NL Module 4 - Business Model

D: DRIVE
Hoe word ik data gedreven?
This programme has been funded with
support from the European Commission
Module 4: Gegevens als een bedrijfsmodel

Smart Data Smart Region | www.smartdata.how
»De steun van de Europese Commissie voor de productie van deze publicatie vormt geen
goedkeuring van de inhoud die uitsluitend de mening van de auteurs weerspiegelt, en de
Commissie kan niet aansprakelijk worden gesteld voor het gebruik van de informatie die erin is
vervat.«
Het doel van deze module is om te leren wat de
mogelijkheden in de wereld van zakengegevens zijn en
hoe traditionele bedrijfsmodellen worden bijgewerkt met
deze nieuwe data kans.
Na voltooiing van deze module zal jij:
- Leren hoe je de kansen, waarvan big data jouw bedrijf
ten goede kan komen, kunt herkennen.
- Beantwoord de juiste vragen over jouw bedrijf en
doorloop vervolgens de stappen om de oplossingen in
jouw bedrijf te integreren
- Begrijp de pijlers van een gegevens gestuurde
bedrijfsstrategie
- Lees meer over 6 business modellen met verschillende
data
Duur van de module: ongeveer 2 - 3 uur
Module 4: Gegevens
als een bedrijfsmodel

1 Aan de slag op de Big Data Reis
2
– Vijf pijlers van een data gedreven strategie
Data Gedreven Business
– Waar kan Big Data voordelen
creëren binnen jouw bedrijf?
– Stappen van integratie
3
• 6 belangrijkste data driven business-
modellen
• Productinnovatie
• Systeeminnovatie
• Dataproviders
• Data Makelaars
• Value Chain Integreren
• Delivery Network Collaborators
• Een ander perspectief:
gegevensgestuurde innovatie van
bedrijfsmodellen
Data Gedreven businessmodellen ontwerpen

Het begin van de Big
Data reis
1. Waar kan Big Data voordelen creëren
binnen jouw bedrijf?
2. Stappen van integratie

De opkomst van big data is een spannende - als in
sommige gevallen enge - ontwikkeling voor het
bedrijfsleven. Samen met de complementaire
technologiekrachten van sociale, mobiele, cloud-
en eendrachtige communicatie brengen big data
talloze nieuwe mogelijkheden om te leren over
klanten en hun wensen en behoeften. Het brengt
ook het potentieel voor verstoring en
herschikking. Organisaties die echte big data
omarmen kunnen, voor strategische differentiatie
in dit tijdperk van betrokkenheid, nieuwe kansen
creëren . Degenen die niet volledig betrokken zijn,
of die de kansen verkeerd begrijpen, kunnen het
verliezen.

Begrijpen waar big data
concurrentievoordeel kan behalen,
is essentieel om de waarde ervan
te realiseren. Voor veel bedrijven
hebben de inzichten uit big data al
geresulteerd in winstgevende,
duurzame groei op drie gebieden:
KLANT INTIMITEIT
PRODUCT INNOVATIE
ACTIVITEITEN

Consument Intimiteit
Big data plaatst de klant in het hart van de bedrijfsstrategie. Organisaties
worden overspoeld met klantgegevens van interactieve websites, online
communicatie en databanken van overheden en derde partijen. Informatie
over sociale-mediaplatforms zoals Facebook is bijzonder veelzeggend, met
gebruikers die dagelijks bijna 30 miljard stukjes content delen. Tegelijkertijd is
het nu mogelijk om feeds van sociale media met verschillende bronnen samen
te brengen, zoals weergegevens, culturele evenementen en interne gegevens,
zoals klantcontactinformatie. Verder zorgen geavanceerde analytische tools
voor snellere, effectievere en minder kostbare verwerking en creëren ze het
potentieel om snel nieuwe inzichten te ontwikkelen.
1

PRODUCT INNOVATIE
Crowd sourcing en andere technieken voor sociale productinnovatie worden
mogelijk door big data gemaakt. Het is nu mogelijk om honderden miljoenen rijke
tweets, een kakofonie van ongestructureerde gegevens, om te zetten in inzichten in
producten en diensten die resoneren met consumenten. De kern van dit werk is het
vermogen om geavanceerde computer gebaseerde computerlinguïstiek te
gebruiken, om temporele sentimentanalyses uit te voeren op de productportfolio
van een bedrijf en zijn klanten. De resulterende output informeert
productmarketing en productinnovatie-strategieën.
Gegevens en de bijbehorende analyses worden ook als een op zichzelf staand
product gezien.
Er zijn technologie- en analysebedrijven ontstaan om rijke gegevensinzichten te
bieden, bijvoorbeeld het verzamelen en analyseren van transactiegegevens tussen
detailhandelaren en hun leveranciers. Winkeliers die eigenaar zijn van deze
gegevens, en nog belangrijker de analyses, kunnen deze gebruiken om de
bedrijfsvoering te verbeteren, extra diensten aan klanten aan te bieden en zelfs
externe organisaties te vervangen die momenteel deze diensten leveren, waardoor
geheel nieuwe inkomstenstromen worden gegenereerd.
Tot slot, stel je de potentiële big data voor om experimenten uit te voeren - een
zakelijk probleem of hypothese te nemen en met grote datasets te werken om te
modelleren, integreren, analyseren en bepalen wat werkt en wat niet, het proces
verfijnen en herhalen.
2

