Wat is één ding dat succesvolle techbedrijven als Amazon, Netflix, Google en Airbnb gemeen hebben? Ze hebben hun data science-functie opgeschaald en geoperationaliseerd. Dat betekent dat ze eersteklas datateams hebben opgebouwd en hun eigen datatools hebben aangeschaft of gebouwd. Daarvoor moesten krachtige interne processen en architecturen worden ontworpen die data benutten om hun bedrijf vooruit te helpen.
In ons webinar van vorige maand legde Maksim Percherskiy, Data Engineer bij The World Bank en voormalig Chief Data Officer van de stad San Diego, uit dat deze bedrijven daar goed voor gepositioneerd waren omdat ze zijn opgegroeid met data. “Oudere organisaties—zoals financiële instellingen, zorginstellingen en overheden—hadden dat voorrecht niet [om hun business rond data te bouwen]. De stad San Diego werd in de 19e eeuw gesticht, en ze zijn nog steeds aan het leren hoe ze zich moeten aanpassen en hoe ze data effectief kunnen afstemmen op hun operaties.”
Laten we uitpakken hoe grote organisaties een effectieve data science-functie kunnen opbouwen. In de afgelopen jaren hebben veel organisaties chief data officers aangenomen, teams van data scientists en data engineers opgebouwd, en manieren gevonden om data te gelde te maken en te delen. Maar uit het onderzoek van NewVantage Partners van januari 2020 bleek dat van de 70 bevraagde bedrijven 98,8% investeerde in big data- en AI-initiatieven, maar slechts 37,8% kon stellen dat ze een data‑gedreven organisatie hadden gecreëerd.
De meest voorkomende barrières voor data‑gedreven worden waren uitdagingen op het gebied van mensen en processen—namelijk het operationaliseren en opzetten van herhaalbare processen, het creëren van een functionele datainfrastructuur en het dichten van de dataskills‑kloof.
Data‑vereisten
De volgende visual vat samen wat data bruikbaar en betrouwbaar maakt:
Allereerst moet data verzameld worden op het juiste moment, op de juiste manier en met een doel. Vervolgens moet ze vindbaar zijn, wat betekent dat alle data‑gebruikers binnen de organisatie moeten weten dat deze data is verzameld en deze ook kunnen vinden. Daarna moet de data betrouwbaar blijken, zonder hiaten of inconsistenties. Ze moet ook gemakkelijk te begrijpen zijn—bijvoorbeeld correct gestructureerd en gelabeld. Compliance is cruciaal—de juiste beveiligingsprotocollen moeten aanwezig zijn om toegang tot gevoelige data te beheersen, en sommige sectoren kennen wettelijke normen. En tot slot moet data actiegericht zijn, wat betekent dat data‑gebruikers de technologie, training en ethische kaders hebben om data op de juiste manier te gebruiken.
Uitdagingen bij data‑gedreven worden
Er zijn drie categorieën uitdagingen om aan deze data‑vereisten te voldoen: organisatorisch, cultureel en technisch.
Organisatorische uitdagingen
Grote organisaties hebben vaak silo’s waarin teams verschillende doelstellingen kunnen hebben. Deze silo’s kunnen bestaan vanwege wettelijke vereisten, zoals gebruikelijk is in de financiële sector, of simpelweg omdat teams in het verleden niet samenwerkten. Wat de oorzaak ook is, silo’s veroorzaken miscommunicatie en misalignment, wat de algehele effectiviteit van de organisatie schaadt.
Een symptoom hiervan kan zijn dat managers grotere teams willen bouwen of dat er meer dan één AI‑center of excellence wordt opgezet.
Culturele uitdagingen
Organisatorische datageletterdheid—waarbij iedereen over de dataskills beschikt om succesvol te zijn—wordt vaak gezien als een hoogdravend doel, en sommige organisaties zijn risicomijdend om dit aan te pakken. Daarom probeert DataCamp onderwerpen als machine learning te demystificeren om organisaties te helpen begrijpen hoe data praktisch nut kan hebben. Medewerkers machtigen en het gemakkelijk maken om vaardigheden op te bouwen is essentieel.
Culturele uitdagingen kunnen zich ook uiten in verschillende prikkels binnen de organisatie. Het management wil misschien opvallende dashboards om aan hun superieuren te presenteren, engineers willen met de nieuwste en beste tools werken, en businessgebruikers willen gewoon een specifieke vraag beantwoorden of processen stroomlijnen. Het is niet altijd mogelijk om elke stakeholder tevreden te stellen. Dit raakt aan de eerder genoemde organisatorische uitdagingen—het doel is om de datastrategie af te stemmen op de algehele businessstrategie.
Technische uitdagingen
Maksim zegt dat grote organisaties vaak “een lappendeken van legacy‑systemen” hebben als kernsystemen van registratie voor data. Uit deze systemen is data vaak lastig te halen of op te schalen—maar afdelingshoofden willen vaak geen groot project op zich nemen. Ze zijn bang voor de overstapkosten van vervanging, mogelijke faalkosten van projecten, extra retrainingskosten en een kortetermijndip in productiviteit. Dit zijn allemaal kortzichtige fouten die voortkomen uit een gebrek aan een eenduidige datastrategie.
Extra technische uitdagingen zijn compliance‑ en beveiligingsnormen, zoals HIPAA, FERPA, GDPR en CCPA. Bedrijven moeten zich aan deze normen houden om onethisch datagebruik te voorkomen.
