Datagedreven werken: van lonkende vergezichten naar pragmatische implementatie
Datagedreven werken: Van lonkende vergezichten naar pragmatische implementatie
Datagedreven werken. Data Science. Artificial Intelligence. Het zijn mooie termen waar een hele wereld achter zit. Veel organisaties worden getriggerd door de wonderverhalen van wat data kan betekenen voor hun organisatie. Wie wil er nou niet data kunnen benutten voor geautomatiseerde voorspellingen om bedrijfsprocessen optimaal te laten verlopen? Of real-time kunnen monitoren hoe het gesteld is met de performance van hun bedrijfsmiddelen? Of te voorspellen wanneer onderhoud of vervanging nodig is? Soms lijkt het alsof je niet mee kan praten als je niet bezig bent met innovatie. Maar, hoe te beginnen? Hoe krijg je jouw organisatie mee? En nog belangrijker: Hoe ga je van data naar waardevolle inzichten?
Van doel naar middel
Een eerste valkuil die wij vaak terugzien is dat Data Science als doel wordt gedefinieerd. Als je als organisatie ‘moet’ innoveren dan klinkt het logisch om je data (beter) te gaan benutten. Maar is het duidelijk wat je wil bereiken met deze data en welke inzichten je zou willen ontwikkelen? En wie wil je dat uiteindelijk iets met dit inzicht gaat doen? Om waarde te creëren met data is het belangrijk om dit principe om te keren. Data Science is uiteindelijk een middel om te komen tot een inzicht die meerwaarde heeft voor de organisatie en haar diensten. Beginnend vanuit de business en het vaststellen welke behoefte daar leeft. Uiteindelijk moeten deze inzichten ondersteunend zijn aan de business en bijdragen aan de strategie om toegevoegde waarde te hebben. Als je waarde uit data wil halen dan moet je niet alleen energie stoppen in de realisatie van ICT en data-oplossingen, je moet minstens net zo veel energie stoppen in de processen en organisatie.
Eerst lopen, dan rennen
Data Science klinkt zo mooi, de waarde zo groot. Maar om dit te kunnen ontwikkelen, moeten er als eerste aan een aantal randvoorwaarden worden voldaan. Het is te vergelijken met het proces van ‘leren rennen’. Om goed te kunnen rennen zul je eerst moeten leren lopen en dit geldt dus ook voor organisaties. De basis moet op orde zijn. Als een organisatie de basis niet op orde heeft, dan is het niet verstandig en zinvol om te investeren in Data Science. Denk bijvoorbeeld aan datakwaliteit. Als je als organisatie geen zicht hebt op datakwaliteit of geen datamanagement hebt ingericht, dan kun je garanderen dat het datamodel of algoritme dat je bouwt geen zinvolle inzichten zal opleveren. ‘Garbage in’ is ‘garbage out’. Als organisatie is het daarom ook belangrijk om het fundament van datamanagement goed op orde te hebben om ook later in het proces zinvolle waarde op te leveren.
“Geef mij alle data maar”
“Geef mij alle data maar” is een veel gehoorde quote binnen organisaties. Waar aan de ene kant de vraag vanuit de business nog onduidelijk is, is de enthousiaste Data Scientist juist op zoek naar patronen. En hoe anders dan de data analyseren om te bepalen wat het oplevert? Binnen organisaties komt steeds meer het besef van data-ethiek om de hoek kijken. Sinds de komst van de AVG-wetgeving is het niet zo eenvoudig meer om op deze manier te zoeken naar inzichten. Organisaties moeten goed kunnen onderbouwen welke data ze verzamelen, hoe dit wordt beveiligd, hoe privacy is gewaarborgd en wat er met de data wordt gedaan in het kader van privacy-by-design en dataminimalisatie. Juist hier is een goede aansluiting tussen de Data Scientist en de business van groot belang. Welke datagrondslagen zijn er wel te benoemen en op welke manier kan een goede vraag/hypothese/probleem worden geïdentificeerd waarvoor de privacy- en security vinkjes kunnen worden gezet?
De magische driehoek: Begrijpen en begrepen worden
Allereerst hebben we het over de ‘business’, daar waar de waarde zichtbaar wordt en waar maatschappelijke impact wordt gerealiseerd. Ten tweede hebben we het over de ‘data-hoek’, daar waar de analyses worden uitgevoerd, waar de data fysiek wordt opgeslagen en geanalyseerd. Een niet te onderschatten wereld waar nagedacht wordt over datakwaliteit, datamanagement, data-experimenten en analysemethodes. Tot slot wordt business en data ondersteund door IT. Door alle snelle ontwikkelingen op het gebied van tools, technieken en grote hoeveelheden data, is het belangrijk dat de infrastructuur, beveiliging en het releaseproces goed zijn ingericht. Functiescheiding en processen voor de juiste controles in zowel een test- als een productie-omgeving, zijn hierin belangrijk.
Conclusie: De menselijke factor
Uiteindelijk komt alles samen in de factor mens. Om waarde te kunnen halen uit data begint het bij de wens. Wie heeft welk inzicht wanneer nodig? Pas als de gebruiker van deze inzichten goed is aangehaakt, kunnen de volgende stappen worden gezet. En wat die eerste stappen dan zijn? Misschien wel het op orde krijgen van de basis: datastromen in zicht hebben, rollen definiëren, de processen scherp hebben; kortom datamanagement inrichten. Pas dan staat de basis goed om tempo te kunnen gaan maken. De driehoek van business, data-experts en IT komen in een co-creatie proces terecht, gericht op synergie. Iedereen vanuit zijn eigen vakgebied maar gericht op elkaar versterken en een gezamenlijk doel. De verleiding is groot om te snel te willen. Maar onthoud: “als je doet wat je deed, dan krijg je wat je kreeg”.
Op 4 oktober luisterden wij, samen met ons netwerk, naar de inzichten van Rein Mertsen vanuit SAS Nederland en Milja Bos vanuit de provincie Gelderland. Hun inzichten, ervaringen en lessons learned zijn in dit artikel samengevat. De één vanuit het lonkende vergezicht, de ander vanuit de pragmatische invalshoek. Rein & Milja; bedankt voor het delen van jullie verhaal!
