Best practice data science aanpak

In dit artikel een overzicht van een aantal bestaande visies op hoe je een big data of data science traject aan zou kunnen pakken. Zoals je zult lezen is hier zeer zeker een gemeenschappelijke noemer in te ontdekken. Waarom is dit belangrijk? Veel bedrijven zijn zich wel bewust van de toegevoegde waarde van data, met name ter ondersteuning van besluitvorming. Daarna volgt de vraag “hoe dan?”, en hier worstelen veel bedrijven nog mee.

Onderzoek DDMA

Het Data Driven Marketing Onderzoek 2019 van DDMA, waarvoor 170 Nederlandse organisaties zijn ondervraagd, laat zien dat steeds meer bedrijven beslissingen nemen op basis van data (gestegen van 48% in 2018 naar 60% in 2019). Hoewel steeds meer organisaties datagedreven werken, heeft slechts 20% een gecentraliseerd en actueel beeld van al hun data – verzameld op één plek. Daarnaast is bij slechts 12% van de organisaties de juiste data op een makkelijke manier beschikbaar voor iedereen. 59% geeft aan dat de data deels beschikbaar is, bij 13% is het alleen beschikbaar op aanvraag en bij 15% alleen voor specifieke afdelingen.

De ondervraagde organisaties zien zelf ook dat er op bovengenoemde onderwerpen verbetering mogelijk is: 36% noemt datakwaliteit als grootste uitdaging op het gebied van data-driven marketing, volgens 35% ligt het probleem vooral bij techniek en systemen. De meest genoemde uitdaging is echter – net als vorig jaar – het realiseren van een datagedreven cultuur.

SMART aanpak data science

In deze tijd van eindeloos veel opties is het verstandig om een goede structuur te hanteren als je met (big) data aan de slag gaat. Doe je dat niet dat zal je zeker verdwalen in de grote hoeveelheden data en de vele opties in te benutten modellen. Als leidraad gebruik ik graag het SMART model van Bernard Marr. Het is een goed model omdat het begint waar het altijd zou moeten beginnen namelijk met je strategie. Welke doelen streef je na met je bedrijf? Welke factoren beïnvloeden het behalen van deze doelen en hoe zou je die dan kunnen meten?

Start met Strategie – begrijp hoe het bedrijf opereert, in welke context en met welke doelen. Breng dit geheel in kaart met een prestatie raamwerk

Meet de juiste Metrics – breng in kaart welke data past bij elk onderdeel van de strategie en definieer de relevante data eigenschappen

Analyseer met relevante Analytics – kies de passende toepassingen en analytische modellen

Rapporteer de Resultaten – toon de uitkomsten; rapporten, modellen of flows

Transformeer de Toekomst – implementeer en verbeter

3 Stappenplan data science invullen

Uit een artikel van Bas van Dorst een eenvoudig 3 stappenplan.

1. Een gebruikscase definiëren. De eerste stap ligt in feite bij de business: het bepalen van de ‘use case’ ofwel een specifieke uitdaging of besluitvormingstraject die je met een data gedreven oplossingen kunt ondersteunen.

2. Analytics als proces implementeren. Dit is mogelijk met de ‘analytics factory’ die de processen voor het voorbereiden van data, en het bouwen, beheren en benutten van modellen structureert. Zo wordt de complete data-levenscyclus gemoderniseerd en komt de onderneming tot een maximale toepassing van data-analyses terwijl de impact op de bestaande IT-infrastructuur beperkt blijft.

3. Analytics operationaliseren. Stap drie is het aanstellen van specialisten met analytische, technische en bedrijfskundige vaardigheden die zich bezighouden met projecten die waarde uit data halen: de ‘data scientists’.

6 tips voor datagedreven werken

Uit een recent artikel van Joost Peters een 6-tal tips om datagedreven werken te bevorderen.

1. Creëer multidisciplinaire teams. De sleutel ligt in een slimmere samenwerking. Het samenstellen van multidisciplinaire teams, waarin alle betrokken geledingen vertegenwoordigd zijn, is daarbij een belangrijke stap.

2. Investeer in business- én datageletterdheid. Voor een goede samenwerking is het belangrijk dat beide partijen elkaar goed begrijpen. Dus het analytics-team moet snappen wat de business nodig heeft om tot een goed besluit te komen en de business moet begrijpen wat er mogelijk is met data en hoe je data interpreteert en toepast binnen je organisatie.

3. Hanteer dezelfde definities. Verder is het belangrijk dat dezelfde definities worden gehanteerd. Als we zeggen dat mensen niet dezelfde ‘taal’ spreken, hebben we het vaak ook letterlijk over verschillend gehanteerde termen. Het is dus belangrijk dat gegevens volledig, accuraat en consistent zijn en dat iedereen deze gegevens op dezelfde manier interpreteert.

4. Creëer een veilige cultuur. Een andere belangrijke slagingsfactor voor succesvol teamwork is een transparant en veilige cultuur. Met een transparante en veilige cultuur creëer je een openheid die voorkomt dat toch weer beslissingen op onderbuikgevoel worden genomen.

5. Werk agile. Om te borgen dat het team gedurende de rit op dezelfde lijn blijft, is een agile-methode als Scrum vaak erg geschikt. Binnen deze methode wordt er gewerkt in korte sprints van twee tot vier weken. Na zo’n sprint volgt er telkens een evaluatie.

6. Benoem een data translator. Ten slotte kan het raadzaam zijn om binnen het team een data translator te benoemen. Dit teamlid krijgt de expliciete taak mee om een brugfunctie te vervullen tussen de business aan de ene, en afdelingen als IT, data science en business intelligence (BI) aan de andere kant.

Combinatie aanpak

De combinatie leidt tot een aanpak waarbij zowel alle elementen van datagedreven werk alsook agile werken in terugkomen. Belangrijk in de aanpak is uiteraard dat wat je uiteindelijk gaat bouwen ook naar tevredenheid door iedereen gebruikt wordt. Of andersom dat wat voor je business belangrijk is, ook als dat weer verandert, input is voor wat er uiteindelijk gebouwd wordt.

In een degelijke aanpak zullen de volgende 3 gebieden tegelijk aandacht moeten krijgen: “Organisatie”, “Data” en “Operatie”. “Organisatie” omvat niet alleen de link met je strategie en doelen maar ook aspecten zoals de rol van leiding en de zorg voor datagedreven werken en beslissen. “Data” gaat over de kwaliteit, beschikbaarheid en inrichting van de data, inclusief data management en de technische inrichting. “Operatie” heeft uiteraard betrekking op de opleiding en adoptie door eenieder door aandacht aan competenties, samenwerken en leren.

Vanuit een eerste scan op bovengenoemde punten komt al naar voren welke gebieden extra aandacht nodig hebben. Vervolgens wordt in een eerste design sprint met medewerkers uit alle relevante disciplines naar een concrete opdracht toe gewerkt. Met deze opdracht gaat vervolgens een team in ontwikkelsprints toewerken naar een steeds beter product.

Meer lezen over de vele voorbeelden? Of neem contact op met Elmo Wieland (wieland@salesgids.com).