Waarom democratiseren van analytics zal leiden tot betere beleidsbeslissingen

Veel EU-instellingen ontdekken de voordelen van analytics ter ondersteuning van beleidsbeslissingen. Maar uiteindelijk is er niemand die meer mogelijkheden heeft om de kwaliteit van de output te verrijken dan de beleidsmakers zelf. Daarom moet de hele organisatie AI en analytics goed begrijpen. We noemen dit de democratisering van AI, het samenbrengen van de ideeën van data scientists en domeinexperts.

Volgens McKinsey leidt het integreren van domeinkennis in analyticsprojecten tot beter geïnformeerde resultaten. Als mensen AI begrijpen en weten hoe ze de juiste vragen moeten stellen, is de kans groter dat ze met innovatieve ideeën komen die de ontwikkeling van nieuwe modellen bevorderen. We zien dit in veel industrieën en hetzelfde geldt voor beleidsvorming. Wanneer domeinexperts vertrouwen op analytics kennis, kunnen ze anders denken en problemen vanuit verschillende invalshoeken benaderen.

Betere inzichten en feedback
Hoe kan beleidsvorming profiteren van analytics? Meer informatie meenemen in de besluitvorming leidt tot meer transparantie, hogere kwaliteit en een robuuster feedbackmechanisme om beleidsresultaten te toetsen. Data en analytics kunnen een sleutelrol spelen bij het definiëren van een probleem door de context te modelleren en te simuleren wat er zou kunnen gebeuren. Het combineren van meerdere databronnen leidt tot betere inzichten in individuen, entiteiten en regio's die aan een bepaald risico zijn blootgesteld. Vroegtijdige waarschuwingen maken een snelle interventie mogelijk en zorgen voor risicobeperking en een meer proactieve aanpak.

Verschillende belanghebbenden in de EU werken samen met SAS om analytics optimaal in te zetten bij hun beleidsbeslissingen. Daarbij richten zij zich op de vraag hoe AI-tools kunnen bijdragen aan de functionele expertise en domeinkennis die bij de Europese Commissie en de instellingen ruimschoots aanwezig is.

De kloof verkleinen
Om het pad te effenen voor een eerlijker en doeltreffender beleid moeten we de kloof tussen data scientists en technologiegebruikers verkleinen. Data en analytics leiden niet automatisch tot betere beleidsresultaten. Als modellen worden voorzien van niet-representatieve of gemanipuleerde datasets, kan het proces juist verstoord worden en uiteindelijk het tegenovergestelde effect hebben. Wij noemen dit het "GIGO-principe" - garbage in, garbage out. Om biased datasets te voorkomen, moeten domeinexperts worden opgeleid om data scientists te ondersteunen en hun bevindingen te valideren.

Er is echter nog een andere reden waarom we domeinexperts moeten bijscholen en AI moeten democratiseren. Er is een zorgwekkende schaarste aan data-ingenieurs en scientists in alle sectoren. Vooral in de publieke sector wordt het steeds moeilijker om technische functies aan te trekken en te behouden. Dus als je de niet-technische breinen van domeinexperts en andere mensen in de organisatie kunt verbeteren, kun je de impact van analytics versnellen. Met krachtige software kunnen experts gedetailleerde analyses maken en samenwerken met data scientists om machine learning-modellen te genereren die nieuw beleidsmaatregelen ondersteunen.

Platforms zoals SAS helpen de inzet van analytics te vereenvoudigen, zodat domeinexperts data kunnen genereren en inzichten kunnen produceren zonder tussenkomst van een data scientist. Dankzij de low-code/no-code-aanpak en gebruiksvriendelijke interfaces kunnen ook mensen zonder technische achtergrond analytics gebruiken. Vooral voor de data preparatie, de interpretatie van gegevens, de modellering en de beoordeling van modellen is een grotere rol weggelegd voor domeinexperts. Dit zal uiteindelijk resulteren in een meer hybride aanpak van complexe zaken en de huidige krapte op de arbeidsmarkt tegengaan.

Meer weten? Download dan het eBook: Democratizing analytics at the EU. What does it mean, and why is it important? | SAS

Ischa van der Molen is Data Scientist bij SAS.