkt me zo wel duidelijk: de meeste bedrijven zijn meer dan een verzameling zacht zoemende computers. De financiële, personele en organisatorische kant moet veel nadrukkelijker betrokken worden bij de ‘oplossingen’ die jullie aanbieden. En daarbij moeten jullie ook nog meer rekening houden met de andere zaken die we ook op ons bordje hebben wat betreft automatisering en marketing.

Zelf zijn we steeds meer bezig van produktleverancier te veranderen in dienstverlener. Als jullie ook die richting opgaan kunnen we misschien echt iets aan elkaar hebben.

Met vriendelijke groet,

Een ondernemer die van de mailing-list af wil.”

3. Repliek: een beetje veranderen kan geen kwaad

“Prachtig, zo’n open brief. Het is een stuk uitdagender dan het vaak gehoorde, niet altijd gemeende ‘Heel interessant, ja, we houden contact’. En het biedt mij als data mining consultant de mogelijkheid eens openlijk te wijzen op plekken waar veel bedrijven kansen laten liggen.

Ik zal ondernemers nooit verwijten dat ze de spannende, razendsnelle technische ontwikkeling van data warehousing en data mining niet kunnen volgen. Wel snap ik nog steeds niet waarom veel bedrijven een goudmijn aan klantgegevens bezitten, en er weinig tot niks mee doen. En dan heb ik het niet over het kantoor op de hoek. Nee, ik heb het over marketeers bij de grote jongens: banken, verzekeraars, uitgevers, die simpelweg elk adres kapotmailen waar ze hun handen op kunnen leggen. Managers die onder het mom van ‘de grote lijnen’ en ‘helicopter view’ nog nooit een klantprofiel onder ogen hebben gezien dat specifieker is dan ‘Academische man, middelbare leeftijd, bovenmodaal inkomen’.

Gemiste kansen bespeur ik ook bij IT directies die zich louter bezighouden met belangrijke operationele IT zaken - Euro, Jaar 2000 – en die de strategische rol van de marketing databases en daarmee hun eigen bijdrage aan de cashflow vergeten. Op die manier geven ze alleen geld uit in plaats van u als ondernemer te helpen meer geld te verdienen. IT wordt nog steeds gezien als cost center in plaats van profit facilitator. Als u vanuit dit vooroordeel naar elke computer ‘toepassing’ kijkt, begrijp ik uw negatieve houding ten opzichte van data warehousing en data mining.

Natuurlijk, elk bedrijf heeft het druk in die echte wereld van ondernemen, produceren, administreren en uitvoeren. In dit rijtje mis ik nog ‘dienstverlenen’: klanten tevreden stellen met goede producten en diensten. Een bedrijf bestaat bij de gratie van zijn klanten. Klanten die complex ‘onvoorspelbaar’ gedrag vertonen, optimale service eisen en soms met hun voeten stemmen door snel van merk wisselen. Een organisatie moet zijn klanten kennen, en die kennis voortdurend bijstellen. Data warehousing en data mining zijn er juist voor ontwikkeld om u hierbij te helpen.

U gaf het zelf al aan: minder doen en niet groeien is geen optie. Mijn stelling is: alleen maar meer van hetzelfde (d.w.z. efficiënter uitvoeren, zonder innovatieve aanpassing en zonder meegroeien met de klant) is een doodlopend spoor. Andersom, een bedrijf dat snel reageert op nieuwe uitdagingen in de markt, is al zijn logge, mastodontische concurrenten een stap voor.

Een beetje veranderen kan dus geen kwaad. Zeker niet als klanten en concurrenten dat met grote snelheid doen. Waar we dan in feite over praten is een lerende organisatie waarbij het ‘leren’ geen softe, individuele aangelegenheid is, maar een gecontroleerd, rationeel en collectief proces van efficiënt kennis ontdekken en benutten. En dan praten we niet meer over een automatiseringstoepassing, maar dan gaat het over het verbeteren van uw core business.

Het data mining proces in de context van een lerende (en geld-verdienende!) organisatie laat zich beschrijven met een eenvoudige figuur (zie figuur [..]). De binnenste cirkel geeft de stappen in een enkel data mining traject weer.

1. Doelstelling
De doelstelling van het project wordt vastgelegd in termen van bedrijfsdoelstellingen en meer specifieke data mining doelstellingen. Bijvoorbeeld: voorspel wie zal reageren op een direct mailing en genereer een klantprofiel van de top 10% respondenten; zie box [] voor voorbeelden van doelstellingen.

2. Data
Selecteer de ‘juiste’ data en voer eventueel extra bewerkingen op de data uit. Indien er geen data warehouse aanwezig is, kan deze stap al gauw 70% van de tijd in beslag nemen.

