In de praktijk blijken weinig bedrijven in staat de volledige potentie van data te benutten. Het grootste struikelblok is het ontbreken van een helder stappenplan om van data naar waarde te komen. Vragen als ‘wat willen we weten, welke kennis hebben we in huis’ en ‘welke software hebben we nodig’, kunnen verzanden in een kip-ei-discussie. Welke software nodig is, hangt af van de vraag die beantwoord moet worden, maar welke vraag beantwoord kan worden hangt ook af van de mogelijkheden van de software. Het is begrijpelijk dat veel bedrijven vastlopen in dit proces. Is er een manier om dit te voorkomen?
Mijn ervaring is dat voor succesvolle data science projecten drie ingrediënten cruciaal zijn. Allereerst een goede business case, waarin staat in welke context de data verzameld zijn en hoe ze worden ingezet voor kostenbesparing en het ontdekken van nieuwe verdienmodellen. Het tweede ingrediënt is de kennis om de data zo te analyseren dat het bedrijf daarmee zinvolle voorspellingen kan doen en conclusies kan trekken. Hiervoor is programmeerkennis en wiskundige kennis nodig. Het derde ingrediënt is een robuuste IT-infrastructuur, waarin oplossingen duurzaam, schaalbaar en in een veilige omgeving getest en gerealiseerd kunnen worden.
Deze ‘ingrediënten’ vergen ieder hun eigen expertise, maar er zijn weinig bedrijven die al deze vakkennis in huis hebben. Daarom is het niet alleen verstandig, maar naar mijn mening zelfs noodzakelijk om deze kennis bijeen te brengen in multidisciplinaire teams. Het vinden van de juiste mensen die elkaar begrijpen en goed kunnen samenwerken, zal in de praktijk misschien een grotere uitdaging zijn dan het vinden van de juiste databron of het goede algoritme. Bedrijven die erin slagen dit culturele proces goed vorm te geven, zullen uiteindelijk het succesvolst zijn.
