"Ondanks grote investeringen in data scientists en ICT projecten, worstelen veel organisaties met het kapitaliseren van de grote hoeveelheden data die voor hun beschikbaar zijn.
De oorzaak ligt volgens Marchand en Peppard in de wijze waarop de projecten worden bedacht en uitgevoerd, waarbij de focus -verkeerd- ligt op het ontwerpen, bouwen en uitrollen volgens een traditioneel stramien (gebaseerd op tijd, budget en over-all planning).
De oplossing ligt in het volgen van een andere projectbenadering met een focus op a) het begrijpen hoe mensen informatie creeren en gebruiken, en b) uitvoering in de vorm van experimenten, focus op hypotheses en het ontwikkelen van kennis door iteratieve processen."
Uit eigen ervaring wil ik zelf aan die aanpak nog twee elementen toevoegen:
c) Analytics projecten moeten worden geaddresseerd in de vorm van een gezamenlijk aanpak met andere partijen in het probleem-domein, bijvoorbeeld kleine kennis organisaties (niche partijen), data-providers (zowel open als gesloten bronnen), academische instituten of vakgroepen, en niet te vergeten: de klant. Zeg maar co-creatie-to-the-max.
d) In het proces als in de oplossing (bijv. in de modellen) moet gestreeft worden naar optimale samenwerking tussen mens en machine. Ik refereer graag naar de inzichten beschreven in het boekje van Bennie Mols, "Turings Tango", ISBN 9789046812372. Het is bijvoorbeeld goed om tussen twee iteraties de uitkomsten van de computermodellen te vergelijken met de bevindingen van de mens. Ook is het goed om de modellen niet alleen te maken op basis van de data, maar ook op basis van de expertkennis van de mens. Het gaat daarbij om optimale wisselwerking tussen mens en computer. Partijen die dat goed door hebben zijn het Alan Turing Institute Almere (ATIA), Synerscope en PersuasionAPI.
Wico Mulder,
4-4-2014
Ps: dank Hans Moonen voor het duiden van het Artikel.
Ps2: Auteursrechten belemmeren mij het linken naar het HBR-artikel. Excuses. Wel vond ik deze blog waar de volledige tekst ook te lezen.
