mentransformasi penyampaian perkhidmatan : …
TRANSCRIPT
Dr. Yusminar binti Yunus
Pengarah Bahagian Kerajaan Digital
MAMPU, JPM
Seminar Kerajaan Digital 28 SEPTEMBER 2017 Kuching, Sarawak
MENTRANSFORMASI PENYAMPAIAN
PERKHIDMATAN : PROGRAM BERPACUKAN DATA -
ANALITIS DATA RAYA
MAMPU, JPM
KANDUNGAN
Pengenalan
Faedah Analitis Data Raya
Inisiatif Analitis Data Raya
Cabaran
Kesimpulan
2
1
2
3
4
5
3
DATA YANG KIAN MENINGKAT…
Data collected in
694,445SEARCH QUERIES
168MILLIONEMAILS SENT
iPHONE APPLICATIONS DOWNLOADED
13,000+
320+ NEW
TWITTER ACCOUNTS
SECSBIG DATA ANALYTICS
Better Decision Making
Better Targeting
Behavioural Prediction
5
DEFINISI
4
Analitis Data Raya (Big Data Analytics) adalahproses menganalisis data raya untuk merungkai
corak tersembunyi dan perkaitan yang tidakdiketahui dari maklumat yang berkaitan.
(Sumber: Whalts.com)
Data Raya (Big Data) adalah maklumat yang mempunyai jumlah tinggi (high-volume), halaju
tinggi (high-velocity) dan variasi tinggi (high-variety) yang memerlukan pemprosesan
maklumat secara kos efektif dan inovatif untukmendapat makna yang mendalam (insights) dan
membuat keputusan. (Sumber: Gartner)
Sains Data (Data Science) melibatkan pengenalpastian kes bisnes dan data untuk menjawab persoalan kes
bisnes, pembersihan data, analisis data, visualisasi data dan menyampaikan insights kepada kumpulan sasaran.
(Sumber: Executive Data Science, 2016)
6
KEMATANGAN ANALITIS DATA RAYA
Source: IDC, MDeC (2014)
AP
eJ
BD
A M
atu
rity
Mo
de
lStage 1
Ad Hoc
Stage 2
Opportunistic
Stage 3
Repeatable
Stage 4
ManagedStage 5
OptimizedBusiness
Value
Indonesia
Thailand
Korea
Taiwan
India
China
Singapore
Australia
Hong Kong
Where we want
to be
We are here
2016
2020
Stage of Maturity
Ad Hoc• Limited business value• Projects unbudgeted• Process undefined• Experimental and silo-ed
Repeatable• Business value realised• Projects budgeted• Process documented • Consistent adoption
PENILAIAN KEMATANGAN BDA
7
Intent (niat) : Mengukur strategi, bajet, prestasi, metrik, penajaan, justifikasi projek dan program.
Data : Mengukur kualiti, relevan, ketersediaan, kebolehpercayaan, tadbir urus, keselamatan, dankebolehcapaian pelbagai data berstruktur.
Technology (teknologi) : Mengukur kesesuaian, kebolehgunaan, integrasi, sokongan untuk piawaian, danprestasi teknologi dan seni bina IT ke atas beban kerjayang berkaitan.
People (modal insan) : Mengukur kemahiran teknologi dan analitik, kolaborasi intra dan antara kumpulan, serta struktur organisasi, kepimpinan, latihan, dan kesediaan budaya.
Process (proses) : Mengukur proses pengumpulan data, konsolidasi, integrasi, analisis, penyebaran maklumatdan penggunaan dan membuat keputusan.
10
Functionality, Performance, Adoption
Ad-hoc
Opportunistic
Managed
Optimized
Repeatable
10
5 DIMENSI
Source: IDC
Bagaimana ia
boleh berlaku?
Analisis
PreskriptifApa akan
berlaku?