ACTIVITEITEN
Supply chain-gegevens bieden een verscheidenheid aan informatie-rijke interacties,
inclusief fysieke productbewegingen vastgelegd door middel van radiofrequentie-
identificatie (RFID) en microsensoren. De reikwijdte strekt zich uit van leveranciers,
productievestigingen, klanten en in-service partners en resulteert in minder
voorraad, verbeterde productiviteit en lagere kosten.
Dergelijke mogelijkheden zijn voorbehouden aan diegenen die begrijpen dat
gegevens een actief zijn waarop kan worden gekapitaliseerd. Het toestaan van
klantinformatie om te stagneren in een opslagruimte is een verspilde kans. En de
waarde van alle gegevens is niet zozeer de vastgelegde informatie, maar hoe de
informatie wordt bekeken vanuit het perspectief van de klant. Dit betekent niet
alleen rekening houden met de impact op de winst, maar ook met de invloed van
veranderende klantvoorkeuren op de markt. Wanneer bijvoorbeeld het effect van
een productpromotie in overweging wordt genomen, kan het verzamelen van
gegevens over promoties van concurrenten, met name over vervangende
producten, onthullen hoe klantvoorkeuren zijn geëvolueerd.
3

Het transformeren van analytische mogelijkheden en big data platforms begint met een goed doordachte, drieledige aanpak.
INTEGRATIE STAPPEN
Identificeer waar
big data een game
changer kan zijn
•Welke belangrijke zakelijke en
functionele capaciteiten zijn
vereist?
•Welke IT-capaciteiten zijn nodig
om het bedrijf te ondersteunen
en te laten groeien?
•Waar zijn de belangrijkste
mogelijkheden voor gas om het
bedrijf te ondersteunen?
Scenario's voor
toekomstige
vermogens
ontwikkelen
•Wat zijn de opties voor
toekomstige zakelijke
mogelijkheden en technologieën?
•Hoe verhouden de opties zich tot
capaciteiten, kosten, risico's en
flexibiliteit?
•Welke functionele, analytische en
technologische beslissingen zijn
nodig om deze mogelijkheden te
ondersteunen?
Voordelen Road
Map gedefinieerd
•Wat is de terugverdientijd van de
investering?
•Wat is de implementatie roadmap?
•Wat zijn de belangrijkste mijlpalen?
•Welke vaardigheden zijn nodig? Waar
zitten de gaten omtrent talent?
•Wat zijn de risico's?
•Wat is de engagementstrategie van
derden

Een traditioneel detailhandelsbedrijf zag al jaren geen positieve verkoop in de winkel en de markt werd
competitiever. Een lid van het management team klaagde dat "online retailers onze lunch eten". Slechte
economische omstandigheden, veranderend consumentengedrag, nieuwe concurrenten, meer kanalen en
meer gegevens hadden allemaal invloed. Er was een sterke duw om agressief over te stappen naar e-
commerce en online kanalen. De retailer had miljoenen dollars aan eenmalige projecten uitgegeven om de
problemen op te lossen, maar niets werkte. Verschillende factoren zorgden ervoor dat het bedrijf ging
concurreren op het gebied van analyses, van investeringen van concurrenten en een sterke stijging van
gestructureerde en ongestructureerde gegevens naar een behoefte aan meer inzichtelijke gegevens.
Hoe heeft een grote retailer deze stappen gebruikt?

Identificeer waar
big data een
game changer
kan zijn
Voor de grootschalige retailer waren nieuwe mogelijkheden nodig als het bedrijf
enige kans had om uit zijn huidige malaise te raken en een concurrentievoordeel
te behalen - het soort dat ondanks hits van steeds veranderende, volatiele
markten en toegenomen concurrentie zou blijven bestaan . Het team heeft alle
aspecten van het bedrijf betrokken, van merchandising, prognoses en inkoop tot
distributie, toewijzing en transport om te begrijpen waar analyses de resultaten
kunnen verbeteren. Nadruk werd op voorspellende analyses in plaats van
reactieve gegevenstoegang gelegd. Dus in plaats van te beantwoorden waarom
de take-and-bake pizza-verkoop afnam, richtte de retailer zich op het voorspellen
van omzetdaling en volumeverschuivingen in de take-and-bake pizza-categorie in
periodes en over geografische regio's. In een ander voorbeeld wilde het bedrijf
tot het reageren van op veiligheidsproblemen overgaan om ze vroegtijdig te
voorspellen. De retailer was van plan om sociale media data te gebruiken om te
"luisteren" naar problemen, waardoor het bedrijf niet alleen klantgerichter zou
zijn, maar ook een bescherming tegen toekomstige crises zou bieden. Het plan
was om een bedrijfsinformatie-organisatie op te zetten met vier doelen voor
ogen:
1. Lever informatie die is afgestemd op specifieke behoeften in de hele
organisatie.
2. Bouw de vaardigheden die nodig zijn om de concurrentie vandaag en
morgen, te beantwoorden.
3. Creëer een collaboratief analytisch platform in de hele organisatie.
4. Krijg een consistent beeld van wat er via kanalen en regio’s wordt verkocht.

Scenario's voor
toekomstige
vermogens
ontwikkelen
De detailhandelaar wilde graag scenario's voor toekomstige vermogens
ontwikkelen , die werden geëvalueerd in termen van totale kosten, risico's en
flexibiliteit en bepaald in de context van de bedrijfscultuur. Zijn de
bedrijfsgegevens bijvoorbeeld gedreven, of is het bedrijf vertrouwd met
hypothese gebaseerd denken en experimenteren? Beide zijn de essentie van big
data. Ze hebben ook voor elk scenario compromissen geïdentificeerd, waaronder
een vergelijking van capaciteiten, migratieprioriteiten en tijdsschattingen. Wat is
bijvoorbeeld het meest effectief: een globale datatopologie op het hoofdkantoor
of een lokaal-regionaal-mondiale combinatie? Wat zijn de compromissen voor
het gebruik van Hadoop versus Cassandra voor een big data-architectuur? Deze
werden beoordeeld in de context van cruciale kansen, zoals het benutten van
geavanceerde technologieën en het bieden van een samenwerkingsplatform, het
integreren van geavanceerde analyses met bestaande en vooruitstrevende
architectuur en het bouwen van een schaalbaar platform voor meerdere
analytische types. Deze technologie zou vijf belangrijke mogelijkheden mogelijk
maken en als basis dienen voor toekomstige voordelen:
– Predict - Voorspel het koop- en koopgedrag van klanten.
– Develop - Ontwikkel prijsstelling, ruimte en assortiment op maat in winkels.
– Identify - Identificeer en gebruik de elasticiteiten, affiniteiten en neigingen
die worden gebruikt in de prijsbepaling.
– Optimize - Optimaliseer wereldwijde sourcing vanuit meerdere locaties en
bedrijfseenheden.
– Devise - Bedenk modellen om manieren voor te stellen om het
energieverbruik en de CO2-uitstoot te verminderen.

