Zo houd je de regie bij het schaalbaar organiseren van data science

05 maart 2019 Consultancy.nl

Ondanks enorme investeringen falen veel organisaties in het schaalbaar organiseren van data science en analytics. De torenhoge verwachtingen worden niet waargemaakt, doordat bedrijven er niet in slagen om deze data-activiteiten te integreren in de dagelijkse besluitvormingsprocessen. Patrick Hennen, Managing Partner bij ORTEC Data Science & Consulting, deelt drie grootste struikelblokken en geeft inzicht in welke organisatorische veranderingen noodzakelijk zijn om structureel waarde uit data te halen. 

Iedereen kent de voorbeelden van mislukte softwaretrajecten bij overheden én bedrijven (zoals het SAP-fiasco bij Lidl). Miljoenen euro’s zijn verbrand, jaren zijn verspeeld en het eindresultaat levert uiteindelijk....niets op! Als we niet oppassen, dreigen veel data science- en analytics-projecten dezelfde kant op te gaan. Grote organisaties investeren volop in data science en artificial intelligence (AI), maar verder dan één of enkele succesvolle projectjes komt men vaak niet. Slechts een handvol bedrijven slaagt erin om deze data-activiteiten ook echt schaalbaar te maken en te integreren in de strategie en bedrijfskritische besluitvormingsprocessen, blijkt uit recent onderzoek van McKinsey. En juist die schaalbaarheid en de integratie in de dagelijkse gang van zaken is cruciaal om structureel waarde te creëren met data en analytics.

Het begint bij het zo efficiënt mogelijk vertalen van een Proof of Concept (PoC) naar een Minimum Viable Product (MVP). De volgende stap is om in de gehele organisatie op een schaalbare en integrale manier succes te boeken met datagedreven werken en data science- en AI-toepassingen een strategische asset van de organisatie te laten worden. Het doel is dat, na één succesvol project, de volgende projecten steeds sneller en efficiënter verlopen en beter landen in de organisatie, zodat er met relatief minder moeite sneller en met meer impact data science kan worden toegepast. Welke struikelblokken bedrijven typisch tegenkomen, en welke organisatorische veranderingen doorgevoerd moeten worden om deze te overwinnen, worden hieronder uiteengezet.

Zo houd je de regie bij het schaalbaar organiseren van data science

Struikelblok 1: goede wil, maar ongeorganiseerde rommel

Volgens McKinsey & Company is maar een klein deel van de bedrijven echt goed bezig. Voor het overgrote deel geldt dat het qua data science en AI nog een ongeorganiseerde rommel is. Verschillende teams organiseren met veel enthousiasme allerlei initiatieven, laten proefballonnetjes op of wagen zich aan het doorontwikkelen van een PoC. Maar van een standaardaanpak is geen sprake, laat staan dat er vaste rollen gedefinieerd zijn die de verantwoordelijkheid dragen voor verschillende deelgebieden van het project. Door deze versnipperde insteek mislukken projecten door onkunde, wordt er veel dubbel werk gedaan en worden doelstellingen voorbijgeschoten. Vaak wordt dan ook de toepassing van AI een doel op zich, in plaats van een middel.

Oplossing: herhaalbaarheid (repeatability)

De oplossing voor bovengenoemde situatie ligt in het creëren van herhaalbaarheid. Dat kan door het waarborgen van kennis en het ontwikkelen, vastleggen en delen van standaardmethodieken voor het implementeren van data science-toepassingen. Een manier om dit te doen is het opzetten van een center of excellence. Deze biedt ondersteuning aan de business en breidt zich als een olievlek uit binnen de organisatie, totdat de volwassenheid zo groot is dat er een bepaalde mate van zelfstandigheid bereikt wordt.

Zo hoeft het wiel niet steeds opnieuw te worden uitgevonden, en is er altijd een centraal team waar de business op kan terugvallen. Ook is het verstandig om binnen projecten met cross-functionele teams te werken, met daarin medewerkers van de business, IT, data scientists en business translators. Deze laatste rol, de business translator, is cruciaal voor het borgen, integreren en succesvol maken van de data science-toepasing binnen de business.

