Deze blogpost is een Nederlandse repost van een post die ik geschreven heb op KDNuggets . KDNuggets is een van de belangrijkste blogs in het data science vakgebied. 

Enige tijd geleden was ik uitgenodigd om een ​​gastcollege te geven over data science voor een groep verandermanagers. We bespraken de sociale effecten van predictive maintenance (onderhoud op basis van voorspelling) op het personeelsbestand en hoe we met de implementatie van dit concept kunnen omgaan vanuit het oogpunt van verandermanagement. Aan het einde van de lezing realiseerde ik me dat het de Data Scientist is die meer moet weten over verandermanagement dan andersom. Focus op gedragsverandering kan de implementatie van de door Data Scientists gevonden oplossingen veel efficiënter maken. Dit is immers een van de grootste hindernissen bij de implementatie van onze ideeën en het realiseren van onze doelen.

Het model van verandermanagement

Verandermanagement kan worden gezien als één van meest tegenovergestelde van Data Science. Data science is hard, verandering is zacht. Verandermanagement gaat niet over  het oplossen van complexe problemen, maar over het proces van verandering.  Data Science gaat juist alleen maar over de oplossing na het inladen en schoonmaken van rommelige gegevens.

Een van de kernideeën van verandermanagement is dat de verandering deel uitmaakt van een proces en niet plotseling, laat staan ​​voorspeld is. Verandering komt vanuit de acceptatie van mensen om te veranderen. Een van de modellen van verandermanagement, die we tijdens mijn lezing bespraken, stelt dat “verandering het resultaat is van een gedragsverandering als gevolg van de reactie op een nieuwe realiteit die door interventies ontstaan is.” Veranderen is een resultaat, niet het startpunt. Doelen zijn
hetgeen waar je naar op zoek bent en verandering is nodig om die doelen te bereiken. Maar om dit te bereiken moet men retroactief denken, terug naar het punt waarop interventies moeten worden geïmplementeerd om de nieuwe realiteit te creëren.

En dat is wat ik me dus realiseerde: het creëren van een nieuwe realiteit is nu juist wat we als data scientists aan het doen zijn – gebaseerd op onze inzichten over hoe een systeem zich gedraagt – op basis van een dataset.
Een succesvolle implementatie van veranderingen begint echter niet met de nieuwe realiteit: het begint met het werken met diegenen die moeten reageren op deze nieuwe realiteit. Daarom denk ik dat het mogelijk effectief is voor data scientists om het concept van verandermanagement te omarmen en samenwerking met deze methodologie te zoeken voordat we onze resultaten implementeren.

De case – voorspellend onderhoud

Laat me mijn ideeën illustreren door een specifiek geval uit te werken. Stel je een fabriek voor die een niet al te complex product produceert, een badeendje oid. Onderhoud en revisie wordt uitgevoerd door de technische afdeling. Elke dag werken medewerkers op de productielijn en medewerkers van de onderhoudsafdeling met de machine en als zodanig kennen en voelen ze de staat van de apparaten.

Neem Johan, een 45-jarige onderhoudstechnicus die al meer dan 25 jaar bij dit bedrijf werkt. Hij voelt letterlijk of het onderhoud van een machine nodig is door eigenhandig aan bouten en moeren te draaien. Natuurlijk gaan machines toch nog wel eens kapot, maar hey – dat hoort er nu eenmal bij.
En dan wordt predictive maintenance ingevoerd. Data Scientists komen binnen en beginnen met het voorspellen van onderhoud nog voordat iemand zou merken dat de machine zou kunnen in storing gaan . Merk op dat de intentie om met Data Sciencbinnen de organisatie te beginnen een interventie op zichzelf is. Aan het einde van het project wordt inderdaad voor veel machines een voorspelmodel gecreëerd dat voorspelt of een component over 3 weken kapotgaat met een nauwkeurigheid van 97%. Stel je nu ook voor dat voorspellingen ervoor zorgen dat er een reductie van productiefouten van 85% binnen bereik is.

Klinkt mooi, he!

De uitdaging – implementatie

Dit is waar het veranderkude zich aandient. Wat zal er veranderen na de implementatie? De processen op de werkvloer moeten mogelijk worden gewijzigd, maar er is een groter probleem: voorspellend onderhoud is een verandering van de werkelijkheid. In de oude realiteit werd de machine onderhouden op het moment dat iets onvermijdelijk in storing ging, of zelfs in geval van preventief onderhoud, werd de machine periodiek aan onderhoud onderworpen. In de nieuwe realiteit worden machines mogelijk in onderhoud genomen door een algoritme, nog voordat de menselijke zintuigen  dit konden waarnemen. In de nieuwe werkelijkheid worden dingen opgelost die nog niet gebroken zijn.
Dit kan vragen in technische collega’s doen ontbranden, zoals “zijn mijn vaardigheden nog steeds van waarde?”

Succesvolle implementatie van Predictive Maintenance is dus het resultaat van een gedragsverandering als gevolg van de reactie op een nieuwe realiteit. De uitdaging is om niet alleen te focussen op het kernproject data science, maar de nieuwe realiteit geaccepteerd te krijgen. Dit vereist een reeks interventies parallel of zelfs voordat de data science begint.

Hoe om te gaan met interventies

Dus wat zijn de beste werkwijzen van verandermanagement en hoe moeten ze worden gebruikt? Het eerste wat je moet erkennen is dat de verandering al begint voordat de datawetenschappers met hun analyse beginnen. Elk project dat slimme voorspellende algoritmen bevat, grijpt in bij slimme en bekwame medewerkers. Neem daarom contact op met deze werknemers voordat je resultaten presenteert. Projectmanagers mogen aannemen dat mensen willen bijdragen aan iets dat groter is dan zijzelf. In het geval van voorspellend onderhoud kan het streven naar nul productieverlies meer inspireren dan afstoten.
De volgende stap is om te beseffen dat domeinkennis onderdeel moet zijn van een data science project. Plaats daarom medewerkers van de werkvloer in het project, laat hen delen wat zij weten over de machine of een onderwerp dat wordt geanalyseerd. Daarbij worden de vaardigheden van uw werknemers erkend. Ze beseffen hierdoor dat je weet dat ze bekwaam zijn. Het belang van gehoord te worden, kan niet worden onderschat.
Ook tijdens het project en aan het einde van van het project is het van belang de resultaten te testen met uw bekwame medewerkers. Daag uw medewerkers uit om kennis te maken met de voorspellingsalgoritmen. Laat hen bovendien concurreren met mens versus machines: wie weet welke machines het meest efficiënt moeten worden bediend?.
Richt je bovendien op het grotere geheel. Het implementeren van data science in elk bedrijf gaat niet over het ontslaan van medewerkers, het gaat erom de dingen te doen op een effectievere en efficiëntere wijze. Mijn verwachting is dat er na de implementatie altijd behoefte zal zijn aan geschoolde werknemers.