Data science

Merendeel organisaties besteedt data science uit

10 November 2021 - 4 minuten leestijd
Artikel door Redactie Insights

De doelstellingen en toepassingen van data science hebben de meeste organisaties wel aardig op het netvlies. Maar hoe pak je het vervolgens aan? Daarbij is de manier waarop je data wilt ontsluiten van belang. Maar ook de afweging om dit in eigen beheer te houden of (deels) uit te besteden. Centric en Markteffect onderzochten of en in welke mate organisaties data science-toepassingen bij derde partijen onderbrengen.

Een manier om informatie uit meerdere bronsystemen bij elkaar te laten komen, is het gebruik van een dataplatform. Zo kun je vrij over alle data beschikken. Dat gaat dus verder dan bijvoorbeeld een CRM-systeem met klantinformatie en verkoopgegevens, dat alleen voor CRM-functionaliteiten te gebruiken is. Het gaat er juist om de brondata te ontsluiten naar andere applicaties, voor analyse en data science-toepassingen. Een dataplatform biedt een gelaagde structuur voor het opslaan, rubriceren, filteren en opschonen van data. De juiste, kwalitatief goede data – het doel van datagericht werken – is de basis voor de analyses die je daarmee kunt doen en bepaalt in hoeverre je datagedreven kunt gaan werken.

82% van de organisaties geeft aan op dit moment zelf nog geen dataplatform voor data science-toepassingen in huis te hebben. De 18% die het wel gebruikt, noemt hierbij onder meer eigen software, Azure, Power BI, Cognos, Google of Oracle.

Data governance

Een dataplatform is een plek waar veel verschillende, soms gevoelige, gegevens bij elkaar komen. Het is ook de plek waar je bepaalt wie toegang heeft tot welke gegevens: autorisatie. Of hoe lang zaken bewaard mogen blijven: data retention. Daarmee zorg je dat de organisatie blijft voldoen aan de privacywetgeving. Bij overheidsorganisaties komen daar nog andere richtlijnen bij, zoals doelbinding: het verzamelen van gegevens uitsluitend voor een specifiek doel. Autorisatie en aanvullende richtlijnen voor verantwoord datagebruik zijn bij de inrichting van een dataplatform vastgelegd in een governancestructuur van het dataplatform als geheel.

Uitbesteden van data science toepassingen

76% van de organisaties besteedt data science-toepassingen deels of geheel uit. Dat is op zich weinig verrassend. Het gaat namelijk vooral om de systematiek eromheen: het inrichten, het ontsluiten van data en de goede governance. En dat is niet de kernactiviteit van organisaties en soms nog relatief nieuw voor hen. Als organisaties data science uitbesteden, laten ze dat het liefst over aan een partij die ervaring heeft in de branche. Tweederde van de organisaties die deels of geheel uitbesteden, geeft aan gebruik te maken van een externe partij voor kennis en advies. Ervaring met data science wordt daarbij belangrijker (34%) gevonden dan specialisatie in hun specifieke markt (19%). Een reden hiervoor kan zijn dat organisaties verwachten zelf voldoende kennis op dit vlak in huis te hebben. Dat kan in de praktijk tegenvallen, aangezien je bij data science-analyses en -projecten echt de ‘diepte’ in zult moeten.

In de regel ligt het uitbesteden van generieke zaken voor de hand. Veel tools en al ontwikkelde modellen, bijvoorbeeld voor dataopslag, zijn voor meerdere situaties in te zetten. Zo hoef je het wiel niet opnieuw uit te vinden en benut je de voordelen. Daarnaast speelt ook mee dat organisaties bepaalde gevoelige informatie liever in eigen beheer houden: bijvoorbeeld data over intellectueel eigendom van de organisatie. Die data bepalen het onderscheidend vermogen in de markt en bevat daardoor concurrentiegevoelige informatie.

Uitdagingen

Voordat organisaties met data science aan het werk kunnen, is er een aantal hobbels te nemen. Bijna 40% van de organisaties vindt ‘complexiteit’ de grootste uitdaging voor projecten waar data nodig is voor analyse. Een van de factoren die data science complex kunnen maken, is dat er veel verschillende soorten databronnen nodig zijn om goede analysemodellen op te stellen. Hoe breng je al die bronnen bij elkaar? Hoe ontsluit je de gegevens? Welke algoritmen laat je erop los? Maar ook: welke wettelijke spelregels zijn er voor die algoritmen, zoals de privacywetgeving? Naast de complexiteit die samenhangt met het verzamelen van data, speelt de aanwezigheid en beschikbaarheid van kennis in de betreffende organisatie een belangrijke rol: welke afdelingen moeten met elkaar samenwerken als het gaat om datagericht werken? Welke disciplines en rollen zijn nodig? Wie heeft het overzicht?

Meer lezen over de uitkomsten van het onderzoek over data science? Download dan het data science-trendrapport. De inzichten in dit rapport zijn onder andere gebaseerd op onderzoek dat Markteffect voor Centric uitvoerde naar de rol die data science speelt binnen, onder andere, de sectoren overheid, transport & logistiek, financiële dienstverlening en retail.

Trendrapport

Verschillende redenen om data science in te zetten

Download hier
Gerelateerde artikelen
Data science moet vooral de efficiency vergroten
Data science
Dat data science een veelbelovend onderzoeksveld is, staat buiten kijf. Maar wat is nu precies het doel e ...
Data science-toepassingen per sector zeer verschillend
Data science
De toepassingen van data science zijn bruikbaar in veel branches. Organisaties stellen hun prioriteiten v ...
Waarom data science verder gaat dan Business Intelligence, maar niet zonder kan
Data science Finance Public Logistic Retail
Business Intelligence-analisten zijn al jaren met data in de weer. Sinds de opkomst van Data Science kunn ...