Data scientist inhuren of oplossing inkopen?

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. Deze gegevens geven 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.

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. Firma’s met een omzet van boven grofweg vijftig miljoen hebben inmiddels allemaal minstens één data scientist 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.

Domeinkennis

Moet je als technisch bedrijf je team versterken met een data scientist? 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.

  1. Een interne specialist zich het domein snel eigen kan maken

De combinatie van domeinkennis en data science leidt namelijk tot de beste resultaten. Een dataspecialist in je eigen bedrijf heeft die knowhow sneller onder de knie. Hij ziet niet alleen getalletjes, maar begrijpt eerder wat ze betekenen en hoe hij de gewenste informatie boven water krijgt. Als hij bijvoorbeeld weet dat een motor warmer wordt als hij stuk gaat, kan hij de output van de temperatuursensoren analyseren en tijdig alarm slaan. Zeker in complexe omgevingen heeft het absoluut zin als een data scientist weet hoe de business draait en hoe de processen lopen.

  1. Continuïteit in het proces

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

Er is op zoveel 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.

  1. Data blijft binnenshuis

Ten slotte is er nog een heel basale reden om een data scientist 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.

Zelf tool bouwen?

Genoeg argumenten dus om direct een data scientist 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.

Leren op schaal

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. Op de lange termijn worden de algoritmes immers beter als ze over meer data kunnen beschikken. Wanneer je jouw tool alleen binnen de muren van je eigen fabriek inzet, wordt hij nooit aan dezelfde hoeveelheid data blootgesteld als een tool die je inkoopt.

Specialisatie bij toolbouwer

Bovendien kan de data scientist die een interne tool ontwikkelt, zijn tijd niet aan andere zaken besteden. Een investering in tijd en geld die een bedrijf niet kan uitsmeren over een grote hoeveelheid cases, zoals een gespecialiseerde toolbouwer dat wel kan. 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? Ook omdat het zeer de vraag is of je het beter kunt.

Kernactiviteiten

Voor de belangrijkste projecten en processen in je bedrijf loont het zeker de moeite om een eigen data science team op te bouwen. Hoe verder ze van de kern liggen, hoe eenvoudiger het is om een gespecialiseerde tool of externe capaciteit in te schakelen. Het is een zakelijke beslissing waarbij onderwerpen zoals intellectual property, 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 bij een gespecialiseerde dienstverlener.

Lijkt het inkopen van een oplossing voor u de juiste beslissing? We bespreken de mogelijkheden graag met u. Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.