Nu data-driven marketing zo snel terrein wint, groeit ook de interesse voor data science. Dat steeds meer ondernemingen hierop inzetten, is niet meer dan logisch, gezien de tsunami aan beschikbare data die in het digitale tijdperk op ons afkomt. “Marketing is niet langer een kwestie van buikgevoel maar wordt vandaag onderbouwd met feiten en data. Het laat bedrijven toe om de juiste beslissingen te nemen.” Bloovi sprak met Inez Van Laer, Data Science Consultant bij delaware.
Complexe vraagstukken ontwarren
Big data alleen volstaan voor alle duidelijkheid niet om tot waardevolle inzichten te komen. Men dient deze ook nog op een juiste manier te visualiseren en zinvol te interpreteren zodat de business ermee vooruit kan. Voor Inez Van Laer is er geen twijfel mogelijk: bedrijven doen er vandaag goed aan in te zetten op data science. “Het investeren in kwalitatieve data brengt ons tot ongekende inzichten. Je neemt geen beslissingen meer op buikgevoel maar gaat die onderbouwen met feiten en data.”
“Data science gaat over het kwantificeerbaar maken van onzekerheden, waarmee je ondersteuning geeft aan het management”, zegt ze. “Een data scientist is in staat complexe business vraagstukken te ontwarren en tevens te beantwoorden met concrete oplossingen. Daarom is het zo belangrijk dat men voldoende domeinkennis heeft en de business begrijpt. Bovendien wordt van hem of haar verwacht dat men proactief meedenkt en een aantoonbare meerwaarde levert aan de bedrijfsvoering.”
Vrij jonge discipline
Ze haalt het voorbeeld aan van een bedrijf dat elk jaar een hoop nieuwe klanten binnenrijfde, zonder dat dit zich jaarlijks vertaalde in betere omzetresultaten. Bleek dat er minstens evenveel bestaande klanten afhaakten als er nieuwe bijkwamen. “Het bedrijf had al een vermoeden dat de churn rate vrij hoog lag maar kon dit niet hard maken. Het inzicht dat men uiteindelijk verwierf dankzij data science bracht definitief uitsluitsel. Zo kon men alsnog concrete acties ondernemen.”
De ene bestempelt het als een jonge discipline, voor de andere is data science dan weer een bestaande discipline die gewoon in een nieuw jasje wordt gestoken. Inez Van Laer behoort tot de laatste categorie. “De algoritmes op zich zijn in elk geval niet nieuw. Alleen beschikken data scientists nu ook over de juiste technologie en tools om alles te kunnen berekenen, wat voorheen ontbrak. Maar het echt vernieuwende zit hem vooral in de insteek: hoe kan je als data scientist voor een bepaalde business een probleem oplossen en aanpassen aan de specifieke noden van het bedrijf. Het is een domein waar nog veel ontdekt moet worden.”
"De ene bestempelt het als een jonge discipline, voor de andere is data science dan weer een bestaande discipline die gewoon in een nieuw jasje wordt gestoken. Data scientist versus data analist."
De data-analist van zoveel jaar terug is niet de data scientist van vandaag. Data science is dus niet te verwarren met data-analyse. Inez Van Laer legt het verschil uit. “Een data-analist gaat aan de hand van complexe data waardevolle inzichten creëren en ondersteunt die zoveel mogelijk met heldere visualisaties. Daar waar een data scientist op basis van die data voornamelijk voorspellingen doet, daar ook patronen in gaat herkennen en zoekt naar correlaties.”
Door op een creatieve manier om te gaan met data, kan men voldoende meerwaarde creëren voor de business. “Om dat goed te kunnen vertalen, dient een data scientist echter perfect te weten wat op dat moment de uitdagingen voor een bedrijf zijn. Door de juiste vragen te stellen start je altijd met een nauwkeurig omschreven doel. "
"In de zoektocht naar de ontbrekende stukjes moet een data scientist uiteraard goed weten welke puzzel hij nu juist aan het oplossen is."
==> Ontdek hier hoe data science kan bijdragen aan Customer Intelligence
Uitgebreide skill set
Dit geweten zijnde, zal het wellicht niemand verwonderen dat de skill set van een data scientist behoorlijk uitgebreid is. Naast het technische aspect: “programmeren, kennis van databases en data uit verschillende bronnen halen”, is er het analytische luik: “het vroegtijdig kunnen detecteren van opportuniteiten”. Dit behoort eveneens tot het takenpakket. “Waar kan er waarde worden gehaald?”, is een vraag die voortdurend door het hoofd van een data scientist moet spelen. Daarna is het zaak om aan de hand van visualisaties de verworven inzichten begrijpelijk te maken voor anderen. Daarom dient men ook over de nodige communicatieve vaardigheden te beschikken.
