Wat is Data Science?
Wat is data science? Dit vakgebied houdt zich bezig met het verwerken en analyseren van grote hoeveelheden data, en/of ongestructureerde data zoals video’s, e-mails, geluidsfragmenten, tweets, sensordata, et cetera. Data Science richt zich met name op het ontwikkelen en toepassen van machine learning modellen. Dit soort modellen zoeken naar patronen en correlaties in data en maken die direct zichtbaar. Om het makkelijker te begrijpen, geven we een voorbeeld van data science voor beginners: denk hierbij aan computers die al dan niet zelfstandig patronen in data naar boven halen en daarvan leren.
3 Data Science voorbeelden
- Hoe kun je de vraag naar bepaalde producten beter voorspellen met data science analytics?
- Hoe ga je Data Science machine learning inzetten om je voorraadposities te optimaliseren?
- Hoe kun je het werving- en selectieproces verbeteren zodat je de beste mensen kunt selecteren?
Data Science definitie
Data Science betekent letterlijk datawetenschappen maar die vertaling is nog steeds erg abstract en nietszeggend. We geven hier een data science definitie die iedereen kan begrijpen:
Data Science is het continue proces waarbij je mogelijk relevante databronnen selecteert, filtert, deze opschoont, door en door leert begrijpen, grondig analyseert, mooi visualiseert en er businesswaarde uithaalt.
Dit proces wordt goed weergegeven door de volgende figuur waarbij je (big) data opwerkt tot informatie, inzichten en kennis. Dit doe je al dan niet met behulp van statistiek en algoritmes. Die kennis vertaal je vervolgens naar de beste acties (voor dat moment) en procesverbeteringen.
Figuur 1: Het doel van data science weerspiegelt in de piramide: van ruwe data naar de beste acties en procesverbetering
Met andere woorden: je gaat data science doelbewust inzetten om problemen en vraagstukken in jouw organisatie op te lossen. Data science is geen speeltje van de data scientist maar een praktische wetenschap die je gaat helpen om betere beslissingen te nemen. Vooral operationele beslissingen waar beoordelingsprocessen een grote rol spelen en waarvan er dagelijks vele worden genomen.
Beoordeel de echte Data Science betekenis
Je gaat de werkelijke betekenis van data science beter begrijpen als je nagaat waar in jouw organisatie allemaal beoordelingsprocessen plaatsvinden. Deze processen beoordelen bijvoorbeeld hoeveel een object waard is, of het verantwoord is om iemand een lening te verstrekken en wat de kans op fraude is bij een aanvraag of schadeclaim. Ook berekenen ze bijvoorbeeld wat de snelste route is voor een bezorger of een verkoper die een reeks klanten wil gaan bezoeken. De toepassingsmogelijkheden van data science & big data analytics zijn enorm. De kunst is om in jouw organisatie gezamenlijk die toepassingen te ontdekken. Data science wordt volgens Hal Varian, een gerespecteerd econoom bij Google en emeritus professor aan Berkeley, de komende decennia een ontzettend belangrijke, cruciale competentie voor organisaties.
Deze 10-daagse topopleiding is bedoeld voor iedereen die vanuit een zakelijk perspectief succesvol wil zijn met data science en daarnaast een boost wil geven aan zijn of haar carrière. Met veel aandacht voor alle toepassingsmogelijkheden die algoritmes en machine learning bieden, de tools zoals Python, R & BI tools. Uiteraard krijgen privacy, ethiek en wetgeving ook de nodige aandacht. De nadruk van deze training ligt vooral op de business-kant van Data Science.
Een wereldwijd datageneratie-proces
Of het nu gaat om aankopen of sensordata, zoekopdrachten, slimme meters of geluidsopnames van telefoongesprekken. Klanten en machines worden een steeds belangrijker onderdeel van een wereldwijd datageneratie-proces. We kunnen de omvang en impact ervan nog nauwelijks bevatten. Maar door het mixen van die verschillende interne en externe databronnen kan je uiteindelijk komen tot compleet nieuwe en onverwachte inzichten. Daarmee kun je dan nieuwe, waardevolle dataproducten of datadienstverlening creëren. Dat is in een notendop de uitdaging waar je met Data Science management voor staat.
