Naamloos-1

21 20 Omnichannel Magazine | 2022 IN NEGEN STAPPEN NAAR DATAGERICHT WERKEN IN RETAIL De opkomst van data science biedt veel mogelijkheden om problemen binnen je organisatie in kaart te brengen én op te lossen. Maar waar begin je? Frank de Nijs, enterprise innovator bij Centric, legt uit hoe je in negen stappen een succesvolle start maakt met data science. 1 Maak de businessuitdagingen inzichtelijk “De eerste stap naar datagericht werken is helder krij- gen waar de uitdagingen of problemen van je business liggen. Daarbij is het belangrijk om ook de achtergrond goed in beeld te hebben. Stel, een retailer wil zijn aanbiedingen tailormade en gepersonaliseerd maken, zodat consumenten niet overvoerd worden met acties waar ze niks aan hebben. Iemand met twee kinderen van 18 en 21 jaar zit bijvoorbeeld niet te wachten op een aanbieding van luiers. Hoe concreter het probleem in beeld komt, hoe waardevoller uiteindelijk de rol van data science.” 2 Definieer de zakelijke kansen “Wanneer je het probleem in kaart hebt gebracht, neem je de zakelijke gevolgen van dat probleem onder de loep. Waarom krijgen mensen verkeerde aanbiedingen en acties te zien? Kost het ons heel veel tijd om deze gepersonaliseerd te maken? Op die manier maak je duidelijk wat de zakelijke gevolgen zijn van je probleem, en hoe je er als organisatie op vooruitgaat als je dit probleem oplost.” 3 Zoek naar de relevante data “Voordat je aan een oplossing kunt werken, ga je op zoek naar data om te kunnen analyseren. Dat is een grote stap: je gaat namelijk bedenken welke factoren allemaal meespelen. En je moet niet alleen op zoek naar interne data, maar ook naar externe data. Denk aan weergegevens, maar ook aan veel andere databronnen. Dat betekent dat de data uit alle systemen moet worden ontsloten richting zogenoemde datalakes. Het is een uitdaging om dat op een goede gestructureerde manier te doen. En wanneer de data niet meteen voorhanden is, vraag je jezelf af: hoe kunnen we daar aan komen?” 4 Vind causale verbanden in je data “Vanaf deze stap gaat data science daadwerkelijk een rol spelen, zeker bij grote hoeveelheden data. Je hebt allerlei gegevens verzameld en nu is het zaak om causale verbanden te ontdekken. Hoe je dat doet, hangt af van de hoeveelheid informatie die je hebt verzameld. Gaat het om 25 voor- beelden, dan kun je daar gewoon zelf statistiek op los- laten. Heb je veel externe contextuele databronnen of doe je onderzoek bij een groter bedrijf en zijn het er 1.500, dan wordt het een ingewikkelder verhaal. Data science biedt allerlei technieken om enorme hoeveel- heden data te analyseren. Je hebt bijvoorbeeld de Random Forest-methode, waarbij algoritmen zelf op zoek gaan naar verbanden. Dat doe je door het model eerst te trainen via een dataset en het vervolgens te verifiëren met een andere set. Tijdens die analyse kan een data scientist allerlei verbanden vinden. In het onderzoek naar gepersonaliseerd productaanbod kun je een profiel samenstellen van de ver- schillende bezoekers van een retailbedrijf.” 5 Evalueer de zakelijke waarde van deze verbanden “Stel dat je in stap 4 een causaal verband ontdekt waarmee je kunt voorspellen welk type consument de winkel bezoekt. Dan kun je dus ook actie ondernemen om ervoor te zorgen dat alle aanbiedingen gepersonaliseerd worden. Vervol- gens beoordeel je in deze stap de toegevoegde waarde van het model. De betrouwbaarheid van het model is vaak het eerste aandachtspunt, want 100 procent betrouwbaarheid is een utopie. Daarbij is het ook belangrijk om er rekening mee te houden dat het onderhouden van je analysemodel tijd en geld kost. Hiermee ga je dus terug naar de allereerste stappen, waarin je het probleem in kaart bracht. Je maakt de afweging: wegen de baten van mijn oplossing op tegen de kosten?” 6 Breng je model in de praktijk “Tot nu toe ben je bezig geweest om een model samen te stellen. In de vijfde stap heb je een afweging gemaakt: biedt mijn model een waardevolle oplossing voor het probleem? Zo ja, dan ga je in deze fase over tot actie. Het model ontgroeit de laboratoriumfase en wordt na instemming van de stakeholders in de praktijk toegepast. Je koppelt het analysemodel aan je operationele systemen. Dit zal stapsgewijs en onder begeleiding gebeuren, afhan- kelijk van de impact op de bedrijfsvoering en techniek, en van de ervaring met voorgaande implementaties. Zo is een DevOps-benadering ook voor data science een zeer voor de hand liggende werkwijze.” “Ga niet alleen op zoek naar interne data. Ga ook op zoek naar externe data” Frank de Nijs, enterprise innnovator Centric DATA SCIENCE