De meeste organisaties zijn intussen wel bezig met data-analyse, maar nog niet alle projecten leveren de gewenste businesswaarde op. Vaak blijkt productiviteit bij het uitvoeren van bepaalde taken een belangrijke hindernis. Wat zijn de grootste struikelblokken en hoe kunnen we ze omzeilen?
Dat ieder bedrijf op zoek is naar oplossingen om productiviteitswinst te boeken, bleek onlangs tijdens de jaarlijkse Gartner Data & Analytics Summit. In het kader van de conferentie organiseerde SAS een rondetafelgesprek dat klanten een podium gaf om hindernissen en oplossingen omtrent het uitvoeren van dataprojecten te bespreken. Hieronder overlopen we de zes belangrijkste bevindingen.
1. Neem je datastrategie op in de bedrijfscultuur
Data literacy (datageletterdheid) blijft in de meeste organisaties een belangrijk obstakel voor productief werken met data. De term verwijst naar de vaardigheid om data op een betekenisvolle manier te verkennen en gebruiken. In vergelijking met meer gespecialiseerde profielen in het bedrijf, hebben vooral businessgebruikers moeite om een vraag voor een dataproject duidelijk te formuleren.
In plaats van alle energie te steken in opleidingstrajecten over het gebruik van bepaalde tools, kunnen organisaties beter iteratief focussen op communicatie over het belang van data in de bedrijfscultuur. Welke data is er beschikbaar? Wat kan je ermee doen en waar wil het bedrijf naartoe? In combinatie met toegankelijke en geautomatiseerde technologie (hierop komen we nog terug) zal dit de drempel voor veel gebruikers aanzienlijk verlagen.
2. Definieer wat je wil bereiken
Om snel met data aan de slag te gaan, moet je informatie uiteraard ook vlot kunnen identificeren. Het gebrek aan data governance en een goede datacatalogus is daarom een tweede hinderpaal waar veel organisaties mee worstelen. Enerzijds moet je de data tot op zekere hoogte voorbereiden aangezien een data scientist met ruwe gegevens weinig kan bereiken. Maar anderzijds zou het ook nefast zijn voor de productiviteit als je alle data op voorhand zou bewerken.
Een dataset is slechts een tussenstap en geen einddoel. Probeer daarom een middenweg te vinden in het voorbereiden van data en leg de klemtoon op informatie die zeker waarde voor het bedrijf oplevert. Uiteindelijk is geen enkele dataset 100% perfect. Stap dan ook af van het idee dat je alle data goed moet krijgen en bepaal wat volstaat in de context van je project. Voor regulerende rapporten zal de lat wellicht heel hoog liggen, terwijl voor een gemiddelde bedrijfscase 80% al voldoende kan zijn. Meer hierover lees je in het volgende artikel van deze driedelige reeks.
3. Storytelling: deel succesverhalen met je gebruikers
Als je wil dat mensen best practices en tools voor data analytics adopteren, moet je het belang ervan voor de organisatie duidelijk maken. In plaats van hierover op een droge manier te communiceren, zal je meer effect hebben als je de nadruk legt op succesverhalen. Maak resultaten tastbaar en laat mensen ervaren hoe analytische modellen een meerwaarde voor het bedrijf opleveren. Zodra ze het bredere plaatje begrijpen, zullen ze zelf ook gemotiveerder zijn om hun werk met data te ondersteunen.
Maak resultaten tastbaar en laat mensen ervaren hoe analytische modellen een meerwaarde voor het bedrijf opleveren.
Een belangrijke voetnoot: beschouw een geslaagde pilot niet als maatstaf voor productiviteit. Sommige organisaties zitten vast in een vicieuze cyclus waarbij ze van proefproject naar proefproject gaan. Er is altijd wel een andere case die hun aandacht verdient, waardoor de meeste pilots nooit in de praktijk worden gebracht. Een model is daarom pas een succesverhaal als het effectief bedrijfswaarde oplevert.
