We kunnen er niet meer omheen, data en analytics zijn overal aanwezig in ons dagelijks leven. In organisaties groot en klein wordt de behoefte om eindelijk eens iets met de data te gaan doen alsmaar sterker. We kunnen zo enkele vraagstukken in onze samenleving opnoemen die we met data en analytics kunnen aanpakken: Files oplossen, de stadsbus stipter laten rondrijden, het fijnstof in de atmosfeer verlagen en ook nog enkele fraudeurs oppakken. Maar hoe begin je daar nu eigenlijk aan en hoe kun je daarna gestructureerd opschalen?

Het is een leercurve

Ook de onderzoekers die we nu soms als voorbeelden nemen zijn ooit ergens begonnen, en geloof me: dat was niet met de meest complexe zaken. Er is nu eenmaal een leercurve waar je doorheen gaat en dan heb ik het in de eerste plaats niet over de bonte verzameling technische tools, programmeertechnieken en cloud-oplossingen.

Een voorbeeld

Zo herinner ik me een voorbeeld bij een douanedienst waar immens veel kennis en ervaring is om smokkelaars te pakken. Ervaren douaniers halen er zo de verdachte pakketjes en zendingen uit met een grote kans op gefraudeerde aangiftes. Het scepticisme dat een computeralgoritme dit beter zou kunnen was bij hen dan initieel ook groot.

Ze begonnen op een eenvoudige manier. Gewoon iemand die eens wat nieuwsgierig was, en wat moeilijkere vragen stelde. Die is dan begonnen met eerst wat gegevens van verschillende zendingen en gekende smokkelmethodes bij elkaar te brengen in eenvoudige tools om te kijken of er iets meer uit te halen is. Na verschillende iteraties heeft hij aan zijn leidinggevende kunnen aantonen dat er heel wat resultaten te halen waren door de inzichten die ze uit die data haalden ook toe te passen in het veld.

Veranderende rollen

Om hier op grotere schaal mee verder te gaan is verandermanagement nodig, omdat het ook de mensen die ermee moeten werken aan boord moet krijgen, en ook de bedrijfsprocessen die dit gaan ondersteunen dienen aangepast te worden.

In het voorbeeld van de douanedienst was er tijd en verandermanagement nodig om de douaniers te laten inzien dat hun rol mee zou evolueren. Zo evolueerden sommigen naar een rol van algoritmetrainer, terwijl anderen in hun huidige rol bijgestaan zouden worden door die algoritmes om hun werk nog gerichter te kunnen uitvoeren. En zeg nu zelf, als die computer de kennis van alle douaniers kan combineren, dan is het alsof al je collega’s gewoon 24 uur per dag het hele jaar door ter beschikking staan om je te helpen.

Van eenvoudig begin naar ModelOps

Hun project is door een aantal fasen gegaan, om uiteindelijk bij ModelOps uit te komen. Dat is het volledige geautomatiseerde proces waarbij de bevindingen van de Data Scientist onmiddellijk resultaat op de vloer oplevert.

De Data Scientist bouwt namelijk een model van de werkelijkheid, zoiets als een scoreberekening op alle eigenschappen van een zending of pakket. Een hoge score geeft dan aan dat er een hoge kans is dat een bepaald pakket smokkelwaar bevat. Dat model moet dan enkele stappen ondergaan voordat je de duizenden zendingen die per dag in een land binnenkomen allemaal een score berekend krijgen. Dan heb je ook nog een proces nodig waarbij je de douaniers op een vlotte manier tot bij die pakketjes met een hoge score kan leiden.

Daarnaast zijn fraudeurs ook heel snel in het aanpassen van hun werkmethodes en het verleggen van hun werkterrein, dus moet het model even snel vernieuwd kunnen worden, opnieuw getest en geïntegreerd worden in het proces. ModelOps gaat daarbij zorgen dat hierbij zo weinig mogelijk manuele stappen nodig zijn, zodat de Data Scientist zich enkel om een zo accuraat mogelijk model hoeft te bekommeren. De automatisering doet de rest. Als extra’s krijgen ze daarbij ook nog een volledig overzicht over het proces, de evolutie van aantallen betrapte smokkelaars en kunnen ze ook de prestatie van de modellen in het oog houden.

Begin eenvoudig maar houd rekening met schaalbaarheid

Alle organisaties die meer uit hun data willen halen met analytics beginnen klein en eenvoudig. Met de eerste resultaten wordt duidelijk wat het de organisatie kan opleveren wanneer analytics breder ingezet wordt. Het heeft nut om in het begin al rekening te houden met deze schaalbaarheid. Zodat wanneer de organisatie eraan toe is, de benodigde veranderingen soepel ingezet kunnen worden.

Lees meer over de waarde van volwassen modellen bij andere overheidsorganisaties in het e-book Verantwoord Gebruik van Overheidsdata.