Als waterexpert aan de slag met data science, zonder concrete vraag

Data science is hot. Er zijn veel organisaties die daar wel ‘iets’ mee willen. Het vertalen van grote hoeveelheden data naar waardevolle inzichten, dat klinkt ook heel aantrekkelijk. Helemaal als het ook nog past binnen de ambities op het vlak van digitale transformatie. Maar wat als je wel aan de slag wilt met data science, maar geen concrete vraag hebt? Of wanneer je eigenlijk geen échte problemen hebt waar data science een oplossing voor lijkt te zijn? In deze blog vind je tips over hoe om te gaan met de schijnbaar ondoordringbare wereld van data science.

Toen ik begon ik bij Ynformed met een achtergrond in communicatie, was ik echt een newbie in de techneutenwereld van een data science-startup. En dat betekent dat je eerste maanden vooral bestaan uit vragen stellen. Heel veel naïeve vragen stellen. Want bij Ynformed vliegen termen als reinforcement learning, LTSM-modelling, datalakes – en frames, objective functions, Python en R-scripts en recurrent neural networks je om de oren. 

Bij klanten waren die eerste ervaringen niet veel anders. Ga je met een collega van een waterschap een dagje op pad, dan gaat het bijvoorbeeld over klepstanden van verdronken stuwen, aanvoerdebieten, wegzijging en beluchtings- en gebiedsregelingen. Wat?! Inderdaad, heel veel specialistische kennis over zaken waar je als leek geen idee van hebt.

Data science en watermanagement. Twee vakgebieden en twee talen. Was ik dan toch weer in een communicatiefunctie beland? Zo zie ik het wel. Deze situatie van mijn eigen eerste werkmaanden kom ik namelijk veel tegen. De twee vakgebieden groeien weliswaar dichter naar elkaar toe (een waterschap wordt steeds meer een IT-bedrijf), maar met een totaal andere herkomst. En dat gaat wel eens mis, waardoor de expertises elkaar niet vinden.

” Ik wil iets met data science, maar ik heb geen concrete vraag ”

Dat is zo’n situatie. Het dilemma van een innovator die wel iets met data science zou willen, maar de juiste vraag niet kan stellen omdat hij/ zij de business onvoldoende kent. Een hele essentiële hobbel waar je overheen moet, want ergens aan beginnen zonder draagvlak uit de business is een kwestie van lange adem en weinig impact. Wie meer dan een proof-of-concept wil, heeft een businessvraag nodig. Liefst één die ook op eigen initiatief vanuit die werkpraktijk ontstaat. Hoe pak je dat aan?

1. Creëer je eigen businessvraag

Bij data science gaat het niet om wat er technisch allemaal mogelijk is maar om innovatie met impact. Ieder project, of het nu een grote aanbesteding of een pilot in een innovatielab is, hoort te beginnen met de vraag: ‘wat wil je kunnen?’ en niet met ‘wat wil je voorspellen?’. Het antwoord op die vraag raakt bijna altijd de business en staat heel vaak ook al vastgelegd in strategische plannen.

2. Leg de lat hoog

De ambitie zo scherp en uitdagend mogelijk formuleren, dwingt tot het anders nadenken over werkprocessen (= transformatie). Voorbeeld: Wie als ambitie heeft om over 5 jaar de helft te besparen op beheer en onderhoudskosten, zal dit proces geheel anders moeten gaan inrichten. Bijvoorbeeld risicogestuurd in plaats van planmatig ieder jaar bij ieder kunstwerk de reguliere inspectie doen. Als dat je ambitie is, ontstaan vanzelf knelpunten.

3 Loop mee in het primaire proces

Niet om data science of een andere technologie als middel te verkopen, maar om te snappen wat er operationeel gebeurt en waarom bepaalde (micro-) beslissingen worden genomen. Wat zijn de grootste uitdagingen die het waarmaken van je ambities in de weg gaan zitten? Waar gaat veel tijd in zitten? Wat betekent een eventuele oplossing voor de manier van werken? Dat leer je pas als je naast de operator gaat zitten of mee gaat om die duiker te ontstoppen.

4. Schrijf user stories en werk ze uit

Het waarmaken van ambities brengt in veel gevallen een informatiebehoefte met zich mee. Denk aan een actuele risicoscore, een faalkans of een niveauvoorspelling. Het concreet maken wie deze informatie op welke manier gaat gebruiken, kan door middel van user stories. Met name het gebruik is een potentiele valkuil: Kan ik, als ik het inzicht heb, er ook daadwerkelijk iets mee doen? Is het nuttig 10 minuten van tevoren een signaal te krijgen, als je weet dat de interventie minstens 6 uur duurt?

5. Investeer in wederzijdse kennisontwikkeling

Zodra een technoloog, gebiedsbeheerder of beleidsadviseur weet wat de mogelijkheden zijn van data science, is het formuleren van een kansrijk vraagstuk een stuk minder ingewikkeld. Hij/zij kent immers de dagelijkse werkpraktijk en de problemen. Werksessies en masterclasses kunnen daarbij helpen. Een mooier voorbeeld nog vind ik dat er bij het waterschap Aa en Maas en het Brabantse Delta hydrologen zijn vrijgemaakt uit de bestaande business om zich te ontwikkelen als data scientists. Andersom geldt hetzelfde. Wij kiezen ervoor ons te specialiseren in data science-toepassingen voor het domein water en investeren in kennis bijvoorbeeld watermanagement. Zo kunnen we ook zelf signaleren waar de kansen liggen en onze klanten adviseren over kansrijke toepassingen.

6. Kies het middel dat het beste past bij de vraag.

Beoordeel kritisch of data science de beste manier is om tot het inzicht te komen, of dat je beter een andere techniek kunt gebruiken. Niet voor iedere vraag is data science een magisch middel. Gaat het om een situatie die zich nog nooit eerder heeft voorgedaan (het effect van een dijkdoorbraak op wateroverlast), of een vraag die heel sterk gericht is op één specifieke situatie? Dan zijn expertmodellen of simulatiemodellen vaak beter.

Hoe weet je nu of je te maken hebt met een data science vraag? Dat kan je achterhalen met de checklist.

Denk je dat data science iets kan betekenen voor jouw organisatie? Of twijfel je nog over de toepassing hiervoor in binnen jouw organisatie? Kijk op deze pagina voor voorbeeldcases van kansrijke data science-toepassingen. Of neem contact op voor een kennismaking.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *