Een proof of concept (poc) is een populaire manier om te evalueren welk systeem, product of dienst het best aansluit op de behoeften en eisen van een organisatie. Poc’s moeten de toegevoegde waarde van een systeem duidelijk maken en of het past bij de strategische doelen van een organisatie op de lange termijn. Wat betekent het opzetten van een poc voor een data science-oplossing en hoe richt je deze slim in?
Poc’s zien we vaak onterecht als een proces waarbij een checklist met eisen en behoeften wordt afgevinkt. Daarmee krijg je echter alleen een evaluatie van specs, geen poc. Hoewel specs belangrijk zijn, geven ze niet altijd aan wat de oplossing uiteindelijk oplevert. Ook zou een poc meer moeten zijn dan alleen het beantwoorden van de vraag: kan dit data science-product of deze dienst het specifieke probleem oplossen?
Het is voor organisaties of teams lastig deze vraag te beantwoorden. Het kan dan bovendien een uitdaging zijn om een poc beknopt en efficiënt te houden. Bovendien kan de poc een moving target worden die steeds verder wordt uitgebreid.
Om te zorgen dat je poc voor een data science-oplossing efficiënt, effectief en vooral succesvol verloopt, kun je de volgende zeven adviezen in de praktijk brengen.
Zeven adviezen
- Kies concrete use case
De eerste en zelfs de belangrijkste stap is om de juiste case te selecteren. Zonder dit kan een poc immers niet bestaan. Zoals ik al aangaf, is het doel van een poc groter dan slechts één probleem en gaat het om het nemen van de eerste stap richting een groter bedrijfsdoel: een datagedreven organisatie worden. Toch is het kiezen van een concrete case waar je je poc op baseert wel noodzakelijk. Zonder dit zijn er geen duidelijke deliverables of resultaten die zijn te evalueren.
- Zorg voor redelijke tijdspanne waarin poc plaatsvindt
Over het algemeen heb je maximaal zestig dagen nodig voor een poc. Je hebt dan voldoende tijd om te evalueren zonder dat het medewerkers, die ook nog hun reguliere werkzaamheden en projecten hebben, veel tijd kost. Voor grotere organisaties die vaak ingewikkelder processen hebben, kunnen zestig dagen te krap zijn. In plaats van het uitbreiden van de periode van de poc, en nog meer tijd van je medewerkers te vragen, kun je ervoor kiezen het project op te delen in kleinere projecten en daaraan gelijktijdig te werken in plaats van het gehele probleem in een langere poc-fase te tackelen.
- Definieer wat je verwacht
Natuurlijk is het definiëren van duidelijke deliverables een van de belangrijkste factoren in het afbakenen van de tijd waarbinnen een poc afgerond moet zijn. Zonder deliverables kan het proces eindeloos voortduren aangezien niemand weet wanneer het resultaat als een succes is te beschouwen. Idealiter zorgt hetgeen wordt opgeleverd ervoor dat het dataproject (dat gebaseerd is op de use case) in productie is te nemen. Afhankelijk van de omvang van het project, zal dit niet altijd mogelijk zijn. Het vaststellen van deliverables gedurende het traject en voor individuele teams die een deel van het project evalueren, kunnen ook handig zijn als tussentijdse check points om de voortgang van de poc te bevorderen.
- Betrek de juiste mensen
Om een succesvolle en een efficiënte poc op te zetten, betrek je verschillende mensen uit diverse onderdelen van de organisatie bij het proces. De datawetenschappers en -analisten zijn natuurlijk met de poc bezig. Maar ook het it-team moet testen of de oplossing in productie is te nemen. Businessteams die de impact van de resultaten van het project voelen en eindgebruikers van de oplossing, spelen vanzelfsprekend ook een belangrijke rol.
Het is nu ook weer niet nodig om iedereen die de oplossing uiteindelijk gebruikt of iedereen die er maar enigszins mee te maken krijgt in zijn of haar werk, bij de poc te betrekken. Enkele personen uit deze groep zijn voldoende om een beeld te krijgen. Een fout die teams vaak maken bij een poc is dat ze om collega’s die het druk hebben te sparen, niet meenemen in het proces waarmee belangrijke stakeholders kunnen worden gemist. Aan de andere kant ligt de fout op de loer dat er teveel mensen betrokken worden wat het proces vertraagt.
- Breng het project in productie
Data science- en dataprojecten moeten niet in een vacuüm uitgevoerd worden. Ditzelfde geldt voor een poc. Hoewel het model in productie brengen niet altijd het einddoel van een poc zou hoeven te zijn, is het wel slim de poc te integreren in de normale processen van de organisatie. Hiermee is de potentiële impact te beoordelen en is te meten of de return of investment (roi)-doelstellingen worden behaald. Hiermee ga je ook terug naar de wat en het waarom: het doel van een poc voor een data science-oplossing is niet alleen om een project te doen. Het gaat erom alle mogelijkheden in kaart te hebben waarbij data waarde kan opleveren. Zo kan het data science-platform de juiste inzichten blijven bieden, zelfs nadat de poc is afgerond. Daarom is het ook belangrijk dat projecten (ook de use case uit de poc) in productie gaan en niet vast raken in een prototype of sandbox-fase.
- Werk samen met experts
Vaak zorgt een poc ervoor dat organisaties kunnen werken met experts die veel praktijkervaring met zich meebrengen en weten hoe ze dataprojecten van de grond moeten krijgen en uiteindelijk naar productie moeten brengen. Dit is een groot voordeel. Het maakt niet uit hoe eenvoudig een product lijkt, samenwerken met experts (zoals het technische productteam) zorgt ervoor dat je kunt leren van andere organisaties. Wat werkt en wat niet? Een expert heeft het proces al vele malen doorlopen en zorgt ervoor dat je de veelgemaakte fouten niet maakt en je naar de best mogelijke resultaten leiden.
- Wees agile, maar gefocust
Een poc start met een specifieke use case. Los daarvan is er geen duidelijke oplossing voor het businessprobleem. In je data duiken kan interessante inzichten opleveren, zeker met de hulp van externe experts die een frisse blik meenemen.
In het poc-proces komen de beste resultaten doorgaans van teams die zowel agile zijn en niet bang zijn om richtingen in te slaan die ze niet hadden voorzien. Daarnaast richten ze zich op het initiële probleem en laten ze zich niet afleiden door andere inzichten die onvermijdelijk naar boven komen.
Eerste stap in transformatie
Als je een van deze zeven zaken niet meeneemt, riskeer je dat werknemers die betrokken zijn bij de poc voor een data science-oplossing gefrustreerd raken, niet meer objectief naar de uitkomst kunnen kijken en in het ergste geval dat de poc daarmee zonde is van ieders tijd en het geïnvesteerde budget. Door een poc-proces efficiënt aan te pakken is het potentiële succes van de oplossing beter te evalueren en is deze sneller in productie te brengen. Daarmee kan je poc voor een data science-oplossing bovendien een eerste stap zijn in de transformatie van je organisatie met behulp van data en analytics.