5 tips om faalprojecten met Data Analytics te voorkomen

Hoe is het mogelijk. Hoe lang ben je nu al bezig om met Data Analytics grootse stappen te zetten? Maar de bouw van het Data Lake is nog steeds in volle gang. Ondertussen hou je je hart vast. Gaan die revolutionaire applicaties er nog komen of wordt dit het faalproject van het jaar?

Die kans is groot, als je organisatie- en adviesbureau McKinsey moet geloven. Zij onderzochten hoeveel bedrijven met succes Data Analytics projecten realiseren. De uitkomst?

8%.

Omdat een doelgerichte aanpak ontbreekt. En dat niet alleen. Data Scientists houden erg van hun vak. Soms ontdekken ze gaandeweg nog meer uitdagingen. Het is verleidelijk om die minder urgente zaken ook gelijk maar aan te pakken. Met als gevolg: de focus vervaagt, het project vertraagt. 

Wat kunnen we leren van die 8% die wél weten hoe het werkt?

Vijf cruciale punten springen eruit:

1. Ze focussen op het einddoel: de applicaties. Niet op het model

Het doel is een applicatie te bouwen om live en operationeel te gebruiken. Daar heb je datascience voor nodig. De IT-professionals blijven echter niet eindeloos hangen bij het model of het web portaal, maar werken gestaag toe naar het operationeel maken van die applicatie.

2. Business en analytici begrijpen elkaar volledig

Elk project begint met een duidelijke business case. Een urgent probleem, dat klip en klaar is voor zowel de business als de analytici. Echter, een vraagstuk roept soms nieuwe vragen op. Dat zorgt voor eyeopeners, maar ook voor ruis. Je gaat energie steken in mogelijke ‘nice to have’ oplossingen. Niet doen. Focus alleen op de ‘need-to-have’ oplossing.

3. Data Lake: think big, start small

Om het model en de applicatie te bouwen verzamel je ruwe data in het zogenaamde Data Lake. Kenmerkend voor die 8% succesvolle organisaties: zij beginnen vooral klein en overzichtelijk. In een Data Vijver, in plaats van een groot meer. Uiteraard anticiperend op toekomstige uitbreiding.

4. Een schone vijver 

Vragen omtrent data governance en meta data worden heel serieus opgepakt. Zo heeft ieder dataelement een eenduidige bron, omschrijving en context. Met als resultaat: een heldere, schone vijver zonder overtollige modellen die vertroebelen en verder weinig nut hebben.

5. Proofs of concept? Niet doen! 

Techneuten houden ervan: POC’s om risico’s uit te sluiten en missers te voorkomen. Van de succesvolle bedrijven leren we echter om alleen de noodzakelijke dataverkenning en hypothese te toetsen. Geven die groen licht? Start de bouw!

Bij AMIS omarmen we deze tips. Omdat we weten dat Data Analytics binnen elke organisatie gigantisch veel kunnen bijdragen, maar projecten wél vallen of staan met de wijze van uitvoeren.

Bezint eer ge begint

Frustratie, dat willen we te allen tijde voorkomen. Vandaar dat we zo begaan zijn met voorbereidingen en voortrajecten. De juiste kennis en de juiste mensen garanderen nog geen succesvol Data Analytics project. Daarvoor moeten de business en analytici op een lijn zitten. 

Vraag jij je af hoe je dat in jouw organisatie voor elkaar krijgt? Hoe jij een faalproject voorkomt? Neem contact op met André van Dalen.