Zes stappen voor het bouwen van een data science-aanpak

Bedrijven kunnen zich steeds beter onderscheiden door data science in te zetten voor het verkrijgen van strategische inzichten. Niet voor niks staat dit bovenaan de prioriteitenlijst van bijna elke organisatie, onafhankelijk van de sector of industrie waarin deze actief is. Het gebruik van data science gaat echter vaak mis. Gartner voorspelde in 2016 dat 60% van alle big data-projecten niet verder komt dan de testfase, en uiteindelijk wordt stopgezet. En voor diegenen die wel de implementatiefase bereiken, is de schatting dat meer dan de helft van hen niet alle vooraf uitgetekende voordelen zullen weten te realiseren. 

Er zijn tal van oorzaken aan te wijzen voor het mislukken van al die digitale transformaties. Via diverse onderzoeken is de afgelopen jaren getracht hier meer duidelijkheid over te krijgen, waarbij de redenen vaak schommelen tussen zowel harde (bedrijfsvoering, processen) als zachte (menselijke) factoren. Zo kan het bij een dergelijk traject ontbreken aan de noodzakelijke commerciële toepassing waarvoor de ingezette digitaliseringsinspanningen in theorie zouden moeten zorgen. Maar ook kunnen bijvoorbeeld bestaande functionele silo’s binnen het bedrijf of trage processen en inefficiënte manieren van werken zorgen voor een stroperig veranderproces. 

Een ander veelgehoorde reden voor het mislukken van een digitaliseringstraject of bijvoorbeeld het implementeren van een data science-aanpak, is dat het proces onvoldoende vanuit het leiderschap gedragen wordt en het management zich te weinig bij het traject betrekt. Ook kan het zo zijn dat simpelweg het menselijk kapitaal binnen de organisatie ontbreekt, waardoor daae onvoldoende vaardigheden beschikbaar zijn. Daarnaast wordt binnen een data science-project weleens gewerkt met verouderde, incomplete of moeilijk ontsluitbare data, wat een succesvol project bemoeilijkt. 

Maar hoe kun je dan wel een datagedreven organisatie bouwen? Volgens Anne van den Broek, adviseur bij EY VODW, doen organisaties er goed aan een aanpak te volgen die zich al heeft bewezen bij andere bedrijven of in andere sectoren.

Heldere datavisie en -strategie

De eerste stap ligt in elk geval bij het formuleren van een heldere datavisie en -strategie, die aansluit bij de corporate strategie en die bovendien expliciet wordt gedragen door het management. Wat voorkomen dient te worden is dat er fragmentatie van resources en initiatieven plaatsvindt. Een heldere visie en strategie op data kan daarvoor zorgen. Deze faciliteert daarnaast een duidelijke planning, ondersteunt de verankering van de strategie in het bedrijf en fungeert als een verbindende factor tussen business en data, legt de EY VODW-adviseur uit. Een dergelijke datastrategie bestaat uit de volgende zes bouwstenen: 

1. 360 graden klantbeeld

Organisaties dienen vanuit de bestaande en toekomstige bedrijfsplannen eerst te onderzoeken welke data intern en extern beschikbaar is. Ook, zo geeft Van den Broek aan, moet inzichtelijk worden gemaakt welke kwaliteit de data heeft, en of en hoe deze eventueel verbeterd of ontsloten dient te worden om de gestelde doelen te behalen.

2. Expertise en resources

Behalve op de noodzakelijke technische en analytische kennis die men in huis dient te halen, wijst ze ook op het belang van diversiteit binnen een data science-team. Ook benadrukt ze dat kennis helder vertaald moet worden naar de business, en dat analyses moeten worden verankerd binnen de bestaande processen. Bovendien dient eveneens te worden gewerkt op een manier die garandeert dat data ook echt waarde toevoegt.

3. Toepassingen

Soms zijn er mooie dataplannen die niet tot wasdom komen doordat de juiste commerciële toepassingen ontbreken, vertelt Van den Broek. Vóórdat data resources worden toegewezen, zullen hiertoe allereerst aan de hand van de strategische doelen van de organisatie de belangrijkste businesskwesties geïdentificeerd en geprioriteerd moeten worden.

4. Analyse en technieken

Van den Broek legt uit hoe bedrijven zich ten doel moeten stellen om in te zetten op het realiseren van maximale business impact door de meest efficiënte resources in te zetten. En hoewel data scientists lijken te beschikken over meer dan genoeg technische mogelijkheden, zorgen die middelen niet altijd voor de gevraagde extra businessimpact die ze dienen op te leveren.

5. Technologische inbedding

In veel bedrijven lijkt technologie de grootste uitdaging te vormen bij het implementeren van data-innovaties. Volgens Van den Broek kan de afhankelijkheid van IT zo laag mogelijk worden gehouden wanneer organisaties tijdig aansluiting zoeken bij de IT-roadmap, ze slim prioriteiten stellen, of waar nodig gebruikmaken van tijdelijke ‘workarounds’.

6. Organisatie

Data scientists fungeren in projecten veelal als leverancier, terwijl ze juist de ontwikkeling zouden moeten maken van een ‘leverancier op aanvraag’ naar een ‘analytisch adviseur van de business’. Door data scientists dichter bij de business te brengen, wordt dit proces versneld, stelt Van den Broek.

“Het kortcyclisch werken, snel testen van prototypes, veel leren en visueel maken van het resultaat zorgt voor energie, snelheid en focus.”

Implementatie

De tweede stap in het bouwen van een datagedreven organisatie, na het formuleren van een heldere datavisie, heeft van doen met het aan de hand van de zes bouwstenen zichtbaar maken van de ‘gap’ tussen de huidige situatie en de gewenste to be-situatie. Op elk onderdeel kunnen deze gaps vertaald worden naar concrete verbeterdoelen, legt Van den Broek uit. Door deze doelen af te zetten tegen een realistische data roadmap die rekening houdt met de corporate agenda, wordt stap voor stap aan de ‘gaps’ en daarmee aan de datastrategie gewerkt. 

Een van de grootste drempels bij de executie van een datastrategie is volgens de EY VODW-adviseur het vinden van de juiste balans tussen ‘running the business’ en ‘changing the business’. Hierbij helpt het om een dedicated change team te formeren dat de cruciale features van de bouwblokken kan ontwerpen, testen en itereren alvorens deze toe te passen in de business.

Van den Broek legt ten slotte uit hoe het vinden van de juiste agile werkwijze – die past bij de organisatiecultuur, processen en methoden – vervolgens als een katalysator werkt voor de teams. Het kortcyclisch werken, snel testen van prototypes, veel leren en visueel maken van het resultaat zorgt voor energie, snelheid en focus.