22/01/2023


Na afronding van een project evalueer je vaak: wat ging er goed en wat kan er een volgende keer beter? Super effectief om te doen, maar hoe handig is het als je op voorhand al weet welke valkuilen je kunt voorkomen? En dan met name bij een project waarin je veel met data werkt? CQM’er Minou geeft je inzicht in hoe je ten minste 5 valkuilen kunt voorkomen in je Data Science project!

 

1. Geen commitment voor je Data Science project

Commitment creëren én behouden is een zeer belangrijke factor voor het slagingspercentage van je Data Science project. Zonder commitment blijft een advies een advies en wordt een oplossing niet snel geïmplementeerd & gebruikt. Zonde, want het toevoegen van waarde was immers het doel. Voor het creëren van commitment is het belangrijk dat je alle afdelingen die uiteindelijk met je oplossing of met het eindresultaat van je Data Science project te maken krijgen, betrekt. Hoe eerder, hoe beter en hoe groter de kans is dat je oplossing door de gehele organisatie gedragen wordt.

Extra voordeel: je legt een deel van het ownership bij deze partijen neer, waardoor het commitment als vanzelfsprekend ontstaat. Wees je er bewust van dat een oplossing die van hogerhand wordt opgelegd minder effectief is dan een oplossing die in samenwerking tot stand is gekomen.

 

2. De IT-afdeling te laat betrekken bij je Data Science project

Een valkuil die inhaakt op het commitment uit punt 1: vergeet de IT-afdeling niet (tijdig) te betrekken bij je Data Science project. Want, als je een mooie oplossing hebt bedacht, maar er is niet voldoende capaciteit om deze te realiseren, dan heb je er niets aan. Samen werk je toe naar het daadwerkelijk implementeren van datgene dat je hebt gemaakt of bedacht en daarmee naar het daadwerkelijk gebruiken ervan. Bovendien heeft de IT-afdeling vaak een goed zicht op de mogelijkheden en beschikbare data en kan het tijdig betrekken uiteindelijk leiden tot betere oplossingen.

 

3. Ten onrechte streven naar complexiteit in je Data Science project

Zorg dat de complexiteit van je oplossing past bij het probleem. Dit betekent zo complex als nodig, maar ook zo eenvoudig als mogelijk. Vaak willen organisaties graag met Machine Learning of Artificial Intelligence gaan werken, om aan te sluiten bij de huidige trends. Dit sluit echter niet altijd aan bij het doel en vergroot het ‘black box’-gehalte van het resulterende model. Een uitlegbaar model draagt juist bij aan het creëren van vertrouwen in het model en de verkregen resultaten.

Bedenk daarom goed van tevoren welk doel je nastreeft en welke techniek of methode hier het beste bij aansluit. Kortom: gebruik het juiste stuk gereedschap uit je toolbox!

 

4. Te groot beginnen in je Data Science project

Bij CQM geloven we in het motto ‘Think big, start small and scale fast’. Dat betekent concreet: Neem een mooi doel voor ogen, baken vervolgens je scope af en begin met een relevant en concreet vraagstuk. Soms zie je door de bomen het bos niet meer en begin je niet en soms denk je groots en begin je daardoor ook groots, zonder na te denken over de gevolgen of het gewenste resultaat. Een project kan zo onbedoeld erg groot worden zonder dat er snel vruchten van worden geplukt.

Baken je scope dus af: wat wil je bereiken en hoe kun je kleine stappen naar dat doel zetten? Wat is de meest relevante eerste stap? En onthoud: vaak is een eerste klein succes de reden voor een breed commitment en snel doorgroeien! Vier je successen, zodat je draagvlak creëert voor de verdere ontwikkeling. Zorg er vervolgens voor dat je bij iedere verdere stap meerwaarde toevoegt en je oplossing groeit.

 

5. Lang wachten op data in je Data Science project

Soms kun je erg lang bezig zijn met het opzetten van allerlei data-opslagplekken en blijf je maar data verzamelen, omdat je steeds het gevoel hebt dat er meer data bij moet. Het is in jouw beleving nog niet compleet en je kunt nog niet aan de slag. Dit is een grote valkuil en hierdoor loop je onnodig veel vertraging op!

Uiteraard is de kwaliteit van je data belangrijk, maar je moet ook gewoon ergens starten. Er bestaat geen perfectie in datasets, het gaat erom dat je grondig analyseert, inzichten opdoet en eerste stappen zet. Misschien kom je erachter dat de kwaliteit van je data niet voldoende is, maar dan heb je wel inzicht in wat er beter kan en kun je gericht actiepunten opstellen. En wellicht merk je gaandeweg dat de data wel van goede kwaliteit is en blijkt dat je helemaal niet meer nodig hebt. Kortom: start (en vier je kleine successen zoals in punt 4!).

 

Valkuilen voorkomen in jouw Data Science project?

Uiteraard zijn er nog meer valkuilen te benoemen die je in je Data Science project wilt voorkomen, maar voor nu hebben we de belangrijkste met je gedeeld. Hopelijk heeft het je inzicht gegeven en kun je gerichter aan de slag met je project.

Kun je hulp gebruiken om deze valkuilen te voorkomen? Neem dan contact op met Minou, zij kijkt graag samen met jou hoe ze ook jouw project tot een succes maakt! Volg ons daarnaast op LinkedIn of meld je aan voor onze digitale nieuwsbrief

 

Minou Voortman
Minou Voortman helpt je graag verder Neem contact op