Onze wereld voelt, kijkt en luistert met ons mee. Websites zien waar we kijken. Mobiele apps houden onze reactietijden bij. Bedrijven leren welke knoppen we indrukken welke niet. Met camera’s, microfoons en thermometers geven we niet-levende objecten oren, ogen en huid. Met al die observaties creëren we een gigantische nieuwe informatielaag. Die informatielaag is goud waard. Aan de hand van die data kunnen we testen, leren en ontwikkelen in snelle cycli.
Voor bedrijven die zijn ontstaan in het internettijdperk is het gebruik van data en machine learning iets vanzelfsprekends. Of het nu gaat om Google, Amazon of eBay: het volgen en vastleggen van iedere klantinteractie is voor hen een tweede natuur. Voor organisaties uit het industriële tijdperk ligt dat anders. Zij worstelen vaak met een goede strategie voor deze digitale inzichten. Toch kunnen zij daar in deze digitale economie vaak veel mee winnen.
Een voorbeeld is de auto-industrie. Momenteel experimenteren fabrikanten met ‘connected cars’, auto’s vol sensoren en een internetverbinding. Die sensoren meten voor zowel de bestuurder als fabrikant bijvoorbeeld welke onderdelen binnenkort aan vervanging toe zijn of onderhoud behoeven. De bestuurder staat minder snel met pech langs de kant en de fabrikant heeft zijn onderdelen op tijd bij de aangewezen garage. Pure win-win.
Ook de entertainmentindustrie zit in een transitiefase. Koop een DVD en de maker van de content weet vrijwel niets over je. Filmmakers hebben weinig keuze dan te vertrouwen op hun intuïtie. Zo niet Netflix. Zij zien iedere knop die je indrukt, iedere film die je leuk vindt, iedere serie die je helemaal uitkijkt. En iedere film of serie die je vroegtijdig staakt.
Dat zien ze niet alleen van jou, maar ook van die andere 40 miljoen abonnees. Zij hebben zo heel nauwkeurig voorkeuren in kaart gebracht. Mede dankzij die kennis zijn hun eigen series als House of Cards, Orange is the New Black en Marco Polo een succes. En die kennis komt niet uit een onderbuik, maar is gebaseerd op keiharde data en algoritmen.
Dat is precies de reden waarom de oude mediawereld zo rammelt. Risico’s zijn enorm kostbaar en managers nemen daar beslissingen op basis van onderbuikgevoel. Maar wat als je die onderbuikgevoelens zou kunnen automatiseren? Wat als machinale intuïtie scherper blijkt dan menselijke intuïtie?
SAP bijvoorbeeld, zij hebben een slimme vending machine ontwikkeld dat zelf bestellingen plaatst zodra de voorraad van een bepaald product op dreigt te raken. Het houdt daarbij rekening met verkoophistorie, maar ook met bijvoorbeeld de weersverwachting. Het weet wanneer het onderhoud nodig heeft en prioriteert voor het servicepersoneel het belang van een reparatie.
Bovendien biedt het apparaat de gebruiker een veel betere customer experience dan traditionele vending machines. Gebruikers hebben geen cash meer nodig, maar betalen via een NFC-chip op hun smartphone. Ook kunnen zij direct snacks en drankjes kopen voor hun vrienden op Facebook.
Vrijwel ieder bedrijf kan voorsprong opbouwen met gegenereerde inzichten. Wij geloven dat drie vragen helpen bij het bepalen van de juiste strategie.
1. Wat is het probleem van de klant?
2. Welke informatie zou bijdragen aan de oplossing?
3. Als je over die informatie zou beschikken, wat zou er binnen je business model moeten veranderen?
Klanten kopen producten niet voor niets. Ze kopen iets omdat het op dat moment een oplossing is voor een probleem. Dat is altijd al zo geweest. Neem het probleem ‘dit document moet zo snel mogelijk van plaats A naar plaats B’. Een eeuwenoud dilemma, waar ze al in het Oude Rome mee kampten.
Ieder tijdperk kende zijn eigen oplossing: van koerier en postduif tot brievenpost en later e-mail. Maar het probleem is altijd hetzelfde gebleven. Lesson learned: houd ook bij iets innovatiefs als machine learning het uiteindelijke klantdoel scherp in het vizier.
De volgende vraag is welke informatie je als bedrijf nodig hebt om dat klantprobleem beter op te lossen. Welke informatie verschaft alle benodigde inzichten om betere beslissingen voor je klant te nemen?
Neem Kaeser Kompressoren, een voorbeeld van een bedrijf dat slim gebruikmaakt van automatisch gegenereerde inzichten. Dankzij een geavanceerd systeem van sensoren en predictive analytics weten hun klanten precies wanneer hun compressors onderhoud behoeven. Daarmee zijn ze storingen en dus downtime van hun business voor. Bovendien verlengt het de levensduur van hun investering. Dankzij het netwerk van connected partners zijn eventuele nieuwe onderdelen snel ter plaatse.
Voor Kaeser Kompressoren betekent deze dienstverlening een nieuw verdienmodel gebaseerd op predictive intelligentie en hyperconnectivity. Zij transformeren van een productfabrikant naar een leverancier van oplossingen. Zij hebben goed gekeken naar de problemen bij hun klanten, de customer journey en hun verdienmodel doorontwikkeld.
Sommige bedrijven beschikken al over de juiste informatie. Anderen moeten daarvoor samenwerkingen aangaan, nieuwe diensten ontwikkelen, technologie als sensoren inzetten of hun klanten zelf benaderen. Het gaat erom dat je het klantprobleem herkent en daaraan de juiste informatiebehoefte koppelt.
De laatste vraag is het lastigst te beantwoorden. Zelfs met alle informatie voorhanden moeten we nog altijd weten wat er moet veranderen om daarvan te profiteren. In de meeste gevallen komt het antwoord neer op een nieuw verdienmodel.
Bedrijven moeten een model ontwikkelen dat minder berustte op menselijke expertise en meer op algoritmen. Minder onderbuikgevoel, meer big data.
We zitten momenteel midden in een transitiefase. Machinegebaseerde intuïtie verandert de manier waarop we werken. Het is de uitdaging voor iedere organisatie om je business continue aan te passen om relevant te blijven in de markt. De vraag is: wie in jouw industrie profiteert hiervan het eerste?
Deze blogpost is geschreven door Mark Raben, Head of Customer Innovations bij SAP Nederland.
