Spring naar content

Data Science: in 3 concrete stappen van kostenpost naar business-driver

Home » Data Science: in 3 concrete stappen van kostenpost naar business-driver
Leestijd: 6 minuten

Data Science werd lange tijd gezien als een ‘nice to have’, maar recent onderzoek van Gartner toont aan dat topspelers dit vakgebied inmiddels beschouwen als een ‘need to have’ om de concurrentie voor te blijven en sneller te kunnen inspelen op de veranderende markt. Veel organisaties hebben inmiddels een Data Scientist in dienst of zelfs een hele Data Science afdeling ingericht. Maar waarom is het dan nog steeds een agendapunt in de Boardroom?

Wat omvat het Data Science gebied en waarom heb je het als organisatie nodig?

De algemene definitie luidt dat Data Science een interdisciplinair onderzoeksveld is met betrekking tot wetenschappelijke methoden, processen en systemen om kennis en inzichten te onttrekken uit (zowel gestructureerde als ongestructureerde) data.

Om het concreter te maken en direct ook het verschil met Business Intelligence (BI) te maken: met Data Science leg je de focus op toekomstige ontwikkelingen. Met BI analyseer je het verleden, kijk je terug en probeer je hier lering uit te trekken. Met Data Science werk je aan scenario’s waarmee je je organisatie wendbaarder maakt en bijvoorbeeld eerder kunt inspelen op gesignaleerde trends en ontwikkelingen. (zie ook onderstaande afbeelding).

Voorbeelden van de toegevoegde waarde van Data Science

Een aantal bekende voorbeelden van de toegevoegde waarde die Data Science kan bieden:

  • Kostenbesparing/ efficiency
    Door het optimaliseren van bijvoorbeeld planningen, kun je als organisatie flinke besparingen doorvoeren. Denk hierbij aan personeelsplanning of inzet van materieel zoals treinen, vliegtuigen en bussen.
  • Omzetgroei
    Diverse recommendersystemen worden gevoed door Machine Learning (ML) modellen. Een goed werkend model zal op het juiste moment het juiste product onder de aandacht brengen en daarmee omzetverhogend werken. Denk aan retailers die bij het online bestellen van je boodschappen als tip in de kantlijn een product tonen dat je allang niet meer hebt besteld en misschien wel op is (bijvoorbeeld wasmiddel of keukenrol). Ook in de reisbranche worden recommendermodellen veel gebruikt: wat is het best passende alternatief als de vakantie of vlucht van je voorkeur niet meer beschikbaar is?
  • Innovatie
    Met behulp van sensordata of videobeeldinterpretatie van camera’s, bijvoorbeeld van drones, is het mogelijk om benodigd onderhoud te voorspellen. Dit wordt predictive maintentance genoemd en kun je toepassen op verschillende gebieden, zoals onderhoud aan het spoor of performancemeting van gebouwen. Op basis van data uit technische installaties of auto’s kun je voorspellen wanneer de volgende onderhoudsbeurt nodig is en welke onderdelen aandacht vereisen. Dit werkt twee kanten op: de klanttevredenheid blijft hoog omdat het onderhoud plaatsvindt voordat er iets echt kapot gaat en tegelijkertijd worden de kosten gedrukt omdat de  productiemachines alleen kort stilstaan tijdens het onderhoudsproces, en er geen reparaties achteraf nodig zijn.
het verschil tussen Business Intelligence & Data Science

Van theorie naar praktijk: hoe Data Science de Boardroom kan overtuigen

Voor de Boardroom blijft de toegevoegde waarde van Data Science vaak ongrijpbaar. Hieronder bespreek ik de belangrijkste redenen en een concreet advies om deze te overwinnen.

1. Er is geen focus op waarde en business-cases

Als een Data Science-afdeling de hele dag bezig is met grasduinen door beschikbare data, ontstaan er ongetwijfeld veel uitkomsten. Maar uitkomsten in rapporten zijn niet per definitie succesvol. De kracht van Data Science zit in het bijdragen aan de behoefte van de business op dat moment. Als deze samenwerking niet goed verloopt, kan dit leiden tot onbegrip tussen beide afdelingen. Het risico bestaat dat de business eigen conclusies gaat trekken uit zelf verzamelde databronnen, zonder de benodigde expertise.

Ons advies: ga terug naar de tekentafel en ga vanuit businessvraagstukken met Data Science aan de slag. Werk vanuit value-streams en business-cases om zo de toegevoegde waarde van Data Science direct inzichtelijk te maken en het voor de Boardroom ook tastbaar te maken wat het concreet gaat bijdragen of verbeteren.

2. De aparte disciplines van Data Science, IT en business zorgen voor een gebrek aan wederzijds begrip en inzicht

Laten we eerlijk zijn: Data Science, IT en de business zijn aparte bloedgroepen. Waar sales de bel luidt bij een nieuwe klant, wordt een IT’er enthousiast van een schaalbare architectuur en krijgt een Data Scientist een ‘eureka’-moment bij een nieuw inzicht waarmee hypotheses kunnen worden bevestigd of ontkracht. Het mooie is dat al deze disciplines hard nodig zijn. De crux is dat ze hun krachten bundelen om te komen tot een sterke bedrijfsvoering. Soms is er een ‘tolk’ nodig om te komen tot wederzijds begrip en inzichten.

