4 P’s om succesvol data en AI projecten te lanceren

Bron grafiek: Mckinsey

1. Plan

Het verschil maken met data en AI is geen sprint, maar een marathon. Het is niet belangrijk om als eerste te zijn met een PR bericht over een AI-toepassing terwijl deze in de praktijk niet gebruikt wordt. Het is nog steeds belangrijker om je te onderscheiden van concurrenten en daarmee je marktaandeel te vergroten. Bedenk dus welke doelen het belangrijkst zijn en hoe data en AI kunnen worden toegepast om deze doelen sneller te bereiken. Informeer naar de mogelijkheden en welke toepassingen relevant zijn voor jouw bedrijf, voorkom daarmee dat er kansen zijn die niet gezien zijn. Met dit volledige beeld  creëer je een visie waarmee je het draagvlak voor alle initiatieven kan borgen.

Bron afbeelding: Windmill Digital

2. Prioriteren

Een plan en visie zijn belangrijke stappen, maar omdat er veel projecten kunnen worden opgestart, is het essentieel om de belangrijkste projecten te prioriteren. Het opstellen van een use case op één A4 per belangrijk project is cruciaal:

• Welk bedrijfsdoel ondersteunt dit project?
• Wat zijn de doelen van deze use case?
• Hoe kwantificeer ik deze doelen?
• Wie is de eigenaar van deze use case?
• Welke AI-toepassing en data heb ik nodig?
• Zijn er ethische of juridische punten om rekening mee te houden?

“Dit moet iemand zijn die de verbinding kan maken tussen de business en de technische data engineers en scientists.”

Het kiezen van de eigenaar van de use case is van kritiek belang. Dit moet iemand zijn die de verbinding kan maken tussen de business en de technische data engineers en scientists. En vooral iemand die helder kan communiceren met de betrokken afdeling(en) waar de use case van toepassing gaat zijn.

Bron afbeelding: Foundation Capital

3. Proef

Met een goed gevulde wishlist van verbeteringen voor je operationele, marketing-, customer support-, finance- of HR-afdeling ten opzichte van de concurrentie, is het belangrijk om snel aan de slag te gaan. Om de haalbaarheid en technische eisen van je use case te bepalen, is het aan te raden om klein te beginnen en bijvoorbeeld een deel van je dataset te testen met een van de vele beschikbare tools. Op deze manier kun je snel testen of een model überhaupt kan worden getraind en wat er nodig is om dit te bereiken. Het uitvoeren van deze testen kost niet veel tijd en geld, maar kan enorm helpen om je use case tot leven te brengen binnen de organisatie.

“Op deze manier kun je snel testen of een model überhaupt kan worden getraind en wat er nodig is om dit te bereiken.”

Als de testen niet succesvol zijn, helpt het je om te weten wat er nodig is om tot een model te komen, zoals het verbeteren van de kwaliteit van je data. Probeer de kostbare tijd van data engineers en scientists zoveel mogelijk te beperken, omdat een perfect genormaliseerde dataset in deze fase niet het belangrijkste doel is.

4. Productie

Nu je weet welke projecten de meeste impact zullen hebben, is het tijd om het model in productie te brengen. Dit vergt een strakke briefing naar data engineers, data analisten en/of data scientists, die de data moeten prepareren om het model te kunnen trainen. Dit gaat vaak gepaard met een aantal iteraties voordat het model daadwerkelijk in productie kan worden genomen. Het is belangrijk om in deze fase te blijven communiceren met de afdeling waar het project wordt toegepast, om weerstand tegen verandering te voorkomen. Zorg ervoor dat iedereen betrokken is en begrijpt waarom het project in productie wordt genomen.

Start nu en maak nog steeds het verschil

Ondanks de hype rondom AI, hebben de meeste bedrijven in 2023 nog steeds moeite om data en AI te integreren in hun dagelijkse business. Het is dus nog steeds mogelijk om het verschil te maken ten opzichte van de concurrentie. Het is belangrijk dat deze projecten breed gedragen worden en ook daadwerkelijk worden gebruikt binnen de organisatie om het verschil te maken. Start nu en maak het verschil!