Als ze ergens begrijpen dat je met analytics inzicht krijgt in prestaties, om daar vervolgens je voordeel mee te doen, dan is dat de ploeg met talentvolle roeiers waarvan Joran Roor de coach is. In het dagelijkse leven is Roor namelijk data-scientist bij SAS. Een gesprek.
Welke studieachtergrond heb je?
‘Ik ben afgestudeerd in de Econometrie aan de Universiteit van Amsterdam. Altijd al had ik interesse voor wiskunde en de econometrie leek mij een vorm van wiskunde die goed toepasbaar is en waar veel impact mee is te maken.’
Wanneer kwam je daarachter?
‘Ik heb voor lange tijd geroeid, bestuurd en gecoacht bij mijn studentenroeivereniging R.S.V.U. Okeanos. Ook ben ik betrokken als coach van een ploeg met talentvolle roeiers die hun eerste stappen aan het zetten zijn naar het presteren op internationaal niveau. Binnen deze ploeg is mijn kennis van data-science erg waardevol. Ook in de sport kun je met analytics inzicht krijgen in prestaties, en daar je voordeel mee doen. Maar de voornaamste reden voor mij als coach is de competitiviteit en het plezier dat hiermee gepaard gaat. Daarnaast heb ik mijn communicatieve vaardigheden hiermee ook erg ontwikkeld. Naast mijn studie en roeicarrière heb ik ook gewerkt als bijlesdocent wiskunde en parttime als data-scientist.’
Abstract
Waar werk je nu?
‘Ik werk sinds een paar jaar als data-scientist bij softwarebedrijf SAS. Deze marktleider in analytics helpt bedrijven om data om te zetten in betere beslissingen.’
En wat is je rol als data-scientist daarin?
‘Als ik vertel dat ik een data-scientist ben, denken mensen vaak aan een it’er of data-analist. Het is ook lastig om uit te leggen wat ik dan wel doe. Ik vertel meestal dat ik met behulp van wiskundige technieken inzichten uit het verleden haal om iets te verbeteren in de toekomst. Dat doe ik door algoritmes te ontwikkelen en ze te trainen met grote hoeveelheden data. Als je maar genoeg voorbeelden geeft, leert een algoritme zelfstandig keuzes te maken. Dat klinkt abstract en dat is het ook, maar als ik dan een voorbeeld geef van hoe dat wordt toegepast, begrijpen mensen het beter.’
Geef eens een voorbeeld.
‘Ik ben bijvoorbeeld bezig met een onderzoek bij Amsterdam UMC. Daar proberen we kunstmatige intelligente (ai) in te zetten om te voorspellen hoe een leverkankerpatiënt reageert op chemotherapie. Voor en na de behandeling worden er altijd ct-scans gemaakt. Op die scans wordt de omvang van de tumor gemeten en deze worden met elkaar vergeleken. Voor artsen is het een uitdaging om op basis van afbeeldingen te bepalen in hoeverre een tumor groter of kleiner is geworden. Het zelflerende algoritme dat wij hebben ontwikkeld, kan op basis van de scan, het volume van de tumoren veel sneller berekenen. Die informatie is waardevol voor artsen om te evalueren of een behandeling succesvol is geweest.’
Hoe ben je in deze baan verzeild geraakt?
‘Tijdens mijn studie was SAS sponsor van mijn studievereniging. We zijn toen een keer langs geweest op het kantoor in Huizen. Wat me toen aansprak, waren de mensen en de werkplek. Toen ik net voor mijn afstuderen benaderd werd via LinkedIn om bij SAS te komen werken, was de keuze snel gemaakt.’
Welke factoren speelden nog meer een rol bij jouw keuze voor SAS?
‘Wat ik belangrijk vind aan mijn huidige rol als data-scientist is dat ik met het toepassen van algoritmes een maatschappelijke impact kan maken. Veel van mijn klanten doen in mijn ogen belangrijk werk en ik vind het mooi dat ik hieraan bij kan dragen. Mijn werk is technisch en analytisch, maar ook breed toepasbaar in allerlei sectoren. Naast het technische aspect, is het daarom belangrijk dat je de problemen en/of uitdagingen waar organisaties en industrieën mee te maken hebben, leert begrijpen. Ook al weet je daar soms nog niet zoveel vanaf. Het is dan de kunst goed te luisteren naar mensen en die informatie te koppelen aan je eigen kennis en de oplossingen die we kunnen bieden. De driehoeksrelatie tussen artsen, data-scientist/it en het management is belangrijk om te zorgen dat dit goed op elkaar wordt aangesloten.’
Machine learning
Wat je over jezelf ontdekt tijdens je carrière?
‘Ik ben goed in het overbrengen van technische onderwerpen bij mensen van alle niveaus. Mijn nevenfuncties als bijlesdocent en roeicoach hebben daar erg bij geholpen. Wat ik trouwens ook heb ontdekt, is dat ik me bij nader inzien in een eerder stadium van mijn studie had moeten richten op machine learning. Mijn eerste machine learning-vak kreeg ik pas tijdens mijn master, terwijl dit cruciale kennis is voor mijn huidige baan.’
Als jij naar de ict-branche kijkt, wat zie je dan?
‘Ik bekijk dit natuurlijk door de bril van een data-scientist. Ik zie dat een steeds breder publiek het aandurft zich bezig te houden met data-science. Mensen met allerlei verschillende achtergronden volgen trainingen en workshops om de basis van analytics te leren. Er lopen al veel experimentele projecten waarin data-science centraal staat zodat steeds meer organisaties leren hoe dit een toegevoegde waarde kan creëren voor hun organisatie.’
Je ziet het positief in?
‘Nou, in de praktijk zie ik ook dat veel data-science-initiatieven niet verder komen dan de pilotfase. Dit komt vaak omdat er vanaf het begin niet goed is nagedacht over hoe een dergelijk project op een werkbare, veilige en betrouwbare manier zou moeten landen in een organisatie. Dat is jammer, want de ideeën hebben vaak veel potentie.’
Waar sta jij over vijf jaar?
‘Normaliter kijk ik niet zo ver vooruit in mijn carrière. Vaststaat dat ik altijd beter wil worden in mijn werk en nog meer maatschappelijke impact wil maken.’
Welke les wil jij ict-studenten meegeven?
‘Dat de digitale wereld nog lang niet is uitontwikkeld. Met een baan binnen de ict zul je continu nieuwe dingen blijven ontdekken en ben je nooit uitgeleerd.’
