Het is ieders verantwoordelijkheid om data-gedreven te zijn
In de 21e eeuw moet elke organisatie data-gedreven zijn om concurrerend te blijven. Data-gedreven werken draait er niet om mensen uit hun baan te automatiseren, maar om ze de tools en informatie te geven om effectiever te zijn in hun rol.
Wij zien het als ieders verantwoordelijkheid binnen de organisatie om meer data-gedreven te worden. Uiteindelijk raakt ieder van ons waarschijnlijk op de een of andere manier data, ongeacht je rol. We kijken continu naar verschillende kansen om resources op te schalen en ze mee te nemen op de reis.—Rachel Alt-Simmons, AXA XL
Succesmetrics voor dataprogramma’s hangen af van je sector en organisatie
Er bestaat geen one-size-fits-all-dataprogramma. De doelstellingen van elk dataprogramma verschillen afhankelijk van factoren zoals sector, bedrijfsomvang en teamstructuur.
Neem AXA XL als voorbeeld. AXA XL, in 2018 overgenomen door AXA Group, is een grote verzekeraar voor zakelijke en specialistische risico’s die complexe projecten beoordeelt. Ze hebben momenteel 13.000 medewerkers wereldwijd in gedistribueerde teams, wat betekent dat veel teams niet met de meeste van hun teamleden samenwerken. Virtuele samenwerking is belangrijk op wereldwijde locaties, en als verzekeraar zijn hun databehoeften sterk afhankelijk van papier en pdf’s.
Ons bedrijf draait op papier. We verkopen juridische documenten—dat is wat een verzekeringspolis is, gewoon een juridisch document. We nemen papier in en we genereren papier. Wat er gebeurt is bijvoorbeeld: je krijgt een inzending van een klant, die bevat enorm veel bestanden en informatie. Je kunt die informatie krijgen in een pdf, in Word-documenten, in Excel-bestanden, en waarschijnlijk in elke variatie daarvan. Er is geen standaardisatie in hoe dat document binnenkomt, dus er is niet één standaard-pdf of één standaardbestand. Het is voor elke klant anders.
Omdat zoveel van hun data in pdf’s wordt opgeslagen en gegevensinvoer handmatig is, worden niet alle afzonderlijke data-elementen vastgelegd. Er gaat veel informatie verloren of is niet eenvoudig terug te vinden. Om deze problemen aan te pakken, zet AXA XL mogelijkheden zoals natural language processing in om documenten op te halen en er gemakkelijk informatie uit te extraheren.
Zo implementeer je een dataprogramma
1. Kies een top-down- of bottom-upaanpak
De top-downaanpak voor het opzetten van een dataprogramma hangt samen met de bredere data- en analytics-initiatieven binnen een organisatie. Dit vereist dat je je programma strategisch opbouwt om te standaardiseren hoe analytische modellen en workflows over teams heen worden geïntegreerd.
De bottom-upaanpak draait om het algemeen verhogen van de capaciteiten en vaardigheden van alle medewerkers op een data- en analytics-loopbaanpad. Zo identificeert AXA XL’s Analytic DNA-initiatief experts in verschillende technologie- en analyticsdomeinen, en kijkt men naar hen voor ideeën die breder in de organisatie kunnen worden opgeschaald.
Het goede nieuws is dat mensen echt bereid zijn geweest om naar voren te stappen en hun begeleiding en expertise te bieden, en dat helpt ons om ons programma te vormen tot iets relevants dat aansluit bij onze strategische initiatieven.
2. Ontwikkel persona’s en bepaal hun doelen
Bij DataCamp hebben we verschillende data-gerelateerde persona’s of rollen geïdentificeerd die onze klanten doorgaans gebruiken: Data Consumer, Leader, Data Analyst, Citizen Data Scientist, Data Scientist, Data Engineer, Database Administrator, Statistician, Machine Learning Scientist en Programmer. We raden onze docenten aan om bij het bouwen van hun cursussen rekening te houden met de relevante persona’s, en we raden onze zakelijke klanten aan hetzelfde te doen bij het opzetten van hun dataprogramma’s. Elke persona heeft een andere relatie met data.
Twee primaire persona’s voor AXA XL zijn actuarissen en data scientists, en ze richten zich momenteel op het samenbrengen van de vaardigheden die voor beide rollen nodig zijn om het bedrijf verder te brengen.