De 25 belangrijkste voordelen van Data Science artificial intelligence
We weten door onze jarenlange ervaring met AI, Data Science & machine learning als geen ander waar en hoe je de vruchten van Data Science kunt plukken. Je gaat niet alleen op zoek naar quick wins (een standalone data science toepassing ontwikkelen), maar ook zoek je naar de langetermijnvoordelen wanneer je het structureel en organisatiebreed gaat inzetten. We zetten hier alle 25 voordelen van het toepassen van data science technieken op een rij:
Figuur 2: De top 10 voordelen van data science zijn op een meer zichtbare manier samengevat.
- Met Data Science Analytics voorkom je een oerwoud aan spreadsheets
- Met data science tools ga je meer verkopen en betere marges realiseren
- Het versnelt beoordelingsprocessen in je organisatie op radicale wijze
- Met Data Science machine learning kun je efficiënter personaliseren of differentiëren
- Data Science laat je eenvoudig allerlei (big) data combineren en analyseren
- Het ontlast de IT-afdeling en operationele systemen
- Je ontwikkelt één versie van de waarheid, hoewel die niet in beton is gegoten
- Medewerkers, teams en managers presteren beter door data science
- Met Data Science AI voorkom je informatieoverbelasting
- Het werkt als aanjager voor het creëren en managen van nieuwe kennis
- Data Science laat leidinggevenden meer visiegericht en coachend werken
- De delicate balans tussen brein en intuïtie kan verbeteren
- Met Data Science Analytics stimuleer je creatief zoekgedrag dat nieuwe deuren opent
- Door continue blootstelling aan betrouwbare data ken je je business model beter
- Met BI data science creëer je meer betrokkenheid en loyaliteit bij je medewerkers
- Je realiseert met data science tooling meer transparantie en voorkomt ook fraude
- Data Science helpt je bij de verbeterslag in het managen van bedrijfsrisico’s
- Je bedrijf wordt wendbaarder: zie het boek ‘De wendbare organisatie’
- Het stimuleert innovatie door inzichten die aangeven dat je strategie is uitgewerkt
- Met data science krijg je meer grip op dynamiek, marktwerking en turbulentie
- Met Data Science predictive models ga je nauwkeuriger anticiperen en voorspellen
- Je kunt je datakwaliteit gaan verbeteren dankzij datawetenschappen
- Data Science analytics combineert en analyseert moeiteloos ongestructureerde data
- Het kan zorgen voor een duurzamere wereld doordat er minder verspilling plaatsvindt
- De mens kan zich beter ontplooien in een gestroomlijnde, gezonde organisatie
Met bovengenoemde data science-voordelen bij de hand kun je nu de businesscase voor data science big data gaan maken en die beschrijven. Wanneer je ondersteuning wilt bij het opzetten of verder professionaliseren van data science, neem dan hier contact op met één van onze data science consultants.
The Data Science book for Decision Makers & Data Professionals
Dit unieke Data Science boek (Engelstalig) helpt je om het vakgebied te doorgronden en toe te passen op jouw organisatie. In 10 stappen helpt dit boek je om een datagedreven organisatie te realiseren waar alle beslissingen met Data Science worden ondersteund. Zet nu al de eerste stap en bestel het boek vandaag nog.
