Deze uitgebreide samenvatting bevat alle te kennen leerstof voor het mastervak Informatica voor Bedrijfsbeleid, gedoceerd door Sam Verboven. Alle hoorcolleges en gastcolleges, aangevuld met eigen lesnotities zijn hierin verwerkt (exclusief WPO's).
Daarnaast staat er aangeduid in de notities wann...
1.1 Risico’s................................................................................................................................................ 5
1.2 Enkele feiten ...................................................................................................................................... 6
1.2.1 Het belang van coördinatie ................................................................................................................ 6
1.3 Business/ IT alignment ....................................................................................................................... 7
1.3.1 Onderscheid taak business en IT........................................................................................................ 7
6 Monte Carlo Simulatie ........................................................................................................... 69
6.1 Geschiedenis van Monte Carlo ........................................................................................................ 69
6.2 Model: investment case – building project...................................................................................... 70
6.3 Monte Carlo Simulatie ..................................................................................................................... 71
6.3.1 Stappenplan gebruik MC .................................................................................................................. 71
6.3.2 MCS: assumpties .............................................................................................................................. 73
6.3.3 Prerequisite: RNG............................................................................................................................. 73
6.3.4 Verdelingen: op intuïtief niveau ...................................................................................................... 74
6.3.5 Verdeling kiezen ............................................................................................................................... 76
,6.3.6 Steekproefgrootte kiezen ................................................................................................................ 76
6.3.7 Meer verdelingen ............................................................................................................................. 76
7 Data Science .......................................................................................................................... 77
7.1 Introductie........................................................................................................................................ 77
7.2 Fundamentele concepten ................................................................................................................ 78
7.2.1 Terminologie .................................................................................................................................... 78
7.2.2 Toepassingen?.................................................................................................................................. 79
7.2.3 Data ................................................................................................................................................. 80
7.2.4 Model ............................................................................................................................................... 81
7.2.5 Leren ................................................................................................................................................ 84
7.3 Taken, methodes, en toepassingen ................................................................................................. 84
7.3.1 Data Science: taken .......................................................................................................................... 86
7.3.2 Types machine learning ................................................................................................................... 87
7.3.3 Recap ................................................................................................................................................ 91
7.3.4 Methodes ......................................................................................................................................... 91
7.3.5 Wat is een goed model? .................................................................................................................. 91
7.4 Training vs Deployment ................................................................................................................... 93
7.4.1 Van theorie naar praktijk met CRISP-DM ......................................................................................... 95
7.4.2 AI adoptie in de EU........................................................................................................................... 98
7.5 Samenvatting ................................................................................................................................. 107
7.5.1 Conclusie ........................................................................................................................................ 107
8 Gastcollege: How tech Advances Drive Business Opportunities Through Data........................ 108
8.1 General framework ........................................................................................................................ 109
8.2 Operational Excellence: Prediction & maintenance in Industry 4.0 .............................................. 109
8.2.1 Technological Advancement .......................................................................................................... 110
8.2.2 Data characterization ..................................................................................................................... 111
8.2.3 Business opportunities ................................................................................................................... 111
8.2.4 Feedback ........................................................................................................................................ 111
8.2.5 General Framework ....................................................................................................................... 112
8.3 New products, services and business models: the rise of digital data platforms .......................... 112
8.3.1 Technological Advancement .......................................................................................................... 112
8.3.2 Data characterization ..................................................................................................................... 113
8.3.3 Business opportunities ................................................................................................................... 114
8.4 Improved decision making: Optimization, faster ........................................................................... 116
8.4.1 Technological advances ................................................................................................................. 116