Er is altijd een interessante kloof geweest in veel [verzekerings]organisaties tussen een actuariële achtergrond en wat ik meer een pure data science- of analyticale achtergrond zou noemen. In onze organisatie brengen we die twee samen. We leren actuarissen daadwerkelijk enkele van die meer statistische machinelearningtechnieken die ze kunnen toepassen in hun actuariële processen. Het is niet langer “wij tegen zij”. Het is “hoe brengen we deze capaciteiten samen”, en dat is best spannend.
3. Identificeer hiaten voor elke persona
We adviseren al onze klanten om een brede inventaris van hun interne datavaardigheden te maken met behulp van een skillsmatrix. Dit kan vele vormen aannemen, maar houdt doorgaans in dat je sterke punten en vaardigheidshiaten visualiseert op organisatie-, afdelings-, team- of individueel niveau.
Rachel van AXA XL raadt aan om hiaten voor elke persona te identificeren door vragen te stellen zoals:
- Wat wil je weten?
- Waar zou je meer van willen?
- Wat zouden we nog meer kunnen bieden, bijv. training, werving, vaardigheidsontwikkeling of projectmatig werk?
- Stemmen we deze capaciteiten goed af op onze strategische projecten?
Voor analyticsprofessionals zoals data-analisten, data scientists en data engineers kan het zinvol zijn te onderzoeken of er hiaten zijn in belangrijke vaardigheden zoals data importeren, data-analyse in spreadsheets, natural language processing en het bouwen en onderhouden van datapijplijnen. Hier is een voorbeeld van een skillsmatrix die we hebben ontwikkeld voor dataprofessionals.
Voor Data Consumers en Leaders zijn voor succes onder meer soft skills nodig, zoals communicatie, inzicht in datavisualisatie en design thinking.
Design thinking draait om het creëren van een oplossing, wat die ook is: technisch, data of model. Hoe doe je dat op een manier die relevant is voor de klant? En hoe communiceer je de resultaten vervolgens effectief?
4. Maak leerpaden voor elke persona
Een holistische leerbenadering vereist het gebruik van design thinking om een effectief leerpad te creëren. Het gaat niet alleen om het opbouwen van technische skills—maar ook om het ontwikkelen van belangrijke businessvaardigheden. Zo moeten actuarissen bij AXA XL data kunnen vertalen naar betekenisvolle termen zodat besluitvormers zoals underwriters, die verzekeringsrisico’s beoordelen, de risicobeoordeling van een bedrijf in context kunnen plaatsen en nuttige conclusies kunnen trekken, zoals hoeveel risico ze moeten nemen. Het leerpad van de actuarissen moet daarom ook het vermogen omvatten om data te contextualiseren en de implicaties te vertalen voor een breder publiek.
Om organisaties te helpen het datavaardigheidsniveau van hun team over persona’s heen te ontdekken, bieden we een gratis skills-audit aan via een benchmarkrapport. Individuen kunnen onze Signal-skillassessments doen om hun eigen voortgang bij te houden.
Na het beoordelen van vaardigheden adviseren we organisaties om aangepaste tracks te bouwen zodat iedereen het basisvaardigheidsniveau kan behalen dat bij zijn of haar persona of rol hoort. Leerpaden voor Data Consumers en Leaders leunen mogelijk meer op onze theoriecursussen, terwijl dataprofessionals onze praktijkgerichte codeercursussen volgen. Omdat zoveel van AXA XL’s data in pdf’s staat, bevatten leerpaden voor hun actuarissen en data scientists meerdere van onze cursussen over natural language processing. Voor actuarissen in een vroeg stadium raden we deze R-cursussen aan om te slagen voor het Predictive Analytics-examen.
Pluk de vruchten van je dataprogramma
Rachel zegt dat het eenvoudig is om het succes van je dataprogramma te meten door de vraag te beantwoorden: Heeft het je geholpen winstgevender te worden? Als data goed doorstroomt naar beslissingen, dan zie je dat terug in de resultaten. Dus als de vaardigheden van je medewerkers zich ontwikkelen en je bedrijf weloverwogen beslissingen neemt, is het waarschijnlijke antwoord: ja.
Wil je meer weten over het bouwen van een succesvol dataprogramma, bekijk dan het on-demand webinar.
