De afgelopen twee decennia hebben we een enorme groei gezien in de datawereld. Toen data naar de cloud verhuisde, groeiden platformen als Google, Amazon en Microsoft sterk, en bouwden bedrijven als Snowflake en Databricks in korte tijd miljardenbedrijven op. Er werd flink wat durfkapitaal gestoken in de "modern data stack", waarmee een nieuwe generatie tooling werd gebouwd die data liet stromen van diverse systemen naar een centraal data warehouse, om die vervolgens op te schonen, te modelleren en aan te leveren in business intelligence-interfaces.
De modern data stack staat echter al voor een flinke vernieuwing. Hij is ontwikkeld vanuit het idee dat de uiteindelijke eindgebruiker iemand is die achter een computerscherm zit en rondklikt in datatools en grafische presentaties van inzichten. Maar dat is niet langer het geval, want AI wordt nu steeds meer een belangrijke consument van de data stack.
De persoon die nu in business intelligence-tools werkt, kan eindelijk volledige inzichten, conclusies en voorgestelde acties krijgen door te interacteren met AI. Geen geklik meer op filter na filter of het maken van een dashboard voor het hoger management. AI-assistenten worden in zeer hoog tempo de belangrijkste eindgebruiker van data. Dit verandert het spel voor het bouwen van dataplatformen en producten.
Databronnen opnieuw definieren
Zelfs vandaag de dag zijn de meeste bedrijven gewend om tools als CRM- en ERP-systemen te zien als de belangrijkste databronnen voor hun data-infrastructuur. Het mantra is om alle ruwe data uit deze bronnen te halen en in een centraal data warehouse te laden. Maar met AI-modellen en hun vermogen om elk stukje informatie dat je ze voorlegt te interpreteren, moeten we opnieuw gaan definieren wat onze brondata eigenlijk is.
SaaS-systemen zoals CRMs zijn in wezen gebouwd om ervoor te zorgen dat een bedrijf gestandaardiseerde en gestructureerde data krijgt. Met de huidige AI-modellen kun je echter al veel van deze stappen overslaan om de gewenste inzichten uit die verspreide en ongestructureerde data te halen, zonder de strikte workflow-regimes van een typisch SaaS-product. Kijk bijvoorbeeld eens naar wat Klarna hier doet.
LLMs zijn al heel goed in het verwerken van tekst, tabellen, beelden en zelfs video tot betrouwbare informatie. En in organisaties zit veel meer waardevolle data opgeslagen in de vele Word-, Powerpoint-, Excel- en PDF-bestanden die teams elke dag opnieuw maken en bewerken, dan in de gestructureerde data in CRM-, ERP- en andere systemen. Het combineren van slimme semantische zoekfunctionaliteit met de kracht van LLMs ontsluit rijke context over klanten, projecten en oplossingen die traditionele databronnen missen. Koppel dat aan het toenemende vermogen om vrijwel alle soorten informatie te interpreteren, en je hebt een winnende combinatie.
Een nieuwe manier van datamodellering
Tot nu toe ging datamodellering helemaal over het transformeren van ruwe data naar schone, gestructureerde en leesbare formaten, doorgaans voor menselijk gebruik. Vandaag de dag kunnen veel AI-use cases deze stap overslaan, omdat modellen als LLMs andere eisen stellen aan datavoorbereiding. De focus ligt op het structureren van data zodat AI er toegang toe heeft en die kan interpreteren, in plaats van het te formatteren voor gebruik door de gebruiker.
Dit betekent dat datamodellering nu hele andere uitdagingen kent. Het draait erom de beste manier te vinden om zoveel mogelijk gedetailleerde informatie uit documenten te halen met behulp van LLMs. Wat, zo blijkt, een compleet ander spel is dan het schrijven van database-queries om data te hervormen en er berekeningen op uit te voeren. Bedrijven met de best presterende AI-systemen begrijpen dit heel goed, en hebben volledig nieuwe teams opgezet voor deze uitdaging.
Business Intelligence draait niet langer om dashboards en grafieken
Jarenlang hebben business analisten Business Intelligence opgebouwd met dashboards via tools als Tableau, Power BI en Looker, waarbij ze leunden op filters en drill-downs om grafieken en tabellen te maken.
AI stelt zakelijke gebruikers nu in staat om vragen in natuurlijke taal te stellen, antwoorden te krijgen uit alle toegankelijke documenten in de organisatie, en zelfs grafieken op te vragen met een eenvoudige query. Business Intelligence-tools zoals we ze kennen zullen de komende jaren drastisch veranderen, naarmate AI-modellen multimodaal worden en interactie via spraak of berichten mogelijk maken, waardoor de noodzaak van traditionele filters verdwijnt.
Dit betekent niet dat BI zal verdwijnen, want de dagelijkse inzichten blijven relevant en gebruikersgedrag verandert niet van de ene op de andere dag, maar na verloop van tijd zal er steeds meer analyse plaatsvinden op het moment zelf, zonder dat er een analist tussen hoeft te zitten.
Data heeft een nieuwe eindgebruiker, en dat is heel spannend
AI wordt in rap tempo de belangrijkste consument van organisatiedata en transformeert niet alleen hoe we data verwerken, analyseren en presenteren, maar ook hoe we tot waardevolle inzichten komen. Wij geloven dat dit een ongelooflijk spannende verschuiving is.
Bij Mozaik ontwikkelen we al next generation dataplatformen voor onze klanten die er totaal anders uitzien dan de platformen die we twee jaar geleden zouden maken. We verleggen de grenzen van wat data voor ons kan doen, en hoe.