Voordelen Road Map
gedefinieerd
Gewapend met deze mogelijkheden draaiden de volgende vragen rond bronnen.
Was het financieel zinvol om interne middelen toe te wijzen? Of zou het kosten-
effectiever zijn als externe bronnen de big data-analyse zouden bieden, althans in
eerste instantie? Uiteraard zou de beslissing van de mogelijkheden van het bedrijf
afhangen. Technologische behoeften werden vanuit twee perspectieven gepland:
data en architectuur. Een dataplan werd van acquisitie naar opslag in kaart
gebracht en vervolgens naar presentatie met behulp van een
zelfbedieningsomgeving voor zowel gestructureerde als ongestructureerde
gegevens bekeken. De systeemarchitectuur, die een Hadoop-gebaseerde
integratie zou kunnen omvatten, was in het licht van de bestaande IT-architectuur
gepland, die sterk afhankelijk van relationele datawarehouses die gebruikmaken
van de Teradata- en Oracle-platforms was. Een stappenplan schetste een
investeringsplan van meerdere miljoenen dollars dat in minder dan vijf jaar een
positieve terugverdientijd zou opleveren. Het bedrijf is nu in staat om vier
belangrijke voordelen van zijn big data-strategie te realiseren:
– Lever consistente informatie sneller en met minder kosten.
– Vat informatie samen en verspreid deze effectiever over het hele bedrijf om
beter inzicht in de prestaties en kansen te krijgen om gebruik te maken van
de wereldwijde organisatie.
– Ontwikkel herhaalbare BI en analyses in plaats van het wiel opnieuw
uitvindt om vergelijkbare vragen te beantwoorden.
– Genereer waarde scheppende inzichten die nog moeten worden ontdekt via
geavanceerde analyses.

Data Gedreven
Business
1. Vijf pijlers van een data
gedreven strategie

Organisaties hebben
geen Big Data-strategie
nodig; ze hebben een
bedrijfsstrategie
waarin Big Data is
verwerkt nodig.
Bill Schmarzo

Gegevens zijn snel een van de belangrijkste
aspecten geworden om een concurrentievoordeel
in het bedrijfsleven te behalen. Het uiteindelijke
doel is om een bedrijf op te zetten waar gegevens
worden gebruikt om echte waarde te creëren. Een
data gedreven strategie is een strategie waarbij
gegevens een basisvereiste voor bedrijven zijn,
een waarde generator in plaats van een
kostenregel van de balans. Er zijn vijf pijlers van
een data gedreven bedrijf dat dient als een
raamwerk voor het creëren van reële waarde uit
bedrijfsgegevens.

Articuleren
van een
datastrategie
die de
strategische
imperatieven
van het bedrijf
dient.
PIJLER 1
De toekomstvisie voor een bedrijf moet een voortrekkersrol spelen bij het definiëren van de manier
waarop gegevens worden gebruikt om waarde te creëren. Een goed gedefinieerde gegevensstrategie
moet met de bedrijfsstrategie beginnen. Door een datastrategie te koppelen aan de belangrijkste
bedrijfsinitiatieven, kan het bedrijf zijn geavanceerde analytische inspanningen en technologische
keuzes op de gebieden die de meeste waarde voor het bedrijf opleveren concentreren. Een
datastrategie maakt data gedreven besluitvorming mogelijk met behulp van technologie en applicaties
die een bedrijf helpen zijn strategische imperatieven te realiseren.
Datastrategie moet door het bedrijf worden gestuurd , niet door de technologie die het bedrijf
bedient. Richt je eerst op wat jouw bedrijf drijft en ga vervolgens over tot het definiëren van de
tactische elementen van de gegevensstrategie.
Datastrategie moet gestuurd door het bedrijf, niet door de technologie die het bedrijf bedient.
Richt je eerst op wat jouw bedrijf drijft en ga vervolgens over tot het definiëren van de tactische
elementen van de gegevensstrategie.
De gegevensstrategie moet gebaseerd zijn op meetbare resultaten en mijlpalen. Duidelijke
stappen met tijdsframes om van de huidige status naar de gewenste resultaten te komen, worden
in de hele organisatie gecommuniceerd en uiteengezet. Als je geen duidelijk pad voor het
uitvoeren van de strategie kunt bepalen, dan heb jij niet de juiste.

Promoot, train
en versterk een
cultuur van
'data-
gedrevenheid'.
PIJLER 2
De meest succesvolle bedrijven creëren een gegevenscultuur, waarin gegevens de besluitvorming
bevorderen. Ze creëren een cultuur van meten en bijstellen op basis van gegevens en analyses.
De cultuur is gericht op het opleiden van de hele organisatie om de waarde te waarderen die door
middel van gegevens kan worden gegenereerd. Bedrijven leren werknemers hoe ze de juiste vragen
van gegevens kunnen stellen om te begrijpen hoe gegevens zich tot unieke banen en doelen
verhouden. Een gedeeld begrip van gegevens en de waarde ervan helpt consensus en consistentie te
creëren en voorkomt dat analytische resultaten door het bedrijf sceptisch worden bekeken.
De cultuur van besluitvorming maakt gebruik van geavanceerde analyses als basis. Bedrijven moeten
een continue cyclus creëren in de hele organisatie van het evalueren van impact en verandering op
basis van de gegevens en resultaten.
De cultuur van het voorspellen van resultaten en resultaten door middel van voorspellende analyses
wordt de norm. Voortdurende verbetering omvat het opnieuw invoeren van voorspellingsfouten in
voorspellende modellen voor continue verfijning.
De cultuur wordt een mentaliteit die uit continue testen bestaat ; continue verbetering; beslissingen
nemen en prioriteiten stellen; gegevens delen met anderen in de organisatie; en met behulp van
analyses om anderen te informeren en beïnvloeden.

