Datagericht werken in negen stappen

1. Maak businessuitdagingen inzichtelijk

“De eerste stap die je als bedrijf moet nemen om datagericht te gaan werken, is helder krijgen waar de uitdagingen of problemen van je business liggen. Daarbij is het zaak om de dieper liggende achtergrond in beeld te hebben. Stel, een manager merkt dat het personeelsverloop hoog is. Dan ga je je afvragen: wanneer vind je het verloop precies hoog? Voor welke rollen binnen het bedrijf geldt dit? Hoe concreter het probleem in beeld komt, hoe waardevoller uiteindelijk de rol van data science.”

2. Definieer zakelijke kansen

“Wanneer je het probleem in kaart hebt gebracht, ga je de zakelijke gevolgen van dat probleem bekijken. Waarom is dat hoge personeelsverloop problematisch? Kost het veel tijd om die vacatures weer in te vullen? Op die manier maak je duidelijk wat de zakelijke gevolgen zijn van je probleem, en hoe je er als organisatie op vooruitgaat door dit probleem op te lossen."

3. Zoek naar relevante data

“Voordat je aan een oplossing kunt werken, ga je op zoek naar data om te kunnen analyseren. Dat is een grote stap: je gaat namelijk bedenken welke factoren allemaal mee spelen. Ga je het personeelsverloop onderzoeken, dan kun je bijvoorbeeld exit-interviews en beoordelingsgesprekken analyseren. Maar er kan van alles meespelen: salaris, managementstijl, carrièreperspectief, werkdruk – er zijn allerlei dingen te bedenken. En wanneer de data niet meteen voorhanden is, kun je je afvragen: hoe kunnen we daar aan komen?"

4. Vind causale verbanden in je data

“Vanaf deze stap gaat de daadwerkelijke data science een rol spelen, zeker bij grote hoeveelheden data. Je hebt allerlei gegevens verzameld en nu is het zaak om causale verbanden te ontdekken. Hoe je dat doet, hangt af van de hoeveelheid informatie die je hebt verzameld. Gaat het om 25 exit-interviews, dan kun je daar gewoon zelf statistiek op loslaten. Heb je veel externe contextuele databronnen of doe je onderzoek bij een multinational en zijn het er 1.500, dan wordt het een ingewikkelder verhaal.

Data science biedt allerlei technieken om enorme hoeveelheden data te analyseren. Je hebt bijvoorbeeld de Random Forest-methode, waarbij algoritmen zelf op zoek gaan naar verbanden. Dat doe je door het model eerst te trainen via een dataset en het vervolgens te verifiëren met een andere set. Tijdens die analyse kan een data scientist allerlei verbanden vinden. In je onderzoek naar personeelsverloop kun je een soort profiel samenstellen rond de omstandigheden van medewerkers die de organisatie hebben verlaten of dat juist niet hebben gedaan.”

5. Evalueer de zakelijke waarde van deze verbanden

“Stel dat je in stap 4 een causaal verband ontdekt waarmee je kunt voorspellen of een medewerker op het punt staat ontslag te nemen. Dan kun je dus ook actie ondernemen om dit te voorkomen. Vervolgens beoordeel je in deze stap de toegevoegde waarde van het model. De betrouwbaarheid van het model is vaak het eerste aandachtspunt, want 100 procent betrouwbaarheid is een utopie.

Daarbij is het belangrijk om er rekening mee te houden dat het onderhouden van je analysemodel tijd en geld kost. Hiermee ga je dus terug naar de allereerste stappen, waarin je het probleem in kaart bracht. Je maakt de afweging: wegen de baten van mijn oplossing op tegen de kosten?”

IT-inzichten die je niet mag missen

Als eerste op de hoogte zijn van de laatste IT-ontwikkelingen? Schrijf je in voor onze maandelijkse nieuwsbrief.

6. Breng je model in de praktijk

“Tot nu toe ben je bezig geweest om een model samen te stellen. In de vijfde stap heb je een afweging gemaakt: biedt mijn model een waardevolle oplossing voor het probleem? Zo ja, dan ga je in deze fase over tot actie. Het model ontgroeit de laboratoriumfase en wordt na instemming van de stakeholders in de praktijk toegepast. Je koppelt het analysemodel aan je operationele systemen. Dit zal stapsgewijs en onder begeleiding gebeuren, afhankelijk van de impact op de bedrijfsvoering en techniek, en van de ervaring met voorgaande implementaties. Zo is een DevOps-benadering ook voor data science een zeer voor de hand liggende werkwijze.”

7. Laat gebruikers zelf ervaren wat het model doet

“Het model is gekoppeld aan, of geïmplementeerd in, de operationele systemen. Dit kan op de werkvloer leiden tot nieuwe beslissingen, met hopelijk een beter resultaat als gevolg. In het onderzoek naar personeelsverloop kan het dus zijn dat het analysemodel nu data heeft ontvangen over de situatie van een medewerker die volgens het model de organisatie mogelijk zal verlaten. Het model laat de aanleiding tot deze diagnose zien en geeft opties om deze situatie te verbeteren.”

8. Leg nieuwe activiteiten vast en meet hun zakelijke gevolgen

“Belangrijk is nu ook data te verzamelen over de daadwerkelijke invloed van het analysemodel op de werkvloer en de effecten daarvan. De praktijk is immers weerbarstiger dan de theorie en zonder meetgegevens over de effecten van je oplossing komt je niet tot verdere inzichten. Je gaat monitoren hoe het model en de organisatie zich vanaf nu manifesteren.”

9. Analyseer je data voor verdere stappen

“In deze laatste stap analyseer je de effecten van de oplossing die je hebt bedacht: is het probleem nu opgelost? Misschien merk je dat de signalering en adviezen vanuit het analysemodel dankzij een bepaalde ingreep nóg meer effect kunnen hebben en start je daarom een volgende verbeterslag. Bijvoorbeeld vanuit stap 3. Het kan ook zijn dat je juist op nieuwe problemen stuit en denkt: hier moeten we ook eens naar kijken (stap 1). Via zo’n methodische aanpak leidt datagericht werken tot nieuwe, diepere inzichten die een businessuitdaging behapbaar maken, in welke branche je ook zit.”

Trendrapport ontvangen?

Voor het trendrapport data science vroegen we partijen in verschillende markten naar hun redenen om data science in te zetten: welke toepassingen zien zij? Waar zit de winst? Maar ook: welke uitdagingen zijn er te overwinnen voordat je succesvol met data science aan de slag kunt?

Meer weten? Download het trendrapport.