4. Design thinking maakt je projecten sneller concreet
Design Thinking is een populaire aanpak die ook voor analytics heel wat voordelen biedt. Eigenlijk komt het erop neer dat ieder project begint met een duidelijke omschrijving van een probleem vooraleer er over een oplossing wordt nagedacht. Uiteraard helpt dit ook om de data literacy-drempel te verlagen, aangezien elke stakeholder het probleem moet begrijpen. Nog te vaak zien we bijvoorbeeld dat data scientists en business executives samen rond de tafel zitten en van elkaar niet weten waarover ze het hebben. De Design Thinking-aanpak zorgt ervoor dat alle neuzen in dezelfde richting staan.
5. Top-down is effectiever dan bottom-up
Doelstellingen die van bovenaf komen, zijn vaak beter geformuleerd en leiden sneller tot resultaten – in tegenstelling tot een bottom-up aanpak waarbij objectieven eerder per toeval samenkomen en moeilijker te realiseren zijn. Probeer de doelen van je dataprojecten daarom zoveel mogelijk van bovenaf te ondersteunen en communiceren.
6. Focus op automatisatie en selfservice
Automatisatie gaat hand in hand met productiviteit. Een modern analytics-platform voert veel taken daarom automatisch uit. Denk aan het installeren en opstarten van testomgevingen, het integreren en testen van ontwikkelingen, het hertrainen van bestaande modellen, … Geautomatiseerde workflows nemen meer en meer taken over die voorheen manuele stappen vereisten. En dat komt niet alleen de productiviteit ten goede, maar verbetert ook de consistentie en kwaliteit van een model.
Tools bieden daarnaast ook meer selfservice functionaliteiten aan, waardoor gebruikers autonomer werken en de wachttijden binnen een project verminderen. Bijvoorbeeld om databronnen in een catalogus op te zoeken of om eenvoudige pijplijnen met GUI-tools op te zetten. Maar ook voor het opstarten van cloudinfrastructuur via specifiek ingebouwde apps die gebruikmaken van de API’s van public cloud-vendors. Zowel automatisatie als selfservice kunnen succesvol en schaalbaar worden als je ze in een governance-kader toepast en alle verantwoordelijkheden duidelijk zijn.
Van 80/20 naar 20/80
Meten is weten … Je kunt je productiviteit pas verbeteren als je weet waar misgaat. Dat geldt overigens ook voor de ontwikkelaars van data analytics-oplossingen. SAS werkt bijvoorbeeld met een gespecialiseerd team dat analyseert hoeveel tijd gebruikers winnen of verliezen bij het bouwen van modellen. Ze rekenen hiervoor op een tool die alle informatie en inzichten uit de SAS-omgeving op een dashboard samenbrengt. Deze aanpak heeft er onder andere voor gezorgd dat gebruikers vandaag met geünificeerde interfaces werken en niet meer afhankelijk zijn van aparte tools die elk een taak ondersteunen. Dit verbetert de samenwerking in de organisatie en natuurlijk ook de productiviteit.
Gemiddeld steken data scientists vandaag nog steeds 80% van hun tijd in het voorbereiden van data en slechts 20% in het effectief ontwikkelen van modellen. Gavin Day, Executive VP bij SAS, sprak daarom de ambitie uit om deze cijfers op termijn om te draaien. Zoals we hierboven duidelijk maakten, zijn er op allerlei vlakken nog efficiëntiewinsten te boeken. Als de data scientist zich bijvoorbeeld niet meer moet bezighouden met ruwe data of het anonimiseren van gegevens in het kader van privacy en security, dan kunnen we die 80% aanzienlijk verminderen. Aangezien datamodellen als ultiem doel snellere en betere beslissingen hebben, zal de bedrijfsvoering daar zeker van profiteren.
Dit artikel maakt deel uit van een driedelige reeks. In het volgende deel ontdek je hoe nieuwe initiatieven rond data op hun beurt leiden tot meer productiviteit. We gaan er dieper in op het belang van onder meer selfservice en een datacataloog voor gebruikers.
Dit artikel is een ingezonden bijdrage van SAS.