De realiteit
van menselijke
en technische
kapitaalvereist
en aanpakken.
PIJLER 3
Een eerlijke erkenning van de mogelijkheden van een bedrijf voor het genereren van echte waarde uit
gegevens is van cruciaal belang om een data gedreven bedrijf te worden. Een bedrijf moet sterke
punten benutten, vaardigheden aanpassen en hiaten (gaten) opwerpen. Dit omvat zowel menselijk
kapitaal (vaardigheden en expertise) als technisch kapitaal (technologie, systemen en infrastructuur).
Menselijke Kapitaalvermogens
Het waarborgen van de juiste capaciteiten van het
menselijk kapitaal is van het grootste belang. Het heeft
weinig zin om geld aan dure systemen uit te geven, zonder
het talent te hebben om substantiële waarde uit die
systemen te halen.
• Hoewel bedrijven vaak de noodzaak om meer expertise
aan te trekken erkennen, worstelen ze met het
identificeren van de vaardigheden die het belangrijkst
bij het aannemen en trainen zijn. Een bedrijf moet
vaardigheidsvereisten op de routekaart voor
datastrategieën baseren en de vaardigheden
identificeren die essentieel voor de uitvoering zijn.
• Een primaire doelstelling voor het bedrijf zou een diep
laboratorium van analytische professionals in de hele
organisatie op te bouwen moeten zijn. Professionals
moeten niet alleen weten hoe ze analyses moeten
uitvoeren en moeten de analytische hulpmiddelen tot
hun beschikking hebben, maar ook kritisch kunnen
nadenken over zakelijke kwesties, door hulpmiddelen
en methoden toe te passen op geavanceerde en soms
abstracte vragen.
• Menselijke vaardigheden en vaardigheden moeten
worden ondersteund door voortdurende training en
ontwikkeling.
Technische mogelijkheden
Nieuwe technologische oplossingen kunnen nodig zijn om de
huidige IT- en communicatiemogelijkheden te verbeteren. Als
wordt vastgesteld dat nieuwe technologie is afgestemd op de
datastrategie en waarde zal genereren.
• Bedrijven moeten geavanceerde IT-systemen niet
implementeren totdat het bedrijf klaar is om van de
functies die door de systemen worden geboden gebruik te
maken. Dit omvat het hebben van de vereiste
datastrategie, analytisch talent, institutionele wil en data-
sourcing, om het bedrijf in staat te stellen de waarde die
de technologie kan bieden te realiseren.
• Er moet niet alleen aan back-end infrastructuur, maar ook
aan hulpprogramma's voor gegevensrapportage,
communicatie en visualisatie. Effectieve
rapportagehulpmiddelen moeten de gegevensverzameling
stroomlijnen en de queryfunctionaliteit vereenvoudigen,
zodat werknemers gemakkelijker toegang tot bepaalde
gegevens hebben en deze kunnen raadplegen.
• Er moet veel aandacht aan het elimineren van
gegevenssilo's en het centraliseren van gegevens worden
besteed. Gegevens worden steeds krachtiger omdat het
samen met andere gegevens wordt verzameld en de deur
wordt geopend naar de geavanceerde analysemethoden
van vandaag.

Behoud van
creativiteit bij
het sourcen,
selecteren en
prioriteren van
gegevenstypen.
PIJLER 4
Om krachtige resultaten uit gegevens te halen, moeten bedrijven krachtige combinaties van gegevens
verzamelen en selecteren. Sourcing van externe gegevens om te combineren met interne gegevens
kan een impactvolle analyse opleveren. Het is vooral belangrijk om geen bronnen van interne
gegevens over het hoofd te zien die nieuwe en eigen inzichten kunnen geven.
Een proces voor het bepalen en waarborgen van gegevens is nauwkeurig, tijdig en veilig is van cruciaal belang.
Zonder zekerheid dat de gegevens kloppen, zal dit alle gegenereerde inzichten in twijfel trekken.
Verzamel de juiste gegevens om te voldoen aan de behoeften van de bedrijfsinitiatieven. Het kiezen van
gegevens op basis van de gegevensbehoeften gegenereerd door initiatieven biedt verschillende voordelen:
Interessante gegevens zijn niet altijd de meest bruikbare. Aarding van data-sourcing in de initiatieven maakt het
gemakkelijker om onderscheid tussen beide te maken.
Er zijn bijna onbegrensde gegevensbronnen. Als jij je alleen concentreert op de gegevens die aan de behoeften
van specifieke initiatieven voldoen, kan het bedrijf van waarde genererende activiteiten profiteren.
De gegevens die momenteel verzameld worden, zijn mogelijk niet de beste gegevens voor de bedrijfsbehoeften.
Als je begrijpt hoe de huidige gegevens in overeenstemming zijn met de gegevensbehoeften, kan het bedrijf
aanpassen welke gegevens worden verzameld en hoe het wordt verzameld.
Laat de potentiële waarde van ongestructureerde gegevens zoals tekst, spraak en andere onderbenutte
gegevenstypen niet over het hoofd zien. Geavanceerde dataminingtechnieken, natuurlijke taalverwerking en
tekstanalyses zorgen ervoor dat deze informatie op krachtige manieren kan worden gebruikt.
Overweeg de kracht van gegevens uit onconventionele bronnen in combinatie met de eigen gegevens van het
bedrijf. In de praktijk zijn sensorgegevens van slimme apparaten of gegevens van internet en sociale media
voorbeelden van potentiële bruikbare gegevens die krachtige toevoegingen aan de gegevensstrategie van een
bedrijf en bijbehorende analyse-initiatieven kunnen zijn.

