Instrumented Interconnecteds Intelligent

Blog by: Bart De Kempe

Big data analytics: deeper insights-driven financial performance

CFOs all used to rely on excel spreadsheets and past budgets in order to plan, budget and forecast. Answering questions such as: will customers pay on time; have we got too much stock; will production costs increase?

Today, CFOs face challenges that no spreadsheet can overcome. In a fast-paced, global and heavily competitive market place, they need to make more decisions, faster. A warm winter can break a clothing retailer’s profits. An increase in unemployment rates in one country can significantly impact the profits of a company in another country. CFOs need to anticipate changing market trends in order to guarantee profitability. For that reason, they require deeper insights into financial performance than ever. Analytics can offer real competitive advantage in this regard by transforming a company’s planning, budgeting, forecasting, reporting and analysis processes into more dynamic, efficient and connected experiences. The excel spreadsheet has become obsolete.

Blog Analytics

Gut feeling vs. predictive analytics

And yet IBM’s most recent CFO study showed that 52% of CFOs still use spreadsheets to forecast future billings. 14% even base their financial planning on gut feeling. It is time for a sweeping change. Apart from being vulnerable to errors and inaccuracies such as broken formulas, cut-and-paste errors and unstable macros, the major disadvantage of spreadsheets lies in the fact that it they can take 80% of a CFO’s time to juggle them. Time that could be better spent analyzing complex yet accurate business data to predict and shape future business success.

So how can analytics aid the CFO? Predictive analytics tools can help today’s finance professional anticipate and predict an enterprise’s
financial future based on real-time data from a variety of sources, such as internal databases, employment rates, weather forecasts and competitive analyses. Meanwhile, adding collaboration and deep, automated financial analysis to strategic planning and corporate budget development enables organizations to adapt quicker to change with more frequent, rolling forecasts.

In addition, analytics lets organizations examine profitability in order find the most viable products, customers and sales channels. With powerful what-if scenario modeling, they can evaluate strategies, test assumptions and compare current performance with historical actuals and external benchmarks. End result? Forward-looking financial analysis helps guide sales, marketing and supply chain functions to optimally deploy resources towards the most profitable opportunities.

The CFO’s holy grail!

Bookmark and Share

What do women really know about breast cancer, and – even more crucially – what do they not know? The Minerva project was designed to provide an answer to these questions, and to put detail around them.

By Joost Hanraets

Breast cancer1

Up to the end of December 2013, women were able to request and share information on breast cancer through the Minerva portal using the site’s IBM Social Software. Meanwhile Minerva’s underlying IBM Analytics solution provided insights on the back end into women’s information needs around breast cancer. (The portal’s interactive platform was based on IBM Lotus Connections and IBM Customer Experience Suite while, for analyzing the inputted data, it used IBM SPSS and IBM Content Analytics with text-mining.) Other organizations aside from IBM were backing the Minerva Project, in particular the University of Antwerp and the Flemish Agency for Innovation by Science and Technology (IWT), and it was also a part of an IWT Baekeland Project.

Breast cancer2


Social and Analytics

The combination of Social Software and Analytics made Minerva a unique project. The communication portal at the front end provided women with information on breast cancer and asked them for feedback on it. The platform could also be used to provide personalized information, and there was a forum where participants could share their knowledge and experiences. The back end consisted of Minerva analyzing all the feedback and other data to create usable information on how to improve breast cancer communication – enabling the project, it was hoped, to contribute to efforts to prevent breast cancer.

Active on three fronts

Minerva focused on three aspects of the communication women receive about breast cancer prevention. First, it sought to improve how that information is provided: What exactly do women want to know about breast cancer? (For example, the Minerva analysis ultimately showed that different target groups of women require different types of information.) Second, Minerva sought to establish which methods and channels of communication are most suitable for each topic and each target group. Third, it looked to gauge the impact of specific communication campaigns and messages.

The initial data

After a successful pilot test, the Minerva project went live in 2013, with 826 Flemish women who had never suffered from breast cancer responding to a number of questions, assertions and opinions on breast cancer communication and prevention. They logged into a secure environment and were led step-by-step through the portal. Participants were divided into two groups – under the age of 45; and over. All women, regardless of age, participated in four activities, with each exercise being increasingly more interactive than the preceding one. In this way, the activities were designed to move participants gradually from pushcommunication to pull-communication.

