Meer en meer data, en meer en meer behoefte aan analyse. Genoeg te doen voor researchers, data scientists en insights professionals. Maar kunnen zij ook goed genoeg de inzichten vertalen naar de alledaagse praktijk van bedrijven. Tijd voor de analytics translator, zegt Sjoerd Koornstra.
Tekst Sjoerd Koornstra, voorheen Global CMI-manager Heineken, partner bij the House of Insights
Nu we steeds meer worden geconfronteerd met groeiende databases en lappen tekst, neemt de behoefte aan data-analyse toe. De data komen vaak uit verschillende databases, met verschillende structuren en technische complexiteiten. Ondernemingen worstelen met het koppelen van diverse databronnen. Maar met een creatieve en pragmatische houding en met technieken uit de data science kan dit worden opgelost. Het merendeel van de analyses wordt uitgevoerd met machine learning tools door data scientists. Die scientists zijn nodig om analyse-modellen te bouwen. Data scientists kunnen analyseren, maar zijn doorgaans minder sterk in de interpretatie en het maken van de link met de business. Volgens McKinsey is er daarom een enorme behoefte aan analytics translators, de link tussen data science en business. McKinsey schreef erover in het artikel ‘Analytics translator: The new must-have role’, gepubliceerd in Harvard Business Review (februari 2018).
Kritische rol
Om beter te begrijpen wat translators zijn, is het belangrijk om eerst te weten wat ze niet zijn. Translators zijn noch data-architecten noch data engineers. Ze hoeven geen technische kennis te hebben van programmeren of modeling. Translators spelen wèl een kritische rol bij het verbinden van de technische kennis van data engineers en data scientists met de operationele kennis van de business, bijvoorbeeld marketing en sales. Translators zorgen ervoor dat de insights uit geavanceerde analytics vertaald worden in impact op de business.
Translators werken nauw samen met de directies om de zakelijke kant en prioritering hiervan te begrijpen. Translators vertalen vervolgens met hun kennis van AI en analytics de zakelijk vraag in een briefing oor de data professionals. Zij op hun beurt produceren modellen en oplossingen. Vervolgens zorgen de translators ervoor dat uit deze modellen en oplossingen insights worden gedestilleerd die bedrijven kunnen begrijpen en waarop zijn kunnen handelen. Domeinkennis is de belangrijkste vaardigheid die een translator moet hebben. Hij of zij moet expert zijn in de branche, discipline en bedrijf om de waarde van AI en analytics te plaatsen in de business-context. Ze moeten de key operationele metrics van de business begrijpen, net zoals de impact op winst, omzet, consumer retention, etc. Daarnaast moeten ze een sterke vaardigheid bezitten in kwantitatieve analyses en gestructureerde probleemoplossing. Ze hoeven niet per se in staat te zijn om zelf kwantitatieve modellen te bouwen. Ze moeten wel weten welke modelvarianten beschikbaar zijn (bijvoorbeeld deep learning versus logistic regression) en voor welk businessprobleem ze kunnen worden toegepast. Translators moeten in staat zijn om de resultaten te interpreteren, potentiële modelfouten te ontdekken (zoals overfitting) en de data scientists uit te dagen. In het schema is de rol van de translators verder uitgewerkt.
Connectors
CMI (consumer market intelligence)-managers vervullen een rol die enigszins vergelijkbaar is met die van translators. Samen met veelal marketing worden de business issues doorgenomen en besproken welke consumenteninformatie nodig is om een beslissing te nemen. CMI-managers briefen vervolgens doorgaans bureaus en zorgen dat de juiste methode wordt toegepast. Vervolgens zien zij erop toe dat onderzoeksresultaten worden vertaald in informatie die nodig is voor het nemen van business-beslissingen. CMI-managers zijn de connectors tussen de business issues en het begrijpen van consumenten. Deze domeinkennis is het belangrijkst voor een translator. Het meest logisch lijkt dan ook dat CMI-managers worden geschoold in data science om deze translatorrol te kunnen vervullen.
Meer impact
We zien dat veel bedrijven eisen dat de insights departments goedkoper en sneller leveren en meer impact generen. Meer impact betekent onder meer dat het beter is om 80% van de benodigde informatie aan de business leader te geven dan de 99% die meer tijd vraagt (terwijl de businessbeslissing dan al is genomen). De in het kader genoemde toepassingsgebieden 1 en 2 kunnen hierbij een cruciale rol vervullen. Gebruik en analyseer eerst de kennis die al beschikbaar is binnen een bedrijf. Dit wordt vergemakkelijkt als je een goede data-infrastructuur en kennismanagementsysteem hebt. Hierbij kan een analytics translator een proactieve rol vervullen, ook in de veelal moeizame en politieke samenwerking met ICT.