Analisis
PrediktifKenapa
berlaku? Pandangan Jauh
(Foresight)Analisis
DignostikApa telah
berlaku?Pemahaman
Analisis
Deskriptif(Insight)
Pengalaman
(Hindsight)
Kesukaran Sumber: Gartner
1
2
3
4
JENIS ANALITIS DATA RAYA
9
9
Prestasi
kewangan
lebih baik
9%
Lain-lain
6%
FAEDAH ANALITIS DATA RAYAPengesanan
risiko
9%Membuat
keputusan
lebih baik
50%Hubungan lebih
baik dengan
pelanggan
10%
Perancangan
strategi lebih
baik
Ramalan Wabak
Penyakit
Keselamatan
Cyber
Pertahanan
Negara
16%
Sumber: Peer Research BDA Survey 2015
Ramalan dan
Penyegahan
Jenayah
Ramalan
Bencana atau
Cuaca
Farmasi dan Ubat
KES BISNES ANALITIS DATA RAYA
Maklumat PintarPengesanan
Penipuan Cukai
Ekonomi dan
Kewangan
14
MEMANFAATKAN ANALITIS DATA RAYA
9
11
Analitis Data Raya membantu kita hidup lebih sihat melalui R&D pencegahan penyakit seperti cardiovascular, osteoporosis dsbnya
MEMANFAATKAN ANALITIS DATA RAYA
Melalui analitis data DNA manusia, data penyakit dan kesihatan membolehkan kitamemahami punca penyakitpenuaan dan mengatasinyaagar kita lebih sihat dan nampak muda …
Human Longevity Inc., is
founded by J. Craig Venter to
solve the diseases of aging
via the power of human
genomics, informatics, next
generation DNA sequencing
technologies, and stem cell
advances.
The company’s main
investor is Tan Sri Lim Kok
Thay, Genting Berhad’s
chairman and Chief
Executive
PENJAGAAN KESIHATAN
12
Denmark findtoilet.dk menggunakan data mengenaikemudahan tandas awam bagi
menunjukkan lokasi tandas awamyang dikehendakki.
UK Mapumental menggunakan data tentang harga rumah, masa yang
diambil untuk perjalanan ke tempatkerja dan kualiti persekitarankawasan perumahan untuk
memudahkan orang awam membelirumah yang sesuai mengikut
kemampuan.
MEMANFAATKAN ANALITIS DATA RAYA
PENEMPATAN & KEMUDAHAN AWAM
Pernahkan anda sedar.. iklan pada browser anda sama dengan sesuatu yang anda baru sahaja beli@lihat untuk beli???
Justeru, anda perlu berterima kasih kepada data raya kerana ia bertanggungjawab bagi apa "barangan baru dilihat"
atau "cadangan yang akan dibeli” pada browser anda. Ini membolehkan syarikat perniagaan mensasarkan pelanggan
dengan iklan khusus kepada anda. Ia mungkin baik untuk anda, tetapi tidak baik untuk dompet anda!
MEMANFAATKAN ANALITIS DATA RAYA
MEMBELI-BELAH DALAM TALIAN
14
14
Mengetahui tentang kadar jenayah di bandar-bandar bolehmenjejaskan kediaman anda…data raya telah banyak mengurangkan
jumlah kecurian dan pecah rumah yang berlaku.
Jabatan polis di Los Angeles dan Santa Cruz, California menggunakandata raya untuk menentukan di mana mereka paling diperlukan dan
di mana jenayah paling kerap berlaku.
MEMANFAATKAN ANALITIS DATA RAYA
PENCEGAHAN JENAYAH
17
PUNCA KUASA
16
JITIK BIL.1/2014 (28 MAC 2014)
Analitis Data Raya (DRSA)Meminta semua agensi kerajaan mengenal pasti inisiatif analitis data raya dalam setiap perkhidmatan teras agensi.
MESYUARAT JEMAAH MENTERI(20 OGOS 2014)
Mesyuarat bersetuju supaya agensi sektor awam melaksanakan inisiatif Analitis Data Raya (Big Data Analytics (BDA) dan Data Terbuka Sektor Awam.
Mesyuarat mengambil maklum:• Kementerian Komunikasi dan
Multimedia Malaysia (KKMM) dengan kerjasama MAMPU dan MDEC membangunkan Kerangka Data Raya Kerajaan Malaysia
• MAMPU dan MDEC berkolaboratif untuk melaksanakan 4 projek rintis BDA kerajaan
• MDEC menerajui inisiatif BDA sektor swasta dan MAMPU menerajui BDA sektor awam
MESYUARAT MPA BIL. 1 TAHUN 2016 (30 MAC 2016)
Mesyuarat mengambil perhatian perkongsian data secara lebih agresif dalam kalangan kementerian/ agensi diperlukan untuk memastikan analisis yang dibuat lebih tepat dan menyeluruh.
