Prof. Jan Bosch
Met alle aandacht voor data en AI was het slechts een kwestie van tijd voordat de tegenbeweging op gang kwam. Als ik terugkijk op verschillende discussies die ik het afgelopen jaar over dit onderwerp heb gevoerd, lijkt het hoofdthema te zijn dat data en AI de toekomst voorspellen op basis van het verleden en zolang de toekomst op het verleden lijkt, werkt dit prima. De wereld is echter constant in beweging en deze technologieën veroorzaken stagnatie omdat we fundamentele verschuivingen en ontwrichtende innovaties niet kunnen voorspellen. Erger nog, we zoeken er niet eens naar omdat we kortzichtig naar gegevens kijken.
'Not exploiting the advantages of data and AI is tying one arm behind your back'
Hoewel ik zeer zeker geloof dat er een zeer belangrijke plaats is voor menselijke creativiteit en inzicht, denk ik ook dat het niet benutten van de voordelen die data en AI bieden simpelweg hetzelfde is als jezelf in de voet schieten of een arm achter je rug binden. Daar zijn verschillende redenen voor.
Ten eerste, ondanks alle kritiek op machine learning voor het voorspellen van de toekomst, is het een feit dat mensen daar in de meeste gevallen nog slechter in zijn. Zelfs voor zeer variabele gegevens slagen ML algoritmen er vaak in om patronen te ontdekken die mensen niet kunnen detecteren. Voor grote retailers was het voorspellen van de hoeveelheid te bestellen producten en deze vervolgens toe te wijzen aan elke individuele winkel vroeger een menselijke taak, maar het is duidelijk dat ML-algoritmen, gegeven voldoende gegevens, beter werk leveren. Een tegenargument dat de laatste tijd vaak wordt gebruikt is dat deze algoritmen de Covid-19 verstoring niet hebben voorspeld, maar mensen hebben dat natuurlijk ook niet gedaan, waardoor veel winkels met een aanzienlijk overschot aan goederen zitten.
Ten tweede ontmoet ik nog steeds mensen die overtuigingen blijven verkondigen over de wereld, hun sector, hun klanten of hun eigen prestaties die gewoon niet waar zijn. Hoewel sommigen, zoals Steve Jobs, bekend stonden om hun “realiteitsvervormingsveld”, geldt voor vrijwel iedereen dat alleen maar wensen dat iets waar is, het nog niet waar maakt. Zoals William Edwards Deming ooit zei: op God vertrouwen we; alle anderen moeten met gegevens komen.
Ten derde nemen datagestuurde werkwijzen de menselijke creativiteit niet weg, maar richten ze die juist op het formuleren van hypotheses. In traditionele organisaties kun je een carrière opbouwen door sterke uitspraken te doen die moeilijk te verifiëren zijn en daar luid over te spreken. Vaak zijn deze gebaseerd op individuele gevallen en storytelling, waar wij als mensen erg gevoelig voor zijn. Bij het invoeren van datagestuurde praktijken moet de focus liggen op het formuleren van testbare hypotheses en minder bezorgd zijn om ongelijk te krijgen. Zelfs hypotheses die creatief en nieuw zijn, maar niet uitkomen, bieden voldoende gelegenheid om te leren.
Ten vierde, als je datagedreven praktijken gebruikt, moet je weten waarvoor je optimaliseert. In vrijwel alle bedrijven waar ik mee werk, worden features geprioriteerd en ontwikkeld op basis van de overtuigingen van een of andere productmanager. Het effect van de geprioriteerde functie op het gedrag van de klant of het systeem en de manier waarop het waarde genereert, wordt vaak in kwalitatieve en vage termen beschreven. Het slechtste argument hier is dat het een “strategische investering” is. In plaats van het prioriteren van een te ontwikkelen functie op basis van de overtuigingen van een productmanager, is het veel beter om de functie te behandelen als een hypothese, het verwachte, kwantitatieve effect ervan te definiëren en vervolgens de impact ervan te meten terwijl je de functie stukje bij beetje ontwikkelt.
Datagestuurd werken maakt je niet saai. In plaats daarvan zorgt het voor een hogere mate van discipline in de organisatie, maakt het gebruik van technologie waar dat het beste past en richt het creatieve energie op de gebieden waar mensen de meeste waarde leveren. Het helpt organisaties om zogenaamde “schaduwovertuigingen” af te schudden (overtuigingen die iedereen in de organisatie als waar beschouwt maar die dat niet zijn) en daardoor hypotheses die niet kloppen uit de ideeënpool te verwijderen. Mensen noch machines kunnen de toekomst voorspellen. Maar hoewel de geschiedenis zich nooit herhaalt, rijmt ze vaak wel. En machine learning is beter in het detecteren van de rijmen dan jij.
Blijf op de hoogte
Ontvang onze maandelijkse updates
