Van knelpunten naar vooruitgang: Carolines aanpak van data- en AI-projecten
Een gesprek met Caroline, Senior Project Manager en Chief of Staff bij Agilytic, biedt een blik op dataprojecten: van veelvoorkomende misvattingen tot loopbaanontwikkeling. Caroline werkte eerder in audit bij KPMG en financiële analyse bij Swift. Ze vertelt over haar overstap naar data en hoe bedrijven data- en AI-initiatieven succesvol kunnen uitvoeren.
Het vertrekpunt voor dataprojecten
Caroline raadt bedrijfsleiders aan om bij een dataproject te vertrekken van hun bedrijfsbehoeften, niet van de technologie. Spring niet zomaar op de nieuwste AI-trend, maar breng eerst de belangrijkste strategische prioriteiten en knelpunten in kaart. Een veelvoorkomend knelpunt is bijvoorbeeld de tijd die naar administratieve taken met weinig toegevoegde waarde gaat, zoals gegevensinvoer. Door zich op enkele concrete toepassingen te richten, kan een bedrijf bepalen welke datagedreven oplossingen het meest kunnen opleveren.
Een cruciale eerste stap is nagaan of de data van voldoende kwaliteit en in voldoende hoeveelheid beschikbaar zijn. Ze moeten volledig, correct geformatteerd en foutloos zijn. Slechte datakwaliteit kan tot teleurstellende resultaten leiden, ook als men denkt dat de data voor 80% correct zijn. Zoals het gezegde luidt: "garbage in, garbage out". Er zijn ook voldoende data nodig om betekenisvolle trends te herkennen. Dat hangt vaak samen met een lange datahistoriek.
Hoewel datavolume belangrijk is, zijn dataprojecten niet alleen voor grote ondernemingen. Ook een bedrijf met weinig klanten kan over veel data beschikken als die klanten veel interacties hebben of aankopen doen.
Praktische toepassingen van AI
Caroline geeft verschillende voorbeelden van hoe AI kan worden ingezet:
Factuurbeheer: AI kan worden getraind om gegevens uit binnenkomende facturen te lezen en te structureren, ook bij complexe facturen met meerdere pagina’s of wisselende lay-outs. Dat kan veel tijd besparen en de werklast voor manuele taken mogelijk met wel 80% verminderen.
Klantsegmentatie: Met data-analyse kunnen klanten worden gesegmenteerd voor marketing of invordering. Door transactie- en gedragsdata te analyseren, kan een bedrijf onderscheid maken tussen een klant die gewoon vergeetachtig is en een klant met een mogelijk frauderisico. Zo wordt een aanpak op maat mogelijk: een eenvoudige herinnering voor een verstrooide klant, tegenover een kordater bericht voor een moeilijke betaler.
De menselijke kant van dataprojecten
Een belangrijke conclusie is dat AI mensen niet moet vervangen, maar hen moet helpen en hun mogelijkheden versterken. AI neemt repetitieve taken met weinig toegevoegde waarde over, zodat medewerkers zich kunnen richten op activiteiten die menselijke expertise en interactie vragen.
Een project slaagt alleen als het wordt gezien als een inspanning van de hele organisatie, niet alleen als een technisch traject. Alle betrokkenen moeten vanaf het begin meedoen: management, teams op het terrein en technische medewerkers. Zo sluit de oplossing aan op de strategische prioriteiten én de dagelijkse praktijk van het bedrijf.
Loopbaan en professionele ontwikkeling
Caroline bespreekt ook professionele groei in de datawereld. Ze benadrukt het belang van een breed vaardighedenpakket dat technische kennis combineert met inzicht in bedrijfsuitdagingen. Beginnende dataprofessionals raadt ze aan om vragen te durven stellen en nieuwsgierig te blijven naar bedrijfsproblemen. Voor loopbaanontwikkeling pleit ze ervoor om buiten de comfortzone te durven stappen, ook als dat aanvankelijk een stap terug betekent.
Bij Agilytic doorlopen nieuwe medewerkers een onthaaltraject met basisopleiding en praktische oefeningen. Projecten blijven doorgaans kort, ongeveer drie maanden, met tastbare resultaten aan het einde. Daardoor maken consultants snel kennis met uiteenlopende sectoren en bedrijfsproblemen. Het loopbaanpad loopt van juniorfuncties, met begeleiding door ervaren collega’s, naar zelfstandiger seniorfuncties en uiteindelijk management- of expertrollen.