19
17
RANCANGAN MALAYSIA KESEBELAS(2016 -2020)
Mempertingkatkan
pengurusan projek untuk
menghasilkan outcome
yang lebih baik dan cepat
Memperkukuh
pengurusan bakat
untuk perkhidmatan
awam masa hadapan
Mempertingkatkan
penyampaian
perkhidmatan dengan
mengutamakan rakyatMerasionalisasikan
institusi sektor
awam untuk
meningkatkan
produktiviti dan
prestasi
Memanfaatkan pihak
berkuasa tempatan
untuk menyediakan
perkhidmatan berkualiti
di peringkat tempatan
Memanfaatkan data
bagi meningkatkan
outcome dan
mengurangkan kos
Metodologi
Rangka Kerja
Pekeliling
Platfom
Tadbir Urus
12
3
4
56
7
8
9
Program Inovasi
Pembangunan Kompetensi
Khidmat Perundingan
Data Terbuka, Perkongsian Data, Klasifikasi Data
20
PROGRAM BERPACUKAN DATA SEKTOR AWAM
19
KERANGKA ANALITIS DATA RAYA NASIONAL
20
RANGKA KERJA ANALITIS DATA RAYA SEKTOR AWAM (DRSA)
Memahami Bisnes
1
Definisi Keperluan
2
Perolehan dan
Eksplorasi Data
3
Pembangunan
Model Analisis
4Pembangunan
Produk Data
5
Transisi kepada Produksi
6
Pemantauan
7
KITARAN PROJEK
Permulaan projek baru ataukitaran peningkatan sistem Mengenal pasti kes bisnes, objektif,
pengguna, operasi dan keperluan
Penyataan masalah, soalan bisnes dan keperluan pengguna
Pemprosesan dan Eksplorasi data
Pembangunan model dan analisis
Dashboard, visualisasi
dan laporan
Pemantauan berdasarkan
keperluan bisnes
METODOLOGIANALITIS DATA RAYA SEKTOR AWAM (DRSA)
23
22
Perkakasan
Virtualization Server
SAS VA/LASR Master
Hadoop Slave NodePostgres-XL Data Node
Gluster Node
40GbE network switch
Perisian
Red Hat Enterprise LinuxRed Hat Enterprise for Virtual Data Center
Red Hat EnterpriseHortonworks Data Platform StandardSAS Visual Analytics
Red Hat Storage StandardJBOSS Data VirtualizationPostgres-XLMi-MorpheMi-IntelligenceMi-CLIPOpenRefineMod Security Web Application
PLATFORMANALITIS DATA RAYA SEKTOR AWAM (DRSA)
24
23
Urusetia MAMPU
Pejabat Pengurusan
Projek
PeringkatAgensi
TADBIR URUSANALITIS DATA RAYA SEKTOR AWAM (DRSA)
243 JANUARI 2017
PEKELILING PELAKSANAANANALITIS DATA RAYA SEKTOR AWAM (aDRSA)
25
BDA-Digital Government Open
Innovation Network
(BDA-GDOIN)
- Proof of Concept dari 29 Januari 2015 hingga 28 Januari 2016- Kolaboratif StrategikMAMPU-MDeC-MIMOS dengan 4 agensi iaituMOF, JAKIM, JPS dan NAHRIM
Analitis Data Raya Sektor Awam
(DRSA)
- Projek Rintis dari 10 Mac 2015 hingga 9 Mac 2016- Melibatkan 4 agensiiaitu MAMPU, KPDNKK, KKM dan PDRM - Penyediaaninfrastruktur untukpelaksanaan DRSA olehagensi Sektor Awam
Transfomasi Perkhidmatan Optimasi Data
Kerajaan (TDDA)
- Proof of Concept dari 1 Oktober 2015 hingga 31 Disember 2015- Dilaksanakan bagi use case Price of Goods- Kolaboratif StrategikMAMPU dengan 5 agensi iaitu KPDNKK, MOA, LKIM, FAMA, MOF, DoSM