Maximaliseer de
waarde van
gegevens met
behoud van
hoge niveaus
van
gegevensbeveili
ging, kwaliteit
en
wendbaarheid.
PIJLER 5
Bedrijven erkennen vaak de noodzaak om gegevens te gebruiken, maar worstelen als het gaat om de
implementatie van een bedrijfsbrede gegevensstrategie. Dit is vaak het gevolg van een slecht
gedefinieerde data-governance structuur. Het is gemakkelijk voor een bedrijf om in een van de twee
kampen te vallen: 1) gegevens- en analyse-initiatieven worden structureel gescheiden gehouden van
de voortdurende werking van het bedrijf, vaak in hun eigen divisie of afdeling, waardoor het vermogen
van het bedrijf wordt belemmerd om een cultuur van " data-driven-heid; "of 2) alle data en systemen
zijn open bedrijfsbreed, wat leidt tot problemen met de gegevenskwaliteit en beveiliging.
Gegevens en analyses mogen niet alleen aan data scientists en IT-afdelingen worden overgelaten - ze vereisen
technische kennis en organisatorische coördinatie. Om te slagen, moeten bedrijven gegevens en analyses diep in
hun organisaties verankeren om ervoor te zorgen dat informatie en inzichten over bedrijfseenheden en functies
worden gedeeld.
Bedrijven moeten bepalen hoe analytische beslissingen momenteel worden genomen. Onderzoek hoe dat
besluitvormingsproces kan worden versterkt en gewijzigd met gegevens en feedback.
Er moet duidelijk inzicht in zijn verantwoordelijk zijn voor het faciliteren van een gegeven analyse en het nut
van zijn inzichten. Van directieniveau tot analist, er mogen geen eigendomskwesties zijn.
Bedrijven moeten vraag en aanbod naar analysediensten voor het hele bedrijf effectief beheren. Dit kan te
maken hebben met trackingafdelingen of -eenheden die voortdurend te weinig gebruikmaken van analytische
mogelijkheden, waardoor divisies worden onthuld die mogelijk achterblijven bij het genereren van gegevens.
Het doorbreken van organisatorische muren tussen initiatieven, workflow en werknemers kan van cruciaal
belang zijn om gegevens op krachtige manieren te combineren. Gegevenssilo's worden vaak gemaakt door
afdelingen of eenheden, niet alleen om hun gegevens technologisch te scheiden, maar ook structureel.
Besteed aandacht aan wettelijke- en nakomingsvereisten, zowel om te voldoen aan branche specifieke vereisten
als om ervoor te zorgen dat gegevens op individueel niveau voldoen aan de eisen die door het bedrijf worden
gesteld - klant / klantverwachtingen.

Het creëren van een data gestuurde business
vereist een aanzienlijke initiële en continue
inspanning. Deze inspanning heeft keer op keer
bewezen voordelen te behalen die de kosten
ruimschoots overtreffen. De vijf pijlers die hier
worden beschreven, vormen het kader voor het
bereiken van dat soort succes, maar de specifieke
toepassing is afhankelijk van industrie, branche en
context.

HET ONTWERPEN VAN
DATA BEDRIJFSMODELLEN
1. 6 belangrijkste data driven
business-modellen
- Productinnovatoren
- Systeeminnovatoren
- Dataproviders
- Data Makelaars
- Value Chain Integreren
- Delivery Network Collaborators
1. Een ander perspectief:
gegevensgestuurde innovatie
van bedrijfsmodellen

Situatie
• De gratis technologische krachten
van netwerkapparatuur, mobiele,
goedkope gegevensopslag en
gegevensanalyse bieden talloze
mogelijkheden voor bedrijven om
over de wensen en behoeften van
hun klanten te leren en hun
producten te diversifiëren.
• De explosie van gegevens biedt
ook kansen om met deze
middelen nieuwe
bedrijfsmodellen te maken.
• Organisaties die big data
omarmen kunnen nieuwe kansen
voor strategische differentiatie
creëren.
Complicatie
• Organisaties die niet direct actief
zijn en iets met de gegevensstrijd
doen om gegevenskansen aan hun
huidige producten en diensten te
koppelen.
• Dit wordt meestal veroorzaakt
door een gebrek aan strategie,
een gebrek aan mogelijkheden of
aan ondersteunende processen
en systemen.
• Vaak resulteert dit in mislukkingen
van big data-projecten of
moeilijkheden om nieuwe
initiatieven te lanceren vanwege
scepsis.
Vraag
• Om bedrijven te helpen gegevens
gestuurde strategieën te
definiëren, moeten de volgende
vragen worden beantwoord:
• Wat voor soort data-gedreven
bedrijfsmodellen zijn er op de
markt vandaag?
• Welke waarde kan met behulp van
gegevens worden gecreëerd om
een nieuw bedrijfsmodel met
gegevens te maken?
• Wat is de aanpak om een nieuw
bedrijfsmodel met gegevens te
maken en implementeren?
• Aan welke aspecten moet een
organisatie denken om een nieuw
bedrijfsmodel met gegevens te
implementeren?
Organisaties willen
gebruikmaken van de
waarde die ligt in de
gegevens die zij
genereren, verwerken of
verwerven.

