De vraag naar data science-talent neemt toe en daarmee ook het belang om data scientists op verschillende posities binnen een organisatie te hebben. Het vakgebied data science beperkt zich namelijk niet tot één bedrijfstak of specialisme. Data scientists kunnen overal in een organisatie impact maken. Zo ook Vincent van der Bijl, de eerste gecertificeerde PEGA Data Scientist bij BPM Company. In deze blog vertelt hij over de meerwaarde van data science binnen Pega en welke oplossingen dit organisaties kan bieden.

Data scientist in wording

Als data scientist in wording binnen Pega, is training en opleiding de eerste stap. Het certificeringsexamen Pega Certified Data Scientist (PCDS) is bedoeld voor data scientists die kennis willen maken met de vaardigheden en kennis die nodig zijn om AI succesvol toe te passen in Pega Customer Decision Hub. De Data Scientist-certificering zorgt ervoor dat je de vaardigheden hebt om beslissingsstrategieën op te bouwen en te simuleren. Daarnaast leer je hoe je voorspellende, adaptieve en tekstanalyses in die strategieën kunt gebruiken. Maar wat maakt dit onderdeel nu zo onderscheidend van andere gebieden binnen Pega?

Vincent: “Het certificaat data scientist heeft op een aantal gebieden best wat overlap met andere certificaten die binnen Pega behaald kunnen worden, waaronder het Decisioning Consultant certificaat. Wat het onderscheidt van de rest is dat het als het ware een verdiepingsslag is op wat je kunt leren bij decisioning consultant. Het is een op zichzelf staande certificering, en het gaat in op de modellen die ook gebruikt worden bij andere certificeringen binnen Pega. Je leert in dit geval meer over hoe je die modellen kan maken, kan trainen, en wat er gedaan kan worden aan onderhoud van die modellen.”

Grote diversiteit aan modelleeracties

Als data scientist ben je met name bezig met het opstellen van verschillende modellen en het kijken op welke manier je deze gaat inzetten. Ook leer je hoe je deze modellen van feedback kan voorzien, oftewel ervoor te zorgen dat de modellen zichzelf beter leren maken. Daarnaast bestaat een gedeelte van je werkzaamheden uit ‘troubleshooting’. Hierbij wordt er gekeken naar hoe een model presteert en of er nog ergens aan gesleuteld moet worden.

Vincent:In principe wordt er gewerkt met twee typen modellen: de numerieke modellen en de tekstuele modellen. Het tekstuele gedeelte valt onder Natural Language Processing, ook wel NLP genoemd. Het numerieke gedeelte bestaat uit modellen zoals ‘continuous models’ en binary models. Binary models zijn modellen waarbij antwoord wordt gegeven op bijvoorbeeld een ja/nee vraag. Deze kunnen op meerdere manieren ingericht worden, bijvoorbeeld: gaat de klant bij ons weg, ja of nee? Is het een high risk klant, ja of nee? Zo zijn er heel veel verschillende modelleeracties die neergezet kunnen worden om die modellen te trainen.”

Concurrentievoordeel voor organisaties

Organisaties gebruiken data science-teams tegenwoordig vaak om hun bestaande diensten en producten te verfijnen en verbeteren. Binnen het bedrijfsleven wordt hier steeds vaker prioriteit aan gegeven. De praktische toepassing en mogelijkheden van data science hangen vaak samen met de toepassing en interpretatie van de verschillende modellen.

Vincent:Zoals gezegd zijn er twee verschillende soorten modellen. Deze modellen vallen samen onder de noemer Artificiële Intelligentie (AI). Hier zijn een aantal verschillende smaken in. Een voorbeeld hiervan is een sentimentanalyse; hierbij gebruik je als input een stuk ongestructureerde tekst en aan de hand daarvan kun je bepalen of iemand boos of blij is. In het geval dat iemand erg boos is kun je ervoor zorgen dat deze automatisch wordt doorgestuurd naar een manager die gespecialiseerd is in het omgaan met dit soort communicatie vraagstukken. Op deze manier kan hij of zij direct de klacht op een passende manier afhandelen. 

