Analytics als kernactiviteit: de opkomst van de data scientist
Organisaties beschikken over meer data dan ooit tevoren en maar weinig organisaties zullen betwijfelen dat het toepassen van data analytics tot concrete resultaten leidt. Amazon wordt vaak als schoolvoorbeeld genoemd. Als early adopter van data-analyse introduceerde het bedrijf de functie ‘Klanten die dit artikel kochten, kochten ook…’. Tegenwoordig worden de aanbevelingen van Amazon gebaseerd op het verlanglijstje van de gebruiker, de beoordeelde artikelen en de artikelen die door andere mensen met een vergelijkbaar koopgedrag zijn gekocht. Dit maakt de voorspellende analyse nauwkeuriger, wat vervolgens een positief effect op de omzet van het bedrijf heeft.
Alleen maar een nieuw buzzwoord?
Silicon Valley zit tegenwoordig vol met data scientists. Organisaties concurreren momenteel met elkaar om professionals met het juiste profiel aan te trekken. Het lijkt soms misschien een buzz, maar de opkomst van de data scientist is een feit. Wat zijn de capaciteiten die data scientists zo gewild maken? “Naar mijn mening gaat data science iets verder dan data-analyse”, antwoordt Andrew Pease, Principal Business Solutions Manager bij SAS. “Een data scientist gebruikt geavanceerdere technieken om zakelijke uitdagingen te identificeren, relevante gegevens te verzamelen en actiegerichte inzichten te rapporteren. Ze zijn in staat om trends in data te ontdekken en om zinvolle voorspellingen te doen.”
Een statistische achtergrond helpt hier enorm bij. Maar een succesvolle data scientist moet over een gevarieerde set aan vaardigheden beschikken. Wat een data scientist uniek maakt, is dat ze zowel de IT als Business begrijpen en leggen de brug tussen deze twee werelden. “Succesvolle data scientists hebben een onverzadigbaar verlangen hebben om te leren, te innoveren en te verbeteren. Natuurlijk moeten ze de gegevens vinden, analyseren en doorgronden en hun bevindingen delen. Maar als zij niet in de eerste plaats de juiste vragen stellen, zullen alle data en de beste statistische vaardigheden ter wereld hen niet helpen”, merkt Andrew Pease op.
Volgens het onderzoek van McKinsey is gebrek aan communicatie een van de grootste obstakels bij een doeltreffend analytics programma. Andrew Pease is het daar volledig mee eens: “Data scientists moeten in staat zijn om de informatie in de data te ontsluiten en om die over te brengen aan de besluitvormers binnen hun organisatie. Ze maken de complexe analyses ook begrijpelijk voor de mensen binnen het bedrijf. Visualisatietechnieken zijn bijvoorbeeld heel handig; een plaatje zegt immers meer dan duizend woorden – of rijen in een Excel-werkblad. Wanneer analytics toegankelijk wordt gemaakt, krijgen besluitvormers een duidelijker beeld van wat analytics voor hun organisatie kan doen en zullen ze het eerder omarmen.
De C-level rol
Het gebrek aan leiderschap is een andere factor die een daadwerkelijk datagestuurde organisatie in de weg staat. In het McKinsey-onderzoek is een kwart van de respondenten binnen goed presterende organisaties ervan overtuigd dat betrokkenheid van het top management een cruciale rol speelt bij de effectiviteit van de analyse-activiteiten van een bedrijf. “Door data science tot een organisatiebreed strategisch initiatief te maken, kunnen bedrijven data scientists de tijd en middelen geven die ze nodig hebben om succes te boeken.”
Hoewel data analytics bij bedrijfsleiders hoog op de agenda staat, hebben velen van hen geen duidelijke visie. In het McKinsey-onderzoek zegt 38% van de CEO’s dat ze de analytics agenda van het bedrijf bepalen, maar slechts 9% van alle andere C-level managers is het daarmee eens. Die respondenten laten eerder een IT-manager, een marketing manager of het hoofd van een bedrijfsonderdeel bepalen wat er op de analytics agenda komt te staan. “Het maakt niet echt uit welke C-level manager het voortouw neemt, zolang analytics maar een kernactiviteit is. Analytics wordt op IT-afdelingen nu nog vaak als een secundaire functie gezien. De ERP-oplossing wordt als de basis beschouwd, met analytics gewoon als extraatje. Het wordt door IT zelfs vaak als een marketingspeeltje afgedaan. Toch is het echt cruciaal om analytics tot een kernfunctie te maken. In de meeste organisaties zal dit echter niet van vandaag op morgen gebeuren. Het kost tijd om analytische profielen te definiëren en het team zal waarschijnlijk eerst het succes ervan moeten aantonen voordat de rest van de organisatie dit volledig omarmt.”
In dit verband noemt Andrew Pease de opkomst van de chief analytics officer (CAO): “De CAO heeft een rol in het bestuur. Naast veel analytisch werk is hij ook voortdurend bezig om te evalueren hoe analytics een rol kan spelen bij het optimaliseren van het bedrijf.”
Elke organisatie gaat op haar eigen manier om met data analytics. Terwijl sommige een CAO aanstellen, zetten andere bedrijven liever een analytisch, mogelijk zelfs multidisciplinair, team op. “De aanpak verschilt per organisatie. Organisaties moeten kijken wat hun specifieke behoeften zijn. Bepaalde organisaties besluiten om externe analisten in te huren, omdat ze de benodigde kennis intern missen. Aangezien data-analyse een belangrijk strategisch onderdeel van het bedrijfsplan vormt, is het belangrijk dat de analytische processen op een bepaald moment worden geïnternaliseerd”, stelt Pease.
Actiegerichte analytics
De meeste grote organisaties zijn al bezig data scientists te werven. In dit tijdperk van big data en transformatie komen organisaties tot het inzicht dat de informatie die in de transactie besloten ligt nog waardevoller is dan de transactie zelf. “Op dit moment is de snelst groeiende bank in de UK eigenlijk de winkelketen Tesco. De financiële sector staat nu al bol van de data scientists, de retail sector gaat dezelfde kant op en in de loop van dit jaar zal er ook in manufacturing een explosieve vraag naar data scientists ontstaan. Met de doorbraak van ‘the Internet of Things’ zal het analyseren van enorme hoeveelheden sensordata centraal komen te staan”, vervolgt Andrew Pease.
Het succes van data science in de organisatie draait om meer dan alleen algoritmen. Creativiteit is essentieel, niet alleen voor het kraken van de cijfers, maar ook voor wat betreft de manier waarop data scientists de daaruit voortkomende inzichten doorgeven aan alle beslissingnemers in de organisatie. “Als de resultaten niet toegankelijk en begrijpelijk worden gemaakt, zullen anderen in de organisatie het lastig vinden om actie te nemen ‘alleen maar omdat de computer dat zegt’,” besluit Andrew Pease.
Meer horen?
Op SAS Forum Nederland laten we u aan de hand van succesverhalen en best practices zien hoe u analytics in uw organisatie naar een hoger niveau kunt tillen. Dit is niet alleen goed voor uw organisatie, maar ook voor uw carrière.
Share this article with your network:
