Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
22
DATA:VANINNOVATIE
NAARWAARDE
Ontwikkelen van organisatorische competentie
is forse transformatie
We kennen de verhalen ...
23
»
Voor reacties
en nieuwe
bijdragen van
IT-experts:
Henk Ester,
070 3046812
h.ester@
automatise-
ringgids.nl
Systematic...
Upcoming SlideShare
Loading in …5
×

[Dutch] Data: Van Innovatie naar Waarde

1,174 views

Published on

Een artikel gepubliceerd in Automatiseringsgids op 22 oktober 2015. Het beschrijft wat er nodig is om innovaties op het gebied van data science/data discovery, om te zetten naar herhaalbare, op schaal, robuuste en veilige oplossingen.

Published in: Data & Analytics
  • Be the first to comment

[Dutch] Data: Van Innovatie naar Waarde

  1. 1. 22 DATA:VANINNOVATIE NAARWAARDE Ontwikkelen van organisatorische competentie is forse transformatie We kennen de verhalen allemaal. Van briljante pioniers diein hun garage een idee voor een fantastisch nieuw product uitwerken tot een prototype. Maar dan begint het pas. De innovaties moeten op schaal met een constante kwaliteit, herhaalbaar, veilig en robuust kunnen worden ontwikkeld door anderen. Deze laatste stap bepaalt of een innovatie daadwerkelijk waarde heeft. Een stap, zegt Ronald Damhof, die vaak wordt verzwegen. door: RONALD DAMHOF beeld: MARC KOLLE D ataficatie is een prachtig alomvat- tende omschrijving voor een trend die niet meer te stoppen is. Een trend waarbij transacties, ap- paraten, mens en dier constant worden gemeten en de resultaten – de data – worden gebruikt voor marketing- en produc- tinnovaties, voor maatschappelijke doorbra- ken op het gebied van onder meer gezondheidszorg, criminaliteit, klimaat en energie. Onder de paraplu van dataficatie zijn begrip- pen als Big Data, Data Science, Internet of Things, maar ook databeveiliging en privacy, steeds meer gemeengoed geworden en is er de laatste jaren een explosie aan technologische innovaties op de markt gekomen. Denk aan innovaties in data-opslag en verwerking (Ha- doop, Spark, NoSQL databases), innovaties in datavisualisatie (SAS Visual Analytics, Qlik, Tableau) en innovaties in data-blending (Alte- ryx, SAS Enterprise Guide, Platfora, Tamr). Fantastische technologie met grootse moge- lijkheden om innovatie ruim baan te geven. Maar in alle euforie rondom deze technologie lijkt het soms wel of het doel uit het oog wordt verloren. Een onderzoeker die uit een waanzinnige hoeveelheid data een fundamen- teel patroon ontdekt dat cruciaal is voor de succesvolle behandeling van kanker, een wis- kundige die een zeer goed passend analytisch model heeft gemaakt met grote voorspellende waarde omtrent de mogelijke fraude op belas- tingen, een bank die een verdachte transactie vist uit de dagelijkse miljarden financiële transacties. Prachtige ontdekkingen vaak. Het kapitaliseren van deze ontdekkingen bete- kent dat voor grote groepen burgers kanker sneller gediagnosticeerd en behandeld kan worden, dat voor alle belastingaangiften ra- zendsnel fraude wordt gedetecteerd en ge- sanctioneerd en dat de financiële transactie ITEXPERT Damhof.indd 22 15-10-15 14:31
  2. 2. 23 » Voor reacties en nieuwe bijdragen van IT-experts: Henk Ester, 070 3046812 h.ester@ automatise- ringgids.nl Systematic Push/Supply/ Source driven Facts Context Shadow IT, Incubation, Ad-hoc, Once off Research, Innovation & Prototyping Design Pull/Demand/ Product driven Opportunistic Development Style I II III IV Data Push/ Pull Point die verdacht is – op het moment dat die plaats- vindt – wordt geïdentificeerd en er actie wordt ondernomen. Veel succesverhalen rondom Big Data en Data Science gaan over die ene briljante ontdekking of die prachtige innovatie. Het zijn echter vaak verhalen van één expert op een bepaald domein in een zeer geïsoleerde setting, waar eenmalig een resultaat wordt behaald. Aspec- ten als privacy, fabrieksmatige voortbrenging, schaal, beheer en kwaliteitsattributen, zoals compleetheid, traceerbaarheid, accuraatheid, zijn daarbij van ondergeschikt belang. In een innovatieve setting mag dit ook van onderge- schikt belang zijn, creativiteit moet tenslotte ruim baan krijgen. Innoveren met data bete- kent echter niet alleen het ontwikkelen van een analytische competentie, maar vooral ook een competentie om de analytische ontdek- kingen veilig, robuust en op schaal te vertalen naar waarde voor consument, burger, patiënt of student. Het ontwikkelen van waarde is een organisatorische competentie: de grote uitda- ging waar veel organisaties voor staan. En het is ook een kans voor organisaties om zich te onderscheiden van hun concurrenten en om een bijdrage te leveren aan de samenleving. Transformatie Wat gebeurt er als deze organisatorische vaar- digheid niet wordt ontwikkeld? Enerzijds be- staat de kans dat de innovatie onder beheer van een onderzoeker of een kleine groep van onderzoekers blijft. De ontdekking gaat ge- bruikt worden in een zeer opportunistische context. Het op schaal gebruiken van de ont- dekking geeft allerlei uitdagingen en risico’s op het gebied van verandermanagement, on- derhoud, schaalbaarheid, kwaliteit en privacy. De