Niemand kent jouw werk en organisatie beter dan jij. Waarom ben je dan meestal afhankelijk van anderen als het gaat om het gebruik van Artificial Intelligence (AI) en diepgaande analytics zoals Machine Learning (ML)? Juist nu ML inmiddels een must have is om de continue veranderingen bij te houden en sneller beter geïnformeerde beslissingen te nemen, zou jij eigenlijk zelf aan het roer moeten staan.
Het goede nieuws is dat je in de meeste gevallen met business science-technologieën nu zelf de regie kunt pakken, zonder dat je daar een data science-expert voor moet zijn.
Precisiewerk is voor data scientists
Het zijn nu vooral data science-teams die toegang tot Machine Learning hebben, vanwege hun diepe en technische kennis van deze technologie. Zij zijn onmisbaar bij vraagstukken waar precisie noodzakelijk is. Denk maar aan teams die bijdragen aan een kwaliteitscontrolesysteem voor vliegtuigmotoren, fraudedetectie in de financiële wereld of financiële forecasting voor beursgenoteerde bedrijven. Dit zijn complexe en tijdrovende processen waarbij geen enkele fout gemaakt mag worden.
In veel gevallen zijn de data science-teams echter helemaal niet nodig. Sterker nog, vaak kun jij zelf data veel beter duiden.
Data science-technieken + business context = business science
Het is hoog tijd om Machine Learning breder in te zetten in organisaties. Dat betekent niet dat iedereen in je organisatie omgeschoold moet worden tot data scientist. Maar een soort business scientist kan iedereen worden! Met de juiste ondersteuning kan namelijk iedereen op basis van ML beslissingen nemen.
Met business science worden data science-technieken en Machine Learning toegankelijker gemaakt waardoor meer medewerkers sneller, slimmere beslissingen kunnen nemen. Je profiteert dus van data zonder dat je daar een data science-team voor nodig hebt. Zonder ingewikkelde code te schrijven, krijg je bijvoorbeeld toegang tot voorspellingen, scenarioplanning, modellering en andere analytische methodes.
Het grote voordeel van business science is dan ook dat resultaten gemakkelijker te interpreteren zijn omdat jij als gebruiker de zakelijke context kent en domeinexpertise hebt. Zo hoeft het data science-team zich alleen nog bezig te houden met vraagstukken waar uiterste precisie noodzakelijk is.
Business Science is navigeren met je navigatiesysteem door dataland
Laat me het verschil tussen data science en business science uitleggen met een voorbeeld. Stel, je eindbestemming is het Salesforce-kantoor in Amsterdam. Daar kun je op twee manieren komen: met de exacte coördinaten óf door een routebeschrijving. De specifieke lengte- en breedtegraden behoren bij data science; zeer nauwkeurige data die je zelf moet interpreteren. Bij business science vertaalt je navigatiesysteem of Google Maps de abstracte locatiedata in relevante informatie voor jou: waar moet je links en waar rechts? Kortom, toegepaste data die zelfverklarend is en jou veilig naar je bestemming brengt.
Start in ieder geval altijd met het formuleren van je eindbestemming. Stel jezelf daarbij de vraag of abstractie en mathematische precisie hierbij noodzakelijk zijn of dat je beter gebruik kunt maken van de zakelijke context en expertise die jij hebt. Zo weet je of je afhankelijk bent van een data science-team of dat je zelf aan de slag kunt met business science.
Met behulp van business science wordt Machine Learning dus opeens toegankelijker voor iedereen in de organisatie, waardoor je sneller beslissingen kunt nemen. In de nabije toekomst verwacht ik dan ook dat deze technologie nog vaker wordt ingezet als beïnvloeder van beslissingen op alle lagen in de organisatie.
