Datascientist inhuren of kennis inkopen?

Alexander Pil

1 november 2019

Vrijwel alle elektronische apparaten zijn tegenwoordig uitgerust met een of meerdere sensoren. Al die systemen verzamelen bakken met data die in potentie zeer waardevol kunnen zijn, onder andere voor onderhoudstechnici, marketingmanagers en designers. Nog lang niet alle gegevens worden op dit moment ook daadwerkelijk uitgelezen en verwerkt. Dat is zonde omdat ze je een unieke kans geven om je product te verbeteren en je klanten beter te bedienen. Als je niets doet, loop je het risico dat de concurrentie je links en rechts inhaalt. Actie is dus geboden.

Alexander Pil is hoofdredacteur van Mechatronica&Machinebouw.

Gelukkig beseffen de meeste bedrijven dat machine learning en kunstmatige intelligentie hun eigen wereld en die van hun klanten zullen veranderen. De een is daar natuurlijk wat verder in dan de ander. Grotere organisaties hebben inmiddels allemaal minstens één datascientist op de loonlijst staan, of werken nauw samen met externe specialisten. En ook bij kleinere bedrijven is vaak helder dat ze hun data niet links kunnen laten liggen. Maar moet je je team versterken met een datascientist of is het gunstiger de service in te kopen bij een consultancybureau? Beide strategieën hebben hun voor- en nadelen. De ideale oplossing ligt – zoals zo vaak – ergens in het midden.

De belangrijkste reden om een datascientist aan te nemen, is dat zo’n interne specialist zich jouw domein snel eigen kan maken. De combinatie van domeinkennis en datascience leidt tot de beste resultaten. Een dataspecialist ziet niet alleen getalletjes, maar begrijpt eerder wat ze betekenen en hoe hij de gewenste informatie boven water krijgt. Zeker in complexe omgevingen heeft het absoluut zin als een datascientist weet hoe de business draait en hoe de processen lopen.

Een tweede voordeel van een eigen datascientist is gekoppeld aan het feit dat het vakgebied voor een deel experimenteren is. Het is een continu proces van proberen en verbeteren. Als je iemand in huis haalt, zorg je voor continuïteit en voorkom je dat het proces strandt als een project is afgerond.

 advertorial 

System Architecting Conference

The second online session of System Architecting Conference on 18 May with presentations by Jelena Marincic (TNO Embedded Systems Innovation) and Jon Holt (Incose UK). You can register for this session here.

Er is op zo veel terreinen winst te behalen met kunstmatige intelligentie dat het interessant is om met meerdere externe partijen samen te werken. Dan is het fijn als er iemand aan jouw kant van de tafel zit die de taal spreekt. En die bovendien het beste kan inschatten welke wegen het snelst naar succes leiden.

Ten slotte is er nog een heel basale reden om een datascientist in dienst te nemen. Data is de grondstof voor kunstmatige intelligentie. Toegang tot die data lijkt heel triviaal, maar is heel wezenlijk. In de praktijk is het een stuk eenvoudiger om data intern te gebruiken dan om ze te delen met een externe partij waar het vertrouwen niet onmiddellijk is ingebakken.

Genoeg argumenten dus om direct een datascientist in te huren, of zelfs een heel team op te zetten. Zeker voor de unieke processen en componenten waar echt concurrentievoordeel te halen is, kun je er bijna niet meer omheen. Als je denkt winst te kunnen halen met specifieke tooling voor je eigen bedrijf, moet je dat zeker doen. Maar dat wil niet zeggen dat die benadering altijd de beste optie is. Op algemene terreinen zijn er goede tools op de markt die een deel van het werk uit handen nemen. Iedereen gebruikt een elektromotor. Als je daarvoor een eigen oplossing ontwikkelt, weet je één ding zeker: jouw tool wordt nooit zo goed als de gespecialiseerde, commerciële tool die vele tienduizenden motoren te zien krijgt. Bovendien kan de datascientist die een interne tool ontwikkelt, zijn tijd niet aan andere zaken besteden. Als er dus een tool te koop is, die je zonder al te veel problemen in je proces kunt integreren, waarom zou je dan je energie besteden aan eigen ontwikkeling?

Voor de belangrijkste projecten en processen in je bedrijf loont het zeker de moeite om een eigen datascienceteam op te bouwen. Hoe verder ze van de kern liggen, hoe eenvoudiger het is om gespecialiseerde tooling of externe capaciteit in te schakelen. Het is een zakelijke beslissing waarbij onderwerpen zoals intellectueel eigendom, datadeling en kennisborging een voorname rol spelen. Met een intern team kun je sneller schakelen, maar voor strategisch minder gewichtige processen is het vaak gunstiger om ze uit te besteden.