De top van Data Science bedrijven Nederland
Passionned Group maakt onderdeel uit van de reeks Data Science bedrijven die inmiddels in Nederland actief zijn. We durven voorzichtig te stellen dat we tot de top behoren en hét meest invloedrijkste data science bedrijf van Nederland zijn. Met een onafhankelijke jury organiseren we de Dutch BI & Data Science Award 2024, we geven les op diverse universiteiten in binnen- en buitenland (onder andere TIAS) en we schrijven boeken over Data Science. Deze vinden inmiddels wereldwijd hun weg. Een data science consultant van Passionned Group is niet alleen ervaren, kritisch en communicatief, maar benadert een opdracht ook integraal, dus zowel de organisatorische als de technische kant worden meegenomen. Onze data science consultancy richt zich vooral op:
- Het ontwikkelen van een robuuste Data Science roadmap door werksessies en interviews
- Het 100% onafhankelijk adviseren over projecten, organisatie & data science tooling
- Het ontwikkelen van data science, machine learning, deep learning en algoritmes
- Het ontwerpen van een agile data architectuur die ook de directie begrijpt
- Het selecteren van de juiste Data Science tools vanuit een onafhankelijk perspectief
- Het implementeren van datawarehouses, data lakes en data hubs
- Het beschikbaar stellen van een of meer interim Data Science expert(s)
- Het opzetten en inrichten van een Data Science afdeling of team
Wil jij ook eens praten met een Data Science specialist en een inspirerend gesprek voeren met een praktijkman of -vrouw van een Data Science consultancy partij die echt weet waar zij het over heeft? Stel hier gerust je vraag of bel ons direct.
De keuze uit Data Science tools is reuze
De markt voor Data Science tooling groeit en verandert bijna elke dag en die monitoren we continu met de BI & Analytics Guide 2024. Uit onze data science studie blijkt dat, naast de bekende, grotere spelers zoals Microsoft (met data science Power BI), SAS (met Visual Analytics), IBM (met Watson Analytics), SAP en Tibco, open source een hoge vlucht heeft genomen binnen het vakgebied. Er vinden op dit gebied veel interessante ontwikkelingen plaats. Er wordt veel tijd gestoken in de verdere ontwikkeling van programmeertalen als R, Python en data science tools en platforms als Hadoop, Dataiku en RapidMiner.
- R biedt vele verschillende statistische en grafische technieken, zoals lineaire regressie en niet-lineaire modellen, klassieke statistische tests, tijdreeksanalyse, classificatie, clustering, et cetera. Het is redelijk eenvoudig uitbreidbaar ook door de objectgeoriënteerde opzet van R.
- Python is een objectgeoriënteerde, uitbreidbare programmeertaal met krachtige bibliotheken voor datamanipulatie en analyse.
- Zowel R als Python kun je inzetten in combinatie met Hadoop en haar MapReduce routines.
- RapidMiner is een platform waarvan slechts de kern open source is. Het biedt een geïntegreerde omgeving voor machine learning, tekst mining, datamining en predictive analytics.
Tools voor data science BI zijn er dus in overvloed, maar hoe zorg je nu dat je ook succesvol kan worden? Immers, van de tien data science & big data analytics projecten haalt slechts één project uiteindelijk de productie, zo blijkt uit tal van internationale data science studies. Het is onze missie en passie om een belangrijke bijdrage te leveren aan het verbeteren van die succesratio. De crux zit hem in de beoordelingsprocessen.
Het zijn de beoordelingsprocessen die Data Science maken of breken
In nog een behoorlijk aantal organisaties zie je dat veelbelovende data science, artificial intelligence toepassingen meestal weer snel van het toneel verdwijnen (de zogenoemde eendagsvliegen). Er wordt druk geëxperimenteerd, iedereen is enthousiast, maar de regie ontbreekt en zelfs een glimp van een visie op de rol van data science is vaak ver te zoeken. De oplossing hiervoor is om eerst met elkaar een goed beeld te krijgen van de beslissingen die in jouw organisatie worden genomen of zouden genomen moeten worden. Door die in kaart te brengen kan je business analytics & data science koppelen aan concrete beslissingen. Onderstaand schema kan je daarbij helpen.
Figuur 3: net als bij data analytics koppel je data science doelbewust aan de beslissingen in je organisatie. In onze 10-daagse data science opleiding staat dit schema centraal.
