Gastexpert: Data scientists laten kansen liggen

Damiaan Zwietering
Big data wordt al jaren gezien als de nieuwe natuurlijke grondstof. Met de opkomst van nieuwe databronnen als smartphones, web, sociale media, sensoren en mobiele transactieapparaten is er een schat aan informatie over het gedrag van klanten.

Grote bedrijven investeren zwaar om met big data nieuwe inzichten te vergaren om doelgroepen beter te servicen, nieuwe producten te ontwikkelen, de juiste balans te vinden in reclames en koopgedrag te beïnvloeden. Door de belofte van big data steeg de vraag naar data scientists exponentieel. Developers werden bovendien verzocht kennis over data science op te doen. Nu enkele jaren later blijkt dat data scientists deze belofte nog niet altijd kunnen inlossen.

Ideeën van data scientists nog te vaak onuitvoerbaar

Ik las laatst een artikel dat claimde dat minstens de helft van alle gegenereerde inzichten door data scientists niets opleveren. Ze zijn klaarblijkelijk niet goed in staat om hun kennis en inzichten om te zetten in waarde voor de business en klanten. In zekere zin logisch als je het mij vraagt, want vaak wordt gewerkt met hypothetische of theoretische modellen die niet goed aansluiten op de werkelijkheid of op interne en externe bedrijfsprocessen. Daarnaast zijn ze vaak niet goed op de hoogte van de actuele wetgeving. Hierdoor blijken veel ideeën in de praktijk onuitvoerbaar. Zo is het beste idee op Kaggle, een platform voor big data ideeën, nooit ten uitvoer gebracht terwijl er nota bene $ 1 mln voor werd betaald.

Hoe anders is het perspectief vanuit de developer. Het doet mij denken aan de situatie waarin zij zich zo’n 20 jaar geleden bevonden. Er was toen een hausse aan developers. Ook zij kregen kritiek op het onvoldoende leveren van toegevoegde waarde, maar pasten hun werkwijze zodanig aan dat ze snel bruikbare en succesvolle softwareproducten en –systemen konden implementeren en verbeterde klantbelevingen realiseerden binnen de bestaande bedrijfsprocessen. Ze introduceerden testfasen in het ontwikkelproces, ook wel bekend als scrum of agile ontwikkelen, zodat het ontwikkelproces in iedere testfase kan worden aangepast. Bovendien gingen ze in gesprek met andere afdelingen binnen de organisatie. Zo is een duurzame en continue manier van innoveren ontstaan die sterk geworteld is in de bedrijfsvoering.

Wederzijdse afhankelijkheid vergroot succes

Maar er is goed nieuws voor data scientists. Om verworven data en inzichten succesvol en snel te kunnen implementeren en verenigen in een aanbod dat toegevoegde waarde biedt voor klanten, zullen data scientists en developers steeds vaker een nauwe samenwerking met hun interne opdrachtgever (bijvoorbeeld marketeers) aan moeten gaan. Deze nieuwe drie-eenheid is by far de snelste route naar nieuwe successen en uiteindelijk winst.

Data scientists kunnen in mijn ogen nog veel leren over hoe hun rol in de organisatie te claimen en die in de toekomst verder uit te breiden. Zo kunnen ze leren van developers, maar zouden ze ook in gesprek kunnen gaan met andere afdelingen zoals de productafdeling, marketing en legal, via hun bestaande contacten met de C-suite. Op deze manier zouden ze in staat moeten zijn om een waardevolle bijdrage te leveren aan de organisatie.

Hier is ook een rol weggelegd voor de CIO die de verantwoording draagt voor het bewaken van het ontwikkelproces. Op elk punt kunnen zij de vraag stellen wat de vooruitgang in dat proces bijdraagt aan het doel dat ze voor ogen hebben. Bijvoorbeeld als het doel klanttevredenheid is, zou bij iedere verbetering in het voorspellingsmodel gekeken moeten worden of de winst in klanttevredenheid opweegt tegen de extra inspanning om het door te voeren in het bedrijfsproces. Zo verandert de ongebreidelde zoektocht van de data scientist in het leveren van een meetbare bijdrage aan de organisatie.

afbeelding van Damiaan Zwietering

Damiaan Zwietering | Developer Advocate Data Science, IBM

Bekijk alle artikelen van Damiaan