De 7 randvoorwaarden voor een succesvol data-project

c Maar dit vergt specifieke skills en kennis van je team. Denk aan het omschrijven van alle requirements, het maken van een proof of concept, inzicht krijgen in (technische) processen of het ontwikkelen van algoritmes.

Maar vergeet ook niet de soft skills! Wie overtuigt de stakeholders? Wie krijg alle handen op elkaar om de volgende stap te zetten? In dit blog zetten we de belangrijkste voorwaarden voor succes op een rij. Ook noemen we voorbeelden van grote data-projecten. De basis voor elke organisatie die aan de slag gaat met een data-project.

Vlammrs coder working with a coding program

01 Stel duidelijke doelen

Elk project wordt beter van doelstellingen. Zorg er wel voor dat ze SMART zijn, op die manier zijn ze begrijpelijk voor het hele team. Zo kun je makkelijker uitleggen waar jullie naartoe willen werken en kan iedereen zijn commitment toezeggen.
SMART doelstellingen zijn:

  • Specifiek
  • Meetbaar
  • Acceptabel
  • Realistisch
  • TijdsgebondenOnze Vlammrs talenten zijn datagedreven. Zij zijn zich zeer bewust van het belang van goede data. Daarom vragen ze door totdat er kwalitatieve doelen staan. Zo zorgen ze ervoor dat het resultaat ook écht impact voor de organisatie heeft.

02 Kwaliteit van data

Data is er in alle soorten en maten. Benut jij het juiste potentieel aan data vanuit de organisatie? Kwalitatieve data sluit aan bij de doelstellingen van het project. Onze Vlammrs beoordelen daarom altijd of data nauwkeurig, volledig, actueel en relevant is.
Wees dus kritisch op de data en databronnen die je gebruikt. Niet alle data is relevant voor je project of heeft de juiste kwaliteit.

03 Een dreamteam

Een data-project vergt een competent team met de juiste ervaring en skills. Soms ook hele nieuwe skills die nu niet in je organisatie aanwezig zijn. Voor een succesvol data-project zoek je voorlopers die weten hoe de nieuwste technieken werken. Die blij worden van data én er vervolgens een helder project van kunnen maken. Een team voor complexe dataprojecten kan bestaan uit de volgende rollen:

Data Scientist

Een data scientist verwerkt grote hoeveelheden data uit verschillende bronnen. Met behulp van speciale tools wordt deze big data omgezet naar bruikbare informatie om zo modellen te ontwikkelen die inzicht geven in de toekomstige ontwikkelingen.

Data Analist

De data analist houdt zich meer bezig met de huidige stand van zaken. Het verzamelen van inzichten en het verwerken van een grote stroom aan gegevens tot informatie. Vervolgens maakt een data analist van deze informatie inzichtelijke rapportages.

Business Translator

Om ook de zakelijke kant en de prioritering te kunnen bepalen binnen een data-project doet een business translator als echte verwachtingsmanager zijn werk. Het verbinden van de business met data is een belangrijke skill die deze rol heeft. Om zo ook te kunnen monitoren of de inspanningen de juiste output opleveren.

Data Engineer

De data engineer is kampioen in het aanbrengen van structuur in ongestructureerde datasets. Deze data kan zowel online als offline verzameld worden. Het is de taak van de data engineer om dit zo te organiseren dat het bruikbaar is voor bijvoorbeeld analyses.

Data Steward

Een data steward is de brug tussen IT en de business kant van het bedrijf. Een belangrijke taak in deze rol is het coördineren van de data binnen een organisatie. Daarbij hoort ook het optreden als data ‘corrector’ die de data begrijpt en interne regelgeving over hoe de data te gebruiken afdwingt binnen een organisatie.

Projectmanager

Onderschat het belang van goed projectmanagement niet. Een goed omschreven projectplan met duidelijke taken (en taakverdeling!) zorgt voor rust in het data-project en de verschillende teamladen. Een goede projectmanager kijkt vooruit en draagt zorgt voor:

  • Project plan
  • Taakomschrijving
  • Taakverdeling
  • Planning
  • Risicobeperking

Dit alles zorgt ervoor dat het project soepel blijft lopen en naar de doelstellingen toegewerkt wordt.

De uitgebreide achtergrond van deze profielen kun je hier downloaden.

04 Goede infrastructuur

Met alleen doelstellingen, een team en data ben je er nog niet. De hele faciliterende laag in een organisatie zorgt er mede voor dat een data-project succesvol is. Om het project te ondersteunen moet je denken aan de juiste softwaretools, gegevensopslag, methoden voor gegevensvalidatie en de juiste computers met de juiste rekenkracht.

05 Heldere communicatie

Met duidelijke communicatie en afspraken tussen het team en alle stakeholders voorkom je misverstanden. Het draagt ook enorm bij in het behalen van de gestelde deadlines om duidelijk, consistent en regelmatig met elkaar te communiceren. Soft-skills zoals stakeholdermanagement en effectief communiceren zijn een belangrijk onderdeel van het Vlammrs ontwikkelprogramma. Juist omdat het zo cruciaal is voor een succesvol project.

06 Continu monitoring en optimalisatie

Om op tijd de koers bij te kunnen sturen indien nodig is ongoing monitoring belangrijk. Dit helpt bij het tijdig signaleren van problemen, zodat het team nog aanpassingen kan doen om het project met succes af te ronden. En ook al is het project succesvol: een evaluatie is altijd waardevol. Zorg dat alle learnings, positief én negatief goed bewaard worden. Gebruik deze om je andere processen te optimaliseren en uiteraard het volgende data-project.

07 Implementeer strategie

Als een data-project is afgerond en de projectresultaten gedeeld is het tijd voor de volgende stap. Het ontwikkelen van een implementatiestrategie! Deze zorgt ervoor dat de projectresultaten succesvol en daadwerkelijk de processen van de organisatie gaan ondersteunen.

Meer data dan je denkt: hoe zetten bekende merken data in?

  • Het binge-wachten bij Netflix komt je vast bekend voor. De streamingdienst kan als geen ander gepersonaliseerde inhoud aan kijkers tonen. Op basis van wat je gekeken hebt, beoordelingen en andere data. Netflix gebruikt ook data om op strategisch niveau te beslissen welke shows geproduceerd of geworven moeten worden.
  • De koffiegigant Starbucks gebruiken data om winkelinrichting of productaanbod te optimaliseren. Maar daarnaast zetten ze het ook in om mobiele bestelervaringen te personaliseren. Starbucks heeft zelfs de personeelsbezetting per store gebaseerd op data.
  • Modemerk Zara kan zo snel reageren op veranderende trends door voorspellende data te gebruiken. In combinatie met een slim ingericht voorraadbeheer minimaliseren ze verspilling en kunnen ze nieuwe producten sneller op de markt brengen.
  • De meest bekende data-analisten zijn natuurlijk zoekmachines en social media platformen. LinkedIn bijvoorbeeld gebruikt data om vacatures te promoten, gebruikers te helpen hun netwerk te vergroten door suggesties te tonen en het wervingsproces voor werkgevers te verbeteren.

Data scientist ontwikkelt data model

PostNL bezorgt miljoenen pakketten per dag. Dit ingewikkelde logistieke proces is afhankelijk van multiple factoren en partijen. Goede communicatie is daarbij key. Vlammr Daniël is gevraagd deze communicatie te optimaliseren door het proces achter het voorspellen van bezorgtijden en tijdvakken te innoveren. Benieuwd hoe hij dat aanpakte?