Categorie: Kennis

31 oktober 2017 – In het tijdperk van snelle technologische ontwikkelingen zoals big data, kunstmatige intelligente en robotica, is ‘RightBrains-denken’ belangrijker dan ooit. Succes wordt grotendeels bepaald door creativiteit, intuïtie, aanpassingsvermogen en een open geest. Het is een werkveld met veel carrièrekansen voor vrouwen. Helaas is het aandeel vrouwen nog steeds erg laag. RightBrains is een platform voor professionele vrouwen met een gedeelde passie: digitale technologie. Als kennispartner van RightBrains, fungeert Anderson MacGyver’s Esther Splinter als een rolmodel om jonge vrouwen te inspireren en te motiveren een carrière na te jagen binnen de wereld van digitale technologie.

Wat me het meest intrigeert is het menselijke element van digitale transformatie

…of: voor harde resultaten, zul je zacht moeten worden!

De verwaarloosde kant van big data

“Big data draait niet om data! Het draait zelfs niet om technologie! – Best een gedurfde uitspraak, zeker als je het publieke debat over dit onderwerp volgt. De meeste artikelen en discussies gaan over technische ontwikkelingen zoals Hadoop, cloud computing of zelflerende algoritmes. Dit wekt de indruk dat big data-projecten met succes worden volbracht door enkel de juiste technische tool te vinden. Maar dit perspectief voldoet niet aan een fundamenteel kenmerk van big data. Dit zou je de zachte kant van big data kunnen noemen. Deze roekeloos genegeerde kant is in de meeste gevallen de beslissende factor die bepalend is voor het slagen of falen van een big data-project of -programma.

Dus, wat is deze mysterieuze zachte kant van big data? In de stijl van de 3 V’s (Volume, Vaart en Variëteit) die vaak worden gebruikt om big data te omschrijven, kun je het samenvatten als de 3 C’s: Creativiteit, Collaboratie en Cultuur.

Creativiteit

Aan het begin van elk big data-project staan creatieve ideeën over hoe je data kunt benutten. Deze ideeen zijn doorgaans geformuleerd als vragen die beginnen met “Wat als we zouden/kunnen…?”. Denk bijvoorbeeld aan een logistiek bedrijf dat zich af zou kunnen vragen “Wat als we onze eigen data zouden combineren met open data, zoals een weerdata of verkeersapp? Zouden we dan onze dagelijkse aflevervoorspellingen en routing kunnen verbeteren? En zo ja, in welke mate?”. Maar ook tijdens de data-analyse, de kern van elk big data-project, is creativiteit essentieel. Met wat creatieve ideeën en programmeren kan de prestatie van de analysecode worden geoptimaliseerd en kunnen nieuwe en vaak onverwachte inzichten worden geopenbaard, zoals bijvoorbeeld het feit dat een inefficiënt gebruik van de operatiekamer in een ziekenhuis niet veroorzaakt wordt door noodgevallen maar door langdurende operaties.

Werken met big data vergt veel proefneming, aangezien je je het meeste van de tijd op onbekend terrein begeeft. Je moet creatief zijn om de uitdagingen waarmee je tijdens een big data-project en de bijbehorende analyse wordt geconfronteerd op te lossen en te boven te komen, en creativiteit is een essentieel ingrediënt voor succes. Zonder creativiteit is elk big data-project al vanaf het begin gedoemd te falen.

Samenwerking

De mogelijkheden van big data volledig te benutten heeft men de samenwerking van meerdere afdelingen van een bedrijf nodig. De focus van het analytische deel van een big data-project wordt geleverd door het bedrijf, gewoonlijk door de afdeling verkoop, marketing of bedrijfsvoering. De technische elementen vallen zelf onder de verantwoordelijkheid van IT of een autonome data-afdeling. Essentieel voor een succesvolle samenwerking is dat de interdisciplinaire leden een gezamenlijke taal ontwikkelen. Dit is niet triviaal, aangezien de meeste samenwerkingsleden doorgaans verschillende achtergronden hebben. Een bewezen benadering die de snelle ontwikkeling van een gezamenlijke taal ondersteunt is het gebruik van visualisaties die dienen als een basis van wederzijds begrip. Als onderdeel van ons dagelijkse zakendoen ondersteunen wij regelmatig de ontwikkeling van een gezamenlijke taal voor het zakenleven en IT door gebruik te maken van ons bewezen operationeel modelcanvas. Dezelfde techniek kan worden toegepast om de communicatie in big data-projecten te versterken.

Naast deze interne samenwerking kan ook de samenwerking met externe partners zoals onderzoeksbureaus, universiteiten of adviseurs helpen bij het leveren van de gewenste waarde van een big data-project.