Struikelblok 2: allemaal ideeën, maar geen groter plaatje

In bedrijven waar de inzet van analytics als ongeorganiseerde rommel beschreven kan worden, is er meestal niemand die zich bezighoudt met het grotere plaatje – wat soms simpelweg het in kaart brengen is van alle core bedrijfsprocessen waar data science direct van waarde kan zijn. Gevolg ervan is dat allerlei teams of divisies met hun eigen dataprojecten bezig zijn waardoor, naast dat er dubbelwerk ontstaat, ook veel kansen over het hoofd worden gezien; misschien is dat prachtige customer churn-model voor klanten ook wel inzetbaar om het verloop of verzuim onder medewerkers te voorspellen.

Zeker bij multinationals, waar vaak meerdere divisies en bedrijfseenheden onder vallen, is een overzicht van ‘the bigger picture’ cruciaal om investeringen terug te verdienen en echt continu waarde uit data science te halen. Zo’n groter plaatje helpt namelijk ook om focus te leggen op die bedrijfsprocessen waar de meeste winst behaald kan worden en die direct bijdragen aan de strategie van het bedrijf. De inzet van data science gaat namelijk voornamelijk om het behalen van meer effectiviteit of efficiëntie, niet per se om het ontwikkelen van de meest originele of innovatieve toepassing.

Oplossing: herbruikbaarheid (reusability)

Ook het center of excellence, met idealiter aan het roer een Chief Data Officer die de grote lijnen uitzet en controle houdt, speelt hier weer een cruciale rol. Het CoE is cruciaal in het orkestreren en combineren van bestaande oplossingen met nieuwe uitdagingen. Om daarnaast geen kansen onbenut te laten én zo efficiënt mogelijk te werk te gaan, is het belangrijk dat problemen en oplossingen gegeneraliseerd worden om deze kennis daarmee herbruikbaar te maken voor problemen binnen dezelfde context. Qua herbruikbaarheid kan het gaan om analytische modellen, technische architecturen, maar ook om uniformiteit van databronnen en transformatieprocessen om de data te ontsluiten.

“De regie houden is is cruciaal voor het schaalbaar maken van data science en kunstmatige intelligentie.”
– Patrick Hennen, ORTEC Data Science & Consulting

Het betekent soms dat organisaties een bestaande oplossingen uit de markt moet durven gebruiken. Waarom zou een eigen oplossing gebouwd worden als een grote partij als Microsoft, IBM of Google al de perfecte oplossing klaar heeft liggen? Het is daarin wel cruciaal dat de IT-architectuur openstaat voor het gebruik en de integratie van deze externe oplossingen.

Struikelblok 3: na het project begint de dagelijkse realiteit

Uiteindelijk gaat het erom dat iedereen in de organisatie kan profiteren én daadwerkelijk gebruikmaakt van de mogelijkheden van data science. ‘The last mile’ – de stap naar de dagelijkse realiteit van medewerkers – is daarbij het moeilijkst volgens McKinsey. Daar moet in een vroeg stadium over worden nagedacht, maar veel data scientists zijn dan nog vooral bezig met het bewijzen van de kracht van de toepassing van data science of AI – nadenken over de toekomst is er nog niet bij. Dit proces begint al in de fase tussen PoC en MVP, maar is daarna nóg belangrijker. Na een implementatie is het namelijk nog geen vanzelfsprekendheid dat medewerkers de nieuwe oplossing daadwerkelijk gaan toepassen in hun dagelijkse werk en dat de oplossing daarmee de gewenste resultaten levert en blijft leveren.

Oplossing: beheersbaarheid (maintainability)

Beheersbaarheid is in dit geval het uitgangspunt. Dat betekent dat er verder moet worden gekeken dan het technische aspect van de toepassing: hoe gaan mensen het in de praktijk gebruiken? Welke stakeholders moeten betrokken worden om de oplossing te laten ‘landen’ in de organisatie? Een heldere uitleg, begeleiding en regelmatige evaluaties zijn hierbij cruciale activiteiten. Het slagen van een data science- en AI-toepassing staat of valt nou eenmaal bij de adoptie van de business.

