Innovatieve datatoepassingen ontstaan júíst in het mkb

Enjins helpt scale-ups data om te zetten in duurzame groei 

Gesprekken over kunstmatige intelligentie gaan vaak over kansen, maar ook de ethische kant is een belangrijk onderwerp, en terecht natuurlijk. We moeten er echter voor waken dat we niet blijven hangen in de ethische discussie. Het meest onethische wat we kunnen doen, is om het niet in te zetten, vindt Maarten Stolk, medeoprichter van Enjins. “De potentie van data en tech is enorm voor de gezondheidszorg, de overheid, en natuurlijk het bedrijfsleven. Uiteraard wel op een duurzame manier: niet alleen met een slim AI-model, maar een geoperationaliseerd systeem waar we controle op kunnen houden, waar we als mens mee kunnen interacteren en welke uitlegbaar is.”  

“Duurzaamheid is continu blijven verbeteren: beter je vraag en aanbod op elkaar laten aansluiten en producten tegen lagere kosten én met minder afval produceren.” 

“We kunnen veel meer doen in minder tijd, dankzij slimme inzet van data en technologie. Daar kan de hele samenleving van profiteren. Dat wordt gelukkig ook ondersteund door veel onderzoek.” Maarten ziet een mooie toekomst voor iedereen, maar vooral voor mkb’ers, dankzij de inzet van de aanwezige data en slimme modellen. “In het mkb is er vaak minder ruimte voor vrijblijvende innovatie dataprojecten. Toepassingen moeten sneller tot waarde leiden en operationeel zijn. Dit is geen zwakte, maar juist de kracht van het mkb.” 

Mkb’ers gaan sneller met data 

In het verleden zag Maarten dat data en modellen nog te vroeg kwam voor veel grote bedrijven. Er werd wel geëxperimenteerd met machine learning, maar het kwam vaak niet tot een geoperationaliseerd systeem. Daarom richtte hij met 2 collega’s de bedrijven Enjins en Deeploy op. Zij zetten data om in blijvende verbetering met slimme, interactieve en uitlegbare modellen. Hun klanten zijn snelgroeiende mkb-bedrijven, tussen de 50 en 500 medewerkers. Dataprojecten moeten bij deze bedrijven bijna direct iets opleveren. Daarom voeren ze sneller testen uit met klanten. Daardoor leren ze sneller en verbeteren datatoepassingen ook sneller. 

Hoger risico leidt tot sneller resultaat 

“Het continue leer- en verbeterproces werkt beter dan een lang, theoretisch onderzoek in een veilige, afgeschermde omgeving,” zegt Maarten. Het betekent in sommige ogen wel meer risico, je hebt immers nog niet alles getest en onderzocht voordat je de eerste versie live zet. “Dit zou ondenkbaar zijn binnen veel grote bedrijven, maar juist ondernemers begrijpen dat dit nodig is om uiteindelijk je dienstverlening te verbeteren. Innovatieve datatoepassingen ontstaan daarom júíst in het mkb” 

Data-analyses nemen saai, routine werk over 

Als je data aan het werk zet, betekent dat natuurlijk niet dat kunstmatige intelligentie over al je bedrijfsprocessen beslist. Machine learning, AI en automatisering betekent in de eerste plaats handmatige, saaie processen automatiseren. “Neem bijvoorbeeld je maandelijkse analyses. Het kost vaak dagen om allerlei lijsten over te nemen in Excel waarmee je inzicht krijgt in waar je staat met de voorraad, orders of je financiële positie. Door processen strak te trekken en te automatiseren, maak je geen fouten en krijg je dus sneller deze inzichten.”  

Praten met modellen 

Heb je de data van je inkoop, verkoop, liquiditeit of welke vaak voorkomende rapportage al gestructureerd? Dan is het tijd voor stap 2: een model maken met de data. De crux bij een goed datamodel is volgens Maarten dat het uitlegbaar is en interactief. “Als een model zegt dat je 2000 units moet inkopen terwijl de ervaren inkoper eerder aan het dubbele dacht, moet die kunnen zien waarom het model tot die conclusie komt. Deze moet ook kunnen ingrijpen en het model indien nodig kunnen veranderen. Op deze manier kom je tot duurzame groei omdat je kennis stapelt en blijvend verbetert.  

Efficiënter en betere service 

Dagelijks ziet Maarten hoe kleine bedrijven sneller innoveren dan veel grote spelers. Zo nemen bijvoorbeeld Adyen en Mollie de plek in van banken door slim in te spelen op trends én slim met data om te gaan. Hierdoor hebben ze een efficiëntievoordeel én kunnen ze een betere service verlenen. “Een mooi voorbeeld vind ik Stichting NBD Biblion. Dit is de groothandel voor bibliotheken. Ze koopt boeken in, verwerkt deze en distribueert ze onder haar klanten. NBD Biblion probeert bibliotheken zo goed mogelijk te ontzorgen, door niet alleen boeken te leveren, maar ook advies over de collectie. Tot voor kort waren hier 15 FTE bij betrokken, maar tegenwoordig wordt de optimale collectie wekelijks bepaald door modellen. Dankzij de samenwerking tussen het model en de collectioneur, bouwen ze een klantgerichtere collectie op en bieden ze betere én goedkopere service. Op die manier troeven ze onder andere Bol.com af ondanks het voordeel wat ze hebben dankzij schaalgrootte.” 

Eerste stappen met data 

Elke mkb’er heeft volgens Maarten de mogelijkheid om succesvoller en dus duurzamer te ondernemen dankzij data. Hoe? Kijk intern naar welke data je hebt en maak een lange termijn plan die past bij je strategie. Knip deze doelstelling op in delen zodat het niet te complex wordt. Start met het grootste pijnpunt, zodat je gelijk waarde ervaart. Dit bouw je vervolgens steeds verder uit op weg naar je lange termijn doelstelling. Op deze manier zorg je voor een gedegen fundament by design, maar maak je het project niet te groot of complex. Zorg er daarbij altijd voor dat je blijf begrijpen hoe je data toepassingen werken, en dat je kunt blijven interacteren met je dat modellen.