Maël van Dijk begon zijn carrière bij House of Bèta via het Mastership Data Science & AI en werkt nu als Data Scientist bij de Rijksdienst voor Ondernemend Nederland (RVO). In een warme en ondersteunende omgeving heeft hij zichzelf ontwikkeld op zowel technisch als persoonlijk vlak, van machine learning tot het leren durven zeggen van “nee”. Benieuwd hoe Maël met data en soft skills impact maakt op complexe vraagstukken zoals aanbestedingen? Lees verder!
Maël, zou je jezelf eens kunnen voorstellen?
Ik ben Maël van Dijk, 28 jaar, en ben begonnen bij House of Bèta via het Mastership Masterminds.
Wat heeft House of Bèta jou tot nu toe gebracht?
House of Bèta heeft mij een ontzettend warme omgeving geboden. Ik heb mezelf kunnen ontwikkelen en uitdagen, en waar ik altijd collega’s had om op terug te vallen wanneer dat nodig was.
Wat voor soort opdracht doe je momenteel bij HoB?
Ik werk als Data Scientist bij de Rijksdienst voor Ondernemend Nederland (RVO), waar we ons bezighouden met data-analyse, data-engineering en machine learning. Onze werkzaamheden richten zich op vraagstukken zoals het optimaliseren van het aanbestedingsproces voor de overheid.
Dit kan ik het beste uitleggen aan de hand van een voorbeeld: TenderTrends. Hier heb ik recent aan gewerkt via TenderNed, een tool voor aanbestedende diensten. Met deze tool voorspellen we welke historisch uitgevoerde aanbestedingen relevant zijn op basis van ingevoerde zoekwoorden.
Het proces begint met een vooronderzoek, waarbij we proberen te begrijpen wat belangrijk is voor een aanbestedende dienst. Dit vereist veel soft skills, zoals het voeren van gesprekken met deze diensten, en het identificeren en aanpakken van ethische en juridische belemmeringen in een vroeg stadium.
Vervolgens gaan we aan de slag met de data. Dit omvat het vernieuwen en opschonen van vaak rommelige gegevens, zodat ze in een standaard database passen waarmee we werken. Daarna passen we data-analyse toe om verbanden in de data te identificeren en bepalen we welke beschrijvingen en titels van aanbestedingen relevant zijn voor de machine learning-modellen.
De laatste stap is het omzetten van al deze gegevens naar vectoren. Zonder in te gaan op technische details, zorgt dit ervoor dat de input van de aanbestedende dienst kan worden gebruikt voor berekeningen. Hierdoor ontstaat bepaalde output: een lijst met relevante aanbestedingen die historisch zijn uitgevoerd, gescoord op basis van relevantie.
Waar ben je het meest trots op?
Binnen House of Bèta had ik mezelf voorgenomen om binnen drie jaar een rol als Data Scientist te bemachtigen – en dat is me gelukt, zonder studieschuld!
Welke ontwikkeling heb je doorgemaakt gedurende jouw mastership?
Op het gebied van soft skills ben ik het meest trots op mijn durf om “nee” te zeggen. Voorheen nam ik te veel hooi op mijn vork, omdat ik elke kans wilde aangrijpen om mezelf te ontwikkelen. Op een gegeven moment heb ik echter geleerd mijn eigen tijd te waarderen. Ik besefte dat ik mensen niet wilde teleurstellen door beloftes te maken die ik niet waar kon maken. Daardoor heb ik geleerd om op een respectvolle manier “nee” te zeggen.