Start eerst met de operationele beslissingen die dagelijks, wekelijks of maandelijks worden genomen. Bijvoorbeeld de beslissing om een startup een lening te verstrekken of niet. En doorloop dan alle stappen in het schema: redeneer terug naar de kennis, informatie en data. En pak daarna door op de acties, de performance, de reflectie en ervaring. Denk vervolgens na hoe je alle stappen zou kunnen automatiseren. Zo kunnen alle betrokkenen zich veel meer bewust worden van de toegevoegde waarde van data science AI en kan de regie beter worden ingericht. Je verlaat daarmee de experimentele fase en gaat data science structureel inbedden in je processen. De impact die data science in totaal kan maken stijgt exponentieel naarmate je meer processen door algoritmes laat controleren of besturen.
Het boek 'De intelligente, datagedreven organisatie'
Dit complete Data Science BI boek - meer dan 25.000 exemplaren verkocht - maakt het hele spectrum van het intelligenter en datagedreven maken van organisaties op een gestructureerde manier inzichtelijk. Het geeft je een praktisch kader om procesverbetering en innovatie met data science technieken aan te pakken en door te voeren.
Voorspel onderhoud met Predictive Maintenance Data Science
Een van de meest besproken toepassingen is voorspellend onderhoud plegen met data science ofwel Predictive Maintenance Data Science. Ook hier speelt een beslissing weer een belangrijke rol: wanneer moet je preventief onderhoud plegen. Waar traditionele organisaties volgens een planning om de zoveel maanden of jaar standaard op elke machine of machineonderdeel preventief onderhoud plegen, beoogt voorspellend onderhoud data science het juist op die momenten te doen wanneer de kans op een machine failure of uitval (een KPI-voorbeeld) zeer aanwezig is. Met foto’s en sensoren kun je een datastroom op gang brengen die je met data science machine learning analyseert. Concreet laat je de patronen opsporen die een indicatie geven dat een onderdeel kapot dreigt te gaan. Door alleen onderhoud te plegen wanneer het echt nodig is, bespaar je niet alleen veel geld, ook je productiecapaciteit neemt toe en je gooit geen dingen weg die nog prima functioneren. Data Science reikt je dus de tools aan om tot in detail te gaan differentiëren, en dat in sommige gevallen volledig geautomatiseerd. Zo ga je van dat schot hagel naar een precisiebombardement.
Hoe richt je data science management goed in?
Om data science goed te managen heb je allereerst een frisse blik nodig op het vakgebied. Zo ontwikkel je een duurzame en gedragen visie, zodat iedereen in jouw organisatie zich bewust is wat de rol en toegevoegde waarde is. Een paar zaken zijn van cruciaal belang:
Figuur 4: Het Data Science Proces laat zien wat de stappen zijn om data science in jouw bedrijf te implementeren.
- Business Data Science: de business en de besluitvorming zijn leidend voor het ontwikkelen van data science toepassingen (zie de eergenoemde opmerkingen over beoordelingsprocessen). Het moet geen IT data science ofwel een IT feestje worden. De business staat dus aan het roer, IT ondersteunt.
- Data Science manager: deze manager coördineert alle strategische en operationele data science binnen de organisatie. Hij of zij rapporteert aan de directie of een directielid. Deze manager is een bruggenbouwer, kent de business van haver tot gort en maakt de vertaalslag naar IT. Zie ook de BI manager.
- Data Science roadmap: business en IT maken onder bezielende leiding van de Data Science manager een roadmap. Die bevat een aantal vaste elementen: de strategische speerpunten van de organisatie en hoe data science daaraan bij gaat dragen, de producten en diensten die data science levert, het data science team met de verschillende rollen, de benodigde data infrastructuur (ETL data science) en de hard- en software.
- De impact op de mens: een vaak onderbelicht aspect van data science management is de mens. Een te technocratische benadering van data science laat de mens ondersneeuwen terwijl mensenmanagement en verandermanagement juist cruciaal zijn voor het succes. Wanneer beslissingen straks automatisch worden genomen door algoritmes mag je weerstand verwachten van de beslissers die buitenspel worden gezet. Denk dus goed na hoe je daar in jouw organisatie mee om wilt gaan.
