Därför kan många företagare säkert fråga sig - det här med ”data science” är det verkligen något vi ska syssla med här hos oss? Om man inte råkar ha just de områdena som sin kärnverksamhet, givetvis.
Om ”AI”, ”data science” eller ”machine learning” har dykt upp på något av era styrelsemöten och ni inte riktigt vågat gå vidare med temat så kan det bero på att ni gått på någon av de tre vanligaste myterna om ”data science”, ”machine learning” och snarlika begrepp som avser ungefär samma sak.
Myten om storleken
En vanlig myt är att data science bara är något som stora företag sysslar med. På grund av att de har specialistresurserna, stora volymer data, och enorma möjligheter att skala upp och dra ekonomisk nytta av data science.
Sanningen är att just stora företag oftast har störst problem med att dra nytta av data science. Organisationerna har ofta funnits länge. Data ligger på många olika ställen och i olika format, i så kallade silos.
Affärsområden och chefer har ofta incitament som hindrar att man arbetar mot ett och samma mål med sin data, ny som gammal. Resultat blir ofta att häpnadsväckande många projekt som skulle kunna göras – skjuts på framtiden.
Mindre bolag däremot, har inte den här problematiken i samma grad – och bör därför se data science som en konkurrensfördel gentemot de stora aktörerna.
Myten om plånboken
En annan myt, som också delvis handlar om storlek, är att det krävs väldiga investeringar och installationer innan man kan börja med data science på bolaget. Och det är inte helt ovanligt att bolag initialt investerar i den här infrastrukturen för att först därefter fråga sig vad de vill få ut av den.
Givetvis kan man teckna alla möjliga licenser för analysprogram och molntjänster det första man gör i projektet, men en mer rimlig ansats är faktiskt den omvända. Det vill säga att man frågar sig exakt vad man hoppas få ut av projektet innan man börjar investera. Det kanske går att nå målen genom att bara använda Excell och en inhyrd konsult någon vecka. Eller så behöver ni marknadens dyraste lösning. Men antagligen är inte investeringen så stor som ni tror – så undersök vad ni verkligen behöver innan er IT-chef sätter igång med inköpen, och ifrågasätt dyra licenser. Finns det inget billigare alternativ?
Myten om utbildningen
I Tyskland där jag arbetat en del är det ganska vanligt att man träffar på personer som presenterar sig som Doktor. Det är, skulle jag ändå våga mig på att säga, mindre vanligt i Sverige, om man inte arbetar i universitets- eller sjukhusvärlden. Men när det gäller data science så finns det en myt kring att man måste vara väldigt högt utbildad, ja faktiskt doktor, för att kunna genomföra några framgångsrika projekt. Det här stämmer helt säkert, när det gäller att ta befintliga och komplexa projekt ännu längre bortom forskningsfronten.
Men för många bolag – och speciellt många mindre bolag – så har man mycket att vinna genom att bara komma igång med data science - överhuvudtaget. I det läget behövs det oftast inte doktorsgrader, eller ens högre studier i statistik. Det är viktigare med individer som har tillräcklig kunskap om statistik, samtidigt som de har tillräcklig kunskap om bolagets utmaningar.
En doktor, utan känsla för bolagets utmaningar och kring vad data science måste åstadkomma för bolaget, är faktiskt klart sämre än en självlärd praktiker som använder mindre avancerade metoder än vad doktorn kan skaka fram ur sin hatt. Ni ska ju inte använda data science för att utveckla data science. Ni ska ju använda data science för att utveckla ert företag.
Jens Ammitzböll, Rådgivare på Enqoa.com
