Wat maakt een dataproject succesvol?

Bepaal, voor  je van start gaat, wat je met jouw project precies wil bereiken. Wat zijn de business drivers achter jouw dataproject? Wil je kosten reduceren, jouw productkwaliteit verbeteren, de productiviteit verhogen, meer of nieuwe business genereren?

Ga vervolgens op zoek naar een concreet probleem dat je op vandaag verhindert om deze doelstelling te bereiken. Zorgt een tijdrovend intern proces ervoor dat de productiviteit daalt? Zou je meer controle hebben over de kwaliteit van jouw product als je meer gegevens had over de grondstoffen? Kan je nieuwe markten aanspreken indien je meer weet over hoe jouw product door de klant gebruikt wordt? Wellicht kan je met een klein dataproject al snel beter scoren op een bepaalde KPI en dus snel resultaat boeken.

Je hoeft niet noodzakelijk nieuwe sets big data te verzamelen vooraleer je aan data analytics kan doen; ook met historische datasets kan je al innovatieve zaken realiseren. Essentieel is wel dat de gegevens waarmee je vertrekt, kwalitatief zijn. Gegevensstromen komen vaak ongestructureerd jouw organisatie binnen, bevatten ruis en omvatten niet noodzakelijk de informatie waarnaar je op zoek bent. Selecteer daarom de juiste datasets voor jouw analyse. Heb je de juiste gegevens nog niet ter beschikking, bekijk dan of je ze alsnog kan beginnen verzamelen.

Er bestaan ontelbaar veel technologieën waarmee je data kan doorgronden. Velen daarvan bieden gebruiksvriendelijke tools waarmee je eenvoudig zelf kan experimenteren om een eerste data-analyse op te zetten. Voor een complex data science project bestaan er echter geen off-the-shelf oplossingen. De juiste technologie selecteren is dan ook niet eenvoudig. Onze tip: kies enkel technologiecomponenten die voldoende schaalbaar zijn om jouw dataproject volgens de evoluerende behoeftes van jouw organisatie te laten groeien. Je hierbij laten bijstaan door een expert, is geen overbodige luxe.

Met een goed gestructureerde aanpak voor jouw data science project kom je het verst. Deze Data Science Lifecycle toont de verschillende stappen die je best doorloopt om tot waardevolle inzichten te komen

We haalden het hierboven al aan: een goede kennis van zowel de business als de technische kant van data-analyse zijn essentieel om een dataproject goed te starten. Idealiter bestaat het projectteam dan ook uit enerzijds iemand uit de business (iemand die het probleem dagelijks ervaart) en anderzijds een data scientist en een data engineer. Het is deze combinatie van technologische expertise en doorgedreven inzicht in de werking van jouw organisatie, die de sleutel vormt voor het slagen van jouw dataproject.

De volgende stappen zijn het klaarmaken en het modelleren van alle (ongestructureerde) datasets zodat ze bruikbaar worden voor analyse. Deze taken zijn vooral voor de data scientist en de data engineer weggelegd. Een data engineer zorgt ervoor dat de data uit de verschillende gegevensbronnen samenkomen op het platform, de data scientist verkent en analyseert de opgeslagen data. Daarna wordt de oplossing uitgerold en geëvalueerd door de betrokkenen uit de business. Aan hen om te bepalen of de oplossing ook effectief de vooropgestelde doelstelling bereikt en nieuwe inzichten oplevert.

Kennis van jouw business heeft je in overvloed. Wij zijn dan weer specialist in technologie. Onze experts begeleiden je graag bij het uitwerken van jouw dataproject: van het zoeken naar een goede use case, over het selecteren van de juiste technologie, tot het uitrollen van een oplossing op jouw maat. Met een sterke partner aan jouw zij komt je immers veel verder. Ga met ons in gesprek en ontdek ons Data, Insights & Analytics aanbod.