Data Science management neemt dus de business en de beslissingen als vertrekpunt, stelt een bruggenbouwer als data science manager aan, ontwikkelt een gezamenlijke roadmap en heeft oog voor de impact van business analytics & data science op de mens.
Met welke Data Science technieken bereik je resultaat?
Met data science predictive models & predictive analytics ga je proberen te voorspellen wat er in de toekomst zou kunnen gaan gebeuren. Je gaat op zoek naar patronen in data die een voorspellende waarde hebben. Daarvoor gebruik je de volgende concepten en data science technieken.
3. Deep learning is een specifieke vorm van machine learning
Deep learning is een specifieke vorm van data science machine learning waarbij algoritmes zelf leren leren van (grote hoeveelheden) data. Hierbij wordt geprobeerd om de vermogens in het brein van een mens na te bootsen. Het stelt computers in staat zeer complexe problemen op te lossen, juist bij gebruik van zeer diverse, ongestructureerde datasets die onderlinge relaties kennen. Denk hierbij bijvoorbeeld aan ChatGPT en andere Generative AI toepassingen.
6. Computer vision: herken de bloem
‘De computer kan zien’ is de letterlijke betekenis van de term ‘computer vision’. Door de inzet van supervised learning (maar tegenwoordig ook unsupervised) leer je de computer een object op een foto te herkennen, bijvoorbeeld een bloem. Maar de meest voorkomende toepassing van computer vision is wel gezichtsherkenning. Bij deze data science methode maak je gebruik van neurale netwerken. Nadat je het neurale netwerk hebt getraind, is die in staat om bij een nieuwe foto zelf aan te geven of er een bloem op staat of niet. Het wordt echt interessant wanneer het neurale netwerk getraind wordt om bijvoorbeeld afwijkingen bij planten, dieren of eindproducten te gaan herkennen. Een algoritme dat volledig zelfstandig een kwaliteitscontrole uitvoert en beslist of het eindproduct naar de klant mag is geen unicum meer.
Sla de complexiteit van data science methoden plat
Het bovenstaande klinkt allemaal complex en ingewikkeld maar feitelijk komt het er bij al deze methoden en technieken op neer dat je brute rekenkracht gaat inzetten om snel patronen te vinden in je data en daar een model van maakt. Voor de ene situatie gebruik je een data science methode die gestoeld is op beslisbomen, in een andere situatie zet je in op lineaire regressie of genetische algoritmes. Je helpt met behulp van deze methoden de computer met leren, zonder dat je die expliciet moet programmeren. Neurale netwerken bijvoorbeeld, proberen de hersenen van een mens na te bootsen. Ook die zijn zeer afhankelijk van de rekenkracht van (grote) computers. Daarnaast bestaan er kant-en-klare bibliotheken met een groot scala aan technieken en methoden die je direct kunt inzetten. Je hoeft het wiel dus niet zelf elke keer uit te vinden. Laat je dus niet afschrikken door de schijnbare magie van data science. Maar wanneer alle zintuigen van een mens (horen, zien, ruiken, enzovoorts) beter kunnen worden afgedaan door data science technieken, wordt het tijd om aandacht te besteden aan de ethiek.
7 tips voor een bliksemstart met Data Science
Snel en effectief met Data Science aan de slag? De volgende tips helpen je organisatie te accelereren en direct de vruchten te plukken van Data Science.
- Wat is je overkoepelende plan en wat zijn je doelen? Het ontbreekt organisaties vaak nog aan échte wendbaarheid. Veel bedrijven en managers leven in de waan van de dag en hebben de neiging om overal op te reageren zonder overkoepelend plan voor agile werken en het effectief toepassen van Data Science.
- Hoe ziet jouw Data Science-roadmap eruit? Data Scientists opereren veelal in organisaties die traditioneel zijn ingericht, of in settings waar managers nog traditioneel denken. We zien dan ook vaak een groot gat ontstaan tussen de wereld van Business Analytics en Data Science en anderzijds de wereld van de business en commercie. Daardoor blijken goedbedoelde initiatieven uiteindelijk niet succesvol te zijn. Een goede BI-roadmap en samenwerking in een multidisciplinair team kunnen helpen om deze afstand te verkleinen.
