Waarom datamodellering niet voldoende is

Samenvatting

Datamodellering alleen verklaart niet welke beslissing managers moeten nemen; decision science koppelt modellen aan bedrijfsdoelen.

Datamodellering en decision science: wat er gebeurt

MIT Sloan beschrijft waarom data science-projecten organisaties vaak niet helpen bij concrete keuzes. Een retailer kan bijvoorbeeld nauwkeurige vraagvoorspellingen maken, terwijl de directie nog steeds geen antwoord krijgt op de vraag hoeveel voorraad waar moet liggen.

Decision science vertrekt daarom niet alleen vanuit het model, maar vanuit de beslissing die een manager moet nemen. Het verbindt de analyse van data met bedrijfsdoelen en meetpunten zoals kosten, marktaandeel en winst.

Waarom datamodellering niet voldoende is

Volgens het artikel eindigt 60% tot 85% van de data science-projecten in een mislukking. De oorzaak ligt meestal niet bij slechte algoritmen of onbekwame data scientists, maar bij de afstand tussen modeluitkomsten en de informatie die managers nodig hebben.

Data scientists kijken vooral naar voorspellingen en nauwkeurigheidsmetingen. Managers moeten keuzes maken die bedrijfsresultaten beïnvloeden. Daardoor kan een model op papier overtuigend zijn, maar ongebruikt blijven zodra niemand weet welke actie bij de uitkomst hoort.

Voor BI-professionals ligt hier een duidelijke grens van rapportages en modellen. Een dashboard met een vraagvoorspelling beantwoordt nog niet automatisch de voorraadbeslissing. Zonder koppeling aan de keuze blijft de analyse beschrijvend.

Concrete takeaway voor datamodellering

Begin een analyticsproject met de beslissing die iemand moet nemen, niet met de beschikbare data. Leg vooraf vast welke keuze, bedrijfsmaatstaf en actie bij het model horen. Bij voorraadplanning betekent dat: niet alleen de vraag voorspellen, maar ook bepalen welke voorraadniveaus en locaties de manager moet beoordelen.