Op 15 oktober organiseren we een webinar over Wat L&D-leiders moeten weten over datawijsheid. Een belangrijke focus is het ontwikkelen van de juiste skills voor elk van je belangrijkste datapersoona’s. Hier is alvast een voorproefje van wat je leert.
De uitdagingen bij het upskillen voor datawijsheid
Datawijsheid is een methodologie om zakelijke vragen te beantwoorden, geen enkele vaardigheid die je simpelweg onderwijst en leert zoals bij traditionele leer- en ontwikkeltrajecten. Bij het opschalen van L&D-programma’s voor datawijsheid verschillen leerpaden afhankelijk van hoeveel iemand met data werkt. Zo kan een marketinganalist die vaak met Excel werkt R of Python moeten leren om in zijn of haar rol te slagen, terwijl een manager of leidinggevende vooral moet weten hoe je op basis van data weloverwogen beslissingen neemt.
Waarom een persona-gestuurde methode werkt
Een rolgebaseerd, persona-gestuurd leerpad is effectiever om trainingen in datawijsheid op te schalen. Hoewel elke organisatie en de data die ze produceren anders zijn, zijn er overeenkomsten in de manier waarop mensen met data omgaan. Een handige manier om datagerichte upskilling te benaderen en op te schalen is met datapersoona’s. Elke datapersoona heeft een andere relatie met data en vraagt om andere competenties in datawijsheid om het beste werk te kunnen leveren. Organisaties kunnen vervolgens verschillende rollen aan zo’n persoona koppelen en een zorgvuldig samengesteld, gepersonaliseerd leertraject maken op basis van wat er nodig is.
1. Datagebruikers en leiders
Datagebruikers en leiders werken vaak in niet-technische functies, maar gebruiken inzichten en analyses om datagedreven beslissingen te nemen. Ze moeten vaak met dataprofessionals in gesprek en moeten kunnen beoordelen wanneer data wel en niet geschikt is om zakelijke vragen te beantwoorden.
Veelgebruikte technologie en tools
Spreadsheets: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau
Voorbeelden van functietitels
Chief Marketing Officer, HR-manager, Head of Sales
2. Business-analisten
Business-analisten koppelen datainsights aan concrete resultaten die winstgevendheid of efficiëntie verhogen. Ze hebben diepgaande domeinkennis en gebruiken vaak SQL naast no-code/low-code tools om inzichten uit data te communiceren.
Veelgebruikte technologie en tools
Spreadsheets: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Voorbeelden van functietitels
Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
3. Data-analisten
Net als business-analisten analyseren data-analisten data en rapporteren ze inzichten uit hun analyses. Ze kennen de data-analyseworkflow door en door en rapporteren hun bevindingen met een mix van code- en niet-code-tools.
Veelgebruikte technologie en tools
Programmeertalen: Python, R Spreadsheets: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Voorbeelden van functietitels
Data Analyst, Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
4. Data scientists
Data scientists onderzoeken, extraheren en rapporteren betekenisvolle inzichten uit de data van de organisatie. Ze communiceren deze inzichten naar niet-technische stakeholders en hebben een goed begrip van machine learning-workflows en hoe je die koppelt aan zakelijke toepassingen. Ze werken vrijwel uitsluitend met codetools, voeren analyses uit en werken vaak met bigdata-tools.
Veelgebruikte technologie en tools
Programmeertalen: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Bigdata-tools: Airflow, Spark
Voorbeelden van functietitels
Data Scientist, Data Analyst, kan ook een “citizen data scientist” omvatten (iemand die de taken van een data scientist uitvoert, maar niet de titel “Data Scientist” heeft).
5. Machine learning scientists
Machine learning scientists ontwikkelen machine learning-systemen op schaal. Ze halen voorspellingen uit data met ML-modellen om problemen op te lossen zoals churn voorspellen en customer lifetime value schatten, en ze zijn verantwoordelijk voor het uitrollen van deze modellen binnen de organisatie.
Veelgebruikte technologie en tools
Programmeertalen: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Bigdata-tools: Airflow, Spark Commandoregeltools: Git, Shell
Voorbeelden van functietitels
Data Scientist, Research Scientist, Machine Learning Scientist, Machine Learning Engineer
6. Statistici
Net als data scientists doen statistici zeer rigoureuze analyses, waaronder het ontwerpen en onderhouden van experimenten zoals A/B-tests en significantietoetsen. Ze richten zich op het kwantificeren van onzekerheid en het presenteren van bevindingen die uitzonderlijke nauwkeurigheid vereisen, zoals in finance of de zorg.
Veelgebruikte technologie en tools
Programmeertalen: Python, R SQL: PostgreSQL, SQL Server, Oracle SQL
Voorbeelden van functietitels
Quantitative Analyst, Inference Data Scientist, Data Scientist
7. Programmeurs
Programmeurs zijn zeer technische professionals binnen datateams die repetitieve taken automatiseren bij het benaderen en verwerken van de data van een organisatie. Ze slaan de brug tussen traditionele software-engineering en data science en weten precies hoe je code op schaal uitrolt en deelt.
Veelgebruikte technologie en tools
Programmeertalen: Python, R, Scala Commandoregeltools: Git, Shell
Voorbeelden van functietitels
Software Engineer, Data Scientist, DevOps Engineer
8. Data-engineers
Data-engineers zorgen dat de juiste mensen over de juiste data beschikken. Ze bouwen en onderhouden de infrastructuur en datapijplijnen die terabytes aan ruwe data uit verschillende bronnen naar één centrale plek brengen, met schone, relevante data voor de organisatie.
Veelgebruikte technologie en tools
Programmeertalen: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Commandoregeltools: Git, Shell Bigdata-tools: Airflow, Spark Cloudplatformen (bijv. Amazon Web Services)
Voorbeelden van functietitels
Software Engineer, Data Engineer, DevOps Engineer
