Het aantal dataprojecten groeit met de dag. Begrijpelijk want zo is meer concurrentievoordeel, strakkere procesbeheersing en betere risicobeheersing te behalen. Helaas stranden te veel dataprojecten in (slechts) goede bedoelingen. Met kostbare speeltuinen en zinloze automatisering als resultaat. Dat kan beter.
Binnen veel organisaties is grote behoefte aan management cockpits, bedrijfsrapportages en geavanceerde voorspelmodellen. In talloze artikelen, blogs en ook tijdens seminars worden managers gewezen op het het heil dat dataprojecten brengen. Opgeschroefde ICT-budgetten zorgen ervoor dat recruiters stad en land afbellen om schaarse dataspecialisten te vinden en software leveranciers stevige winsten maken. Dat kan efficiënter. Het rendement op ICT-investingen verbetert als we dataprojecten beter verbinden met organisatiedoelen.
In de praktijk zie ik twee voorwaarden voor succesvolle dataprojecten:
- Laat dataspecialisten nooit geïsoleerd werken, haal ze uit hun dataspeeltuinen en stop zinloze automatisering. Tenzij je onbeperkt budget over de balk wil smijten.
- Zorg voor een infrastructuur waarmee dataprojecten in productie gezet worden. Tenzij je alleen proof of concepts, power points of eenmalige analyses nodig hebt.
Dataprojecten verbinden met organisatiedoelen
Managers weten vaak prima wat ze willen bereiken met dataprojecten. De voorbeelden zijn bekend:
- Inzicht in de verkoop en productiecijfers staat vaak nog met stip op één.
- Eenvoudige taken op grote administratieve afdelingen automatiseren met robots
- Direct-marketingcampagne resultaten verbeteren met responsvoorspellingen
- Verdachte transacties filteren om witwassen te bestrijden
- Uitval analyse in administratieve processen, om ze vervolgens met verbeterprojecten aan te pakken
Zo kan iedereen, na het lezen van wat blogs en boekjes de eigen doelen vast wel bepalen. Datascientisten, BI developers en data engineers zijn vervolgens nodig om met dataprojecten resultaten te halen. Wanneer deze professionals aan de slag gaan zonder duidelijke doelen ontstaat er een dataspeeltuin. Dat kan een tijdje nuttig zijn om de mogelijkheden en de structuur van de beschikbare databases te onderzoeken. Maar wie niet oppast ziet al snel kostbare hobbyprojecten ontstaan op basis van zelfbedachte requirements. Vooral veel intelligente datascientisten willen nog wel eens in dit datafantasieland terechtkomen.
Hoe ontstaat zoiets? Tussen managers en de dataspecialisten zijn vaak lagen van product-owners, business-analisten, implementatiemanagers en andere consultants. Absoluut nodig omdat het aansturen van dataprojecten om specifieke kennis vraagt en de span of control van managers vaak te groot is om de aansturing zelf te doen. Maar met elke tussenpersoon vervagen de doelen. Zeker als een consultant ook een belang heeft bij een automatiseerder. Dan gaan hobbyprojecten te lang door om uren te kunnen schrijven. Erger is het als zinloze projecten in productie worden gezet. Ga maar eens na. Welke rapportages gebruik je nooit en hoe komt het dat ze toch gebouwd zijn? Echt gevaarlijk zijn de waardeloze datascience-producten. Bekende voorbeelden zijn de algoritmes die tot discriminatie leiden op de arbeidsmarkt en bij fraudebestrijding. Die wil je toch niet? Deze producten komen tot stand door perverse prikkels en slechte communicatie. In het eigenbelang afwijken van organisatiedoelen of als dataspecialist onbekend zijn met de organisatiedoelen. Ook de druk om iets op te leveren, ook als het eigenlijk niet deugt is een perverse prikkel. Beter is het om zinloze automatisering te stoppen.
Hoe dan wel? Van speeltuin naar bruikbaar product
Gelukkig wordt in veel organisaties Agile en Scrum toegepast. Indien correct toegepast worden hiermee succesvolle dataprojecten gerealiseerd. De ideale route verloopt van de eerste data-analyse in de speeltuin via een verbinding met organisatiedoelen naar dagelijks bruikbare producten. Voor het laatste is real-time bronontsluiting en professionele software nodig. In de speeltuin kunnen we scriptjes op CSV bestanden draaien waarna de resultaten gepresenteerd worden in PowerPoint. Maar zonder datawarehouse, beheer van toegangsrechten tot rapportages, en implementatietrainingen blijf je opnieuw steken in datafantasieland. Begin dus altijd met einde in zicht zodat dataproducten in productie gezet kunnen worden. Start eerst start met de data-infrastructuur voordat je analisten en datascientisten aan de slag zet. Creëer geen verwachtingen als je niet kunt leveren omdat de data-infrastructuur die hiervoor nodig is, ontbreekt.
Als een dataproject verbonden is met bedrijfsdoelstellingen en wat betreft data-infrastructuur haalbaar is als bruikbaar product kunnen dataspecialisten aan de slag. Agile en scrum zijn prima methoden om een dataproject van de grond te krijgen. Maar zorg dat het ontwikkelteam niet alleen met zichzelf en externe consultants praat. Om perverse prikkels te voorkomen zijn twee- tot driewekelijkse demo’s met belanghebbenden en hun managers in de organisatie onmisbaar. Zo blijf je op het rechte spoor. Met minder ICT-budget blijkt dan meer mogelijk en worden de schaarse dataspecialisten beter ingezet.
Aan de slag, licht je projecten door
Een logische eerste stap is een kritische analyse van de activiteiten van de data-afdeling.
- Zijn de projecten haalbaar in de zin dat ze na ontwikkeling in productie gezet kunnen worden?
- En zijn de projecten voorzien van heldere doelen, verbonden aan organisatiedoelen?
Als op een van deze vraag nee is, stop er dan maar mee. Als een dataproject verbonden is met bedrijfsdoelstellingen en wat betreft data-infrastructuur haalbaar is als bruikbaar product kunnen dataspecialisten verder. Agile en scrum zijn prima methoden om een dataproject van de grond te krijgen. Zorg dat het ontwikkelteam niet alleen met zichzelf en externe consultants praat. Twee- tot driewekelijkse demo’s met belanghebbenden en hun managers in de organisatie zijn onmisbaar.