Wat is nu eigenlijk data science?

Data, het lijkt wel het toverwoord van deze eeuw. Maar met alleen data kom je er uiteraard niet. Om wijs te worden uit die data, heb je iemand nodig die deze data kan ‘lezen’. Zoals een data scientist. Deze specialist houdt zich bezig met het verwerken en analyseren van grote hoeveelheden data, verkregen via bijvoorbeeld video’s, e-mails, geluidsfragmenten, tweets en andere manieren van klantcontact. Maar wat kunnen we ermee?

Data Science richt zich vooral op het ontwikkelen en toepassen van machine learning modellen. Het is een continu proces, waarbij je mogelijk relevante databronnen selecteert, filtert, opschoont, leert begrijpen, grondig analyseert en mooi visualiseert. Het uiteindelijke doel: businesswaarde halen door betere klantervaringen te creëren, betere beslissingen te nemen en zakelijke problemen op te lossen.

Data science toepassen: 3 tips

Als je data science goed wilt toepassen, moet je uiteraard met veel zaken rekening houden. Wij geven 3 tips waar je in ieder geval op moet letten:

1. Zorg voor een visie op data science

In nog redelijk wat organisaties zie je dat veelbelovende data science toepassingen weer snel naar de achtergrond verdwijnen. Iedereen experimenteert en is enthousiast, maar de regie ontbreekt en een visie op de rol van data science is vaak ver te zoeken. Zorg dus dat je visie en doelen duidelijk hebt.

2. Zorg voor een goed lopend data science proces

Als je data science wilt toepassen, zorg dan dat je onderstaand proces goed uitvoert.

 

The accelerationgroup et Proces van Datascience

1. Data verzamelen: verzamel data van hoge kwaliteit, interne én externe data.
2. Opschonen: zorg dat de data bruikbaar en toegankelijk is.
3. Verkennende data analyse: zoek naar ‘high level’ inzichten uit de data.
4. Modellen bouwen: met de voorbewerkte data worden modellen gebouwd, waarbij lerende algoritmen worden gebruikt om vele variabelen te analyseren.
5. Model-implementatie: de gebouwde modellen worden schaalbaar gemaakt voor de organisatie. Hierna evalueer je natuurlijk voortdurend en stuur je bij waar nodig.

3. Zorg voor meerdere data disciplines

Als je serieus aan de slag wilt met data science heb je meerdere disciplines nodig, zoals je in bovenstaande visual ook ziet. Denk bijvoorbeeld aan machine learning engineers en data engineers. Maar wat is nou precies het verschil tussen een data engineer en de data scientist?

Simpel gezegd, de data scientist kan data pas interpreteren, nadat hij deze in een bruikbaar formaat heeft ontvangen. De taak van de data engineer is om de gegevens bij de data scientist te krijgen. In de praktijk zie je nogal eens dat van data scientists wordt verwacht dat ze het werk doen van zowel een data scientist als een data engineer.

Het geheim van een succesvolle data scientist

Het geheim van het succes van een data scientist gaat verder dan technische expertise. Het blijkt dat soft skills, waaronder communicatie en empathie, net zo belangrijk zijn voor data scientists als technische vaardigheden. Waarom? Dat is tweeledig:

  • Machine Learning is een vorm van Artificiële intelligentie (AI). En AI houdt zich bezig met problemen uit de echte wereld die invloed hebben op mensen. Data scientist zijn ook gewoon mensen die hun eigen zienswijze, levenservaringen en vooroordelen meebrengen in hun werk. Ze hebben daarom de empathie, het zelfbewustzijn en een brede blik nodig om de neiging te overwinnen programma’s te ontwikkelen waarin ze deze persoonlijke zaken teveel meenemen.
  • De soft skills zijn nodig tijdens het softwareontwikkelingsproces om beter samen te werken en de behoeften van belanghebbenden en eindgebruikers te begrijpen. Dit om nauwkeurig programma’s te kunnen ontwikkelen die aan deze behoeften voldoen.

Data goed inzetten

Hoe zet je de eindeloze hoeveelheid data in voor betere klantinzichten, waarmee je tevens geld kunt verdienen? Lees het artikel over Waarom het beïnvloeden van klantgedrag effect heeft op data-analyse.

Wil je sparren met ons? We helpen je daar samen met onze partner MarketResponse ook graag bij. Neem contact op met de partners voor meer informatie.

 

 

Bronnen:

https://www.passionned.nl/bi/data-science/
https://www.forbes.com/sites/forbestechcouncil/2021/07/29/the-secret-to-a-data-scientists-success-goes-beyond-technical-expertise/?sh=f6821bf1ccdc
https://datascience.virginia.edu/news/data-science-vs-data-engineering
https://www.springboard.com/blog/data-science/data-engineer-vs-data-scientist/
https://nl.wikipedia.org/wiki/Machinaal_leren
https://towardsdatascience.com/the-data-science-process-a19eb7ebc41b

Fedor Hoevenaars

Neem contact op met Fedor Hoevenaars voor meer informatie over commerciële projecten.

Pieter Plaisier

Neem contact op met Pieter Plaisier voor meer informatie over commerciële projecten.