3. Mining
Analyseer de data. Men kan een onderscheid maken tussen predictieve en descriptieve data mining. In het geval van predictieve data mining is het doel een (gedrags)voorspelling: voorspel mail respons, abonnement opzegging of omzet potentieel. Descriptieve ofwel beschrijvende data mining is geschikt om klantprofielen in kaart te brengen, doelgroepsegmenten te ontdekken etc.

4. Actie
Onderneem actie op basis van de gevonden analyse resultaten (bij voorbeeld: zend de 10% prospects met hoogste responskans een maling).

5. Evaluatie
Evalueer de gevonden resultaten op basis van de data mining criteria en de bedrijfsdoelstellingen (zie box []). Ga naar stap 1. Formuleer nieuwe doelstellingen, enzovoorts, enzovoorts.

De buitenste cirkel geeft de context weer waarbinnen data mining plaats vindt. Enerzijds levert data mining nieuwe kennis op en geld. Anderzijds kan geen enkele data mining stap uitgevoerd worden zonder de context – aanwezige kennis en kosten/baten aspecten – in beschouwing te nemen. Het zou onzinnig zijn elk data mining project weer geheel blanco van start te gaan. De kennis vormt de interface naar eerder opgedane kennis en naar die mensen in de organisatie die geen data mining gebruiken, maar wel profijt hebben van de resultaten.

Data mining doelstellingen

Een belangrijke trend binnen datawarehousing en data mining is verticalisatie. Om de kloof tussen het branche- of afdelingsspecifiek bedrijfsproces en een generiek data warehouse te dichten worden kleine datamarts ingericht en maatwerk data mining producten ontwikkeld met een focus op een zeer specifieke doelstelling. Binnen marketing & sales zijn dit toepassingen als direct marketing responsanalyse, customer loyalty, customer marketing rating (voorspellen omzetpotentieel), doelgroepprofilering, joint promotion & cross selling, call center - en web applicaties.

Typische branchespecifieke doelstellingen zijn onder meer:

Banken

Lening acceptatie, identificeren verdachte transacties, voorspelling vroegtijdige hypotheekaflossing, beurskoersvoorspelling

Verzekeraars

Polisacceptatie, detectie valse claims, risicoanalyse, premiebepaling, managed care en preventie

Retail

Basket analyse, optimaliseren winkel netwerk, winkel indeling

Telecommunicatie

Churn analyse (loyalty) op basis van bel- en betaalgedrag, vroegtijdig identificeren fraudeurs en wanbetalers

Uitgevers, reclame- en mediabureau’s

Modelleren Web surfgedrag, media strategie bepaling, joint promotion planning, oplage voorspelling, publishing on demand

Overheid

Daderprofilering (politie), detectie belastingfraude

De hamvraag is natuurlijk hoe een dergelijke inzet van data warehousing en data mining praktisch gerealiseerd kan worden. Dit staat of valt met een goede invoering in de IT infrastructuur en bestaande of nieuwe bedrijfsprocessen. Data warehousing kan gezien worden als het geheugen van een organisatie, een plek waar gegevens uit operationele systemen zijn samengebracht voor verdere analyse. Data mining kan dan gezien worden als de marketing intelligentie, het bedrijfsproces van het ontdekken van niet-triviale, relevante consumptiepatronen die verborgen zitten in grote hoeveelheden data.

Het moge duidelijk zijn dat in het licht van dit model invoering van data mining niet het installeren van een pakketje is maar het aanzwengelen en instandhouden van het data mining proces als fundamenteel leer- en bedrijfsproces.

Software maakt dus maar een relatief klein gedeelte uit van het totaal. Zelf leveren we bijvoorbeeld proeflicenties om klanten te laten experimenteren met de (verdien)mogelijkheden. Maar we wijzen ze er wel altijd op dat er veel meer aan vast zit. Op die manier krijgen ze een vooruitzicht op de baten zodat de kosten ook beter verantwoord kunnen worden. Eerlijkheid gebiedt me te zeggen dat ook klanten een data mining toepassing nog te vaak reduceren tot een product, met een x aantal features, waarbij verder geen interne of externe consultancy bij nodig is. En wij als leveranciers zien dan dat een deel van het potentieel onbenut blijft.

Als het goed is, bent u nog niet overtuigd. Want u zit nog met wat vooroordelen die te maken hebben met vastgeroeste ideeën over marketing en automatisering.

Ten eerste de valkuil, ik zou haast zeggen: de bodemloze put, van de reclame, de massa-mediale aanpak die me vaak doet denken aan het schieten met hagel op een mug. Voor iemand die zo op de kosten/baten analyse hamert, valt me dat nu tegen. Ondanks grote inspanningen op het gebied van media planning is het nog steeds zeer moeilijk de baten van massa marketing acties te meten. G.R.P.’s en zo, kun je dat eten? Het zorgt in ieder geval voor een dik belegde boterham bij de reclame jongens. Het meten van baten zoals respons en conversie staat aan de basis van database marketing, en data mining is een effectief instrument deze baten te maximaliseren.

Ten tweede uw idee dat data mining en database marketing niet samen kan gaan met de kunst van het verkopen. Database marketeers en data mining informatie systemen hoeven excellente verkopers niet in de weg te staan. Integendeel, indien een ondernemer over de beste verkopers denkt te beschikken, moet hij hen ook voorzien van de beste gereedschappen en gegevens. Data driven marketing en sales zet verkopers aan het denken, biedt een raamwerk voor het delen van elkaars kennis en voorkomt dat verkopers ongefundeerde vooroordelen over hun doelgroep ontwikkelen.

Dit doet me enigszins denken aan een uitgever, een van onze meest geliefde klanten. Diens advertentieverkopers staan in de branche bekend als zeer resultaatgericht en uiterst bekwaam. Al enkele jaren terug hebben we, in samenwerking met de marketing afdeling (en dus niet IT) een specifieke data mining oplossing gerealiseerd om verkopers beter en sneller te informeren over de doelgroepen van hun accounts. En hulde aan de klant: het bleef hier niet bij een stukje software, maar er werd een complete groep personen aangewezen, die getraind werd in het gebruik van de software, verantwoordelijk werd voor het genereren van nuttige resultaten en gaandeweg een enorme bijdrage heeft geleverd aan de ontwikkeling van het product. U zult begrijpen dat ik met dit soort visionaire ondernemers graag zaken doe (en zij met mij, want ze zien hoeveel het opbrengt).

Evaluatie Baten: responsvoorspelling case

De uitkomsten en baten van predictieve, oftewel voorspellingsanalyses kunnen doorgaans redelijk recht-toe-recht-aan worden beoordeeld. Stel dat we, om gegevens te verzamelen, een eerdere proefmailing hebben uitgevoerd, waar een aantal klanten op hebben gereageerd.

Met de helft van deze gegevens bouwen we een responsvoorspellingsmodel. Het model moet het verband leren tussen bekende klantgedragskenmerken (eerdere aankopen, saldi, informatieaanvragen, reactie op eerdere acties) en de respons op de mailing.

Met de tweede helft van de proefmailing beoordelen we de voorspellingkracht van het model. De voorspelkracht is sterk afhankelijk van de aard van de gegevens (‘is er wel een verband tussen klantkenmerken en respons?’) en van de kracht van het gebruikte algoritme (‘kan dit algoritme deze complexe, niet lineaire verbanden modelleren?).

In bovenstaande grafiek ziet u de winst die in een concreet geval geboekt kon worden (het voorspellen van interesse in een caravanpolis). Door toepassing van datamining technieken kunnen we, door selectie van de top 25% meest kansrijke prospects, al 70% van het totaal haalbare aantal respondenten binnenhalen! Dit is dus een goed model (understatement), als de markt ondertussen niet veranderd is. Na afloop van de echte actie zullen we de resultaten opnieuw analyseren.

Ten derde uw stelling dat de kosten niet beheersbaar zijn en de baten niet in te schatten. Het is niet meer dan terecht dat nu het nieuwtje er af is, de roep om kosten-baten analyses voor data mining oplossingen groter wordt. Laat ik voor de verandering u eens gelijk geven. Automatiseringsprojecten vertonen in het algemeen vaak eigenschappen van een bodemloze put (net als die reclame in de massamedia). U wilt een bijvoorbeeld een eenvoudig nieuw salarispakket en u eindigt met een geïntegreerd systeem waar Shell worldwide mee uit de voeten zou kunnen. Met bijbehorende prijs en doorlooptijd, alleen dat ene handige lijstje komt er niet meer uit.

Juist daarom hamer ik er zo op dat data mining niet bekeken wordt als een modern speeltje - ‘het kost wel wat, maar de plaatjes zijn mooi’ - maar als essentieel element in de bedrijfsstrategie. Het gaat hier om systemen die juist bedoeld zijn omzet en resultaat te verhogen in plaats van een ondersteunende bedrijfsfunctie te automatiseren. Een mooi voorbeeld hiervan is het fruitvliegje van de data mining, de direct mail responsvoorspelling (zie box []). Afhankelijk van de aard van de gebruikte data en methoden kan een resultaatverbetering optreden van enkele procenten tot enkele veelvouden daarvan.

