Hoe data-science projecten sneuvelen (en waarom ze toch gedaan moeten worden)

De ontwikkelingen op het gebied van data-science openen allerlei nieuwe mogelijkheden. Bedrijven leren in rap tempo om hun bedrijfsprocessen en producten te verbeteren op basis van data. Het concurrentielandschap verandert fors. Dus wie wil er niet aan de slag met deze nieuwe technologie?

Helaas blijkt maar al te vaak dat kortetermijndenken in de weg staat. Ik ben afgelopen tijd een aantal gevallen tegengekomen die ‘mooi’ illustreren wat voor soort dingen er kunnen gebeuren bij data-science projecten.

“Data Science? Niet ons werk”

Kort geleden sprak ik een asset manager op een conferentie. Ze is verantwoordelijk voor de gebouwen en installaties van een groot instituut. Haar droom is om de efficiëntie van het asset management te verbeteren met behulp van data-science. Door alle data van het asset management te verzamelen in een datalake en daar vervolgens analyses op te doen, hoopt ze allerlei efficiëntieverbeteringen te kunnen vinden.

Maar daarbij loopt ze aan tegen het feit dat de uitvoering van het asset management uitbesteed is aan diverse leveranciers. En die willen eigenlijk hun gegevens niet delen. Dat zou de opdrachtgever veel te veel inzicht geven in wat ze doen. Ook de collega’s van deze manager staan op de rem: hun opvatting is dat ze nu al maximaal efficiënt zijn, doordat ze heel scherp onderhandelen over de uitbestedingscontracten. Hiermee dwingen ze de aannemers om efficiënt te werken. Als asset managers zouden ze zich moeten beperken tot het streng managen van de uitbestedingscontracten.

Maar is zo’n centrale datalake inderdaad strijdig met uitbesteding? Ik denk van niet: uiteindelijk hebben de aannemers en de opdrachtgevers een gezamenlijk belang en dat is het zo goed mogelijk uitvoeren van het asset management.

Als de aanbieders wegduiken voor verbeteringen in hun efficiëntie, dan worden ze vroeg of laat weggeconcurreerd door bedrijven die daar wel voor open staan. En als de contractmanagers niet willen leren over het managementproces als geheel, dan zullen ze nooit gebruik kunnen maken van synergieën. Daarmee zullen ze dan altijd duurder uit zijn dan nodig. De kunst is natuurlijk om de belangen van alle partijen zo goed mogelijk in balans te brengen.

“Geef mij alle winst”

Een tweede voorbeeld is dat van een manager bij een bedrijf dat machines levert. Hij vertelde me dat hij voortaan de dienst wil gaan verkopen die de machines leveren in plaats van de machines zelf. Dit soort “servitization” is een van de veranderingen die data-science met zich mee kan brengen. Het idee is dat de afnemer niet zozeer geïnteresseerd is in het apparaat als zodanig, maar alleen in wat hij met het apparaat kan doen. Als de aanbieder kan garanderen dat de afnemer daar altijd over kan beschikken, dan hoeft de afnemer het apparaat helemaal niet in bezit te hebben. De aanbieder kan vervolgens op basis van data-science zorgen dat hij de dienst van het apparaat zo goedkoop mogelijk levert, bijvoorbeeld door onderhoud op het beste moment te doen.

Dus deze manager bood een van zijn klanten aan om voortaan de gegarandeerde dienst van de machines af te nemen in plaats van de machines zelf. Het was best een aantrekkelijk aanbod: de klant zou uiteindelijk maar 50% betalen van wat hij nu kwijt was aan de aankoop van machines. Verrassend genoeg had de klant hier totaal geen oren naar.

De reden was dat de klant dacht dat de aanbieder teveel zou profiteren van de nieuwe contractvorm. Het contract had een zekere looptijd om de aanbieder de kans te geven om zijn processen optimaal in te richten. Maar de klant ging ervan uit dat dat toch wel zou lukken en dat hij uiteindelijk teveel zou betalen.

Net als in het vorige voorbeeld, staat het buiten kijf dat data-science voor alle betrokkenen nuttig zal zijn. Waar het hier om gaat is wie er het meeste van gaat profiteren. In dit geval zal de aanbieder hoe dan ook aan de slag moeten met data-science om de concurrentie voor te blijven. Dus het is logisch dat de klant denkt dat hij over een paar jaar een veel beter contract kan onderhandelen.

Anderzijds: als de klant het te hard speelt, dan wordt het moeilijker voor de aanbieder om de stap richting data-science te maken. Dus ook hier zou het nuttig zijn als de klant het iets breder zou bekijken.

“Niet te veel inzicht alsjeblieft”

Mijn laatste voorbeeld is er een die ik hoorde tijdens de IoT Tech Day, vorig jaar in Utrecht. De spreker vertegenwoordigde een groep mensen die in hun vrije tijd goedkope apparaatjes maakt om luchtkwaliteit te meten.

Het idee is dat deze apparaatjes zo goedkoop zijn dat veel mensen ze willen hebben om de luchtkwaliteit rondom het huis te meten. Door al die gegevens te verzamelen zou de stad (in dit geval Gent in België) een gedetailleerd beeld krijgen van de luchtkwaliteit in de stad. Daarmee zouden ze dan projecten kunnen starten om de luchtkwaliteit te verbeteren. Dat is een mooie toepassing op het gebied van smart cities, toch?

Maar helaas is ook dit initiatief niet bij iedereen populair. Er is weerstand van huiseigenaren in sterk vervuilde gebieden. Dat is nu net de groep die er het meeste bij te winnen heeft. Maar hun angst is dat de waarde van hun huis zal dalen als iedereen weet dat de luchtkwaliteit daar zo slecht is. Ze hebben er absoluut geen vertrouwen in dat de gemeente de juiste acties zal gaan ondernemen. Dus hebben ze maar liever dat de slechte luchtkwaliteit onbekend blijft.

Zoals altijd: hou alle belangen in de gaten

De bovenstaande drie voorbeelden laten zien dat het invoeren van data-science niet altijd vanzelf gaat.

Op korte termijn kunnen bezwaren volkomen valide zijn. Inderdaad kan blijken dat de aannemers van het asset management inefficiënt zijn en dat kan lastige gevolgen hebben. De klant van de machinebouwer zou misschien te veel gaan betalen. En de huiseigenaren zouden inderdaad wel eens een lagere prijs voor hun huis kunnen krijgen.

Maar als je het wat breder bekijkt, dan zijn die bezwaren juist weer niet terecht. De aannemers kunnen leren om efficiënter te werken en daardoor concurrerender te worden. De klant van de machinebouwer zou innovatie stimuleren en daarmee in de toekomst nog veel meer winst kunnen behalen. En de huiseigenaren zouden de data kunnen gebruiken om de gemeente onder druk te zetten.

De truc is waarschijnlijk om dingen contractueel zo te regelen dat de pijn van de korte-termijn nadelen niet zwaarder is dan het lange-termijn voordeel.

Uiteindelijk zullen alle partijen moeten leren hoe ze moeten omgaan met data-science en de voor- en nadelen daarvan. Bij VORtech ondersteunen we bedrijven in dit leerproces. Dat is een van de dingen die ons werk zo interessant maakt: de kansen zijn groot maar de dagelijkse praktijk is soms weerbarstig.

Mark Roest

Links

Machine Learning