Op weg naar een data gedreven organisatie

Veranderen. Daar houden veel organisaties niet van. Zeker niet als het rendement en de impact niet direct duidelijk zijn. Redenen waarom data analytics projecten niet altijd populair zijn bij de business of het management van organisaties. Toch zijn die van levensbelang om tot een data gedreven organisatie te komen.

Hoe je voet aan de grond krijgt, deelden we in het de onlangs gepubliceerde blogpost Data-analytics: een duur feestje of een schot in de roos? 

Je beloofde het management haalbare data analytics projecten, die direct een duidelijk resultaat opleveren. Ook stelde je een multidisciplinair team samen. Van een data architect, een data scientist tot wellicht een data engineer bij grotere projecten. IT nam je bewust mee in het verhaal, om de implementatie en eventuele ontwikkelingen van een API of kleine applicatie soepel te laten verlopen. 

Eenmaal aan de gang, wil je voorkomen alsnog te verzanden in een lang traject zonder focus. Hoe toon je meesterschap? Ik geef je vier tips:

1.     Alles begint met een dataverkenning. Om je modelleringsproject te laten slagen, heb je een meer dan compleet pakket aan data nodig. Consistent en correct met voorbeelden van de patronen die je zoekt. Dataverkenning laat je zien waar er nog ‘gaten’ zijn. Die ga je eerst dichten.

2.     Zo zoetjes aan richt je je data vijver in: het data lake. We schreven al dat deze schoon

3.     Tijd voor de zandbak! Dit is de data omgeving waarin je je datamarts, je training-data en je test-data herbergt. De data scientist verkent, analyseert, verrijkt, completeert, corrigeert en verifieert alles zorgvuldig voor het modelleren start. Natuurlijk in nauw overleg met alle deskundigen, zodat het model werkt en nuttige verbanden legt tussen diverse parameters en de variabelen kwantificeert.

Dan komt waar we het allemaal voor doen: het model toepassen op de werkelijke data levert interessante informatie op. Denk aan prognoses in onderhoud, churn, ziekenzorg, verzekeringsfraude, energieverbruik of waar je uitdaging ook ligt.

4.     Is het model voldoende geverifieerd? Dan volgt het inbouwen van de gevonden relaties tussen parameters en variabelen in een applicatie. Een low-code applicatie, een REST-API of een Angular front-end. Overigens kan de data pijplijn naar deze App dezelfde zijn als die richting de zandbak ging. Dat scheelt dubbel werk. Hoe dat gaat, leg ik je graag een keer uit, maar het begint al bij de opzet van de data architectuur.

Ontdekkingstocht

Natuurlijk heeft een data analytics project altijd iets weg van een ontdekkingstocht. Maar wel een interessante. Waar werkelijkheid en theorie elkaar ontmoeten. Een stuk lef en meesterschap gaan hand in hand. Maar altijd met de zorg voor elkaars belangen en het hogere doel voor ogen. Een succesvolle gedreven organisatie staat of valt met open communicatie en met vertrouwen in elkaar. Maar geldt dat niet voor elke samenwerking?