Onderhoud van de toepassing is ook een aspect dat vaak over het hoofd wordt gezien. Wie gaat er bijvoorbeeld voor zorgen dat een model blijft werken en dat de juiste data geanalyseerd worden? Het is in wezen niets anders dan het onderhouden van software: dat moet nou eenmaal gebeuren, anders worden de resultaten op termijn minder betrouwbaar of gaan gebruikers zich ergeren. Beheersbaarheid betekent overigens niet dat organisaties zelf alles moeten willen doen – dat is in de praktijk vaak onhaalbaar vanwege meerdere redenen. Het betekent wél dat ze zelf ‘in control’ zijn en samenwerken met andere teams en externe partners voor de meer specialistische zaken.

Conclusie: zorg voor een regiefunctie

De noodzaak om herhaalbaarheid, herbruikbaarheid en beheersbaarheid te realiseren laat één ding duidelijk zien: regie houden is cruciaal voor het schaalbaar maken van data science en kunstmatige intelligentie. Dat betekent als eerste dat datagedreven werken en het toepassen van data science en AI moeten worden omarmd in de organisatiestrategie. Ten tweede moet er altijd een team zijn dat weet wat er speelt bij alle onderdelen van de lopende datatrajecten. Alle kennis, vaardigheden en modellen op het gebied van data science en AI moeten tevens centraal veilig worden gesteld, bijvoorbeeld in een center of excellence.

Het opzetten daarvan, inclusief trainingen voor managers en andere medewerkers, vergt op korte termijn natuurlijk wel een investering. Maar dat is prima: deze investering gaat zich namelijk op lange termijn, in tegenstelling tot de meeste losse data-projecten, wél uitbetalen. Op deze manier blijven organisaties namelijk zélf aan het stuur.


Meer nieuws over

×
×
A.T. Kearney Accenture ACE Company Adaptif Adlasz Adviesgroep Novius AevesBenefit Anderson MacGyver Andersson Elffers Felix Annalise Arlande Arthur D. Little AT Osborne Atos Consulting Bain & Company Baker Tilly BCG Platinion BDO BearingPoint Berenschot Best Value Group Bisnez BlinkLane Consulting BluPoint BMC Boer & Croon Management Bolster Bostec Boston Consulting Group Bright & Company | People Strategy Buitenhuis Advies buro C5 Bvolve Capgemini Invent Centric Cmotions COMATCH Conclusion Connective Payments Count & Cooper De Kleine Consultant Deloitte Delta Capita Digital Power Dimensys Ecorys Eden McCallum Energyprofs Enigma Consulting EY EY-Parthenon Finavista Finext First Consulting Flowant flowresulting FTE Groep FTE Improvery Galan Groep GalanNXT Grant Thornton Groenewout Gupta Strategists Gwynt Hamstra & Partners Hermes | Partners Hospitality Group Hot ITem House of Performance IG&H Improven InContext innergo INNOPAY Intermedius ITDS Business Consultants Itility JBR JBR Interim Executives Kirkman Company Korn Ferry KplusV KPMG KPN ICT Consulting Kruger Kurtosis KWINK groep Leeuwendaal M3 Consultancy Magnus Marktlink Mazars McKinsey & Company Mercer Merkle METRI Mitopics MLC Mobilee Möbius Monitor Deloitte Morgens MSR Consulting Group Oliver Wyman OrangeX Ordina Organize Agile Oxyma p2 PA Consulting Group Paul Postma Marketing Consultancy PBLQ People Change PNO Consultants Projective Protiviti Proven Partners PwC Qhuba Quantics Quint Wellington Redwood Quintop Raad van Toekomst ResidentieProfs RGP Rijnconsult Roland Berger Salvéos Schaekel & Partners Schuberg Philis SeederDeBoer Sia Partners Significant Groep Simon-Kucher & Partners SiRM Solid Professionals SOLVE Consulting SparkOptimus Strategy Development Partners Strategy& Student Consultancy Group Summiteers Supply Value Symbol Synechron The Next Organization Trevian Turner TWST TwynstraGudde UMS Group UniPartners UPD Van Oers Corporate Finance Vanberkel Professionals Varrlyn Vasco Consult Vintura VODW Voogt Pijl & Partners Wielinq Willis Towers Watson WIN Yellowtail YGroup YNNO Young Advisory Group YourConnector Zanders Zestgroup