“Minstens even belangrijk zijn de soft skills: men dient leergierig te zijn en bereid om constant bij te leren. Een data scientist is bovendien een ‘problem solver' die een vraag moet kunnen omzetten naar een concreet stappenplan. Tevens moet men de status van ‘trusted advisor’ hebben, iemand die heel sociaal is. Een data scientist gaat cross-departmental tewerk en zit dus niet vast binnen één proces. Dat maakt dat het een heel sterke netwerker moet zijn, een netwerker die erin slaagt verschillende afdelingen binnen een organisatie samen te smeden tot één geoliede machine. Een netwerker die mensen, zelfs onbekend van elkaar, tot samenwerking kan motiveren.”
"Dat zijn inderdaad heel veel vaardigheden in één persoon, wat maakt dat het profiel van een goede data scientist niet makkelijk te vinden is."
Om een idee te geven: in de Verenigde Staten alleen al verwacht men volgend jaar een tekort van om en bij 150.000 data scientists.
Kwaliteit van de data essentieel
Is enige maturiteit vereist, wanneer een bedrijf zich waagt aan data science? “Je kan er redelijk snel mee starten, al hangt veel af van de probleemstelling”, stelt Inez Van Laer. “Wil je bijvoorbeeld een voorspelling doen in het productieproces, dan volstaan de gegevens van misschien één sensor om aan data science te kunnen doen. Veel complexer wordt het wanneer je alle databronnen moet ontsluiten en samenbrengen op één locatie.”
"Bedrijven die vandaag nog niet willen of kunnen inzetten op data science, zullen daar op korte termijn misschien nog geen negatief effect van ondervinden, maar zij laten wel enorme kansen liggen om op termijn voor het peloton uit te rijden."
Het succes van data science staat of valt onder meer met de kwaliteit van je data. Als het daar al niet goed zit, heeft het weinig zin om eraan te beginnen. “En eenmaal de inzichten zijn gecreëerd, moeten die nog correct vertaald worden naar iets wat nuttig is voor de business. Laat je die nadien onder het stof liggen is dat zonde van de tijd. Het heeft bijvoorbeeld geen zin om vast te stellen dat een bedrijf een te hoge churn rate heeft, als er tezelfdertijd niet gekeken wordt naar mogelijke opportuniteiten die dat probleem kunnen verhelpen.”
Oneindig veel toepassingsgebieden
Denk vooral niet dat data science enkel voor marketingdoeleinden wordt ingezet. “Predictive maintenance is bijvoorbeeld een heel ander domein waar het heel nuttig kan zijn. Aan de hand van sensordata ga je in het productieproces vroegtijdig detecteren welke componenten bijna aan onderhoud of vervanging toe zijn. Als je daar geen gebruik van maakt, riskeer je het probleem pas te ontdekken op het moment dat het productieproces helemaal stilvalt”, aldus Inez Van Laer.
Ook in retail zie je steeds meer toepassingen van data science opduiken. “Aan de hand van data kan een retailer zien in welke mate het koopgedrag van een klant verschilt tussen drukke tijden en de eerder rustige momenten in de winkel. Voor het verkooppersoneel kunnen dergelijke inzichten helpen om de klant een betere service te verlenen en opent dit nieuwe perspectieven op vlak van cross-selling.”
Ook een autoverzekeraar zou competitief voordeel kunnen halen uit data science. “Die hoeft geen expert meer langs te sturen om de schade aan een wagen vast te stellen. Het volstaat dat zijn cliënt een foto opstuurt waarop aan de hand van een machine learning model wordt voorspeld welke onderdelen nu precies beschadigd zijn en hoeveel het zal kosten om die te laten herstellen. Dat zijn twee vliegen in één klap: een computer neemt het werk van de expert over en de klant krijgt heel snel feedback over de opgelopen schade en bijhorende reparatiekosten.”
"Voor de mensen van HR wordt het mogelijk om aan de hand van data science tijdig aan te voelen wanneer een werknemer met het idee speelt om het bedrijf te verlaten. Een andere toepassing bevindt zich in de vastgoedsector waar aan de hand van satellietbeelden bouwovertredingen gedetecteerd kunnen worden. Het kan ook helpen bij sales forecasting of voorraadoptimalisatie. En zo kunnen we nog wel even doorgaan... Het toont aan dat er ontelbare toepassingsgebieden zijn en we op dat vlak het laatste nog niet hebben gezien.”