Een ander onderdeel is topic detection. Je kijkt dan naar waar een tekst over gaat. Daarnaast kan zelfs de intentie van een boodschap eruit worden gehaald. Er wordt dan gekeken naar welke actie degene die de tekst stuurt verlangt van de ontvanger.

Tot slot is er dataextractie. Daarbij wordt er gekeken naar naar welke adressen, geografische locaties, data, accountmodellen en accountnummers er te vinden zijn in een tekst. Eigenlijk alles wat normaal gesproken een mens ook uit een tekst zou halen, wat vervolgens gebruikt kan worden om de case verder te helpen, kan dus ook met dat soort modellen gedaan worden. Er zijn ontzettend veel mogelijkheden.”

Sneller dan ooit applicaties bouwen

Pega biedt mensen de mogelijkheid om met dit soort technologieën en software te kunnen werken. Natuurlijk zijn er ook buiten Pega om mogelijkheden om als data scientist aan de slag te gaan. Er zijn data scientists die bijvoorbeeld zelf modellen bouwen in Python of andere codeertalen. Het grootste verschil tussen deze codeertalen en Pega is dat je door het low code ontwikkelen veel sneller aan de slag kunt met de verschillende AI-modellen en daardoor een kleinere time-to-market hebt.

Als je data scientist zou willen worden met een andere codeertaal dan kun je rustig een maand tot zelfs een half jaar bezig zijn voordat je überhaupt de modellen zou kunnen opstellen. Het grootse onderscheidend vermogen van Pega is de snelheid waarmee je de beschikbare technologie en tools kunt inzetten, waardoor veel eerder impact gemaakt kan worden bij een organisatie. Het nadeel is dat de beschikbare opties wat beperkter zijn. Er moet wat meer worden geleund op de standaarden die Pega aanbiedt en er is voor jezelf net iets minder flexibiliteit in hoe die modellen zijn ingericht. Dat is natuurlijk inherent aan low code ontwikkeling”, aldus Vincent.

Ondersteunen bij het maken van keuzes

Met de modellen die binnen Pega zijn gebouwd kunnen handmatige beslissingsmomenten vervangen worden door beslissingsmomenten aangedreven door Artificiële Intelligentie. Op deze manier kunnen handmatige keuzes en keuzemomenten die normaal gesproken veel tijd kosten, sneller en efficiënt worden gemaakt.

Vincent: Je moet het eigenlijk zo zien: in een flow met Pega werkt iedereen hetzelfde. De actie die de gebruiker uitvoert, dat is uiteindelijk waar het om draait. De gebruiker kan dan worden ondersteund door extra informatie op basis van AI weer te geven op het scherm zodat hij of zij sneller een geïnformeerde beslissing kan maken. Daarnaast kunnen gegevens verzameld door AI alvast vooraf ingevuld worden zodat de gebruiker meer een controlerende rol krijgt in plaats van een uitvoerende. In de standaardprocessen verandert er dan weinig, maar die persoon kan hierdoor wel sneller en efficiënter zijn werk doen.

Bepaalde taken kunnen zelfs volledig worden overgenomen zodat de persoon in kwestie zich kan focussen op zaken die niet door AI geregeld kunnen worden. Denk hierbij aan een klantenservice medewerker die zich hierdoor meer kan focussen op het klantcontact en met name het menselijke aspect hiervan. Dat is waar die persoon meerwaarde kan creëren.

De toekomst in met data science

Data science is een van de meest aansprekende en opwindende gebieden van deze tijd. Steeds meer bedrijven maken er gebruik van en degene die dat niet doen blijven achter. Data science zal voor steeds meer processen de toekomst gaan worden en een enorme vlucht gaan maken, mede omdat het vakgebied steeds toegankelijker wordt. Door voor data science te kiezen zit je dus spot-on voor wat betreft de marktvraag de komende jaren. Daarnaast kun je met het inzetten van data science echt impact maken en een voorsprong creëren bij bedrijven.

Wil jij ook bouwen aan de toekomst en een van onze data scientists worden?
Kijk dan snel bij onze vacatures of neem contact op met Hans Steenwijk.

Over ons
Contact