The initial insights

The initial results of the Minerva research project provided valuable, usable insights into breast-cancer communication. One finding showed that women – especially those under the age of 45 – would like to know more about the symptoms of breast cancer and its prevention. Moreover, it emerged that those over the age of 45 tended to prioritize information on treatment, while the younger women were more interested in inheritability, as well as guidelines for following up on women with an increased risk of the disease.

The first results of the Minerva project provided a greater understanding of women’s need for information, and improved clarity on their preferred communication channels or forms (and the different impacts of these channels). But the combination of Social Software and IBM Analytics used in the Minerva project can be deployed for more than breast cancer prevention alone: It is also an ideal solution for optimizing the provision of information on other medical topics too, be they preventative or curative aspects. And, of course, other industries can also improve how they provide information and communicate using this kind of solution.

Bookmark and Share
November 12th, 2014

Written by: Marc Teerlink, Global Strategist & Chief Data Scientist at IBM and
Olav Laudy, Worldwide Predictive Analytics Solutions Leader at IBM

In the film Moneyball, Billy Beane takes over as manager of the Oakland Athletics baseball team in California. With the club in dire financial straits, he adopts a highly unorthodox strategy for achieving results.

To scout for possible new players and build up a team to compete in the World Series, he uses a computergenerated analysis. During the 2012 US presidential elections, Barack Obama’s campaign was run as the political equivalent of Moneyball: A numerical analysis preceded every decision made by the campaign, with the analyses conducted by a small team headed by data scientist Harper Reed. Another example is Nate Silver, an American statistician who gained fame after accurately predicting the outcomes of the 2008 and 2012 presidential elections. Silver launched his data blog FiveThirtyEight ( in 2008. With experience in Moneyball-like sports statistics, Silver accurately forecasted the election results for 49 of the 50 states and for 35 of the senate races in 2008 – all by making algorithm-based predictions on the data known as Big Data.

Marc Teerlink,  Global Strategist & Chief Data Scientist at IBM

Marc Teerlink,
Global Strategist & Chief Data Scientist at IBM

What is Big Data?

At the most basic level, what makes Big Data “big” is simply that there is a lot of it. The size and speed with which all this data is now being generated means it can no longer be processed using traditional technology. But Big Data is not just about its size; it is also tied to issues of variable speed, veracity and variation. Data is found in limitless forms and formats, from the brand of toothpaste you bought yesterday to your precise location when you phoned the office. There is also greater variation in data types than are in all those commonly cited lists, formulas and databases – such as data sets with different structures collected from sensors, books and documents, images, sound and GPS locations; or those obtained by physical measurements you take yourself. Data scientist: the sexiest job When the Harvard Business Review announced in 2012 that data scientist was the “sexiest job of the 21st century,” the Twittersphere exploded with the cheers of econometrists, operations research professionals, actuaries and statisticians.

But most tweeters weren’t even sure what data scientists did. That is set to change rapidly in the next few years, as an increasing number of companies seek to reap the benefits of Big Data and the role becomes more defined. Previous research has already demonstrated that data analysts play an essential role in successful companies, and it is expected that that will only grow. But what is now also becoming clear is that when decisions are being made the message emerging from the data is not always usable. Sharing data is the new form of having data Business analysts are frequently incapable of providing what the decision-making process needs most – insight; not just the figures. And so data scientists must have a sense of curiosity, must closely scrutinize data for a lengthy period, and must pick up on trends. The data scientist must be interested in everything – not just the business aspects – and must want to change an organization. He must be the link between business and data: What does Big Data tell us about our processes and how can we perform better and faster? The data scientist has to do more than merely analyze data or create models, and unlocking data is just a small part of the job description. He also has to visualize that data so that the analysis can become more comprehensible to everyone else, and as a result be used predictively rather than reactively.

Data science, where to start, three tips!

Data science, where to start, three tips!