8.4.2 Data characterization ..................................................................................................................... 117
8.4.3 Business opportunities ................................................................................................................... 117
8.4.4 Challenges ...................................................................................................................................... 119
8.5 Supplier & Customer intimacy: increased service levels ............................................................... 120
8.5.1 Technological advancements ......................................................................................................... 120
8.5.2 Data characterization ..................................................................................................................... 121
8.5.3 Business opportunities ................................................................................................................... 121
8.5.4 Challenges ...................................................................................................................................... 122
8.5.5 General framework ........................................................................................................................ 123
9 Colruyt Group – IT in een Business Context (Wim Luyckx) ..................................................... 124
9.1 Introduction spreker & Colruyt Group + business architecture in CG ........................................... 124
9.1.1 Operating Unit................................................................................................................................ 126
9.1.2 Waardenketen ............................................................................................................................... 126
9.1.3 Capability........................................................................................................................................ 127
9.2 Van strategie naar Realisatie ......................................................................................................... 129
9.3 Realisatie van een oplossing .......................................................................................................... 134
9.4 Conclusie ........................................................................................................................................ 137
10 Data Science: Large Language Models................................................................................... 138
10.1 Introductie...................................................................................................................................... 138
10.1.1 Foundation modellen ..................................................................................................................... 139
10.2 Taalmodellen.................................................................................................................................. 140
10.2.1 Tekstgeneratie ............................................................................................................................... 142
10.2.2 Taalmodellen voor deep learning .................................................................................................. 143
10.3 Large language models .................................................................................................................. 145
10.3.1 LLM: gebruik ................................................................................................................................... 146
10.3.2 LLM: training .................................................................................................................................. 146
10.4 Concepten ...................................................................................................................................... 146
10.4.1 Adaptation ..................................................................................................................................... 147
10.4.2 Adaptatie voor alignment .............................................................................................................. 148
10.5 Applicaties ...................................................................................................................................... 149
10.6 Gevaren van LLMS .......................................................................................................................... 151
10.6.1 LLMs in de organisatie van de toekomst ....................................................................................... 152
10.7 The bitter lesson ............................................................................................................................ 152
10.8 Conclusie ........................................................................................................................................ 152
10.8.1 LLMs ............................................................................................................................................... 152
10.8.2 IBB ............................................................................................................................................... 152
,1 Inleiding
“Information technology and business are becoming inextricably interwoven. I don’t think anybody can talk
meaningfully about the one without talking about the other.”
Bill Gates
→ Elk bedrijf is geconnecteerd met informatiesystemen voor bedrijfsvoering en operationele processen. Je
kan niet meer over bedrijven/ organisaties spreken op een betekenisvolle manier zonder daarbij ook iets
te weten van informatiesystemen/ informatietechnologie. Deze twee zaken zijn vervlochten met elkaar.
✓ ‘Are you ready fort he digital era?’: Alles moet leesbaar zijn voor computers. Niemand houdt nog een
handmatige fichebak bij. We geven data in op onze computer. Uit deze data halen we informatie.
✓ ‘Digital is the new norm’: In dit artikel spreken ze over disruptieve technologie. Deze technologie
verandert zeer ingrijpend hoe er aan bedrijfsvoering wordt gedaan. Je moet mee zijn om ‘superior’
returns te kunnen halen.
1.1 Risico’s
Digitalisatie, automatisering en AI kunnen zorgen voor fantastische revoluties, voor veel betere
bedrijfsvoering, voor meer winst en competitieve voordelen. Deze digitalisatie loopt niet altijd van een
leien dakje.
✓ Ontwikkeling van informatiesystemen is duur, meerderheid van de projecten mislukt
o Als de ontwikkeling wel lukt, creëer je als bedrijf ook vaak een afhankelijkheid. Je bent kwetsbaar
voor faling van dergelijke systemen.
✓ Afhankelijkheid – wat als IS niet functioneren?
o Amazon: als de systemen hier platliggen, wordt er niks meer besteld. Het warehousemanagement
wordt volledig geoptimaliseerd door middel van algoritmes, informatiesystemen (automatic
warehouse met robots).
o Tax-on-web: de laatste week voor de deadline van de belastingbrief, ligt het portaal plat.
o Tesla: in een individuele auto zit enorm veel informatietechnologie (bv. GPS). Bv. ontwikkeling van
zelfrijdende auto. Heel veel systemen vergaren informatie over de omgeving van de auto.
o Meta: één van de grootste bedrijven die enorme bedragen investeert in de ontwikkeling en het
onderhoud van de informatiesystemen. Niemand ontloopt dus risico op faling. Als je afhankelijk bent
voor ongeveer al je waardecreatie binnen je bedrijf van informatiesystemen, dan kan dit een enorm
grote kwetsbaarheid zijn.