Data-activerende differentiatie Data verhandeling Data-based delivery networks
• Het product is nog steeds de primaire bron
van waarde, maar het gebruik van gegevens
van het product wordt gebruikt om het
product- of dienstenaanbod te verbeteren.
• Data-activerende differentiatie is meestal
een solo-opportunity - producten van een
enkele leverancier vormen de dominante
toegangspoort tot de opportunity.
• Er zijn situaties waarin bedrijfsgegevens
alleen voldoende waarde bieden wanneer
ze worden gecombineerd met andere
bronnen, of omdat het bedrijf niet over de
mogelijkheden beschikt om volledig van de
gelegenheid gebruik te maken.
• Wanneer de mogelijkheid niet kan worden
aangeboord door een enkele leverancier
met een enkel product, ontstaan er
mogelijkheden voor gegevensbemiddeling.
• Meerdere bedrijven werken samen en
delen gegevens om datakansen aan te
boren.
• Bedrijven zijn gespecialiseerd in een of
twee mogelijkheden die nodig zijn om het
leveringsnetwerk mogelijk te maken.
Solo opportunities Collaborative opportunities
1. Productinnovatie
verbeter hun producten en
diensten met gegevens
2. Systeeminnovatie
gebruik gegevens om meerdere
productsoorten te integreren
3. Data Providers
verzamelen en verkopen
onbewerkte gegevens zonder er
teveel waarde aan toe te voegen
4. Data Makelaars
verzamel en combineer
gegevens uit meerdere bronnen,
creëer extra waarde met
analytics en verkoopinzichten
5. Value Chain Integreren
gegevens delen met
systeemintegratiepartners om het
productaanbod uit te breiden of
de kosten te verlagen
6. Delivery Network
Collaborators
gegevens delen om het maken van
deals te stimuleren, marktplaatsen
te bevorderen en reclame
mogelijk te maken
6 VOORNAAMSTE DATAGEDREVEN BUSINESSMODELLEN

Een indeling om de volgende bedrijfsmodellen uit te leggen
Business Model
Schematische
weergave van de
belangrijkste
elementen van het
bedrijfsmodel met
behulp van het
canvas van het
bedrijfsmodel
Sleutelactiviteit
Waarde voorstel
Klanten
Datacollectie
kanalen
....
Capaciteitenben
odigdheden
Vermelding van de
capaciteiten die
nodig zijn om het
bedrijfsmodel te
implementeren met
behulp van de vier
fasen van de
datawaardeketen:
• Gegevens
genereren
• Data opslag
• Gegevensanalyse
• Data gebruik
Kenmerken
Belangrijkste
kenmerken van
het bedrijfsmodel
Voorbeeld
Voorbeeld van een
bedrijf dat dit
bedrijfsmodel heeft
geïmplementeerd
Gerealiseerde
Waarde
What value dos the
example company
derive from the
business model?
VOORBEELD

Business Model
Capaciteitenbenodigdheden
Kenmerken
Voorbeeld: Tvilight
1. Productinnovator
Kernactiviteit
Data Collectie
Waarde propositie Consument
Data Generatie Data Opslag Data Analyse Data Gebruik
Gebruiks- of verkoopgegevens van een enkel producttype van een enkele leverancier worden
gebruikt om functies aan het product toe te voegen, het serviceaanbod te verbeteren of om een
extra product te creëren
Tvilight is een Nederlandse start-up die een slim straatlantaarnsysteem heeft ontwikkeld. Lampen
lichten alleen op in de aanwezigheid van een persoon, fiets of auto en blijven de rest van de tijd
zwak.
Kernactiviteit (1) van Tvilight is het ontwerpen en produceren van geïntegreerde
straatlantaarnsensoren
De belangrijkste waard propositie (2) is een draadloze straatlantaarn met sensor, die aan
gemeenten wordt verkocht(3), waardoor de klant zijn energiekosten met 80% kan verlagen.
Het monitoren van gegevens van afzonderlijke straatlantaarns wordt draadloos verzonden naar de
Data Collectie van Tvilight (4).
De gegevens worden gebruikt in een nieuwe waarde propositie (5) die het dienstenaanbod
verbetert: web-gebaseerde software voor monitoring op afstand, beheer en controle van
straatverlichtingsinfrastructuren
Gerealiseerde Waarde:
• De functionaliteit van het originele product (straatlantaarn) is verbeterd door sensoren en
draadloze communicatie
• Gebruiksgegevens verzameld van het product worden gebruikt om een tweede waarde voorstel
te creëren (software voor beheer op afstand)
1 2 3
4 5

Business Model
Capaciteitenbenodigdheden
Kenmerken
Voorbeeld: Nike+
2. Systeeminnovatie
Kernactiviteiten
Data Collectie
Waarde propositie Consumenten
relatie
Kijkt verder dan een enkele productcategorie naar een breder systeem voor slimme systemen -
verschillende producttypen van een enkele fabrikant zijn architecturaal gerelateerd en kunnen
interacteren om waarde aan de klant te leveren.
In 2006 introduceerde Nike een nieuwe reeks persoonlijke tracking- en meetproducten.
• Kernactiviteit (1) van Nike is het vervaardigen van sportkleding.
• Waarde propositie (2) geleverd aan klanten (3) is een reeks aanverwante producten: een actieve
app voor mobiele telefoons, tracking-armbandjes met netwerkfunctie en sporthorloge.
• Productgebruiksgegevens worden via mobiele telefoon (4) naar Nike verzonden en opgeslagen
(5).
• De gegevens worden aan de gebruiker gecommuniceerd via het Nike + -platform (6), waar de
sporter zijn sportieve activiteiten kan volgen, analyseren en met anderen kan delen.
• Het Nike + -platform biedt een nieuw kanaal om de verkoop van producten te stimuleren op een
context specifieke manier of om advertenties van derden mogelijk te maken.
• Klantbetrokkenheid wordt gerealiseerd door community building (bouwen van een
gemeenschap) en de gebruiker in staat stellen persoonlijke prestaties op sociale media te delen.
Gerealiseerde Waarde :
• Customer lock-in - Producten winnen nut wanneer ze worden gecombineerd, de overstapkosten
zijn hoog.
• Klantbetrokkenheid - integratie van sociale media, community.
• Nieuw kanaal om producten te verkopen en promoten (Nike + Platform).
1 3
5
Consumenten
Platform/Kanaal
2
6
4