- Focus op de benodigde kennis en vaardigheden en de overlap daarin in je team, in plaats van al je geld te zetten op dure en onbereikbare supermannen of -vrouwen. Bedenk dat als dergelijke duurbetaalde functionarissen plotseling overstappen naar de concurrent in hun jacht naar een (nog) hoger loon en betere arbeidsvoorwaarden, jouw organisatie het nakijken heeft. Het risico dat cruciale net ingezette processen bij het vertrek van deze sleutelfunctionaris direct stagneren, is levensgroot aanwezig. Data Science vergt een inspanning van het complete team. Heb je een team met de juiste vaardigheden aan boord? Koester dat team en optimaliseer de aanwezige talenten en balanceer de overlappende competenties.
- Besteed je aandacht aan samenwerking en investeer in de dialoog. Teams waarin er voldoende veiligheid is om een goede dialoog te voeren over verschillende meningen leveren de beste verbeterideeën en innovaties op.
- Investeer in de kerncompetenties die horen bij agile werken en innoveren. Kennis van team- en innovatieprocessen is net zo belangrijk als inhoudelijke kennis. Deze bevorderen de motivatie en productiviteit van de individuele teamleden en het team. Ga na wat het kennisniveau is van team- en innovatieprocessen?
- Reflecteer continu op het proces, de onderlinge samenwerking en individuele bijdragen aan het team. Dit stimuleert persoonlijke groei en versnelt de leercurves binnen teams. Dit is een extra voordeel ten opzichte van een Data Science superspecialist. De feedback in het team maakt kort cyclisch iteratief leren pas echt mogelijk. Dit reflecteren kan je vaak goed ondersteunen met behulp van competenties en de klassieke verbetermethoden, zoals de PDCA-verbetercirkels. Hoe wordt in jouw organisatie reflectie en samenwerking mogelijk gemaakt en ondersteund?
- Stel persoonlijke groei centraal in je organisatie, investeer in competentiegroei, groei van het team en stel de organisatiedoelen altijd centraal. Hoe kom ik, het team en de organisatie nu verder? En wie en wat is hiervoor nodig?
Deze 5 data science aandachtspunten verhogen je kans op succes
Tot slot nog een handige checklist en 5 aandachtspunten om de kans op succes met Big Data Science in jouw organisatie te vergroten.
- Ontwikkel eerst een gezamenlijke, organisatiebrede visie op het vakgebied, blijf in eerste instantie weg van de techniek, maar experimenteer er wel mee.
- Inventariseer eerst de operationele beoordelingsprocessen in jouw organisatie. Daar liggen de potentiële kanshebbers voor succesvolle data science toepassingen.
- Wees je ervan bewust dat bij data science je datakwaliteit van hoog niveau moet zijn, anders loop je grote risico’s. Foutieve data in een rapport merk je relatief snel op, bij een algoritme dat onder de motorkap draait niet.
- Stel een evenwichtig data science team samen dat niet alleen maar bestaat uit techneuten. Maak ook ruimte voor business consultants, data analytics translators en business analisten.
- Wees je zeer bewust dat data science, AI, machine learning (en natuurlijk ook robots) grote impact kunnen hebben op het huidige en toekomstige werk van mensen in jouw organisatie. Je kunt altijd weerstand verwachten.
Wil je nog meer data science tips lezen? Lees dan het artikel ‘8 effectieve manieren om data science voor jou te laten werken’ en ons Data Science boek.
Over Passionned Group
Passionned Group is dé specialist in Data Science vraagstukken en oplossingen. Onze doorgewinterde data science consultants helpen grotere en kleinere organisaties bij de kanteling naar een intelligente, datagedreven organisatie. Om het jaar organiseren wij de Dutch BI & Data Science Award™. 