Cultuur

Succesvolle big data-projecten en -programma’s vereisen een verandering van de cultuur van veel organisaties. De bijbehorende projecten en programma’s zijn erg dynamisch en de noodzakelijke benadering is een agile-benadering. Iteratieve cycli gaan gepaard met veel proefnemingen. Hiervoor is een dynamische, creatieve en inspirerende omgeving nodig waar mensen iets nieuws en ongebruikelijks durven te proberen, een omgeving die vaak gevonden wordt in start-ups. Dat is waarom verscheidene grote bedrijven zoals ING de uitdagingen van big data het hoofd bieden door start-ups eerst op te richten en daarna te integreren. Het opzetten van bedrijfsinterne, interdisciplinaire teams voor big data-projecten kan echter ook erg succesvol zijn.

Het loont zich om de 3 C’s van big data in gedachte te houden. Het zal niet enkel het project ondersteunen en u helpen uw uitgezette doelstellingen sneller en efficiënter te behalen, maar het zal hoogstwaarschijnlijk ook zorgen voor resultaten met een betere kwaliteit en een grotere impact. Voor harde resultaten, zul je zacht moeten worden!

Kunnen uw big data-ambities meer creativiteit, collaboratie of een inspirerende culturele omgeving gebruiken? Aarzel dan niet contact op te nemen met Anderson MacGyver.

Een enorm stuk marmer!

Ongeveer 6 meter hoog, meer dan 7 ton zwaar en van niet de beste kwaliteit. Een aantal bekende artiesten uit die tijd, het begin van de 16e eeuw, namen contracten aan om dit enorme stuk marmer om te vormen tot een van de twaalf standbeelden die bedoeld waren om de steunpilaren van de Florentijnse kathedraal te versieren. Niemand slaagde erin. Uiteindelijk was het een 16-jarige genie die dit massieve blok Carrara-marmer wist om te vormen tot een van ’s wereld meest bewonderde sculpturen.

Datawetenschappen en beeldende kunst

Op het eerste gezicht lijken datawetenschappen en beeldende kunst weinig met elkaar gemeen te hebben. De eerste maakt gebruik van geavanceerde computers en code om inzichten en kennis te genereren terwijl de ander vertrouwt op hamer en bijtel om kunst te creëren. In een ander licht komen echter zeer intrigerende overeenkomsten naar voren.

Geconfronteerd met een enorme rauwe database, gaat de datawetenschapper van start op eenzelfde manier als de beeldhouwer die nauwkeurig zijn blok marmer bestudeert. Mogelijke barsten en het soort en de staat van het steen bepalen het gereedschap en de haalbaarheid van het project. Na deze eerste controle, echter, moeten zowel de datawetenschapper als de beeldhouwer secuur te werk gaan. Verborgen, microscopische barsten in het steen kunnen soortgelijk verwoestende gevolgen hebben als onopgemerkte vertekeningen binnen de dataset of kleine fouten in de analysecode. Hoewel de schade in het geval van de beeldhouwer duidelijk zichtbaar is, zorgen fouten in de data-analyse voor verkeerde resultaten die veelal lastig te herkennen zijn. Het draait allemaal om ervaring, het juiste gereedschap en de juiste ideeën. “Een schilder schildert met zijn brein, niet met zijn handen.” (Michelangelo Buonarotti). Hetzelfde geldt voor beeldhouwers, denk ik.

Wie zei er iets over de schepping?

De resultaten kunnen vaak verrassend zijn! “Hoe hebben ze dit in hemelsnaam kunnen maken?!” is een vraag die in me opkomt wanneer ik een sculptuur bewonder dat gemaakt is van koud steen maar toch zo realistisch, bijna levend lijkt!

Ook de resultaten van een geavanceerde data-analyse kan tot verwondering leiden. Nieuw ontdekte inzichten, bijvoorbeeld “driekwart van uw klantprofielen zijn verkeerd”, of de hoge accuratesse van een verzonnen voorspellingsmodel, bijvoorbeeld om het aantal bestellingen of geleverde goederen te voorspellen voor de komende dagen, zorgen voor vragen als “hoe heb je dit gedaan?”, “hoe heb je tot deze inzichten kunnen komen?”. 

Maar een datawetenschapper creëert geen nieuwe inzichten. De ‘gecreëerde’ inzichten zijn er altijd al geweest, in de data, in afwachting om ontdekt te worden. Een datawetenschappers taak is simpelweg het bieden van toegang.

Er wordt gezegd dat toen Michelangelo werd gevraagd hoe hij in hemelsnaam zijn ‘David’ zou kunnen scheppen uit dit stuk marmer, hij antwoordde: “Ik hoefde hem niet te scheppen. Hij was altijd al in het steen aanwezig. Ik hoefde enkel het marmer om hem heen te verwijderen.”

Uiteindelijk belandde ‘David’ niet op de Florentijnse kathedraal, maar vond hij een prominentere plek recht tegenover Palazzo Vecchio (en sinds 1873 in de Galleria dell’Accademia), om bewonderd te kunnen worden door de inwoners en toeristen van  Florence.