Tips for the starting data scientist

1. Start with the question, not with the Big Data,

and answer the right question hen using Big Data, it can be tempting to hunt out the answers to a wide variety of interesting questions. But, after all the analyses are conducted, if the focus has been on questions nobody in the company asked, you’ll be adding unnecessary extra elements to the story at the expense of finding the answers that are critically important to decision-makers. Fundamentally, therefore, your primary task as a data scientist is to help people formulate better questions.

2. Tell the story, speak your company’s language

Data scientists like their data. But if you want your voice to be heard, you will have to translate your findings into the language that your intended audience speaks. Start off with the answer to the “So what?” question instead of launching into an explanation of the methodology. Use dynamic visualizations to bring Big Data to life.

3. Be modest, and validate the results with others

Most data manipulators sometimes fall into the trap of believing that their data ref lects the total reality of the situation. We wrestle our way through the data and arrive at a solid, fascinating and controversial conclusion. Our instinct is then to approach the nearest decision-maker and say, “Look at this! You have to change the company!” But it is quite possible that we do not have the whole picture, and a few cry wolfs can easily undermine the credibility of Big Data Analytics. So it is essential that you first validate a number of assumptions and conclusions with people of experience who understand the company well. Give them the chance to come on board and share the credit. And listen to them, for it can only be a win-win situation.


Thanks to the technology currently available, collecting and unlocking Big Data has become simple. But it is more difficult to truly understand that data, and the real reward only comes when you can effectively communicate those insights. As Silver says, the more humility we have about our ability to make predictions, the more successful we can be in planning for the future.

Bookmark and Share
May 8th, 2014

Elke dag genereren we 2,5 triljoen bytes aan gegevens.  90% van alle wereldwijde data vandaag, bestond niet in 2012.. Deze gegevens komen overal vandaan: van sensors die worden gebruikt voor het verzamelen van verkeersgegevens, van posts op social media-sites, van aankooptransactierecords, van GPS-signalen op smartphones, etc. Welkom in de wereld van Big Data.

Big Data creeërt fundamentele veranderingen in het globale economische en sociale landschap. Dankzij de analyse van al die verzamelde data, verbeteren we de gezondheidszorg, hebben we een slimmer beheer van water en energie, maken we accuratere weersvoorspellingen, optimaliseren we leveringsketens en stroomlijnen we de verkeersstromen.

De goldrush op Big Data
Maar de toenemende stroom van data die tussen machines worden uitgewisseld, interesseert ook hackers. Net als de 19de eeuwse goudzoeker tot aan zijn knieën in een woeste rivier goud staat te wassen, gaat een moderne hacker in de datastroom staan en probeert hij de goudklompjes er uit te filteren. Eerder dan zich te focussen op personen, gaan cybercriminelen op zoek naar strategische doelwitten die duizenden persoonlijke gegevensrecords huisvesten zoals dns-providers, sociale medianetwerken of populaire softwarewebsites. Uit het recente IBM X-Force Trend and Risk report blijkt dat hackers in 2013 wereldwijd meer dan een half miljard persoonlijke gegevensrecords stalen, zoals creditcardinformatie, wachtwoorden, namen en emailadressen.

Het is eigenlijk het pad van de minste weerstand. In plaats van gericht te gaan exploreren, filtert een hacker gewoon big data. Met zo weinig mogelijk moeite (en middelen) zo veel mogelijk doelwitten aanvallen was een trend die IBM onderzoekers voor het eerst zagen opduiken in 2013 en die zich blijkbaar in 2014 verder zet.

En toch… Target, een Amerikaanse retailer, was eind vorig jaar zo’n strategisch doelwit. Cybercriminelen braken het creditcardsysteem van het bedrijf binnen. Hier kozen de cybercriminelen duidelijk niet voor het pad van de minste weerstand, maar voor een gerichte aanval op één bedrijf. 

Hack eens een flitscamera
Bij gerichte aanvallen zijn de Distributed Denial of Service-aanvallen (DDoS) nog steeds het populairst onder hackers. Een DDos-aanval dient als afleidingsmaneuver om een gerichte aanval uit te voeren. Een opvallend voorbeeld in deze context is Bitcoin. De virtuele munt versloeg record op record in 2013. De populariteit van Bitcoin is ook cybercriminelen niet ontgaan. Ze richten zich bewust op websites waarop gebruikers Bitcoins kunnen kopen en verkopen. Via DDoS-aanvallen leiden ze de aandacht van het ICT-personeel af van een andere aanval die de koers van de virtuele munt destabiliseert of de hackers geld uit de digitale portefeuilles van gebruikers laat stelen.

