Predictive analytics: Hoe dicht je de kloof tussen technische mogelijkheden en menselijke vaardigheden?

robert-allewijnDe mogelijkheden van predictive analytics lijken onbegrensd. Wie wil nu niet de toekomst voorspellen en daarmee een concurrentievoordeel behalen? De praktijk leert echter dat het behalen van succes met predictive analaytics niet eenvoudig is. Er is blijkbaar een kloof tussen wat er technisch mogelijk is en wat de meeste mensen kunnen. Hoe kun je deze kloof dichten?

Bij predictive analytics neemt de data scientist een centrale rol in. Hij kan data op de juiste manier interpreteren en de koppeling maken naar business voordelen. Hierdoor voegt hij enorme waarde toe aan het succes van predictive analytics. De data scientist wordt veelal gezien als het schaap met vijf poten en dé succesfactor. Zonder hem of haar, valt de toegevoegde waarde van analytics vaak tegen. Tegenwoordig ben je overigens al snel een data scientist. Heb je bovengemiddelde ervaring met statistische functies in Excel, dan ben je er al een. De rol wordt zeer divers gedefinieerd.

Opmars van data science leidt tot hooggespannen verwachtingen

Voorspellende modellen zijn overigens niet nieuw. Al jaren worden modellen voor fraudedetectie, weersverwachtingen en economische voorspellingen gemaakt. Deze modellen worden veelal gemaakt met specialistische software door echte specialisten. De enorme opmars van het data science-vakgebied is mede veroorzaakt doordat softwareleveranciers om deze technieken breed toegankelijk te maken.

Dit leidt ertoe dat organisaties predictive analytics ook breed willen inzetten. Gestuurd door de marketing van softwareleveranciers, wordt verwacht dat het eenvoudig te realiseren is. Op seminars tonen leveranciers de mogelijkheden. Dat zijn vaak geweldige cases waarbij de resultaten veelbelovend zijn. Maar als de kennis en vaardigheden om goed met deze tools om te gaan afwezig zijn, wordt inzet van deze nieuwe technologie lastig.

Hierdoor wordt de kloof tussen technische mogelijkheden en menselijke vaardigheden voelbaar. Vanuit de menselijke kant zien we de functie “data scientist” te pas en te onpas gebruikt worden. Bekijken we deze vraag vanuit de zuivere rol van data scientist dan zien we dat deze persoon veel kennis van data en statistiek heeft om inzichten uit data te halen. De manier van denken om te exploreren en verbanden te zoeken, hypotheses te toetsen en de resultaten naar de organisatie te brengen is essentieel. Deze personen zijn snel in staat data te verwerken en de relevante tools bij een vraagstuk te zoeken.

Klassieke BI-medewerkers missen de vaardigheden om creatief vooruit te kijken

We zien echter dat veel data science-initiatieven worden gestart vanuit klassieke business intelligence afdelingen. Dan is beantwoording van de vraag lastiger. Klassieke BI-medewerkers zijn meestal niet statistisch geschoold en zijn geconditioneerd in terugkijken. Ze missen de vaardigheden om creatief vooruit te kijken en te exploreren met data. Ook toepassing van de juiste statistische methodieken is geen vanzelfsprekendheid. Het ontbreken van de juiste vaardigheden vormt hierdoor vaak een belemmering voor succes in de praktijk.

De predictive analytics-kloof tussen technische mogelijkheden en de skills van mensen is er altijd geweest. Vroeger werd dit geaccepteerd als fact of life. Wiskundigen en statistici maakten modellen met complexe technologie. Zonder statistische kennis waagde je je niet aan het maken van voorspellende modellen.

Nu de technologie beschikbaar is voor iedereen wordt de kloof duidelijker in de praktijk en ligt de druk op het overbruggen ervan. De techniek is beschikbaar, maar we zijn onvoldoende in staat de techniek om te zetten in voordelen. Hoeveel mensen kunnen op basis van de vraagstelling en beschikbare data bepalen welke statistische methode het beste toegepast kan worden?

