Telecom Case : waarde uit Big Data

Klantvraag:  Help ons waarde creëren uit onze Big Data

Onze aanpak

Interviews en maturity scan

Bij de start van het project werd een maturity scan uitgevoerd, analoog aan de DELTA methode ontwikkeld door Thomas Davenport (zie referentiemodel ACMM). Op basis van interviews en aanvullende desk research werd de gehele organisatie beoordeeld op hoe data gedreven deze was en waar het ambitieniveau lag. Deze IST en SOLL situaties werden ook bepaald voor verscheidene afdelingen. Meer dan 20 interviews werden hiervoor uitgevoerd met stakeholders. Deze interviews leverden ook input voor use cases op: waar in de organisatie konden data experimenten succesvol worden opgezet?

DIKW_039_BDE_UK_v02.png


Hugo Koopmans studeerde aan de MTS, de HTS en volgde de studie Werktuigbouwkunde aan de Technische Universiteit Eindhoven. Hij rondde de studie af, maar na 10 jaar werktuigbouwkunde bleek er nog een ander domein dat minstens zo interessant was, dat van de kunstmatige intelligentie. Zijn passie lag ergens anders.   Hugo is nieuwsgierig, creatief en houdt zich bezig met de nieuwste ontwikkelingen en toepassingen op het gebied van kunstmatige intelligentie (AI), algoritmes, (Baysiaanse) statistiek en het verwerken van natuurlijke taal in een semantische kennis graaf. Voor klanten is Hugo iemand die breed kan adviseren maar vooral dingen doet. Hij is pas tevreden als het aantoonbaar is dat een data gedreven toepassing waarde creëert voor de klant  n de klant dus echt verder helpt.  Hugo is de initiatiefnemer en de drijvende kracht achter de DIKW Academy. Hier ligt ook een groot deel van zijn passie. Het opleiden van data scientists en data engineers is waar hij goed in is en waar hij ook zijn didactische vaardigheden kan gebruiken. Referentiemodellen, zoals het  Analytical Capability Maturity Model (ACMM) ontwikkelde hij zelf op basis van het werk van Thomas Davenport. Hugo wil met zijn werk ook de wereld een beetje beter maken. HIj is dan ook al jaren verbonden aan Sensing Clues, een organisatie die in zich inzet om wildlife te beschermen. Daarvoor worden innovatieve apps ontwikkeld met de techniek van AI. Een voorbeeld is de SERVAL geluidsensor. In dit whitepaper wordt uitgelegd wat het is en hoe dit werkt.   De wereld verandert snel, maar dat maakt het werk van Hugo alleen maar uitdagender. Hij is steeds bezig met het vinden van nieuwe vormen en toepassingen van data om de klanten van DIKW nog betere oplossingen te bieden. Voor deze ‘nerd’ is geen dag hetzelfde.

Resultaat

Het resultaat van dit project kunnen we het beste uitdrukken in een serie getallen : 13 - 9 -7 -2.

Gedurende het jaar dat wij deze klant hebben geholpen met het opzetten van deze datascience experimenteerfabriek zijn er 13                                                                                  experimenten ontwikkeld, hiervan zijn er 9 na een positieve test live gegaan, waarvan er 7 een positief resultaat hadden                                                                                                            gedurende de looptijd. Twee experimenten bleken echte  goudklompjes en waren een zeer groot succes.

Het data science projectteam van DIKW zichzelf meer dan 4x terugverdiend gedurende deze periode.

Funnel met use cases

Op basis van de interviews en verkregen business understanding werd een lijst met use-cases opgesteld: de funnel. Elke use case                                                                                                         in de funnel werd gescoord op data inspanning, organisatorische inspanning en commercialiteit. Elke use case kreeg daarna een                                                                                                      overall rating, waarbij ook meegenomen werd of de use case op korte termijn gerealiseerd kon worden. Deze funnel werd                                                                                                          opgesteld en beheerd door het data science team.

Business case gedreven selectie van use cases

De use cases met de hoogste overall ratings kwamen bovenin de funnel te staan. Een aantal use cases met hoge ratings werd                                                                                         geselecteerd door het data science team. Hiervoor werd een haalbaarheidsstudie uitgevoerd, waarbij de business case centraal                                                                                                        stond. Doorlooptijd hiervoor was een maand, daarna werd voor elke use case een GO/NOGO beslissing genomen. Alleen use cases                                                                                                met een GO beslissing kwamen in de proof of concept fase terecht.

Proof of concepts: uitwerken, runnen en evalueren van experimenten

Drie proof of concepts zijn uitgevoerd in een kwartaal. Dit is inclusief het ontwikkelen, runnen en monitoren van het experiment.                                                                                                     Elk experiment werd minimaal 4 weken gerund, zodat voldoende data werd verzameld om het effect te meten van een meer data                                                                                            gedreven manier van werken. Hierbij werd altijd gebruik gemaakt van een opzet met testgroep(en) en controlegroep. Bij elk                                                                                              experiment werd gemeten hoeveel extra euro’s het opleverde tijdens de PoC fase.

Presentatie aan board en GO beslissing experimenteerfabriek

Na de PoC fase werd een presentatie aan de board gegeven waarin we lieten zien hoeveel extra euro’s we verdiend hadden met                                                                                                           de experimenten tijdens de PoC. Op basis van shared revenue was dit project aangegaan, omdat we overtuigd waren dat we met                                                                                                            data science geld konden verdienen voor onze klant. De experimenten waren zo succesvol gebleken, dat de board een GO-                                                                                                          beslissing gaf voor het verder uitwerken van de experimenteerfabriek, waardoor een cultuur ontstond van continu                                                                                                        experimenteren. Implementatie van de succesvolle experimenten vond plaats in Q2-Q3 van dat jaar.

Opzetten van en begeleiden bij experimenteerfabriek

Het succes van de eerste experimenten leidde tot nieuwe verzoeken van stakeholders uit andere delen van de organisatie,                                                                                                      waardoor de funnel aangevuld werd met nieuwe use cases. Nieuwe use cases werden uit de funnel geselecteerd en opgepakt door                                                                                                  het data science team, waarna de hierboven beschreven cyclus opnieuw werd doorlopen. Op deze manier werden 14                                                                                                              experimenten succesvol opgezet, uitgevoerd, gemonitord en geëvalueerd. Elke maand werd bijgehouden hoeveel de                                                                                                              experimenten opleverden voor de klant. Ook in de daaropvolgende jaren werd het data science team van de klant ondersteund door                                                                                            een consultant van DIKW. Ook hebben in deze periode vier analisten van onze klant de opleiding Certified Data Science Professional                                                                                  gevolgd aan de DIKW Academy.

Project team 

Andries Akkerman

Roland Zoet

Bas Beekmans