Silvy Colman Informatica voor bedrijfsbeleid 5
, o …
1.2 Enkele feiten
✓ Geert Noels: ‘IT is one of the major forces in our economy’
✓ 52% van de investeringen hebben betrekking tot IT
✓ Return on IT versus IT investment paradox:
o Hoge investeringen in IT ≠ altijd hogere productiviteit
▪ Plot: relatie tussen investeringen in IT en productiviteit → positieve trend, maar er zijn ook
bedrijven die heel veel investeren in IT en heel lage productiviteit hebben.
Boodschap: Investeer niet blindelings. Zorg dat je investeringen renderen, waarde creëren voor
het bedrijf
1.2.1 Het belang van coördinatie
Zorg dat je investeringen waarde
creëren voor het bedrijf
→ Dit is niet altijd vanzelfsprekend.
Voor de ontwikkeling van een
informatiesysteem moeten heel veel
mensen samenwerken.
bv. Stakeholders: klanten,
aandeelhouders, managers
bv. gebruikers systeem
bv. ontwikkelaars systeem: wat zijn
de business needs naar bepaalde
requirements?
…
Silvy Colman Informatica voor bedrijfsbeleid 6
,Tussen alle verschillende partijen moet de communicatie gealigneerd worden. Denk aan het spelletje
waarin een hele groep mensen een boodschap moet doorgeven door elkaar in het oor te fluisteren. De
boodschap op het einde zal anders zijn dan de oorspronkelijke boodschap.
Er is dus een groot belang aan coördinatie en communicatie!
1.3 Business/ IT alignment
✓ Belangrijk concept bij de ontwikkeling van IS
o Visie ≠ implementatie: Het is niet omdat je een fantastische visie
hebt op informatiesystemen, dat je automatisch een goed systeem
kan of zal ontwikkelen.
1.3.1 Onderscheid taak business en IT
Management kan nood en probleem
highlighten: ‘traag vervoer’, vereist
basiskennis IT
Precieze implementatie, aanwending
technologie ‘auto’ -> IT experts
→ Mensen gaven aan dat ze snellere paarden willen, terwijl de onderliggende nood sneller vervoer was. De
gemiddelde mens had geen idee van wat er mogelijk was qua technologie. Zij dachten in termen van
wat ze op dat moment kenden.
Dit bestaat ook in het domein van informatietechnologie. Managers hebben vaak geen inzicht in de state-
of-the-art informatietechnologie. Het is ook niet de taak van managers om in termen van technologie in te
vullen hoe de technologische oplossing eruit ziet.
De basiscomponenten van informatietechnologie zijn:
✓ Hardware
✓ Software
✓ Databases
✓ Communicatie (mensen)
2.1.1 Hardware
✓ Apparatuur of machines die programma’s kunnen uitvoeren.
o Alles wat je fysiek kan aanraken, wat je kapot kan slaan met een hamer.
Bv. Er zit heel veel hardware in een wagen. Er wordt heel veel geregeld via machine learning/ AI. Zo stuurt
Tesla data door wanneer de ruitenwisser van de auto aanspringt en de mens het zelf uitzet (niet gewenst).
Dit doen ze om het machine learning systeem te verbeteren.
✓ Hardware kan heel klein zijn (bv. NANO chips). Dit kan een heel kleine gps zijn die ze in kleding steken
om te tracken waar een shipment zit.
Moderne informatiesystemen vereisen soms grote hardware-investeringen.
Datacenter Google België
Als we een zoekopdracht starten op Google,
krijgen we een snelle reactie van Google. Dit zijn de
servers die berekeningen maken en die dit
antwoord terugsturen. Hiervoor zijn datacenters
nodig.
Grafische kaart
Processor in je computer doet basisberekeningen.
