Het is goed om te zien dat veel organisaties de waarde onderkennen van datawetenschap en er volop in investeren. Het doet dan ook zeer hoeveel van die investeringen falen. Volgens McKinsey slaagt slechts een handvol bedrijven erin hun data-activiteiten schaalbaar te maken en te integreren in bedrijfskritische besluitvormingsprocessen. Een pijnlijke constatering. Hoe komt dit én hoe is het te voorkomen?
Veel dataprojecten komen niet verder dan de testfase, liet ik in mijn vorige artikel zien. Lukt het wel om vanuit een proof of concept een minimum viable product te realiseren, dan is de uitdaging daarna zo mogelijk nog groter. Structureel waarde creëren met datawetenschap (data science) is namelijk pas mogelijk als datagedreven werken binnen de gehele organisatie op een schaalbare en integrale manier wordt toegepast. Alleen dan kunnen datawetenschap- en ai-toepassingen uitgroeien tot strategische assets van de organisatie. Concreet betekent dit dat, na één succesvol dataproject, volgende projecten steeds sneller en efficiënter moeten verlopen, zodat je met relatief minder moeite sneller en met meer impact datawetenschap kan toepassen.
Geen structuur en overzicht
Van deze ideale voedingsbodem voor succes met data is bij slechts een klein deel van de bedrijven sprake, blijkt uit recent onderzoek van McKinsey. Er is veel enthousiasme, maar meestal geen structuur of overzicht van het grote geheel. Er zijn maar weinig bedrijven die werken met een standaardaanpak, met vaste rollen die de verantwoordelijkheid dragen voor verschillende deelgebieden van het project. Je ziet vaak dat binnen één organisatie meerdere teams of divisies met eigen dataprojecten bezig zijn, waardoor er veel dubbel werk wordt gedaan, maar ook kansen over het hoofd worden gezien. Zeker bij multinationals, met meerdere divisies en bedrijfseenheden, is een totaaloverzicht van alle projecten cruciaal. Zo wordt sneller duidelijk bij welke strategische bedrijfsprocessen de meeste winst is te behalen met datawetenschap – want daar gaat het uiteindelijk om. Als laatste worstelen bedrijven met ‘the last mile’: de stap naar de dagelijkse realiteit van medewerkers. In het ontwikkelproces ligt de focus vaak nog te veel op de technische aspecten, te weinig op de daadwerkelijke implementatie en de gewenste resultaten.
Regiefunctie is onmisbaar
Op basis van het McKinsey-onderzoek kunnen we stellen dat er het bij de meeste organisaties nog ongestructureerd aan toe gaat, met te weinig oog voor de waarde die datawetenschap voor de business moet opleveren. Om datawetenschap wél op een schaalbare manier te integreren in de bedrijfsvoering, is één ding echt onmisbaar: iemand moet de regie houden. Zo’n regiefunctie is bijvoorbeeld te organiseren in een center of excellence, met aan het roer de chief data officer (CDO) die de grote lijnen uitzet en controle houdt. Deze cdo zorgt er samen met zijn team voor dat datagedreven werken wordt omarmd in de organisatie(strategie) én is op de hoogte van alle lopende datatrajecten. Hij houdt de touwtjes in handen en voorkomt een wildgroei aan proefballonnen, losse ideeën en projectjes. Bedrijven die hun datagedreven activiteiten op een centrale wijze organiseren, profiteren van drie concrete voordelen:
- Herhaalbaarheid
Om te voorkomen dat elke afdeling met zijn eigen projecten bezig is, is het creëren van herhaalbaarheid van belang. Binnen het hierboven genoemde center of excellence gebeurt dat door kennis te waarborgen en standaardmethodieken voor het implementeren van datawetenschap-toepassingen te ontwikkelen, vast te leggen en te delen. Vooral in het begin is het noodzakelijk dat het center of excellence de business actief ondersteunt, totdat er een bepaalde mate van zelfstandigheid bereikt wordt. Elke keer neem je een businessunit mee in de reis, totdat ze in staat zijn grotendeels zelf te opereren – uiteraard met ondersteuning als het nodig. Zo hoeft het wiel niet steeds opnieuw te worden uitgevonden. Het werken met een cross-functioneel team voor elke project, met daarin datawetenschappers, businessvertalers en experts vanuit business en it, verhoogt daarbij de kans op een succesvolle integratie van de datawetenschap-toepassing.
- Herbruikbaarheid
Een goed center of excellence is in staat problemen en oplossingen te generaliseren én herbruikbaar te maken voor problemen binnen dezelfde context. Zo worden kansen niet onbenut gelaten en verhoogt de efficiëntie. Voorbeelden van zaken die je kunt hergebruiken zijn analytische modellen, technische architecturen, uniformiteit van databronnen en transformatieprocessen om de data te ontsluiten. Maar het kan ook gaan om het ‘hergebruiken’ van bestaande oplossingen van buiten je eigen organisatie. Soms hebben grote partijen als Google, Microsoft of IBM al een geweldige toepassing gebouwd – dan is er geen reden om zelf iets te gaan bouwen. De it-architectuur moet dan natuurlijk wel openstaan voor het gebruik en de integratie van deze externe oplossingen.
- Beheersbaarheid
Een derde taak van het center of excellence is het creëren van beheersbaarheid. Dat begint met het laten ‘landen’ van een datawetenschap-toepassing in de organisatie, door de juiste stakeholders te betrekken en voor uitleg, begeleiding en regelmatige evaluaties te zorgen – liefst vanuit een vaste werkwijze.
In control
Ook is het belangrijk dat er wordt gekeken naar onderhoud. Werkt het model nog wel zoals het bedoeld was? Wordt de juiste data geanalyseerd? Als hier geen aandacht voor is, worden de resultaten op termijn minder betrouwbaar of gaan gebruikers zich ergeren. Het hoeft daarbij overigens niet te betekenen dat je alles intern oplost. Het is vooral belangrijk dat het center of excellence ‘in control’ is en waar nodig andere teams en externe partners aanhaakt voor specialistische zaken.