Peluasan AnalitisDRSA
- Dilaksanakan dari 23 November 2016 hingga22 November 2017- Pembangunan produkdata secara coachingoleh syarikat, MAMPU dan 12 agensi- Membangunkanmodel analisis, prediktif dan machine learning menggunakananalytics tool R Studio
2 3 41
26
INISIATIF ANALITIS DATA RAYA SEKTOR AWAM
Meninjau pelampau islam
di kalangan rakyat
Malaysia
Analitik data bagi
menganalisis dan membina
Model Ekonomi Fiskal
Teknologi &
Platform
Pemudah cara
Pengurusan
1
2
3
5
4
Analisis Sentimen
Kos Sara Hidup yang
diperolehi melalui
Media Sosial
Mendapatkan unjuran 90
tahun taburan hujan selaras
dengan kesan limpahan di
tebing sungai dalam peta
Malaysia
Membangunkan pangkalan
pengetahuan banjir
berdasarkan gabungan data
sensor dan media sosial
PROJEK BDA-OPEN INNOVATION NETWORK (BDA-DGOIN)
• Dilaksanakan secara Proof Of Concept (POC)
• Kolaboratif Strategik MAMPU-MDEC-MIMOS bersama MOF, JAKIM, JPS dan NAHRIM (5 kes bisnes)
129 Jan 2015 – 28 Jan 2016
27
Ramalan banjir di Malaysia berasaskan data 90 tahun daripada NAHRIM iaitu jumlah
hujan (rainfall), melorot (runoff) dan aliran (streamflow). Maklumat ramalan ini penting
untuk diperolehi lebih awal supaya agensi bertanggungjawab berkaitan dengan banjir
bolehlah membuat persediaan awal bagi mengurangkan kemalangan atau kerugian
nyawa mahu pun aset.27
PoC BDA-DGOIN :
UNJURAN TABURAN HUJAN
28
Rangka
kerja
Platform di PDSA
dalam 1Gov*Net
1
2
3
54
Metodologi
Garis Panduan
Pembangunan Empat Analitis
Pencegahan Jenayah
PemantauanHarga
Ramalan Penyakit Berjangkit
AnalisisSentimen
Tadbir
urus
PROJEK RINTIS ANALITIS DATA RAYA SEKTOR AWAM (DRSA)
• Pelaksanaan Rintis diketuai oleh MAMPU
• Empat (4) agensi terlibat adalah: MAMPU, KPDNKK, KKM dan PDRM (4 kes bisnes)
210 Mac 2015 – 9 Mac 2016
30
Korelasi data kes kecurian motosikal dan data lokasi tapak
pembinaan. Taburan lokasi kes kecurian motosikal di tapak pembinaan
membantu PDRM memantau lokasi dan masa kejadian. Ini membolehkan
PDRM merancang kekerapan masa rondaan di lokasi yang banyak berlaku
kes jenayah.
PENCEGAHAN JENAYAH
31
30
Analisis korelasi antara bilangan kes penyakit Tangan Kaki dan Mulut (HFMD)
dan data cuaca (jumlah hujan dan suhu), penghasilannya adalah kes
penyakit meningkat apabila suhu adalah tinggi. Korelasi ini boleh digunakan
bagi meramal kemungkinan pertambahan bilangan kes HFMD pada masa
hadapan.
RAMALAN PENYAKIT BERJANGKIT
32
PEMANTAUAN HARGA
Trend harga ayam mengikut premis dalam kawasan parlimen berdasarkan pengiraan
BQ-1 : Who have been charging products more than what constitute fair price?