Een mooi praktijkvoorbeeld ter illustratie:

Als een Data Scientist de huidige capaciteitsplanning van personeel onder de loep neemt en tot de conclusie komt dat er efficiencywinst te behalen is, kan dit voor de Boardroom nog niet concreet genoeg zijn. Dit kan een heel ander verhaal worden op het moment dat de inzichten worden vertaald naar bijvoorbeeld een dashboard, waarin wordt aangetoond dat aanpassingen in de planning kunnen leiden tot:

  1. een betere inzet van personeel (en dus ook meer tevredenheid onder het personeel door optimale planning die rekening houdt met hun wensen)
  2. ongestoorde dienstverlening (geen uitval door personeelstekort of ziekte)
  3. een besparing van 40% op de kosten van nieuw personeel

Hiermee kan de besparing direct inzichtelijk worden gemaakt. Dit kan oplopen tot enkele miljoenen.

Ons advies: Neem stakeholders op een passende wijze mee in nieuwe inzichten en presenteer deze op een heldere manier, bijvoorbeeld via een dashboard of een Minimal Viable (of Loveable!) Product. Het MVP zorgt ervoor dat de uitwerking van de oplossing voor de business tastbaar wordt en hoe dit in de praktijk zou gaan werken. Een soort ‘proof of the pudding’ dus, wat in de praktijk een snellere omarming en commitment teweeg brengt. Het werken vanuit een business-case kan daarbij helpen. Het is raadzaam om een specialist aan te stellen met specifieke competenties die de business-vraag kan vertalen naar een Data Science-vraagstuk, en tegelijkertijd de uitkomsten en impact hiervan aan de business kan presenteren.

3. De meeste MVP’s worden niet in productie genomen

Een van de grootste bottlenecks binnen organisaties is het feit dat MVP’s vrijwel nooit in productie worden genomen. Het opzetten van een Data Science-afdeling is een goede stap, maar het is zeker niet eenvoudig om deze afdeling in één keer optimaal te laten functioneren. Er zijn veel facetten die goed moeten worden geregeld om tot een goed werkende Data Science-toepassing te komen. Het MVP is vaak de stip op de horizon, omdat het een tastbaar resultaat oplevert dat door de business kan worden beoordeeld. Wanneer het MVP goed wordt ontvangen door de business, is het belangrijk om het binnen de bestaande processen en systemen in productie te krijgen. Hierbij zien we vaak de volgende uitdagingen:

  • Geen uniforme way-of-working voor het industrialisatieproces
    Door gebrek aan een uniforme werkwijze wordt degene die hoofdzakelijk aan het model werkt, automatisch ook verantwoordelijk voor de livegang. Een goede way-of-working zorgt ervoor dat iedereen dezelfde stappen doorloopt en verkort het proces van MVP naar productie aanzienlijk. De praktijk wijst uit dat dit proces verkort kan worden van enkele maanden naar enkele dagen, zo niet uren!
  • Geen goede inregeling van alerts en monitoring
    Een gebrekkige inregeling van het proces van monitoring en alerts kan ervoor zorgen dat het nodig is om het model in productie voortdurend in de gaten houden. Dit gaat ten koste van de capaciteit van de Data Scientist. Wanneer er meer dan vijf modellen in productie zijn, wordt het bijna onmogelijk om deze monitoring en controle op een efficiënte manier te managen.
  • Geen feedbackloop om modellen te verbeteren
    Het mooie van ML-modellen is dat ze zelflerend zijn. Om dit mogelijk te maken, is het nodig om een goede feedbackloop in te bouwen. Op welke wijze wordt de uitkomst van het model toegepast en op welke wijze is de feedback af te leiden, waarmee het model weer gevoed wordt en daarmee zichzelf traint om een betere versie te worden? Een goed werkende feedbackloop zorgt ervoor dat je optimaal kunt profiteren van de mogelijkheden van nieuwe toepassingen en dat de inzichten voortdurend worden verbeterd. Dit stelt je als organisatie in staat om beter in te spelen op veranderingen en trends, en uiteindelijk betere resultaten te behalen.

Ons advies: Besteed voldoende tijd en aandacht aan het goed inregelen van het industrialisatieproces. Er zijn verschillende MLOps-frameworks beschikbaar die kunnen helpen bij het in korte tijd opzetten van een gestroomlijnd proces van test en acceptatie naar productie. Waarom het wiel opnieuw uitvinden?

Meer weten over het maximaliseren van de waarde van je Data Science-afdeling?

Als je serieus met Data Science bezig bent, is er geen discussie over de toegevoegde waarde ervan. Mocht dit binnen jouw Management Team of Boardroom toch spelen, dan is het raadzaam om het volledige proces binnen je organisatie te bekijken en te verbeteren, zodat je Data Science-afdeling optimaal kan renderen. Wil je meer weten over de inzet en mogelijkheden van Data Science of een demo van het Future Facts MLOps Framework? Neem dan contact met mij op.

Scroll naar boven