CNT - Traineeblog Eva

15 november 2018 ... min. Luister

Een weloverwogen einde aan ons project

Projecten valideren in de innovatiefunnel

In mijn vorige blog vertelde ik nog trots over ons eerste werkende model, voor lending producten van Wholesale Banking. En over hoe positief de stakeholders tijdens de laatste demo reageerden. Maar de dingen kunnen snel veranderen. Ons project is gestopt... We hebben er steeds rekening mee gehouden dat dat kon gebeuren - dit soort beslissingen hoort bij innovatietrajecten - maar toch kwam het onverwacht. Ik vind het jammer. Na een goed gesprek met mijn manager snap ik wel beter waarom we moesten stoppen en weet ik ook dat wat we hebben gedaan zeker waardevol is geweest. Deze databron is bijvoorbeeld nog nooit zo gestructureerd aangepakt.

Op deze aankondiging volgden een paar weken van onduidelijkheid, wat zouden we nu gaan doen en bleven we met het projectteam bij elkaar? Als het aan mij had gelegen wel. Ik wilde ook het liefst bij Lending blijven omdat ik daar veel over had geleerd de afgelopen maanden. En ik wilde graag een senior data scientist in de buurt, om van te leren en om mee te kunnen sparren. Er is wat tijd overheen gegaan, maar die laatste wens is in elk geval ingewilligd. De rest is allemaal anders. Ons team is opgesplitst in twee teams, en we werken niet voor Lending. Evengoed is onze nieuwe opdracht heel leuk en interessant! Mijn nieuwe team bestaat uit de UX’er die als laatste bij ons vorige team was gekomen, twee mensen van business development en mijzelf. Business development werkt met een innovatie-ideeënfunnel. Projecten in die funnel worden in drie à zes maanden geverifieerd en gevalideerd.

Onze opdracht gaat over een complex product: confirmed Letters of Credit, een specifiek type product binnen de internationale handel. Het heeft te maken met het overnemen van betalingsrisico’s door een bank, van een andere bank. Dit verloopt via een soort veiling, waarin partijen ‘blind’ bieden. Wij gaan proberen om het aanbieden van een confirmed Letter of Credit te optimaliseren voor de gebruikers.

Eerst de data, dán pas de modellen

We zijn goed van start gegaan, met een gestrucureerde opzet en in eerste instantie uitsluitend focus op het definiëren van de targets. Wat gaan we voorspellen uit de data, wat zien we precies in de data, zijn er biases waardoor het voorspellen moelijker wordt? En: hebben we alle data, wordt alle data wel gelogd, komt alle data binnen op dezelfde manier? Eerst de data, dán pas de modellen. We gaan omzichtig te werk en toetsen steeds of we echt over hetzelfde praten als de business. Dit project is totaal iets anders dan ik deed. Maar leuk! Ik leer een hoop nieuwe dingen over de bank en de dynamiek in ons team is erg fijn, dat vind ik heel belangrijk.

De paar weken tussen mijn vorige en huidige klus heb ik overigens goed besteed: ik ben veel bezig geweest op Kaggle.com, een data science platform waarop bedrijven uitdagingen posten. Data scientists van over de hele wereld denken mee over die vraagstukken en dienen hun oplossingen in. Super cool om te doen, ook omdat er een competitie-element in zit. En tegelijkertijd leer ik er weer een heleboel.

Over Eva

Eva deed een bachelor Kunstmatige Intelligentie en een master Artificial Intelligence aan de UvA. Ze woont samen met haar vriend in Haarlem, waar ze een paar jaar geleden een huis kochten. Eva komt uit een ondernemersgezin, rijdt al sinds haar zevende paard, sinds kort ook bij een carrouselgroep (“het schoonzwemmen onder de paardendressuur”) en zit zolang ze zich kan herinneren al bij de Scouting. Ze geeft leiding aan een Welpengroep en krijgt daar erg veel energie van. “Elke zaterdagochtend probeer ik een groep van enthousiaste, stuiterde kinderen in toom te houden, haha...!”

Terug naar boven