Design Thinking en Data Science: 1 + 1 = 3?
Om relevant te blijven voor klanten innoveren organisaties erop los. Design Thinking is een veelgebruikte manier om van complexe uitdaging naar innovatieve oplossing te komen. Design Thinking wordt dan ook in veel innovatieve organisaties gebruikt.
Data Scientists zijn data specialisten die kennis hebben van programmeertalen en statistiek. Met hun expertise kunnen zij sneller dan ooit tevoren nieuwe inzichten en oplossingen genereren. Ook Data Scientists zijn hierdoor vaak betrokken bij innovatieve projecten.
Als Design Thinkers en Data Scientists allebei met innovatie bezig zijn dan komt al snel de vraag op hoe beide perspectieven elkaar kunnen versterken.
Zowel Design Thinkers als Data Scientists kunnen zelfstandig tot waardevolle innovatie komen, maar wat als je de krachten bundelt?
De data injectie: hoe Data Science kan helpen in het Design Thinking proces
Design Thinking is een mensgerichte methode voor het komen tot innovatie. Vanuit een diep begrip voor hen die betrokken zijn bij een vraagstuk gaat men ideeën vormen voor nieuwe oplossingen.
Het ontwikkelen van dat diepe begrip wordt vaak de ‘empathie-fase’ genoemd. Een Design denker voert in dit stadium veel gesprekken met betrokkenen, observeert, dompelt zich onder in andermans leefwereld, overweegt diverse invalshoeken, en probeert behoeftes écht te begrijpen.
Een veelgehoorde kritiek op Design Thinking is dat de informatie die gebruikt wordt voor het vormen van nieuwe ideeën veelal kwalitatief (i.p.v. kwantitatief) van aard is. Hier komt Data Science om de hoek kijken.
Wat kan een Data Scientist precies bijdragen in iedere fase van het Design Thinking proces?
- Fase 1: Empathie voor betrokkenen. Waar een Design Thinker bijvoorbeeld interviewt en observeert, kan een Data Scientist zoveel mogelijk data-bronnen verzamelen en data ‘minen’. Machine learning algoritmen kunnen aangeven welke factoren bijdragen aan een probleem en zo focus aanbrengen in de probleemdefinitie (volgende fase). Inzichten uit data kunnen door de Design Thinker gebruikt worden om gericht de juiste vragen te stellen. Bovendien kunnen vermoedens van de Design Thinker bevestigd of ontkracht worden door data die de Data Scientist tot zijn of haar beschikking heeft. Dit geeft een solide basis voor innovatie.
- Fase 2: Definieer het op te lossen vraagstuk. Op basis van vergaarde data kan de omvang van het vraagstuk kwantitatief geduid worden. Dit is geen must, maar als het kan wel mooi meegenomen.
- Fase 3: Genereren van ideeën. In deze creatieve fase worden zoveel mogelijk oplossingsrichtingen geopperd en verkend. Tot op de dag van vandaag is deze creatieve fase een fase die door mensen moet worden uitgevoerd. Echter, door steeds slimmer wordende machine learning algoritmes is het niet ondenkbaar dat software in de toekomst óók oplossingsrichtingen aan kan dragen.
- Fase 4: het kiezen van een oplossingsrichting en het maken van een prototype. Een Data Scientist kan in dit stadium bepaalde oplossingsrichtingen kwantificeren en visualiseren zodat er een betere keuze gemaakt kan worden.
- Fase 5: Testen van het prototype. In deze fase geven betrokkenen hun terugkoppeling. De data die hiermee wordt vergaard kan geanalyseerd worden door de Data Scientist. Bovendien kan hij of zij de gebruikersfeedback visualiseren zodat inzichten worden gebruikt voor doorontwikkeling.
Wellicht volgende keer toch een Data Scientist in je Design Thinking projectteam? Of zelf Data Scientist worden? Bekijk deze Python cursus of deze opleiding in R van Data Science Partners eens.
Hoe kan Design Thinking Data Scientists helpen?
Tot nu toe lijkt het alsof een Design Thinker alleen maar tekortkomingen heeft en dat deze gaten worden dichtgelopen door de Data Scientist. Maar dat is een verkeerd beeld.
Gelukkig hebben Data Scientists ook tekortkomingen, en kunnen zij veel leren van Design Thinkers.
Zo hebben Data Scientists meestal een technische focus. Opleidingen tot Data Scientist zijn vaak gefocust op data engineering en statistiek, en minder op sociale en communicatieve skills. Bovendien is de aard van de werkzaamheden van een Data Scientist (achter de computer) zodanig dat je per definitie minder meekrijgt van wat er ‘in de business’ gebeurt.
Als een Data Scientist het Design Thinking proces volgt in het uitvoeren van een analyse dan wordt hij of zij gedwongen om bijvoorbeeld:
- met stakeholders te praten,
- zich te begeven in de leefwereld van betrokkenen,
- te brainstormen met andere disciplines,
- en feedback te vragen op oplossingsrichtingen.
Waar kun jij deze kruisbestuiving in jouw organisatie laten plaatsvinden?
Heb je het gevoel dat je nog veel meer wilt weten over Design Thinking? Schrijf je in voor onze interactieve Design Thinking trainingen en ervaar de kracht van Design Thinking zelf aan de hand van meer theorie, voorbeelden en praktijkcases. We delen ons enthousiasme graag met je.
| Lees ook: |  |
Rik van der Wardt is Agile Coach en Design Thinker. Hij heeft een achtergrond in Innovatie Management (TU/e) en hij heeft zich binnen verschillende adviesbureaus met dit onderwerp bezig gehouden. In 2016 was hij een van de oprichters van dit initiatief. Rik vindt het leuk om zijn kennis over Design Thinking te delen in blogposts. Hij is bovendien verantwoordelijk voor deze website, dus als je feedback hebt, laat het hem weten!
