Enig i at være uenig: Datavidenskab versus dataforetagerskab

Hej, jeg er Mark van de Pol, der er ansvarlig for de virksomheder, der arbejder med JADS, og i flere måneder har jeg haft opvarmede - men konstruktive - diskussioner med min akademiske modvægt Arjan Haring om datavirksomhed mod Data Science. Hvad er forskellen, og hvorfor betyder det noget? For nogen tid siden blev vi enige om at være uenige. Men jeg antager, at vores diskussioner ikke er unikke, sandsynligvis er der masser af mennesker, der har lignende diskussioner lige nu. Derfor troede vi, at det ville være en god ide at offentliggøre vores interne diskussion i håb om at bevæge diskussionen, feltet og industrien fremad.

Så den første ting, jeg gerne vil vide fra Arjan, er:

Hvorfor taler du så meget om årsagssammenhæng? En stærk korrelation er god nok… Ikke?

Arjan: Det er et rigtig godt spørgsmål. Og jeg er enig i udsagnet om, at forretningssagen for at jage årsagssammenhæng er svag. Forretningen for korrelation er meget stærkere. Men jeg vil hævde, at du i et hurtigt skiftende miljø skal være en innovatør. Og innovatørdilemmaet er efter min mening en afvejning mellem hvornår skal du stoppe med at udforske nye muligheder og begynde at udnytte den viden, du allerede har.

Med korrelationer (eller blackbox-løsninger) finder du ikke ud, hvad konfundererne er

Med korrelationer (eller blackbox-løsninger) finder du ikke ud, hvad konfundererne er, de reelle årsager til, at der sker noget. Så i en markedssituation tror jeg, at Uber fandt ud af en konfunder, som ingen endnu har forstået, folk vil være sikre på, at deres førerhus er på vej til dem. De hader at vente på noget, der måske ikke engang dukker op.

Med dette puslespil (og andre stykker selvfølgelig) var Uber i stand til at forstyrre kabineindustrien. Så jeg vil sige, at det firma, der forstår markederne og dets kunder bedre (dvs. årsagssammenhæng), har en bedre chance for at overleve.

Hvordan vil du kommentere den hypotese?

Mark: Jeg er bestemt enig i din hypotese. I en hurtigt skiftende verden er det vigtigt at være tilpasningsdygtig som virksomhed, du skal være behørig. Dette kræver en dyb forståelse af din kunde. Du skal være i stand til at skræddersy dit tilbud og processer til det, markedet kræver. Der er dog et vigtigt punkt, som ikke bør overses, og det er hastigheden ved at lære og handle.

Enhver, der blindt fokuserer på dybdegående forskning for at nå frem til årsagsforhold, vil blive overgået af virkeligheden.

For Uber er det et godt eksempel. De kom ikke til denne forbindelse gennem videnskabelig forskning, men snarere gennem kontinuerlige virkelighedseksperimenter. Med andre ord: I en tidlig fase har de kontrolleret deres tilbud med potentielle kunder.

Enhver, der blindt fokuserer på dybdegående forskning for at nå frem til årsagsforhold, vil blive overgået af virkeligheden.

Sådan opdagede de, hvem deres tidlige adoptører var, hvad disse kunder ønskede og tilpassede deres tilbud i overensstemmelse hermed. Da de havde en klar niche, og virksomheden var i gang, kunne de skalere op og nå det større marked. Ikke ved at sige her at du har vores produkt og held og lykke med det, men netop ved at fortsætte med at forblive ydmyg i hvert trin i udviklingen, at lære af eksperimenter og tilpasse tilbudet, når det er nødvendigt.

Til sidst blev de vigtigste drivkræfter for succes tydelige.

Hvis enhver iværksætter, hvad angår mig også medarbejdere og intrapreneurer, ville vedtage denne tankegang lidt mere, end verden ser meget pænere ud.

Vi ville omdanne vores virksomheder fra at tage beslutning baseret på magefølelse til beslutninger, der understøttes af data. Med dette mener jeg ikke årsagsforbindelser, men har et klart overblik over mønstre, der kan tjene penge. Til dette har jeg et effektivt og håndterbart 'eksperimenthack', som alle kan anvende.

Tal med en gruppe (interne) kunder regelmæssigt og spørg, hvad skal du stoppe med at gøre, hvad du skal fortsætte med at gøre, og hvad du skal gøre yderligere. Du vil bemærke, hvor mange ting du faktisk overser, og som du kan bruge til din fordel.

Hvis du taler med 10 kunder i løbet af en måned og kan stige til 10 pr. Uge, 10 pr. Dag eller endda hver, oplever du, hvordan hastighedsindlæringen vil stige. Virksomheder som Uber gør bestemt 1000 eksperimenter med store grupper af kunder om dagen. Til dette bruger de også mere avancerede teknikker.

Lad os bruge det. Med dit datavidsperspektiv. Hvad skal virksomheden stoppe, fortsætte og tilføje? Jeg tror, ​​at dette vil gøre det endnu tydeligere, hvor vores tankegang adskiller sig.

Arjan: gode ting Mark. Forkert, men godt. Lad os fortsætte denne diskussion på min mellemkonto. Du tror ikke rigtig, at jeg er så naiv, at jeg ikke kan se, hvad du prøver her ...