Zogenaamde waterputaanvallen, waarbij hackers gebruikers opwachten op populaire websites, zijn dan weer erg effectief in het bereiken van nichegroepen.  Twitter, Facebook of overheidsportalen zijn voor hackers digitale goudmijnen.

Ook SQL injections en malware zijn populaire technieken om gegevens te stelen en te misbruiken. SQL injections manipuleren de hyperlink van de website van een bedrijf of organisatie. De gebruiker denkt dat hij op een vertrouwde website zit, maar bevindt zich in werkelijkheid in de speeltuin van een cybercrimineel. De mythe leeft dat een creatieve hacker er onlangs in slaagde om via een SQL Injection binnen te breken in het flitscamerasysteem, door zijn nummerplaat te beplakken met een code. De hacker reed opzettelijk te snel met zijn auto en werd geflitst. Het flitscamerasysteem dacht een gewone nummerplaat te flitsen, terwijl de code de hacker zou hebben verwelkomd in het datasysteem.

Hoewel het flitscameraverhaal een urban legend is, blijkt nog maar eens de creativiteit en gewiekstheid waarmee cybercriminelen aan de slag gaan.  Het beveiligen van data en het terugdringen van cybercriminaliteit anno 2014 één van de grootste uitdagingen voor bedrijven, organisaties en overheden wereldwijd.

Yves van Seters, PR manager IBM Belgium – Luxemburg


Bookmark and Share

Pendant la semaine du 5 au 11 mai, plus de 30 villes dans le monde vivront au rythme du Big Data. Rassurez-vous : ces villes ne sont pas à l’affût de vos données personnelles et ne vous submergeront pas de marketing urbain indésirable. Elles veulent, en revanche, exploiter le Big Data pour pérenniser leur avenir.

Ces 50 prochaines années, les villes feront face aux plus grands défis de leur histoire. Les Nations Unies prévoient que 70 % de la population mondiale vivra dans une ville à l’horizon 2050. Cette urbanisation massive s’accompagnera d’une multitude de défis. Un tel « boom » de la population appelle, en effet, des solutions sur le plan de l’approvisionnement en eau, en nourriture et en énergie. Qu’en est-il de la mobilité, de la sécurité et de la santé des citoyens ? Comment la ville évoluera-t-elle sur le plan de l’infrastructure, de l’architecture et de la culture ? Autant de questions complexes auxquelles le monde politique cherche activement des réponses… qu’il trouvera dans le Big Data.

Les villes doivent gagner en intelligence
Pour la première fois de notre histoire, pratiquement toutes les informations sont disponibles en version numérique et interconnectées via Internet. Des millions d’objets diffusent des données, des téléphones mobiles aux capteurs des magasins en passant par les voitures, les transports en commun, etc. Même le réseau routier, les réseaux d’utilité publique, les égouts et les jardins sont équipés d’électronique. Tous ces dispositifs génèrent une masse tellement volumineuse de données qu’elle a été baptisée Big Data. Et à un rythme soutenu : il y a deux ans, 90 % des données actuelles dans le monde n’existaient pas encore. Il s’agit donc d’une nouvelle richesse naturelle. Pourquoi ne pas en tirer parti à bon escient ? Les organisations et les pouvoirs publics peuvent collecter toutes ces données et les centraliser dans des bases de données connectées pour les convertir en informations intelligentes qui serviront à augmenter l’efficacité des villes. Nous améliorons ainsi la qualité de vie des citadins et créons des communautés intelligentes.

Trois exemples pratiques : énergie, mobilité et sécurité
Les ménages, les organisations ou les entreprises forment le noyau de chaque ville. La quête de la ville intelligente commence là. Les ménages, mais aussi les bureaux peuvent toujours mieux exploiter leur espace et leurs ressources. L’installation de capteurs pourrait, par exemple, réduire la facture énergétique. IBM a ainsi installé des capteurs dans une école. Curieusement, ceux-ci ont montré un pic énergétique entre 3 h et 7 h du matin, alors que l’établissement était vide. Le thermostat avait apparemment été réglé des années auparavant et tout le monde l’avait oublié.

