Een succesvol Data Science project wordt geïmplementeerd en genereert echte bedrijfswaarde. Toch zijn dergelijke Data Science-projecten helaas nog steeds zeldzaam. Veel van deze projecten mislukken, en meestal om dezelfde redenen.
Echt succesvolle Data Science projecten hebben vijf dingen gemeen. Laat me ze aan je voorstellen:
Je gegevens en tools moeten klaar zijn voor Data Science. Bedrijven worstelen nog steeds met het verkrijgen van toegang tot de data (zowel door interne politiek als door technologische problemen). Veel bedrijven hebben legacy-systemen die het leven van Data Scientists moeilijk maken.
Daarnaast vormen het niet begrijpen van de vereisten of de mogelijkheden van de verschillende tools die voor Data science worden gebruikt, of het niet beschikken over voldoende financiële middelen om het team dat te geven wat ze nodig hebben om efficiënt en effectief te werken een groot probleem. Meer dan eens heb ik meegemaakt dat werknemers modellen mee naar huis namen omdat de bedrijfsinfrastructuur niet voldoende was voor grafische verwerking daarvan.
Beschikt jouw team over de nodige gegevens en tools om hun werk te doen?
Je denkt hierbij misschien aan de vaardigheid om een deep learning-model, of een data pijplijn te bouwen. Maar dat is niet genoeg. De vaardigheid om de gegevens te begrijpen die in hun zakelijke context worden gebruikt, en het vermogen om de verbindingen van verschillende gegevensvelden te begrijpen, is net zo belangrijk.
En laten we de projectmanagement- of productmanagement vaardigheden niet vergeten, het grote geheel zien in combinaties met het vermogen om met het bedrijf te communiceren.
Heeft jouw team echt alle vaardigheden die nodig zijn om het werk te doen?
Vaak vinden gesprekken tussen Data Scientists en zakenmensen plaats op twee compleet verschillende niveaus. Ze praten met elkaar denken dat ze hetzelfde begrijpen, maar dit is echter vaak niet het geval. Teams hebben de neiging om in snel actie te ondernemen, zonder duidelijk de verwachtingen van alle business stakeholders in kaart te brengen. En laten we het verandermanagement richting de eindgebruikers niet vergeten, zeker als laatstgenoemden bang zijn hun baan te verliezen.
Communiceert jouw team voldoende met de verschillende stakeholders?
De businesscase, een klassieker als je het over projecten in het algemeen hebt. Maar vaak is deze ver te zoeken in Data Science projecten. Te vaak worden Data Science-projecten niet vanuit een business case gestart, maar gewoon op basis van "Zou het niet cool zijn als...?" vragen. Door een duidelijke projectomvang te definiëren, of van te voren te controleren hoeveel het zou kosten om een model in productie te nemen, en er een product omheen te bouwen, kunnen er veel euro’s bespaard worden.
Is jouw businesscase voor je Data Science-project helder?
Als je de data, tools, skills, communicatie én de business case hebt kan het ontbreken van governance nog steeds roet in het eten gooien. Het Data Science team moet op de juiste plek in de organisatie ingebed zijn en de juiste connecties hebben met de verschillende ondersteunende functies. Het proces rond het accepteren van projecten, de manier waarop het team werkt, ‘n het naleven van wet- en regelgeving staan centraal. En last but not least heb je de buy-in van het topmanagement nodig. Als de governance niet goed is ingesteld, ben je klaar voor mislukking.
Is de governance in jouw bedrijf klaar voor succes?
Als je de vragen omtrent de bovenstaande 5 factoren voor jezelf beantwoordt, dan wordt het snel duidelijk of je klaar bent voor een succesvol Data Science project.
Wil je meer weten over de waarde die Data Science je bedrijf kan bieden, en wat het verschil is ten opzichte van standaard Business Intelligence oplossingen, download dan onderstaande Infographic.
