Mislukte dataprojecten bij de overheid komen met enige regelmaat in de publiciteit. Maar ook het bedrijfsleven heeft met uitdagingen te kampen. Gartner becijferde eind 2016 dat 60 procent van de big data-projecten in 2017 nooit voorbij de experimentele fase zouden komen. Een van de analisten corrigeerde die schatting eind vorig jaar en twitterde dat maar liefst 85 procent had gefaald.
Zeker voor iemand die werkzaam is in de datasector zijn zulke cijfers enorm schrikken. Ik heb het er dan ook vaak over met mijn peers: hoe kan het toch dat zoveel projecten mislukken? De algehele consensus: er valt vaak al een wereld te winnen in de aanloopfase. Deze drie tips helpen om de slagingskans van een data science-project te vergroten, nog voordat het project is begonnen.
Tip 1: Laat je niet verblinden door de hype.
Toepassingen die gebruikmaken van artificial intelligence (ai) zijn momenteel hot, hip en happening. Deze Google trends-grafiek laat zien dat de wereldwijde interesse in het onderwerp de afgelopen vijf jaar enorm gegroeid is. Inmiddels bieden de tech-reuzen zoals Microsoft, Google, Facebook en IBM artificial intelligence-toepassingen aan als hét panacee voor bedrijven. Wil je betere inzichten en meer verdienen in minder tijd? Dan kunt u gewoon algoritmes downloaden en loslaten op uw data. Want iedereen kan tenslotte met ai aan de slag! Toch? De hype-trein is op stoom, en zit u er als bedrijf niet in, dan heeft u de digitale transformatie-slag gemist, zo lijkt de tendens.
Laat u vooral niet door deze hype verblinden. Ik zal de laatste zijn die ontkent dat ai een krachtige techniek is met legio mogelijkheden voor bedrijven. Maar steeds vaker hoor ik organisaties roepen dat ze een ai-oplossing willen, en dat is niet het juiste vertrekpunt. Ai-toepassingen zijn een middel om een probleem op te lossen: het moet geen doel op zichzelf zijn. Natuurlijk kan uiteindelijk blijken dat artificial intelligence het beste gereedschap is om de efficiëntie of effectiviteit te verhogen, maar een andere methode is misschien wel beter geschikt. Wilt u bijvoorbeeld geautomatiseerd auto’s tellen in een parkeergarage? Dan kunt u een machine learning-algoritme voor image recognition ‘trainen’ om objecten te definiëren als auto en dit algoritme vervolgens loslaten op camerabeelden van de ingang. Maar het is waarschijnlijk makkelijker om weeg-sensoren in de grond te bouwen.
Tip 2: Test en evalueer expertise tijdens het selectieproces.
Het implementeren van een data science-toepassing is een vak apart en voor elke situatie anders. Het vraagt dus om een brede expertise – zowel technisch als bedrijfskundig. Een succesvol data science-project begint dan ook met het selecteren van de juiste expertise. Zeker wanneer u een externe partij inschakelt is dat makkelijker gezegd dan gedaan: er zijn namelijk een heleboel aanbieders die data science kennis claimen, maar de diepgang of ervaring missen.
Zit u tegenover iemand zonder aantoonbare kwantitatieve achtergrond? Dan moeten de alarmbellen gaan rinkelen. Heeft iemand later in zijn carrière een switch gemaakt naar data science? Valideer dan extra hoe het zit met de analytische en statistische vaardigheden. Voorkom dat u te maken hebt met een goudzoeker. Wat hierbij belangrijk is om te weten, is dat een goede aanbieder altijd in staat en bereid is om in normale mensentaal uit te leggen wat hij/zij doet. Vraag daarom altijd door, totdat u het echt begrijpt. Vertelt de potentiële aanbieder dat ‘het te complex is’? Dan heeft deze persoon een verborgen agenda óf geen idee waar hij het over heeft. Voorbeelden van goede vragen die u kunt stellen om de expertise van aanbieders te toetsen vind u in dit artikel. Neem dit selectieproces dus uiterst serieus – daar plukt u later de vruchten van.
Tip 3: Voorkom dat het een it-feestje wordt.
Niet alleen de selectie van de juiste externe expertise draagt bij aan het succes van een project, ook het betrekken van de juiste stakeholders is van groots belang. Nog voordat het project begint is het dan ook zaak alvast na te denken over de samenstelling van het interne team. Onthoud hierbij: u wilt een business-vraagstuk beantwoorden. Data en de benodigde data science-oplossing zijn de bouwmaterialen en de gereedschappen om dat voor elkaar te krijgen. Het is in niemands belang om aan het einde van het traject een soort van ivoren toren te hebben gecreëerd, waarin een aantal analisten en it’ers wonen die modellen creëren zonder ook maar een stap in het veld te zetten.
Stel daarom een team samen waarin interne vertegenwoordigers van de business in de lead zijn en it in een ondersteunende rol functioneert. Data scientists – intern of extern – kunt u inzetten als brug tussen die twee, aangezien ze de belevingswereld van beide begrijpen en kunnen vertalen. Bij grote trajecten is het zelfs aan te raden om specifiek iemand in het projectteam op te nemen die fungeert als dé verbindende schakel tussen business, data en it: de business translator. Niet alleen zorgt dat voor een soepel proces, maar u borgt de expertise van de data scientists (zie tip 2) hiermee ook nog eens voor de lange termijn. Daarnaast is het aan te raden om zo vroeg mogelijk – en ver voor het begin van het project – draagvlak te creëren op directieniveau. Dat zorgt voor een sponsor en daadkracht. Denk bijvoorbeeld aan een executive bootcamp, waarin nieuwe technologieën en data science-onderwerpen worden geïntroduceerd, en hoe deze binnen het project zullen worden toegepast.
Een goed begin…
Het is een cliché, maar daarom niet minder waar: een goed begin is het halve werk. Dat is zeker het geval bij data science-projecten. Bent u in staat om hypes en buzzwords te herkennen voor wat ze zijn, goed ingelicht en ondersteund door de juiste externe expertise, en heeft u een multidisciplinair team samengesteld? Dan weet ik zeker dat uw project wél een succes wordt en daarmee uw data science business case ook daadwerkelijk de beloofde waarde oplevert.
