Vier niet-technische valkuilen voor datagedreven werken

De massale verschuiving richting datagedreven werken is zichtbaar in iedere denkbare hoek van het bedrijfsleven. Tegelijkertijd blijkt het succesvol verankeren van datagedreven werken een taaie kluif. Waar gaat het mis?

Over de complexiteit van data science als onderwerp zijn inmiddels – zo’n dertig jaar nadat deze term tijdens een congres voor het eerst werd geopperd – al boekenkasten aan wetenschappelijke papers en praktische boeken volgeschreven.

“Op de vraag waarom data science-initiatieven niet renderen zijn dan ook legio antwoorden/hypothesen te vinden”, vertelt Hette Cornelisse, Consultant Data en Artificial Intelligence bij Next Ground.

Gedurende zijn jaren bij het bedrijf heeft Cornelisse veel goede, maar ook slechte data science-projecten voorbij zien komen. “Slechts een klein percentage van de dataproducten levert echte ‘actionable-insights’ (lees: bruikbare inzichten) op, die ook nog eens daadwerkelijk worden gebruikt in de besluitvorming.”

Het succes van een data science-project hangt af van uiteenlopende factoren en Cornelisse kan uit eerste hand een lange lijst opsommen: “Dataprojecten die nog erg exploratief zijn, matige datakwaliteit, verkeerde systeemontwerpen- of implementaties, onvoldoende business/IT alignment, onrealistische verwachtingen vanuit de business, een legacysysteemlandschap, en meer.”

“Maar”, voegt hij direct toe, “de grootste struikelblokken in datagedreven werken zijn in mijn ogen vaak de niet-technische uitdagingen.”

“Succesvol datagedreven werken vergt aanpassing van de organisatiecultuur, sponsorschap en het juist beleggen van rollen en verantwoordelijkheden binnen je organisatie”, legt hij uit. “Veel organisaties houden hier onvoldoende rekening mee. Weet je ook aan deze knoppen te draaien, dan zul je zien dat data de beloftes echt waar kan maken.”

Welke concrete niet-technische valkuilen ziet hij dan? Cornelisse zet vier veelvoorkomende valkuilen op een rij, en geeft ook advies over hoe teams deze valkuilen kunnen vermijden.

1: Het datateam opereert solistisch of ‘hangt onder IT’

“Veel organisaties zien het werken met data met name als een technische aangelegenheid. Begrijpelijk, want veel van de initiële investeringen voor het werken met data zijn technisch van aard. Maar door data onder te brengen bij IT zal het team onherroepelijk op afstand van de business opereren.”

“Het wordt voor de schaarse data scientists op die manier ontzettend lastig voldoende domeinkennis op te doen of een netwerk binnen de organisatie op te bouwen. Dit is cruciaal voor het vinden van goede use cases. Bovendien ligt het initiatief voor het werken met data dan vrijwel altijd bij het datateam.”

“Verweef data science zoveel mogelijk met de business van de organisatie.”

“Met het onderbrengen van het datateam bij IT zal je onherroepelijk tegen communicatieproblemen aanlopen. Een team op afstand, met te weinig kennis van business, spreekt niet dezelfde taal als de business waarin het opereert. Overkomelijk, maar dit kost tijd.”

“Ten slotte zie ik een risico dat het data science-team geassocieerd zal worden met de IT-afdeling van je organisatie: het favoriete gespreksonderwerp bij menig koffieautomaat. Dit maakt het voor het team erg lastig om de organisatie in te gaan. Het team moet omgaan met vooroordelen en zal daarnaast door de organisatie vooral gevraagd worden voor automatisering. Met andere woorden; het team staat al met 1-0 achter.”

Advies
“Verweef data science zoveel mogelijk met de business van de organisatie. Bijvoorbeeld door data science-competenties zoveel mogelijk decentraal binnen de organisatie te beleggen. Kies je er als organisatie voor om data science toch te centraliseren, zorg er dan voor dat binnen het team domeinkennis beschikbaar is.”

“Bijvoorbeeld door per afdeling verschillende personen aan te wijzen met affiniteit voor het werken met data en deze te koppelen aan de specialisten uit het datateam. Door multidisciplinaire teams op te richten zal het een stuk eenvoudiger worden om data effectief in te zetten ten behoeve van de businessuitdagingen en -ambities.”