Very Expensive :
50% more than
mode price in
parliament
Expensive :
30% more than mode
price in parliament
Standard :
30% range of mode
price in parliament
Cheap :
30% less than mode
price in parliament
Very Cheap:
50% less than mode
price in parliament
33
TRANSFORMASI PERKHIDMATAN OPTIMASIDATA KERAJAAN
• GDOTS Proof Of Concept (POC)
dilaksanakan pada tahun 2015
menggunakan perkhidmatan analitis
data pihak ketiga
• Kolaboratif Strategik MAMPU bersama
KPDNKK, MOA, LKIM, FAMA, MOF,
DOSM bagi kes bisnes Price of Goods
• Memaparkan trend harga barangan
mengikut cuaca (hujan), pelaksanaan
GST, musim perayaan, kenaikan harga
petrol dan kenaikan harga tol
• Projek GDOTS mulai pada Ogos
2017 hingga Julai 2018 bagi
membangunkan enam (6) kes bisnes
dengan memberi fokus kepada
golongan miskin bandar (urban poor)
• Menghasilkan analisis atau laporan
dalam mengenal pasti punca
perubahan harga
• Kolaboratif Strategik MAMPU bersama
KPDNKK, MOA, LKIM, FAMA, MOF,
DOSM
0.00%
100.00%
200.00%
300.00%
400.00%
500.00%
600.00%
700.00%
800.00%
900.00%
1000.00%
2012 2013 2014 2015
%Peningkatan/Penurunan(RantaianBekalan)-Selangor
Pendaratan
Borong
Runcit
0.00%
50.00%
100.00%
150.00%
200.00%
250.00%
2012 2013 2014 2015
%Peningkatan/Penurunan(RantaianBekalan)-Kedah
Pendaratan
Borong
Runcit
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%
140.00%
160.00%
180.00%
2012 2013 2014 2015
%Peningkatan/Penurunan(RantaianBekalan)-Pahang
Pendaratan
Borong
Runcit
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%
140.00%
160.00%
2012 2013 2014 2015
%Peningkatan/Penurunan(RantaianBekalan)-Johor
Pendaratan
Borong
Runcit
BIL. AKTVITI M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4 M1 M2 M3 M4
1 Commercial Related
- Letter of Award
- Contract Management
2 Project Team Mobilization
- Project Inception & Governance
- Team Mobilization
-
3 Project Implementation
- Kick Off Meeting
- Project Management
- Development of Use Cases
- Step 1 - 3
-
Mesyuarat J/K Teknikal dan
Pemandu - Bayaran 2
- Step 4 - 5
-
Mesyuarat J/K Teknikal dan
Pemandu - Bayaran 3
- Step 6
-
Mesyuarat J/K Teknikal dan
Pemandu - Bayaran 4
- Step 7
- Insights Reporting
-
Mesyuarat J/K Teknikal dan
Pemandu - Bayaran 5
4 Project Closure and Sign-Off
Mesyuarat J/K Teknikal dan
Pemandu - Bayaran 1
BULAN 12BULAN 1 BULAN 2 BULAN 3 BULAN 4 BULAN 5 BULAN 6 BULAN 7 BULAN 8 BULAN 9 BULAN 10 BULAN 11
Payment Milestone 10%
Payment Milestone 10%
Payment Milestone 40%
Payment Milestone 20%
Payment Milestone 20%
Project Closure
Kick-Off
LOA
3 bulan (1 Okt 2015 hingga 31 Disember 2015 )
12 bulan (mulai Ogos 2017 hingga Julai 2018)
34
3
PELUASAN ANALITIS DATA RAYA SEKTOR AWAM (DRSA)
• Pembangunan produk data secara coaching oleh Syarikat dan MAMPU dengan agensi Sektor Awam.
• Mengikut metodologi DRSA dan Data Analytic Project Lifecycle meliputi hands-on training bagi self-development dalam
pembangunan produk data/BDA
• Pembangunan produk data melalui aktiviti pengumpulan, pembersihan dan eksplorasi data, membangunkan model analisis,
prediktif dan machine learning menggunakan analytics tool R Studio.