Associez les données des ménages qui vivent dans le même bâtiment ou la même rue et vous obtenez un quartier intelligent. Les données en temps réel permettent aussi d’observer et d’optimiser la consommation énergétique du quartier. Cela se traduit par une répartition mieux équilibrée de l’approvisionnement en énergie et une approche plus efficace en termes de coûts. Ce que nous imaginons à l’échelle d’un quartier est extrapolable au niveau d’une ville. Grâce à une Smart Grid, vous transformez le courant unidirectionnel d’anciens réseaux d’énergie en un réseau intelligent qui permet l’échange d’énergie. À partir de données issues de différents quartiers, on pourrait ainsi exploiter le réseau de telle sorte que les quartiers en surplus énergétique (qui possèdent des panneaux solaires, par exemple) pourraient transférer leur énergie aux quartiers qui connaissent un pic de consommation au même moment (les centres commerciaux, par exemple).

Ville parmi les plus embouteillées au monde, Bruxelles est confrontée aux besoins de mobilité d’une population très diverse. La Région de Bruxelles-Capitale cherche assidûment des solutions pour améliorer notablement la fluidité du trafic dans la capitale. Comment permettre aux piétons, aux cyclistes, aux voitures, aux taxis, aux métros, aux trains, aux trams, aux bus et aux parkings de cohabiter en harmonie ? En collectant des données, en les centralisant et en les intégrant à une plateforme centrale. Vous obtenez alors la mobilité de demain. Une application permettrait aux usagers de planifier leur itinéraire complet à la seconde près avec un titre de transport numérique unique valable sur tous les réseaux. Vous iriez en voiture jusqu’à un parking situé en périphérie (place réservée), prendriez facilement le métro (qui arrive et part à l’heure) et termineriez votre trajet avec un vélo Vilo (qui vous attendrait). En chemin, vous pourriez consulter les informations de trafic les plus récentes et adapter automatiquement votre itinéraire à la situation. À la clé ? Une fluidité du trafic améliorée (moins d’embouteillages), une pollution atmosphérique en baisse et une économie dopée.

Une ville elle-même génère de grandes quantités d’informations : pensez aux caméras de sécurité installées à différents endroits d’une ville, aux capteurs de trafic, aux annonces des services de secours en patrouille, etc. Ajoutez-y une nouvelle source d’informations particulièrement riche, en l’occurrence le citadin. Grâce aux smartphones et aux réseaux sociaux, les citoyens sont devenus plus loquaces que jamais. Ils utilisent les réseaux sociaux pour exprimer leur mécontentement, mais aussi leur appréciation par rapport à des initiatives urbaines. En combinant ce type d’informations à ses propres données (historiques), une ville serait bien plus apte à répondre à un large éventail de défis : nids de poule dans la chaussée, sentiment d’insécurité en rue ou amélioration des services. L’analyse de ces données permettrait aussi à une ville de mieux positionner ses services d’urgence et de garantir ainsi la sécurité des visiteurs et des habitants. Sur la base de ces Big Data, elle pourrait même prévoir certains événements et agir de manière proactive. Un exemple ? Rio de Janeiro compte un gigantesque centre de contrôle qui combine prévisions météorologiques et données issues des périphéries. Si une tempête tropicale provoque une coulée de boue dans une favela, la ville évacue ses habitants, les services de secours se déploient au bon endroit et les équipes de nettoyage savent exactement ce qu’on attend d’elles et où.

Data News a récemment calculé qu’une ville compte 262 mégabytes de trafic data au kilomètre carré sur une journée normale. Une journée des Fêtes gantoises génère 33 000 mégabytes/km². Le Big Data ne se limite pas à donner une image du comportement des habitants et des touristes à des fins marketing. Il constitue une mine d’informations que vous devez, en tant qu’administration communale, favoriser et utiliser. Non seulement pour réaliser des économies et augmenter votre efficacité. Mais surtout pour aborder les 50 prochaines années avec sérénité.

Philippe Dubernard
Smarter Cities Leader

Bookmark and Share

Subscribe to this category Subscribe to Analytics