Veel bedrijven zullen de data scientist-activiteiten outsourcen. Enerzijds omdat de werkhoeveelheid geen data scientistfunctie rechtvaardigt, anderzijds omdat men flexibel de data analytics kan inhuren. Bureaus kunnen deze functie op zich nemen en data scientists in dienst nemen als service voor hun klanten.
Toepassingsgebieden
Wat zijn momenteel de toepassingsgebieden voor een translator binnen insights?
- Bedrijven hebben doorgaans veel data sources beschikbaar terwijl men zich niet bewust is van het potentieel. Daarnaast komen steeds meer data sources beschikbaar via API’s of data brokers.
- Bovendien komen meer tekstdata beschikbaar: bestaande onderzoeksrapporten en social media-data die met text analytics kunnen worden geanalyseerd. Text analytics maakt hoofdzakelijk gebruik van machine learning tools.
- Media departments hebben ook data science support nodig. Het werken met programmatic buying en audience targeting via DMP’s (data management-platforms) wordt voornamelijk uitgevoerd met machine learning tools. Een bedrijf heeft mensen nodig die het werk van mediabureaus kan beoordelen. Deze rol kan een CMI-translator op zich nemen. «
De analytics translator (volgens McKinsey)
Bij elke stap van het analyse-initiatief speelt de translator een belangrijke rol.
Stap 1: Identificatie en prioritering van business issues
Translator werkt samen met business leaders om business issues vast te stellen (en te prioriteren) die geschikt zijn om met analytics op te lossen.
Stap 2: Data verzamelen en voorbereiden
Translator helpt de bedrijfsdata te identificeren die nodig zijn om de insights te produceren.
Stap 3: De analyse-engine bouwen
Translator zorgt ervoor dat de analytics-bijdrage het business issue voor de business leaders oplost op de efficiëntste en best interpreteerbare vorm.
Stap 4: Valideren en bepalen van business implications
Translator vormt complexe van analytics afgeleide insights om in gemakkelijk te begrijpen en bruikbare aanbevelingen, die business leaders eenvoudig kunnen extraheren en uitvoeren.
Stap 5: implementatie van de oplossing en insights
Translator stimuleert de acceptatie bij business leaders.
De redactie van Clou vroeg Els Molenaar, die zich voor de MOA bezighoudt met het opzetten van het Expertise Center, om een reactie op het artikel over translators.
‘McKinsey heeft vanzelfsprekend gelijk. Er zijn verbinders nodig tussen technologie en mensen, tussen consumenten en marketeers en ook tussen data science en de betekenis voor de business. Iedereen die een vertaling maakt van analyses en insights naar de impact op de business, kun je volgens die redenering een translator noemen.
De ontwikkelingen die McKinsey schetst, zijn herkenbaar. Of de oplossing ligt in translators, is echter de vraag. Op korte termijn is er nog zoveel winst te halen in het ontsluiten en ontginnen van data, dat daar alle effort naartoe gaat. Er wordt veel geëxperimenteerd, geleerd, ontdekt en daarbij mogen ook fouten worden gemaakt. Er wordt veel geoptimaliseerd en dat is voor iedereen begrijpbaar.
Tegelijkertijd ervaren diverse organisaties dat er in de huidige situatie verschillende talen worden gesproken. Marketeers, marktonderzoekers, data-analisten en data scientists verstaan elkaar slecht.
Ik verwacht de volgende ontwikkelingen:
- Het datadomein is zo belangrijk dat iedereen die zich met insights bezighoudt, zich daarin gaat verdiepen om interne data effectiever te gebruiken.
- Om de kwaliteit van data scientists goed tot z’n recht te laten komen is het belangrijk dat ze vooral doen waar ze goed in zijn en zal de rol van translators op korte termijn wenselijk zijn. Op langere termijn zullen er allerlei interfaces komen, zodat gebruikers heel gemakkelijk inzicht krijgen in resultaten en er zelf makkelijk inzichten uit kunnen halen (zoals nu via dashboards, apps, etc.).
- Als kennis van de branche en de business voor een translator essentieel is, en dat lijkt me een gegeven, dan ligt een rol van insights managers als translators voor de hand. Vooralsnog is de ‘gap’ met data science echter nog groot. Pas als insight managers bereid zijn hierin flink te investeren, komen ze als translator in aanmerking. En dat kan voor organisaties zeer waardevol zijn, aangezien insights professionals de consument als uitgangspunt nemen en vanuit daar de business met de inzichten uit data science kunnen verbinden. Het ligt minder voor de hand dat een data scientist deze stap zal kunnen of willen maken. Het lijkt niet logisch dat bureaus deze rol zullen gaan vervullen; zij hebben minder specifieke kennis van business issues en zullen om die reden onvoldoende als translator kunnen optreden.
Dit artikel is overgenomen uit Clou magazine© nr 89, oktober 2018.