Telecom Case: Waarde uit Big Data.

Klantvraag: Help ons waarde creëren uit onze Big Data

TLDR : Het data science projectteam van DIKW heeft zichzelf meer dan 4x terugverdiend gedurende deze periode.

Interviews en maturity scan

Bij de start van het project werd een maturity scan uitgevoerd, analoog aan de DELTA methode ontwikkeld door Thomas Davenport (zie referentiemodel ACMM). Op basis van interviews en aanvullende desk research werd de gehele organisatie beoordeeld op hoe data gedreven deze was en waar het ambitieniveau lag. Deze IST en SOLL situaties werden ook bepaald voor verscheidene afdelingen. Meer dan 20 interviews werden hiervoor uitgevoerd met stakeholders. Deze interviews leverden ook input voor use cases op: waar in de organisatie konden data experimenten succesvol worden opgezet?

Het resultaat

Funnel met use cases

Het resultaat van dit project kunnen we het beste uitdrukken in een serie getallen : 13 – 9 -7 -2.

Gedurende het jaar dat wij deze klant hebben geholpen met het opzetten van deze datascience experimenteerfabriek zijn er 13 experimenten ontwikkeld, hiervan zijn er 9 na een positieve test live gegaan, waarvan er 7 een positief resultaat hadden gedurende de looptijd. Twee experimenten bleken echte  goudklompjes en waren een zeer groot succes.

 

“Het data science projectteam van DIKW heeft zichzelf meer dan 4x terugverdiend gedurende deze periode. “

 

Op basis van de interviews en verkregen business understanding werd een lijst met use-cases opgesteld: de funnel. Elke use case in de funnel werd gescoord op data inspanning, organisatorische inspanning en commercialiteit. Elke use case kreeg daarna een  overall rating, waarbij ook meegenomen werd of de use case op korte termijn gerealiseerd kon worden. Deze funnel werd opgesteld en beheerd door het data science team.

Business case gedreven selectie van use cases

De use cases met de hoogste overall ratings kwamen bovenin de funnel te staan. Een aantal use cases met hoge ratings werd geselecteerd door het data science team. Hiervoor werd een haalbaarheidsstudie uitgevoerd, waarbij de business case centraal stond. Doorlooptijd hiervoor was een maand, daarna werd voor elke use case een GO/NOGO beslissing genomen. Alleen use cases met een GO beslissing kwamen in de proof of concept fase terecht.

Proof of concepts: uitwerken, runnen en evalueren van experimenten

Drie proof of concepts zijn uitgevoerd in een kwartaal. Dit is inclusief het ontwikkelen, runnen en monitoren van het experiment. Elk experiment werd minimaal 4 weken gerund, zodat voldoende data werd verzameld om het effect te meten van een meer data gedreven manier van werken. Hierbij werd altijd gebruik gemaakt van een opzet met testgroep(en) en controlegroep. Bij elk experiment werd gemeten hoeveel extra euro’s het opleverde tijdens de PoC fase.

Presentatie aan board en GO beslissing experimenteerfabriek

Na de PoC fase werd een presentatie aan de board gegeven waarin we lieten zien hoeveel extra euro’s we verdiend hadden met de experimenten tijdens de PoC. Op basis van shared revenue was dit project aangegaan, omdat we overtuigd waren dat we met data science geld konden verdienen voor onze klant. De experimenten waren zo succesvol gebleken, dat de board een GO- beslissing gaf voor het verder uitwerken van de experimenteerfabriek, waardoor een cultuur ontstond van continue experimenteren. Implementatie van de succesvolle experimenten vond plaats in Q2-Q3 van dat jaar.

Opzetten van en begeleiden bij experimenteerfabriek

Het succes van de eerste experimenten leidde tot nieuwe verzoeken van stakeholders uit andere delen van de organisatie, waardoor de funnel aangevuld werd met nieuwe use cases. Nieuwe use cases werden uit de funnel geselecteerd en opgepakt door het data science team, waarna de hierboven beschreven cyclus opnieuw werd doorlopen. Op deze manier werden 14 experimenten succesvol opgezet, uitgevoerd, gemonitord en geëvalueerd. Elke maand werd bijgehouden hoeveel de  experimenten opleverden voor de klant. Ook in de daaropvolgende jaren werd het data science team van de klant ondersteund door een consultant van DIKW. Ook hebben in deze periode vier analisten van onze klant de opleiding Certified Data Science Professional gevolgd aan de DIKW Academy.

Contact

Neem vooral contact met mij op als je meer wilt weten over de klantcases die we bij DIKW hebben gedaan! We zijn er trots op!

Bel : +31643106780 

Mail: hugo.koopmans@dikw.com

Chief data science, managing partner, docent academy
Hugo Koopmans (Chief datascience & AI)

Nieuws en Evenementen

Hoe je bij ons komt

DIKW Intelligence
Wattbaan 1
3439 ML Nieuwegein

Wat doen we?
Over DIKW
Kennis

Volg ons online

Linkedin Instagram Facebook Youtube Twitter Spotify

Meld je aan voor onze updates

We gaan je mailbox zeker niet plat leggen, maar sturen je af en toe relevante updates.
Ontvang relevante updates per mail