Hoe verklein je deze kloof?

Om techniek beter toepasbaar te maken dienen medewerkers enerzijds kennis op te doen en anderzijds de kennis creatief toepassen.

We zien dat training veelal een van de eerste stappen is om een kennistekort op te lossen. Een kennistekort oplossen is een goede stap, maar lost niet het gehele probleem op. Onderstaand model laat zien hoe veel organisaties met het verkleinen van de kloof omgaan, maar ook hoe het beter kan.

Alten

Dit model toont de assen “Inspiratie” en “Kennis”. Veel organisaties kiezen de kennis-as om via opleidingen kennis op te doen. Bekijken we de kennis-as dan zijn er twee mogelijkheden. De kennis wordt niet opgedaan, dan is de opleiding weggegooid geld. Is de kennis opgedaan, dan begint het moeilijkste proces: motiveren van mensen om iets met die kennis te doen.

Met opleidingen de kloof verkleinen is een moeizaam en risicovol proces

Efficiënter is de inspiratie-as. Medewerkers die creatief zijn, in beweging komen om meer met data te gaan doen, dienen ruimte te krijgen om dit te doen. De intrinsieke motivatie leidt tot resultaten die bereikt kunnen worden met de beschikbare kennis. Opleiding kan ervoor zorgen dat meer mogelijkheden bereikt worden. Opleiding volgt motivatie.De inspiratie-as leidt in het begin tot eenvoudige resultaten maar toename van kennis tot direct resultaat. In dit scenario geeft de motivatie richting.Het verschil tussen een échte data scientist en een BI-medewerker die via training data scientist wordt is veelal de inspiratie. Een BI-consultant met de juiste inspiratie en creativiteit kan zich dus wel ontwikkelen tot een goede data scientist!

Randvoorwaarden voor succesvol gebruik van predictive analytics

Door tooling en vaardigheden zijn organisaties in staat meer gebruik te maken van data en informatie. Desondanks lukt het organisaties nog niet altijd succesvol te zijn. Welke drempels weerhouden organisaties verder nog van succes? Onze ervaring is dat de volgende aspecten een rem zijn op het succesvol toepassen van predictive analytics.

  1. Korte termijn denken versus strategische inzet van informatie
  2. Financiën (kost gaat voor de baat uit)
  3. Business development is onvoldoende in staat buiten haar eigen kaders te denken en de omslag te maken naar informatieproducten.
  4. Het ontbreken van de vaardigheden

Een goed instrument dat houvast geeft om te bepalen waar je staat bij de implementatie van predictive analytics is het TDWI Maturity Model. Dit model geeft inzicht in de stand van zaken en ook inzicht in de te verwachten problemen.

Borging van predictive analytics binnen een organisatie zal enerzijds bottom-up dienen plaats te vinden. Er moet worden aangetoond dat in de praktijk succes geboekt wordt en laten zien wat de mogelijkheden zijn.

Topdown dient ook richting gegeven te worden aan deze initiatieven. Dit kan door financiële blokkades weg te werken, maar ook door drempels weg te nemen op het gebied van business development door bijvoorbeeld iemand tijdelijk in te zetten om mensen te inspireren de omslag naar informatieproducten te maken.  We zien het in de auto-industrie gebeuren. Waar klassiek het voertuig centraal staat, zien we leveranciers steeds meer informatie centraal stellen. Ons rijgedrag wordt doorgestuurd naar de fabrikant. Het potentieel is enorm. File informatie, pro-actieve informatieverstrekking op basis van locatiegegevens, veranderende onderhoudsschema’s. Door informatie centraal te stellen zijn de mogelijkheden zijn onbegrensd.

Er is geen gouden regel hoe predictive analytics in een organisatie te borgen. Kijk per situatie waar de drempels liggen. Rekening houdend met de cultuur van de organisatie kun je deze hordes nemen en succesvol zijn.

Robert Allewijn, technical manager

neem contact op

*verplichte velden

Nieuwste vacatures

69 services