• Tempoh Pelaksanaan: 12 Bulan (23 Nov 2016 - 22 Nov 2017)
BIL. KEMENTERIAN/AGENSI BUSINESS CASE
1. Kementerian Kewangan Malaysia (MOF) Pemantauan Media Sosial Berkaitan Kementerian Kewangan Bagi
Kerajaan Sekarang
2. Kementerian Sumber Manusia (KSM) Peningkatan Kebolehpasaran Pekerjaan Kepada Pencari Kerja
3. Suruhanjaya Perkhidmatan Awam (SPA) Seamless Job Recruitment
4. Kementerian Pengangkutan Malaysia (MOT) Perkhidmatan Pelabuhan Klang yang lebih kompetitif dan efisien
5. Kementerian Pendidikan Malaysia (MOE) Penyelesaian Isu Keciciran Murid daripada Sistem Pendidikan
Malaysia Bagi Pembangunan Modal Insan
6. Jabatan Perikanan Malaysia (DOF), Kementerian
Pertanian dan Industri Asas Tani (MOA)
Pemilihan Kawasan Akuakultur
7. Institut Penyelidikan dan Kemajuan Pertanian Malaysia
(MARDI)
Peningkatan Produktiviti dan Kualiti Padi
8. Kementerian Tenaga, Teknologi Hijau dan Air (KeTTHA) Penggunaan Air Domestik di Malaysia
9. Kementerian Perdagangan Antarabangsa dan Industri
(MITI)
Pengurusan Permasalahan Industri Pengeluaran Halal
10. Jabatan Audit Negara Penemuan Audit (Kewangan)
11. MAMPU Pengukuhan Perkhidmatan 1MOCC
12. Bahagian Penyelidikan, JPM Sentimen Semasa Rakyat Terhadap Kerajaan Malaysia
4
35
Kementerian Perdagangan Antarabangsa dan Industri (MITI)
Kes Bisnes Pengurusan permasalahan industri pengeluaranhalal.
Objektif Meningkatkan nilai perdagangan negara melaluipembangunan Industri Kecil dan Sederhana (IKS)dengan fokus industri halal dalam mencapaibeberapa matlamat berikut.
HASIL ANALISIS PELUASAN ANALITIS DATA RAYA RAYA SEKTOR AWAM (DRSA)
36
Impak jumlah pensijilan halal dalam sebulan terhadap nilai eksport halal
Jumlah syarikat yang mempunyai sijil halal memberi impak positif kepada jumlah eksport
produk halal dan berupaya memperkasa perdagangan eksport halal negara.
INSIGHTS:
❖ Untuk memperkasa perdagangan eksport halal negara, pensijilan halal perlu
dipertingkatkan lagi melalui promosi dan publisiti.
Analisis Dignostik
HASIL ANALISIS
37
Nilai eksport halal kluster Halal Ingredient (Ramuan Halal)
❖ Halal Ingredients menyumbang sebanyak 31.08% daripada keseluruhan nilai eksport halal
(2012-2016).
INSIGHT:
❖ Halal Ingredients (ramuan halal) dijangka menjadi kluster yang mendapat permintaan
tinggi oleh pengimport dan menyumbang kepada peningkatan nilai eksport halal untuk
beberapa tahun akan datang.
Nilai Eksport Kluster Halal Ingredients
2012
2013
2014
2015
2016
Analisis Prediktif
HASIL ANALISIS
38
Ramalan nilai eksport halal untuk tahun akan datang
INSIGHT:
❖ Melalui analitis data, HDC berjaya membuat ramalan yang lebih sistematik dan seterusnya
memantau prestasi eksport halal dengan cekap dan berkesan.
❖ Ramalan nilai eksport halal tahun 2017 dijangka meningkat dari MYR 42.12 bilion (2016)
kepada MYR 45.02 bilion.
❖ Ramalan nilai eksport halal tahun 2018 dijangka meningkat dari MYR 45.02 bilion kepada MYR
45.74 bilion.
Analisis Prediktif
HASIL ANALISIS
39
40
41
Kurang kesediaan agensi pemilik data untuk berkongsi data sedia ada
Menangani isu-isu keselamatan berkaitan data raya
Mengenal pasti kes bisnes yang tepat mengikut keperluan (isu, permasalahan - problem statement)
Mendapatkan sumber yang mencukupi dan kemahiran dalam bidang berkaitan untuk pelaksanaan
Mendapatkan busines/domain bagi “Subject Matter Expert”
CABARAN
42
FAKTOR KEJAYAAN KRITIKAL
44
Komitmen tinggi Subject Matter Expert (SME) daripadasetiap domain/kluster
Pengetahuan dan kemahiran dalam Sains Data
Sokongan padu pengurusan atasan agensi
Ketersediaan data
Program pengurusan perubahan
Tadbir urus yang mantap
44
‘BIG DATA’ VALUE
BIG DATAis not about the size of the data,
it is about the value gained from the data analytics
45
DATA SCIENCEis not about the data,
it is about using science to manage data and turn it into valuable insights for business creation, strategies and
decision making