Business Model
Capaciteitsbenodigdheden
Kenmerken
Voorbeeld: Vodafone
3. Data Provider
Kernactiviteiten
Data Collectie
Waarde Propositie Consument
• Naast de kernactiviteit van het bedrijf, worden onbewerkte gegevens of geaggregeerde
gegevens uit zijn gegevensopslagplaats tegen een vergoeding of een deel van de inkomsten aan
een andere zakelijke klant verkocht.
• Er zijn twee typen te onderscheiden: onbewerkte gegevensverkoop en verkoop van inzichten /
benchmarking.
Sinds 2012 verkoopt Vodafone geanonimiseerde onbewerkte netwerkgegevens tegen een
vergoeding aan een partnerbedrijf (Mezuro).
Kernactiviteit (1) van Vodafone is het leveren van telecomdiensten.
Waarde propositie (2) geleverd aan klanten (3) is spraakoproep, sms en internetdiensten via het
mobiele netwerk van het bedrijf.
Gegevens over het gebruik van mobiele telefoons (4) worden verzameld als onderdeel van de
kernactiviteit van het bedrijf.
Gegevens (5) over de geografische locatie van de mobiele sites van het bedrijf worden toegevoegd
aan de gebruiksgegevens van de mobiele telefoon.
De dataset is geanonimiseerd door hashing (6) en verkocht aan een partnerbedrijf, Mezuro (7) voor
een maandelijks bedrag.
Mezuro gebruikt de gegevens naast andere bronnen om crowd analyses te leveren aan de publieke
sector, waarbij de gebruiksintensiteit van stadscentra, treinstations en wegen wordt geschat.
• Voorspelbare inkomstenstroom door een op abonnementen gebaseerd model te gebruiken om
gegevens te verkopen.
• Toegang tot een nieuw markt- / klantensegment.
1 2 3
4
5
76

Glooko heeft een bloedglucosespiegellogboek en analyse-app ontwikkeld op basis van bestaande
bloedglucosegegevensstromen.
• Kernactiviteit (1) van Glooko is databasebeheer en analyse
• Glooko geeft een licentie voor de gegevensspecificaties en -normen van
glucosemeterfabrikanten (2) om het product compatibel te maken
• De eerste van de waardeproposities is een verbindingskabel (3) die wordt verkocht aan
diabetespatiënten (4) om hun telefoon op hun bloedglucosemeter aan te sluiten.
• Bloedglucosemetergegevens van de patiënt (4) worden verzonden door de telefoon van de
patiënt en toegevoegd aan een meter aflees database (5).
• Het tweede deel van de waarde proposities (6) is een logboek- en incidentie-rapportage-
oplossing die via een gratis app aan patiënten wordt geleverd (4) en voor abonnementskosten
aan ziekenhuizen (7).
Business Model
Kenmerken
Voorbeeld: Glooko
4. Data Makelaar
Kern Partners
Data Collectie
Kernactiviteiten Waarde Propositie
• Bedrijven verzamelen gegevens van belangrijke partners, van open bronnen of via datamining.
• De Data Makelaar richt zich op uitstekende gegevensanalyse en gegevensgebruik en laat de
gegevensgeneratie over aan anderen.
• Gratis producten worden verkocht aan de klant - een mobiele app en een kabel om
bloedglucosemeters aan een mobiele telefoon te koppelen
• Een voorspelbare inkomstenstroom wordt gegenereerd door een abonnementsservice aan
ziekenhuizen aan te bieden
• Betere effectiviteit voor ziekenhuizen en verzekeringsmaatschappijen
2
5
Consument
1
6
3 4
7

DuPont en John Deere werken samen om bijna real-time veldniveau-gegevens te leveren aan
landbouwers - ter ondersteuning van de besluitvorming met betrekking tot planten, veldbeheer en
oogsten om de oogstopbrengsten te maximaliseren.
• De belangrijkste activiteit van John Deere is het produceren van landbouwmachines (1)
• De belangrijkste activiteit van DuPont is de verkoop van zaden en landbouwadvies (2)
• Beide bedrijven richten zich op hetzelfde klantensegment: boeren (3)
• Waarde propositie van John Deere is landbouwmachines uitgerust met sensoren, GPS en
draadloze transmissietechnologie (4)
• John Deere-apparatuur verzamelt gegevens over gewasopbrengst, vochtigheid en locatie, die
draadloos wordt verzonden naar een gegevensopslagplaats die eigendom is van Deere (5)
• DuPont integreert de gegevens van John Deere (6) in zijn waarde propositie (7),
precisielandbouwsoftware die veld specifieke gegevens ter ondersteuning van de besluitvorming
gebruikt.
Business Model
Kenmerken
Voorbeeld: John Deere & DuPont
5. Geïntegreerde Waardeketen
Bedrijf 1: John Deere
• Bedrijven die hetzelfde klantensegment bedienen, wisselen gegevens uit met distributeurs en
systeem integrator partners met het doel het bestaande productaanbod uit te breiden of de
kosten te verlagen.
• Het bedrijfsmodel is niet gericht op verkoop of licentiegegevens, maar eerder op integratie om
operationele resultaten te optimaliseren.
• Producten van beide bedrijven krijgen nut door gegevens te delen.
• Risico's en opbrengsten worden gedeeld en individueel concurrentievoordeel wordt verbeterd.
• Er ontstaat een barrière voor concurrentie, omdat het gebruik van producten door gegenereerde
gegevens het mogelijk maakt om diensten intelligenter dan concurrenten aan te bieden.
1
7
Consumenten
3Bedrijf 2: DuPont
5
4
26

