Data, puzzels en mysteries

Wat data, puzzels en mysteries betekenen voor de organisatie van analytics.

Donderdagavond was ik bij het Big Data 4.0 event in Amsterdam en luisterde naar een aantal mooie praktijkvoorbeelden van Deloitte. Een van die projecten, dat in de pers veel aandacht heeft gekregen, betrof een analyse naar het aantal banen dat in Nederland verdwijnt als gevolg van de robotisering. Volgens Deloitte zijn dat er miljoenen.

Boeiend verhaal, maar mijn gedachten dwaalden af toen de discussie verschoof naar de vraag welke nieuwe banen door de robotisering juist worden gecreëerd. Is dat dan niet een heel ander type vraagstuk: welke nieuwe banen gaan ontstaan? Nieuw werk, waarvan we nog geen idee hebben. Waarvoor een grenzeloze fantasie nodig is om je het te kunnen voorstellen. Wie kan een analytical model maken als de context en input volslagen onbekend zijn?

Ik herinnerde me een stuk van Gregory Treverton, over het verschil tussen “puzzles and mysteries”. Treverton is chairman van de U.S. National Intelligence Council en legt uit dat in zijn optiek puzzels vraagstukken zijn die, als je maar beschikking hebt tot alle benodigde data, opgelost kunnen worden. Zoals tijdens de koude oorlog de vraag hoeveel raketten de Sovjet Unie bezat. Mysteries daarentegen zijn niet oplosbaar met data. Een mysterie is de vraag welke terroristische aanslagen plaats gaan vinden. Nog meer data helpt in de regel niet om een mysterie op te lossen. Analyse van data is wel een hulpmiddel om de context te begrijpen maar geeft zelf geen antwoord op de vraag.

Mysteries worden getackeld door creatieven en strategen, mensen die niet per sé data literate en data minded zijn. Sterker: die onze liefde voor data zelfs heel saai vinden. Hun werkwijze is volstrekt anders, zij zijn juist enthousiast over methoden als bijvoorbeeld design thinking.

Als dat zo is en als wij met analytics niet alleen puzzels op willen lossen maar ook bij willen dragen aan het onthullen van mysteries, zouden we dan niet uit ons kwantitatieve getto moeten treden? Wordt het geen tijd om ons geloof in “fact-based” decision making te reframen naar “fact supported” decision making? Of, zoals een grote vastgoedbelegger me schetste: vakmanschap (art) met analytics (science) te ondersteunen. En ja: in die volgorde.

Dat lijkt een kleine nuance maar heeft grote gevolgen voor de manier waarop we analytics organiseren. Het betekent dat we analisten niet bij elkaar in een ivoren toren moeten zetten, maar direct naast die vaklui, creatieven en strategen.

Het betekent ook dat wij, data-freaks, ons ten dienste moeten stellen van mensen die niets van cijfers begrijpen. Dat we beter naar hen luisteren en hun manier van denken proberen te snappen. Oef! Hardcore beta’s die zich in het land van de alfa’s begeven.

En Design thinking zou wel eens de brug kunnen slaan tussen deze twee werelden.