[onderzoek] De toegevoegde waarde van design in data science

[onderzoek] De toegevoegde waarde van design in data science
  • Design
  • 11 apr 2019 @ 09:42
  • 28849 x gelezen
  • Link
  • Redactie MarketingTribune
    Redactie MarketingTribune

    Redactie
    MarketingTribune
  • Onderzoek

Op het eerste gezicht lijken data science en design niet veel met elkaar te maken te hebben. Waar een data scientist zich focust op analyseren, interpreteren, visualiseren en modelleren van data, waarbij vaak complexe algoritmes en programmeertalen gebruikt, houdt een designer zich onder andere bezig met het creëren en optimaliseren van producten en diensten.

Hierbij is het soms vooraf niet helemaal duidelijk wat de oplossing moet worden en dient het probleem nog duidelijker geschetst te worden. Laat dit nou net het punt zijn waar een designer goed in is en een data scientist veel van kan leren.

Bij EY VODW werken de designers veel volgens het Human Centered Design-proces - ook wel het Triple Diamond Model genoemd - om de zoektocht naar de juiste oplossing te structureren1. Dit model helpt om tot gedegen, onderbouwde oplossingen te komen. Het model bestaat uit drie stappen: inspiratie opdoen, ideeën bedenken en het implementeren van het idee. Voor veel data science-vraagstukken is dit model ook zeer bruikbaar. Hieronder een uitleg hoe dit toegepast kan worden.

 

Stap 1: Inspiratie

Het begint bij de vraag die gesteld wordt. Wat is de échte vraag? Ontbreekt er informatie? Veel data scientists zijn geneigd om meteen een oplossing te gaan uitwerken op het moment dat de vraag binnen komt. Dit is volgens Agnirudra Sikdar de moeilijkste fase2. Vaak speelt er (soms zonder dat men zich ervan bewust is) enige miscommunicatie waardoor de vraag nog onduidelijk is of er veel ruimte overblijft voor aannames. Om te voorkomen dat er op basis van die aannames werk wordt gedaan dat nooit gebruikt gaat worden, is deze eerste stap cruciaal. Wat is de businessimpact en -waarde van de vraag die er wordt gesteld? Worden er bedrijfsbreed beslissingen op genomen of wordt het antwoord gebruikt om een idee te toetsen? Zoek inspiratie bij anderen, heeft iemand dit eerder opgelost? Is een collega een gelijksoortig probleem tegen gekomen? Neem in ieder geval ruim de tijd om alles over de juiste probleemstelling te weten te komen, voordat je aan de slag gaat met de oplossing.

 

Stap 2: Creëer ideeën

Door verschillende technieken die het data science-probleem kunnen oplossen naast elkaar te zetten, zijn de voor- en nadelen per techniek goed te overzien. Dit helpt bij het kiezen van de beste methode voor de opdracht. Daarnaast is het de bedoeling dat er geëxperimenteerd wordt en dat deze experimenten gevalideerd worden met de steller van de vraag om te checken of dat het gewenste resultaat oplevert. Door te experimenteren kom je er snel achter of je de juiste techniek hebt gekozen, nog voordat er veel tijd, energie en geld in de oplossing is gestoken. Ben je toch niet helemaal tevreden met het resultaat? Probeer met bijvoorbeeld een kleine dataset nog een aantal technieken uit. Zo kom je er snel achter wat voor deze data en dit probleem de beste oplossing is.

 

Stap 3: Implementeer

Er is nu een gekozen oplossing, alleen het uitwerken en implementeren resteert nog. Nu mag het bekende data science-werk beginnen. Prepareer de data, bouw het model, dashboard of visualisatie en deel het met de opdrachtgever. Mocht de opdrachtgever toch niet tevreden zijn, ga dan het gesprek aan. Neem de kennis en inzichten die je hebt opgedaan in voorgaande stappen mee en begin opnieuw. Je kunt deze stappen zo vaak doorlopen als nodig.

 

Door deze drie stappen te volgen, zijn er geen zorgen dat er te veel tijd in de uitwerking gestoken wordt of dat de oplossing mogelijk niet gebruikt wordt. Dit is immers vooraf al afgestemd.

In het algemeen zijn data scientists gefocust op het zo snel en efficiënt mogelijk oplossen van het vraagstuk. Daarnaast willen ze de oplossing ook nog zo maken dat, mocht de vraag nog een keer voorbij komen, het antwoord snel op tafel ligt. Dit klinkt heel efficiënt, maar wat uitgebreider onderzoek in het begin kan zichtbaar maken dat de opdrachtgever eigenlijk iets anders wil weten dan wat hij vraagt. Het lijkt meer tijd te kosten in het begin, maar het verhoogt de kans dat de data scientist het model op deze manier maar één keer hoeft te maken. Designers zijn verdomde goed in dit proces en al kost het ogenschijnlijk meer tijd aan het begin, de kans dat je een First Time Right te pakken hebt is ineens aanzienlijk groter geworden.

 

Bronnen:

1 to.ey-vodw.com/design-thinking/hcd-proces

2 medium.com/@agnirudra/design-thinking-driven-framework-for-data-science-62ddf5d5dd1d

Dit artikel is geschreven door Jette Mul, interim data scientist EY VODW en stond in MarketingTribune 07, 2019.

Redactie MarketingTribune

Nieuwsbrief

  • Mis niets! Schrijf je nu in voor de gratis nieuwsbrief.
  • Inschrijven

Laatste reacties

Word abonnee en ontvang:

  • ✔ 22 keer per jaar MarketingTribune Magazine
  • ✔ Korting tot wel €100,- op events
  • ✔ Gratis tablet versie

  • MarketingTribune.nl/design biedt marketeers, communicatieprofessionals en designers nieuws, informatie en praktijkverhalen over en visies op design in het algemeen, maar richt zich met name op packaging-, corporate-, online- en product design.
  • MarketingTribune: meer over marketing en merken