Business Science: Haal meer waarde uit Artificial Intelligence (AI) & Machine Learning (ML) door onderscheid te maken tussen Data Science & Business Science
Artificial Intelligence (AI) en Machine Learning (ML) zijn de buzzwoorden in het huidige digitale tijdperk. Ondanks de populariteit blijft de daadwerkelijke toepassing en waardecreatie voor veel bedrijven nog achterwege. Zo blijkt uit het rapport van Mckinsey (2017) dat 88% van de onderzochte AI projecten de implementatiefase niet halen. Een verklaring hiervoor is dat AI en ML door veel bedrijven en eindgebruikers als een black box wordt gezien, waarbij de ontwikkeling en implementatie voornamelijk wordt toegeschreven aan het data science team. Het komt ook vaak voor dat binnen AI of machine learning projecten de focus te veel uit gaat naar het technische proces, zoals het creëren en optimaliseren van een algoritme. Hierdoor raakt de toepassing en het beoogde doel of resultaat voor de business al snel op de achtergrond. Mede hierdoor kunnen er problemen ontstaan rondom de schaalbaarheid van AI/ML toepassingen binnen een bedrijf of bedrijfsketen. Bovendien kunnen de kosten van implementatie en de benodigde tijd tot het komen van inzichten behoorlijk oplopen.
In deze blog laten we zien dat dit ook anders kan. Hieronder wordt er beschreven hoe de business en de (eind)gebruiker meer waarde uit AI en ML gedreven analyses of toepassingen kan halen door onderscheid te maken in Business Science en Data Science.
Wat is Business Science?
Business Science helpt bij het democratiseren van data science vaardigheden. Hierbij worden AI/ML gedreven toepassingen en bijbehorende analyse vaardigheden in de handen van domein experts en business users gebracht om de zogenoemde last-mile vragen rondom AI toepassingen en implementaties te beantwoorden. Het doel van Business Science is dan ook om meer mensen in de business in staat te stellen om op basis van data en geavanceerde analyses tijdig tot de juiste inzichten en beslissingen te komen. Een tool als Tableau maakt het dan ook mogelijk om Business Science toe te passen en om dieper in je data te duiken door middel van geavanceerde analyses, zoals forecasting, scenario planning en cluster analyse.
“Business Science plaatst data science in de context van de business en maakt het sneller en toegankelijker om te werken met data en AI gedreven analyses”
Tableau
Hoe verschilt Business Science van Data Science?
Data Science
Data Science wordt binnen een bedrijf vaak uitgevoerd door een selecte groep technische experts die zeer complexe modellen creëren aan de hand van algoritmes. De creatie en integratie van deze modellen vormt een technisch proces, is vaak gericht op een terugkerend kritiek bedrijfsproces en heeft een sterke impact op de huidige processen en systemen. Het uitganspunt binnen Data Science projecten bestaat dan ook vaak uit het geautomatiseerd beantwoorden van een specifieke ja/nee vraag of uit het bepalen van een specifiek waarde waarbij een grens of target wordt overschreden. Het voorspellen van fraude detectie is een voorbeeld van een Data Science project waarbij het schrijven en trainen van een algoritme op basis van historische data, het testen en optimaliseren van het model vaak een langdurig en iteratief proces vormt om tot accurate voorspellingen, inzichten en een betrouwbaar machine learning model te komen.
