Data Science training in de praktijk

Op het moment van schrijven geven we CQM-trainingen bij vier verschillende partijen, en is er concrete interesse voor trainingen bij nog eens een aantal partijen. Een mooi moment om hier eens bij stil te staan, en een stukje te schrijven over hoe zo’n training er in de praktijk nu uitziet. We volgen een Data Science training die wordt gegeven bij NS.

Waarom training?

 “Waar moeten we op sturen om de KPI’s te verbeteren?”
“Aan welke knoppen kunnen we draaien?”
“We willen drivermodellen”

Zomaar een aantal vragen die in veel bedrijven op wekelijkse basis gesteld worden, en waar dagelijks aan gewerkt wordt. Maar, hoe kom je tot een drivermodel? En, waar begin je in je zoektocht naar “knoppen” om aan te draaien?

Deze vragen vormden het startpunt van één van onze Data Science trainingen die op dit moment loopt. Het doel is om de afdeling gezamenlijk tot een hoger niveau te brengen, en dat begint met het spreken van dezelfde taal. Vandaar ook dat de focus niet alleen ligt op methoden en modellen, maar juist ook op de werkwijze en de link met een relevante achterliggende bedrijfsvraag.

Describe, Predict, Prescribe

Een uitgangspunt waar we binnen CQM aan hechten, en waarin we ons onderscheiden van andere partijen, is dat we de trainingen zoveel mogelijk aan laten sluiten bij concrete bedrijfsvragen waar de deelnemers dagelijks aan werken.

Binnen Data Science wordt typisch onderscheid gemaakt tussen drie soorten vragen. Wanneer we in het verleden kijken, met als doel om te achterhalen wat er is gebeurd en waardoor dit werd veroorzaakt, spreken we van descriptive analytics. Bij predictive analytics, daarentegen, proberen we juist zo goed mogelijk te voorspellen wat er in de toekomst zal gebeuren. Tot slot kun je de toekomst beïnvloeden door met slimme keuzes een zo gunstig mogelijk situatie te creëren middels prescriptive analytics. Met simulatie- en optimalisatie-technieken is het mogelijk om diverse toekomstscenario’s te evalueren, en de beste te identificeren. Binnen CQM hebben we niet alleen veel ervaring met het describe- en predict-deel, maar zeker ook met prescribe-vraagstukken.

Praktijkvoorbeelden

Het voordeel van ruim 35 jaar ervaring in het toepassen van Data Science in duizenden projecten is dan ook dat we de meest uiteenlopende situaties in de praktijk zijn tegengekomen. We illustreren de modellen en begrippen dus vaak aan de hand van praktijkvoorbeelden. Niet alleen interessant om te horen, maar het overbrengen van de stof gaat nu eenmaal makkelijker wanneer je je er een concrete voorstelling bij kunt maken.

Zo levert de business case over de correlatie tussen mooi weer en een hoge aankomstpunctualiteit levendige discussies op over correlatie en causaliteit, en worden er kritische vragen gesteld over de lage verklarende waarde van het bijbehorende regressiemodel. Ook is er aandacht voor de vraag “wat is beïnvloedbaar?”. Bepaalde factoren kunnen van groot belang zijn voor een KPI, maar zijn misschien lastig te beïnvloeden van buitenaf. Dit levert waardevolle discussies op over praktische relevantie en toepasbaarheid.

Meer weten over trainingen?
Binnen CQM geven we overigens verschillende varianten van Data Science trainingen, afgestemd op de specifieke behoeften binnen een bedrijf. Zo is er de basics variant waarin met name de werkwijze en basisbegrippen worden behandeld, maar anderzijds voorzien we ook in Applied Statistics en Machine Learning trainingen. Daarnaast richten we ons bijvoorbeeld op het verbeteren van processen met de Green Belt en Black Belt trainingen op het gebied van Lean Six Sigma en Design for Six Sigma.

Benieuwd wat we voor uw organisatie kunnen betekenen? Neem contact op met Minou Olde Keizer.

Ook interessant om te lezen:

Op de hoogte blijven van het laatste nieuws? Volg ons op LinkedIn of meld u aan en beheer hier de mailing die u van CQM wilt ontvangen.

Dr. Minou Olde Keizer

Dr. Minou Olde Keizer

Consultant