Deze is goed voor sequentiële berekeningen.
Grafische kaarten zijn vooral goed in parallelle
computatie om visuele zaken te renderen. De
grafische kaart is handig voor minen van crypto als
bij het trainen van AI modellen.
2.1.2 Software
✓ Programma’s en de algoritmes die ze voorstellen (een programma hoeft geen grafische weergave te
hebben, vb. het programma dat je computer opstart of een virus)
Silvy Colman Informatica voor bedrijfsbeleid 8
,✓ Ook data
✓ Voordat software gebruikt kan worden: Omzetting van programmeertaal in machinetaal
2.1.3 Database en netwerk
✓ Database = collectie data in een computersysteem georganiseerd voor makkelijke opslag, toegang en
beheer. Ook de veiligheid omtrent data wordt typisch gemanaged door databanken.
o Bv. relationele databank
✓ Communicatie (netwerk) = verbinden van meerdere computers om te
communiceren en data uit te wisselen
o Bv. Grootste netwerk: internet
Informatietechnologie staat niet gelijk aan het systeem zelf.
→ Vergelijking met huis: het huis is een Informatiesysteem. Alle materialen die nodig zijn om het huis te
bouwen, is de informatietechnologie.
Informatietechnologie zijn dus de componenten waaruit een informatiesysteem is opgebouwd, maar is niet
apart gelijk aan een informatiesysteem.
✓ Informatie = data + nut
o Data = alles wat je kan opslaan (in een bitsequentie met 1 en 0). Dit kan audio, video, … alles zijn.
▪ Data is geld waard, maar de waarde van de data zit in het potentieel dat ze kunnen
getransformeerd worden door informatiesystemen tot informatie.
Silvy Colman Informatica voor bedrijfsbeleid 9
, o Informatie = data met nut. Data kan omgevormd worden door een informatiesysteem tot informatie
door het te verwerken naar een nuttige vorm.
✓ Informatiesysteem: een set van onderling gerelateerde componenten (van informatietechnologie) die
informatie verzamelen, verwerken, opslaan en verspreiden om de besluitvorming in een organisatie te
ondersteunen, gebruik makende van informatietechnologie.
→ Het krachtigste informatiesysteem (in abstracte zin) is ons brein. Hersenen kunnen heel
veel verschillende taken heel goed uitvoeren. Tegenwoordig zijn er AI-algoritmes die
voor meer en meer taken beter worden dan mensen. Toch zijn de hersenen het enige
algemene informatiesysteem met bewustzijn dat zo goed is in zo veel verschillende
taken.
Informatiesysteem VUB
2.1.5 Relevantie IS
✓ Informatietechnologie en informatiesystemen zijn dikwijls de belangrijkste tools die ondernemingen
voorhanden hebben om hun operationele en strategische decision making processen te ondersteunen
en zo efficiënter en effectiever te maken.
o Om kosten te besparen
o Maar ook om extra inkomsten te verwerven
→ Werking van een rusthuis: vroeger werden statussen van patiënten manueel bijgehouden, nu wordt dit
op een IPad geregistreerd en bijgehouden.
Bv. electronic health records: elektronische data die we vroeger niet hadden, is beschikbaar. Met
machine learning proberen we deze data te minen. Hieruit komen heel nuttige en zelfs levensreddende
inzichten voort. Zo kunnen trends in eetpatronen een indicatie zijn van onderliggende problemen,
ziekten.
Typische voorbeelden waarbij informatiesystemen extreem transformatief zijn geweest:
✓ Amazon: grootste retailer ter wereld is begonnen als een fysieke boekenwinkel.
✓ Netflix: is begonnen als een mail-in dvd rental service. Je kon een dvd huren en dan kreeg je een fysiek
pakketje met een dvd in. Digitalisatie heeft de capaciteit om films te tonen helemaal opgeschaald tot
bijna in het oneindige.
✓ Google
✓ Facebook
Silvy Colman Informatica voor bedrijfsbeleid 10
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller SilvyColman22. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $9.66. You're not tied to anything after your purchase.
