Je bent net afgestudeerd in A.I. of als data scientists en je hebt onwijs veel zin om de nieuwste, coolste en meest complexe modellen te implementeren bij je nieuwe werkgever. Echter kom je er dan snel genoeg achter dat niet iedereen jouw taal spreekt binnen de organisatie en dat de werkzaamheden in eerste instantie allesbehalve te maken hebben met modelleren; hetgeen wat jij nu nét zo leuk vindt. Dit verhaal hoor ik vaak van collega’s die net zijn begonnen aan hun carrière als data scientist. Zelf heb ik dit ook moeten ondervinden en aanvaarden.
Een goed voorbeeld hiervan is het aanbevelingssysteem dat ik ontwikkeld heb voor mijn vorige werkgever. Net als een installateur die zijn waterpomptang nodig heeft, heb ik als data scientist data nodig om te kunnen werken. Helaas liggen de datasets als “Iris” en “Titanic” niet voor het oprapen zoals je misschien gewend bent van je tijd als student. Je moet zelf het data landschap verkennen en op basis daarvan jouw middelen samenstellen om aan de gang te kunnen.
Nadat ik de opdracht had afgebakend en voldoende data had verzameld, ben ik begonnen met het bouwen van mijn eerste model. Ondertussen was ik twee maanden verder en had ik nog niets om te laten zien. Na een aantal iteraties had ik al mijn moed verzameld om mijn werk waar ik zo trots op was, te presenteren aan geïnteresseerden op de werkvloer. Gelukkig kon ik mijn verhaal duidelijk overbrengen aan het publiek en kreeg ik de bevestiging dat ik de juiste elementen had meegenomen in mijn model. Van persoonlijke voorkeuren op gebied van prijs en specificaties tot productcategorie en gerelateerde producten, bijna alles zat erin!
Hoewel ik onwijs enthousiast was over de techniek en daarnaast trots was op de complexiteit van mijn script, had mijn werkgever vraagtekens bij het product dat ik had opgeleverd. Eén van de vragen die hij stelde en altijd is blijven hangen bij mij, was
“wat levert dit nu concreet op voor ons?”
Op zo’n moment realiseer je dat je het niet alleen doet voor je passie, namelijk de techniek die schuilt achter de algoritmes, maar dat je jouw werkzaamheden uitvoert voor de klant. Of dit nu een consument is of iemand die jouw product intern gebruikt om zijn werkzaamheden beter te kunnen uitvoeren. Het belang van je klant staat altijd voorop!
Zorg daarom goed dat je van tevoren weet hoe je eindproduct eruit komt te zien, welke waarde het oplevert voor verschillende stakeholders en hoe de resultaten van jouw product te meten zijn zodat je hier later op kunt sturen. Dan kom je niet net zoals ik in een situatie terecht waarbij je met een mond vol tanden staat wanneer je je eindproduct bespreek met de klant 😉
