Stel de juiste vragen over je data science-project om je ROI te maximaliseren

Deep learning, neurale netwerken,… in data science-land zijn er heel wat nieuwe technologieën waar bedrijven wel warm voor lopen. Een gezond enthousiasme voor innovatie moedigen we alleen maar aan. Toch spring je best niet zomaar op elke trend. Wil je van start met een data-initiatief? Dan denk je best even na over je data en processen, de waarde voor je bedrijf en hoe je het gaat implementeren. Kan je daarover alle vragen beantwoorden, dan mag je zeker zijn van een optimale ROI.

Moet je altijd de hele oefening doorlopen?

Nee, dat hoeft niet. Bedrijven kunnen gerust in-house even experimenteren om te kijken hoe een technologie werkt. De test kan een stap zijn die je helpt bepalen of iets voor je bedrijf nuttig zou zijn. In een beperkte proof-of-concept zal je experiment zelfs resultaten opleveren. Waarom je dan toch moet nadenken over de onderstaande topics? Omdat die PoC niet altijd representatief is voor hoe gemakkelijk je initiatief is te implementeren binnen je organisatie. Ga je er toch mee van start, dan is de kans groot dat je opstelling niet werkt zoals het moet of dat je medewerkers er eigenlijk niet veel mee doen, met als gevolg onnodige kosten en tijdsverlies.

Bekijk je data en processen

Uitproberen kan je dus gerust zonder onze drie topics uit te pluizen. Maar de analyse van je data en processen is ook bij experimenteren een noodzakelijke stap om tot een zinvolle proof-of-concept te komen. Wie niet weet welke data hij heeft, waar die zit opgeslagen en hoe die in zijn huidige processen past, zal niet ver komen. Je zal ook moeten kijken naar de kwaliteit van je data, de hoeveelheid informatie waarover je beschikt en het belang van bepaalde gegevens binnen je organisatie. Daarnaast moet je voor uniformiteit en consistentie zorgen in de benaming, de zogenaamde meta-data, van je gegevens zodat je er de juiste betekenis en interpretatie aan kan geven.

Voor je bedrijfsprocessen zal je een gelijkaardig proces doorlopen. Schrijf ze zo accuraat mogelijk neer en bepaal vervolgens welke cruciaal zijn voor jouw organisatie. Zo weet je waar je data science initiatief het meeste nut zal hebben. Een algoritme zou bijvoorbeeld de duurtijd van interimcontracten kunnen voorspellen. Maar waar in het matchingtraject van kandidaat en werkgever zou zo’n voorspelling het meeste effect hebben? Enkel door je processen uit te schrijven en ze in relatie tot de data in kaart te brengen kan je bepalen bij welke stappen je initiatief de grootste impact heeft.

Zorg dat je initiatief waardevol is

Met data kan je veel, maar niet elke toepassing is daarom nuttig voor jouw bedrijf. Zo springen veel organisaties op de chatbot-trein. Je kan een bot kant-en-klaar kopen of je kan hem op maat laten maken. Wie bijvoorbeeld weinig klanteninteractie heeft omdat hij een eenvoudig product zoals een pen verkoopt, blijft bij dat laatste best uit de buurt. Simpelweg omdat zo’n complexe chatbot je als pennenverkoper niet voldoende waarde oplevert om de investering terug te verdienen.

In essentie kan je zo’n waardeanalyse terugbrengen op eenvoudige berekeningen. In je uitgeschreven processen zie je dat actie X cruciaal is en dat je die bijvoorbeeld 500 keer per week uitvoert. Handmatig kost je dat een halfuur, maar dankzij automatisatie met je data science-initiatief, kost het je nog maar twee minuten. Dat is dus een hele kosten- en tijdsbesparing die het project heel waardevol maakt voor je werking. Uiteraard zit de waarde niet altijd in een besparing. Zo kan je ook nieuwe inkomststromen aanboren met nieuwe diensten of meer omzet draaien door je bedrijfsactiviteiten en -resources te optimaliseren met bijvoorbeeld AI.

Denk na over de implementatie

Je proefopstelling mag dan misschien wel perfect werken, maar daarmee is een vlotte uitrol nog niet gegarandeerd. Je kan dus niet vroeg genoeg beginnen nadenken over de implementatie binnen je organisatie. Zo is het cruciaal om na te gaan hoe je data science-technologie kan integreren in je bestaande IT-infrastructuur. Werk je enkel met BI-software , dan kom je er bijvoorbeeld niet. Je moet dus kijken of je je huidige systeem kan aanpassen of moet vervangen. Hoe dan ook zal het tijd en geld kosten, factoren die ook je waardeanalyse zullen beïnvloeden.

Ook over het changemanagement moet je vroeg genoeg beginnen nadenken. Een nieuwe technologie rendeert pas als je werknemers ze gebruiken. Zelfs als het project nog in de startblokken staat, moet je al op zoek naar ambassadeurs op de werkvloer die mee hun schouders eronder willen zetten. Ook zal je nieuwe soorten teams moeten vormen. Data science vraagt namelijk om multidisciplinaire teams die zowel de business-, IT- als data science-kant van het initiatief begrijpen.

Duizelt het een beetje als je alle zaken hoort waarover je moet nadenken bij de start van je data science-project? Geen paniek, wij zijn er om te helpen. We bieden gratis een workshop aan waarin we deze topics aanpakken. Klik op de knop om je in te schrijven!