Verder lezen: Tekort kennis en veranderbereidheid hindernis voor datagedreven werken.

2: Het ontbreken van een visie en strategie: ‘start with why’

“Vaak leeft er enorm veel enthousiasme voor het werken met data. Men ziet de potentie en vindt het belangrijk dat er binnen de organisatie ‘minder vanuit de onderbuik’ wordt geredeneerd. Een nobel streven maar helaas te vaag. Idealiter is de visie voor het datateam hetzelfde of op zijn minst een afgeleide van de bedrijfsstrategie. Hoe gaat data onze doelen helpen verwezenlijken?”

“Is het doel om als bedrijf de beste dienstverlening tegen de laagste prijs in de markt te zetten; dan zou het datateam zich kunnen richten op het verhogen van de efficiëntie en het optimaliseren van de interne bedrijfsvoering.”

“Data science is enorm boeiend, maar heb je het wel nodig?”

“Het is nog beter om heel concreet te weten welk inzicht de organisatie écht verder gaat helpen. Wat weet je nu nog niet en welk proces zou veel efficiënter kunnen? Met andere woorden: welke informatiebehoefte leeft er binnen de organisatie en waarom? Te vaak wordt met data-analyse dan wel data science gestart, met slechts een grote belofte als drijfveer. Zonder een heldere visie en afgebakende doelen kan de investering nooit renderen.”

Advies
“Start met een heldere informatiebehoefte in plaats van met een middel (data science). Het klinkt heel simpel, maar het lijkt alsof hier vaak aan voorbij wordt gegaan.”

3: Data science als oplossing voor alle businessproblemen

“Bij een ondoordachte investering in data science zal je zien dat elk businessprobleem als een data science-probleem gezien wordt. Dit terwijl complexe data science vaak helemaal geen juiste, dan wel proportionele oplossing kan bieden voor het vraagstuk.”

“Vaak genoeg heb ik gezien dat er werd gewerkt aan complexe modellen voor haast irrelevante businessproblemen. Er wordt gespeurd naar use cases waarop data science toegepast kan worden, dit terwijl organisaties een heel andere informatiebehoefte hebben.”

Advies
“Bezint eer ge begint. Data science is enorm boeiend, maar heb je het wel nodig? ‘We moeten iets met artificial intelligence’,  hoor je vaak in organisaties. In de meeste gevallen is een dergelijke oplossing niet proportioneel of realistisch en het de investering niet waard. Begin dus altijd bij een concrete informatiebehoefte en ga dan pas op zoek naar een passende technische oplossing.”

4: Blindstaren op datakwaliteit

“Tuurlijk, data moet van goede kwaliteit zijn. Garbage in, garbage out. Maar de eisen die aan datakwaliteit gesteld worden, dienen in verhouding te zijn met het beoogd gebruik hiervan. Vraag je een leek naar datakwaliteitseisen, dan is de kans groot dat hij/zij vindt dat informatie 100% moet kloppen. Ga je dit nastreven, dan kom je onherroepelijk uit op een pakket maatregelen waar je jarenlang mee zoet bent en die je mogelijk van alle vrijheid beroven.”

“Is datakwaliteit een issue binnen een organisatie en leeft de wens om deze te verhogen, kijk dan naar het uiteindelijke doel. Een klassieke business intelligence-rapportage over financiën of personeelszaken vraagt een andere aanpak dan wanneer je op basis van een tekstanalyse een globale indruk wil hebben van de vragen die klanten stellen. Twee heel verschillende vragen met andere kwaliteitseisen.”

“Dit inzicht raakt overigens ook aan de verschillende takken van sport binnen het werkveld dat we data noemen; business intelligence ten opzichte van data science.”

Advies
“Wanneer datakwaliteit een issue is binnen de organisatie, streef dan niet altijd naar een 10+, het risico dat je verzandt in energieslurpende datakwaliteitsprogramma’s is groot. Redeneer altijd vanuit het einddoel, de oplossing zal vanzelf pragmatischer en doelmatiger worden. Deze houding stelt de organisatie ook in staat sneller te innoveren met data.”

“Laat de informatiebehoefte van de business leidend zijn bij het opstellen van kwaliteitseisen en ga niet altijd voor data die vanuit techniek 100% klopt.”