Er wordt we eens gesteld dat Data Science en AI projecten zoveel anders zijn dan al het andere in een organisatie. Het Data Science Proces zou dan ook verschillen van traditionele software engineering processen (agile, waterfall, extreme programming). Toch, zo’n 20 jaar geleden bestond er ook al Knowlegde Based Decision Support Systems (KBDSS) en Cross-industry standard process for data mining (CRISP-DM, 2000). Is het echt zo dat Data Science of AI zoveel anders zijn dan deze methodieken? Of is het oude wijn in nieuwe zakken.

Data Science en AI projecten worden ook wel in relatie gebracht met innovatie trajecten en dus met lean startup, pivoting, stage gate processing, business model canvas en het value proposition canvas. Kenmerkend aan innovatie trajecten is dat de uitkomst onzeker is en het proces daarom zowel creatief (divergerend) als stage gate (convergerend) ingericht is.

In deze dataloog praten we met Joost de Jonge en Adil Bohoudi van Future Facts over hun ervaring met het data science process. Welke stappen nemen zij en waarom? En als een klant belt voor een mogelijke opdracht, gaan ze dan Agile /lean of CRISP te werk?! Wij willen het weten want de theorie uit de boekjes kennen we nu onderhand wel maar de praktijk nog te weinig.

Nieuws

Boete British Airways datalek https://www.rtlz.nl/beurs/bedrijven/artikel/4772711/recordboete-fine-data-breach-avg-gdpr-datalek-diefstal-hack

Data & AI Survey 2019/20

 

Shownotes

Het data science process volgens het boek Practical Data Science (Manning Publishing)