Business Science
In tegenstelling tot Data Science, is het uitgangspunt van Business Science niet de vereiste technische kennis om op een geautomatiseerde wijze tot een zo optimaal of accuraat mogelijk model te komen. Het draait hierbij juist om het bepalen of voorspellen van de ontwikkeling van diverse KPI’s en om het inzichtelijk maken van invloedrijke factoren voor de business user. Business Science zet als het ware de machine en de business user naast elkaar, waarbij de gebruiker op basis van zijn of haar domein kennis op een efficiënte wijze en door gebruik van no-code ML toepassingen tot voorspellingen en inzichten kan komen. Hierbij wordt er meer nadruk gelegd op de bedrijfscontext waarbij de business user meer controle en flexibiliteit kan uitoefenen binnen het voorspellende model door het selecteren van input variabelen en streefwaardes. Hierdoor is het mogelijk om op basis van domein kennis maximale interpretatie te geven aan complexe ML gedreven modellen en tijdig tot inzichten te komen. Kortom, Business Science heeft het doel om de data en geavanceerde analyses binnen AI/ML toepassingen op een intuïtieve wijze dichter bij de gebruiker te brengen.
Voor wie is Business Science en waarom?
Om sneller en meer toegevoegde waarde voor de business uit AI toepassingen te halen, is het van belang dat bedrijven proberen om het verschil in geavanceerde analytische vaardigheden tussen het data science team en business users te verkleinen. Dit kan verkleind worden door passende tools/technologie en data literacy programma’s te introduceren binnen de organisatie. Business Science stelt business users in staat om hun analyse vaardigheden uit te breiden op basis van bestaande data analyse en visualisatie tools zoals Tableau. Hierdoor wordt de barrière verkleind voor mensen met domeinkennis die op een snelle, intuïtieve en transparante wijze ML toepassingen willen gebruiken voor het maken van geavanceerde analyses zoals voorspellingen. Hieronder wordt een voorbeeld geïllustreerd waarbij er met een tool als Tableau op een efficiënte wijze een voorspelling gemaakt kan worden van de omzet en waarbij de business user op basis van zijn of haar domeinkennis eenvoudig potentiële invloedrijke factoren en kwalitatieve implicaties kan meewegen.
Business Science via een tool als Tableau is dan ook de uitkomst voor bedrijven die geavanceerde analyses op basis van Artificial Intelligence (AI) en machine learning (ML) gedreven toepassingen schaalbaar willen maken binnen hun organisatie en binnen de bestaande werkprocessen en systemen. Hierdoor ontstaat er een grotere mate van autonomie voor de business analist en user omtrent het uitvoeren van AI gedreven analyses zoals het voorspellen en simuleren van een KPI. Door bovendien onderscheid te maken tussen Business Science en data science kan het data science team binnen een organisatie zich focussen op de technische AI/ML toepassingen voor specifieke vraagstukken en kritieke bedrijfsprocessen.
Hoe beginnen met Business Science?
Business science brengt gecompliceerde data science toepassingen in de handen van de business user zonder hiervoor over de vereiste technische vaardigheden en kennis te beschikken. Hierdoor ontstaat er een snellere en slimmere besluitvorming en kan er tijdig ingespeeld worden op ontwikkelingen/veranderingen binnen jouw industrie. Het is aan te raden om klein te beginnen en om bijvoorbeeld eerst te starten met een paar kleine use cases. Infotopics gebruikt hier zelf de Proof of Value methode voor, waarbij er klein begonnen wordt en naar een concreet einddoel wordt toegewerkt. Hieronder geven wij nog enkele tips en aandachtspunten voor het starten met Business Science.
Tips en aandachtspunten om te starten met Business Science
- Begin met inventarisatie:
- Hoe zien onze (huidige) besluitvormingsprocessen eruit, welke data en systemen hebben we en welke geavanceerde analyses en vaardigheden zijn we nodig om dit te ondersteunen en om tot waardevolle inzichten te komen.
- Begin klein maar denk groot
- Betrek eindgebruikers er al vanaf het begin bij en moedig iedereen binnen de organisatie aan om meer geavanceerdere data analyse vaardigheden op te doen.
- Faciliteer trainingen en introduceer data literacy programma’s.
- Gebruik/ondersteun met bekende technologie en tools. Dit verhoogt de adoptie en schaalbaarheid van Business Science toepassingen onder de gebruikers en binnen de bestaande systemen en werkprocessen.