Het afgebeelde afleveringsnetwerk is een voorbeeld dat reclame mogelijk maakt:
• KLM (lichtblauw), een maatschappij, (1) verkoopt vluchten (2) aan reizigers (3).
• Boekingsgegevens worden opgeslagen in een database (4), gecombineerd met
vluchtplanningsinformatie (5) en gedeeld met een reclamebureau.
• Het reclamebureau (groen) (6) kan de reiziger identificeren aan de hand van een
trackingcookie en bepaalt de datum en bestemming van de vlucht van de reiziger (7).
• Hertz (zwart), een autoverhuurbedrijf (8), is op zoek om auto's te huren voor reizigers (9)
• Hertz deelt gegevens over beschikbare auto's met het reclamebureau om toe te voegen
aan het algoritme (10).
• Het reclamebureau toont vervolgens beschikbare huurauto's via websites die de
consument bezoekt (weggelaten), over de stad en de datum waarop de reiziger daar
aankomt.
Business Model
Kenmerken
Voorbeeld: KLM | Hertz & Advertentie Bureau
6. Medewerkers van Leveringsnetwerk (1/2)
• Stakeholders werken samen in een waarde verbeterend netwerk in plaats van een
traditionele Value Chain / waardeketen. Vaak is het onduidelijk wie de verkoper is en wie
de klant of consument is, alle belanghebbenden profiteren.
• Bedrijven delen gegevens om het maken van deals te bevorderen, reclame mogelijk te
maken en marktplaatsen te stimuleren.
• Hertz verkrijgt een nieuw kanaal om consumenten te bereiken.
• Er wordt door Hertz een vergoeding betaald aan het reclamebureau en aan KLM elke
keer een consument op de advertentie klikt om een auto te huren.
2
Consument
3
Bedrijf 1: KLM
1
9
Bedrijf 3: Hertz
8
7
Bedrijf 3: Advertentie
Bureau
6
10
5
4

Kaggle heeft een bedrijfsmodel voor leveringsnetwerken gemaakt, crowd sourcing van
gegevensproblemen van bedrijven naar een gemeenschap van datawetenschappers.
• De twee kernactiviteiten voor Kaggle (donkerblauw) bevorderen een gemeenschap voor
datamodelleren en verbinden bedrijven met top data-wetenschappers
• Bedrijf 1 (zwart) betaalt Kaggle om een data-modelleringswedstrijd te organiseren. Het
biedt onbewerkte gegevens en de uitdaging en ontvangt de winnende datamodellen
• Bedrijf 2 (lichtblauw) betaalt Kaggle voor matchmaking aan de top data wetenshcapper
van de gemeenschap.
• Kaggle’s gemeenschap van data wetenschappers (groen) neemt deel aan wedstrijden om
gegevensproblemen op te lossen.
Business Model
Kenmerken
Voorbeeld: Kaggle
6. Medewerkers van Leveringsnetwerk (2/2)
• Stakeholders werken samen in een waarde verbeterend netwerk in plaats van een
traditionele waardeketen. Vaak is het onduidelijk wie de verkoper is en wie de klant of
consument is, alle belanghebbenden profiteren
• Bedrijven delen gegevens om het maken van deals te bevorderen, reclame mogelijk te
maken en marktplaatsen te stimuleren
• KavKaggle - Kosten door wedstrijden en matchmaking
• Bedrijf 1 - Krijgt oplossing voor gegevensprobleem
• Bedrijf 2 - vindt bekwame datawetenschappers
• Data Wetenschappers-gemeenschap - Bloodstelling, contact met andere experts, prijzen
geld voor de top data wetenschappers
Kaagle Corp
Kaagle Gemeenschap
Bedrijf 1
Bedrijf 2
Kaagle
Competitie
Kaagle
Connect
Data
Wetenschapp
er
Winning Model
Wetenschapper
Top 0.5%Exposure
Tol
Rouwe Data + Uitdagingen
Data Modellen
Winnend
Model
Prijs
Geld
Rouwe Data
+Ondervragen
Data Model
Tol
Vind Beste Data Wetenschapper
Gemeenschappelijk Gebruik

Waarde
Clienten
Bestaand
Bestaand / Nieuw
aanbod
Nieuw
Aanbod
Categorie
Systeem
Data
Prijs
Op eenheden gebaseerd
Volume based
Op actie basis
Op waarde basis
Kanalen
Geïntegreerde
waardeketen
Leveringssnetwerk
• Diep verkopen: meer van het huidige aanbod verkopen aan bestaande klanten
• Bijv. Optimalisatie van interne toevoer, gegevens-aanvullen
• Cross-selling: gegevensgestuurde verkoop van nieuwe aanbiedingen aan nieuwe klante
• Bijv. Amazon, Bol.com, ("andere klanten kochten ook ...")
• Nieuw verkopen: gegevens gestuurde verkoop van nieuw aanbod aan nieuwe klanten
• Bijv. Verzekeringsmaatschappijen, bankdiensten, online retailers
• Functionaliteit toegevoegd aan bestaande productcategorieën
• Bijv. Slimme meting, intelligente verlichting
• Gecombineerde aanbiedingscategorieën, mogelijk in ecosysteem
• Bijv. Lifestyle-apparaten (Nike +, iPod met Itunes, FitBit)
• Commercialisering van gegevens door verstrekking of bemiddeling
• Bijv. Financiële informatie (Experian); gebruiksstatistieken (Vodafone)
• Dynamische prijsbepaling per eenheid op basis van economische modellering
• Bijv. vliegtickets, online adverteren
• Prijzen op basis van (verwachte) volumes
• Bijv. Kwantumkortingen (, freemium-modellen (Spotify, LinkedIn)
• Prijzen op (verwachte) tijd en materiaal
• Bijv. Engineering & Installatiebedrijven; dienstverlenende organisaties
• Prijzen op basis van de (verwachte) waardering van de klant
• Bijv. Aandelen markt; Telecombedrijven
• Gegevens gestuurde partnerschappen met een uitgebreid aanbod
• Bijv. Tomtom & Apple; John Deere & DuPont
• Data-enabled leveringsnetwerk om inhoud / producten te distribueren
• Bijv. KLM & Hertz, Kaggle
Ander
Perspectief:
Data heeft het
vermogen om
bedrijfsmodellen
op veel
verschillende
niveaus te
transformeren.
Data-activirende
bedrijfsmodel-
innovatie

www.smartdata.howwww.facebook.com/smartdatasr

NL Module 4 - Business Model

Recommended

Recommended

More Related Content

What's hot

What's hot (6)

Similar to NL Module 4 - Business Model

Similar to NL Module 4 - Business Model (20)

More from caniceconsulting

More from caniceconsulting (20)

NL Module 4 - Business Model