onderzoeker gaat zijn uiterste best doen om de uitdagingen te adresseren. Maar omdat de ontdekking in dit stadium per definitie aan een onderzoeker hangt, is het ongelooflijk las- tig op te schalen, ook delegeren is moeilijk. De enige manier van opschaling is het aannemen van iemand van gelijk niveau, een peer. De vraag is of de nieuwe onderzoeker het op de- zelfde wijze gaat doen. Een ernstiger gevolg kan zijn dat de betreffende onderzoeker zich niet meer bezig kan houden met datgene waar hij in excelleert: het doen van nieuwe relevan- te ontdekkingen met behulp van veel data, veel computerkracht en innovatieve software. De innovatieve competentie van de organisa- tie wordt om zeep geholpen omdat de organi- satie geen competentie heeft ontwikkeld om innovaties op systematische wijze voort te brengen. Een organisatie die deze competentie wel heeft ontwikkeld, geeft de onderzoeker de mogelijkheid zijn innovatie door te geven aan teams die ervoor zorgen dat de innovatie wordt vertaald naar een professioneel onder- steund product dat op schaal, herhaalbaar en robuust kan worden voortgebracht. Een product dat voldoet aan de door de klanten gesteldekwaliteitseisen. Vaak worden briljante data scientists inge- huurd, innovatieve technologie wordt inge- kocht. Men kan ver komen door simpelweg de portemonnee te trekken. Maar pas op. Er kunnen zich fantastische mogelijkheden voor- doen. Mogelijkheden waar men de waarde zo snel mogelijk uit wil halen. Dat vereist ook een organisatorische competentie. Een compe- tentie om data-assets om te zetten in waarde- volle services of producten voor klanten. En die koop je niet zomaar. Het ontwikkelen van een organisatorische competentie moet worden gezien als een forse transformatie. Het is van belang dat leidingge- venden erkennen dat het ontwikkelen van een analytische competentie onvoldoende is en dat het managen en regelen van de data-asset een cruciale factor voor succes is en dat het ambacht van modelgebaseerde systeem- ontwikkeling nieuw leven ingeblazen moet worden. Kenmerken In hoeverre is een organisatie gereed voor een dergelijke transformatie? Vijf kenmerken van organisaties die het begrijpen: 1. Deze organisaties relateren het belang van klant, patiënt, student of burger aan de wijze waarop je met data omgaat. Er is een heldere datastrategie. 2. Deze organisaties geven data een hoog man- daat (en bijbehorend budget) in de organisatie, zowel op het gebied van management als op het gebied van (enterprise) architectuur en systeemontwikkeling. Zij onderkennen dat da- ta om een procesbenadering (in tegenstelling tot een systeembenadering) vragen en organi- seren en managen de kwaliteit van data en hun voortbrenging op systematische wijze. 3. Deze organisaties hebben ingerichte proces- sen, medewerkers en werkinstructies die data scientists/onderzoekers in staat stellen om innovaties fabrieksmatig voortbrengen. Data scientists zijn klaar als hun product van de ‘productielijn’ rolt, niet als het product is bewezen in een ‘garage’. 4. Deze organisaties onderkennen dat op het gebied van data de informatie- en data-engi- neers de ‘ontwikkelaars’ zijn. Zij zijn geen ‘code-kloppers’, maar modeldenkers. Experts op het gebied van conceptueel en logisch modelleren, datakwaliteit, masterdata, model- gebaseerde systeemontwikkeling en technolo- gie. Data scientists inhuren is prima en kan veel betekenen voor de organisatie, maar voor elke data scientist heeft men ook een data-en- gineer nodig. Zij zijn de yin & yang van de data-asset. De genoemde organisaties onderkennen dat de organisatie als geheel wendbaar ingericht moet worden. Zij omarmen onzekerheid, ver- andering, transparantie en zelfsturende teams. Pleidooi Ten slotte een pleidooi voor het veranderen van het onderwijs. Het technisch onderwijs moet modelgebaseerde systeemontwikkeling, systeemtheorie, kwaliteitstheorie, logica en ordentelijke informatiemodellering weer een prominente plek in het curriculum geven. En een pleidooi voor het onderwijzen van toe- komstige managers: om te stoppen met een risicomijdende houding, het ‘shorttermism’, het technologisch fetisjisme en het gebrek aan vertrouwen in de eigen medewerkers. Het management moet weer lef tonen, kiezen voor duurzaamheid en de lange termijn, eigen regie en verantwoordelijkheid nemen, en bovenal vertrouwen op het vakman- schap van zijn medewerkers. Ronald Damhof (ronald.damhof@prudenza.nl) is onafhankelijk adviseur op het gebied van datamanagement, data-architectuur en data-go- vernance. Het model is gereedschap waarmee door alle geledingen van de organisatie een gemeen- schappelijk en waardevrij beeld gevormd kan worden op het gebied van gegevens. De rode pijlen in het model geven de essen- tie weer: Hoe organiseer je de competentie van een organisatie om innovaties, die tot stand zijn gekomen door een creatief en op- portunistische proces (kwadrant III en IV), om te zetten in een robuust, gecontroleerd, schaalbaar, kwalitatief relevant en systema- tisch proces (kwadrant I en II). DATA KWADRANTEN MODEL:VAN OPPORTUNISTISCHE NAAR SYSTEMATISCHE VOORTBRENGING Damhof.indd 23 15-10-15 14:31

×