Ondanks de baten moeten wij (leveranciers) en u (afnemer) op de kosten van ontwikkeling letten.

“Think big, start small” is hierbij het adagium. In het verleden zijn veel data warehouse en data mining projecten uit de hand gelopen wegens een gebrek aan een gefocuste, specifieke doelstelling en een adequate control op de kosten en planning.

Een interessante nieuwe ontwikkeling afgelopen jaar op data mining gebied vormden de verschillende pogingen om tot een algemeen aanvaarde methodiek voor het uitvoeren van data mining projecten te komen. Veel leveranciers hadden al een eigen methodiek: SAS had SEMMA, en het Nederlands bedrijf Sentient Machine Research ontwikkelde al in 1993 MIDEAS. In 1998 werd CRISP-DM gelanceerd (Cross Industry Standard Process for Data Mining), een nieuwe methode die zich mag verheugen in een Special Intererest Group van zo’n 100 leveranciers en consultants. De ontwikkeling van data mining proces methodieken zoals CRISP-DM – ongeacht welke methodiek uiteindelijk de de facto standaard wordt - leidt er toe dat verloop en dus ook kosten van data mining projecten beter in te schatten worden.

Kortom, wie denkt dat de computertechniek achter data mining het meest complexe onderdeel is heeft het mis. Het meeste complexe onderdeel is de bedrijfsvoering zo in te richten – inclusief data mining en data warehousing – dat de doelen van flexibilisering, meer rendement en een betere concurrentiepositie behaald kunnen worden. De crux ligt bij het op- en doorstarten van het data mining proces, om stap voor stap te komen tot een lerende organisatie. Zodat u als ondernemer kan doen wat het meest telt vandaag de dag: klanten en concurrenten een stap voor zijn.

Met vriendelijke groet,

Een data mining consultant”

Baets, Walter R.J. Organizational Learning and Knowledge Technologies in a Dynamic Environment. Kluwer Academic Publishers, Dordrecht.

Berry, J.A. and Linoff, G. Data Mining Techniques for Marketing, Sales and Customer Support. John Wiley & Sons Inc., New York.

Den Uyl, M.J. Datamining: metafoor en misverstand. CustomerBase, december 1997.

Van der Putten, P. Hoe gaat data mining volwassen worden? CustomerBase, december 1997.

Wagenaar E. Data Mining in Marketing Databases. Met medewerking van M. den Uyl en P. van der Putten. DMSA, oktober 1997.

4. Nawoord

Deze twee opvattingen - allebei wat aangezet - geven weer wat volgens ons een hoofdprobleem is in het toepassen van technieken op het gebied van datawarehousing en datamining in een bedrijfscontext: het ontbreken van wederzijds begrip.

Daarmee willen we natuurlijk niet alle bedrijven en alle aanbieders van nieuwe technologie over een kam scheren. Maar vanuit onze ervaring weten wij dat er nog te weinig klant-leverancier-relaties ontstaan waarbij de toegevoegde waarde van de combinatie datawarehousing en datamining optimaal tot haar recht komt.

Er blijft altijd een belangentegenstelling tussen de leverancier en de potentiële afnemer. Maar wij weten ook dat een wederzijds begrip van de overeenkomsten in belangen kan leiden tot betere producten en vooral ook een veel betere dienstverlening.

Natuurlijk helpt het als er aan de aanbodkant iemand zit die zich kan verplaatsen in de positie van de ondernemer en als er aan de vraagkant iemand zit die gevoel heeft voor de toepassing van nieuwe technieken. Maar het wederzijdse begrip dat nodig is, is niet zozeer het begrip voor elkaars situatie als wel het gezamenlijke begrip van een overkoepelend model voor bedrijfssturing.

Ons pleidooi - gericht aan leveranciers en afnemers - is dan ook om automatiseringstoepassingen als datawarehousing en datamining in te zetten voor een transformatiedoelstelling: als één van de hulpmiddelen om alle kennis die er in een bedrijf aanwezig is gecontroleerd en efficiënt te gebruiken en om leerprocessen te versterken. Kennismanagement, competentiemanagement, een ‘lerende organisatie’: het zijn benaderingen die vaak wat ‘zacht’ lijken maar die zich allemaal prima laten combineren met ‘data-driven management’ en de inzet van nieuwe computertechnieken om te helpen kennis zichtbaar te maken, te verwerven en te laten toenemen.

In de huidige concurrentie (of zelfs hyperconcurrentie) moet je op een effectieve, snelle en efficiënte wijze alle competenties kunnen gebruiken die je aan boord hebt. Datawarehousing en datamining vormen daar uitgelezen hulpmiddelen bij. Op die manier ontstaan ‘toepassingen’ in de echte zin van het woord.