Als je voor deze uitdagingen bezwijkt, beland je in wat Brian Balfour de Data Wheel of Death noemt, hieronder weergegeven. Het laat zien dat data die niet consistent wordt onderhouden irrelevant of gebrekkig wordt, waardoor mensen het vertrouwen in de data verliezen en deze uiteindelijk minder gaan gebruiken.
Oplossingen om data‑gedreven te worden
Hoe kunnen gevestigde ondernemingen dan data‑gedreven worden zoals Netflix en Airbnb? Ze moeten zich opnieuw rondom data opbouwen. Zo pak je dat aan.
Begrijp het landschap
Grote organisaties moeten de verschillende silo’s begrijpen die bestaan en hoe die met elkaar communiceren. Ze moeten ambassadeurs op directieniveau cultiveren die deze reis ondersteunen. En ze moeten de data‑doelstellingen communiceren met alle stakeholders.
Identificeer je gebruikers
Vervolgens moet je, om een succesvolle data‑gedreven transformatie te faciliteren, je persona’s begrijpen. Door je diep in elke persona te verplaatsen—of ze nu dataconsument, leider, data‑analist of data scientist zijn—begrijp je hoe je hen het beste kunt helpen en inzetten voor je missie.
Begin klein en houd het simpel
Maksim zegt dat je in het begin niet alles in één keer kunt oplossen. Het is heel belangrijk om gedisciplineerd te focussen op impact. Kies een project dat zichtbaar en impactvol is in de hele organisatie en dat niet enorm veel stakeholders of coördinatie vereist. Een reeks makkelijke successen in het begin zorgt voor draagvlak en zichtbaarheid van dataprojecten. Je kunt ook itereren op datawerk en lessen benutten voor toekomstige dataprojecten.
Stem datastrategie af op businessstrategie
Wat betekent het om datastrategie en businessstrategie op elkaar af te stemmen? Maksims praktische advies is om dataprojecten te kiezen die je infrastructuur uitbreiden en testen, je businessgebruikers bedienen en aansluiten bij bedrijfsdoelen en resultaten. Zorg dat elk project gedocumenteerd, reproduceerbaar en volgens best practices is opgezet. Versterk je successen vervolgens organisatiebreed met steun van het management, zodat je daarop kunt voortbouwen en kunt blijven itereren.
Hoe data‑gedreven werken eruitziet
Data‑gedreven werken vereist dat je het succes van datainitiatieven kunt meten. Volgens Maksim is het verleidelijk om makkelijk toegankelijke metrics te gebruiken, zoals het totale aantal projecten, het aantal afgeronde datasets of het aantal repo‑volgers.
“Dat zijn allemaal goede metrics, maar ze raken niet echt de kern van je succes,” zegt Maksim. “Ik zou eerder denken aan het aantal beslissingen dat met data wordt genomen. Ook: hoe lang het duurt voordat iemand een dataset vindt, of de time‑to‑data. Je moet ook kijken naar hoeveel doelen, doelstellingen en OKR’s met data worden gezet en gevolgd, inclusief hoe ze worden beoordeeld.”
Wil je meer weten over het operationeel maken van data binnen grote organisaties met complexe processen? Bekijk dan Maksims webinar over Operationalizing Data Within Large Organizations.
Wat is één ding dat succesvolle techbedrijven als Amazon, Netflix, Google en Airbnb gemeen hebben? Ze hebben hun data science-functie opgeschaald en geoperationaliseerd. Dat betekent dat ze eersteklas datateams hebben opgebouwd en hun eigen datatools hebben aangeschaft of gebouwd. Daarvoor moesten krachtige interne processen en architecturen worden ontworpen die data benutten om hun bedrijf vooruit te helpen.
In ons webinar van vorige maand legde Maksim Percherskiy, Data Engineer bij The World Bank en voormalig Chief Data Officer van de stad San Diego, uit dat deze bedrijven daar goed voor gepositioneerd waren omdat ze zijn opgegroeid met data. “Oudere organisaties—zoals financiële instellingen, zorginstellingen en overheden—hadden dat voorrecht niet [om hun business rond data te bouwen]. De stad San Diego werd in de 19e eeuw gesticht, en ze zijn nog steeds aan het leren hoe ze zich moeten aanpassen en hoe ze data effectief kunnen afstemmen op hun operaties.”
Laten we uitpakken hoe grote organisaties een effectieve data science-functie kunnen opbouwen. In de afgelopen jaren hebben veel organisaties chief data officers aangenomen, teams van data scientists en data engineers opgebouwd, en manieren gevonden om data te gelde te maken en te delen. Maar uit het onderzoek van NewVantage Partners van januari 2020 bleek dat van de 70 bevraagde bedrijven 98,8% investeerde in big data- en AI-initiatieven, maar slechts 37,8% kon stellen dat ze een data‑gedreven organisatie hadden gecreëerd.
De meest voorkomende barrières voor data‑gedreven worden waren uitdagingen op het gebied van mensen en processen—namelijk het operationaliseren en opzetten van herhaalbare processen, het creëren van een functionele datainfrastructuur en het dichten van de dataskills‑kloof.
Data‑vereisten
De volgende visual vat samen wat data bruikbaar en betrouwbaar maakt:
Allereerst moet data verzameld worden op het juiste moment, op de juiste manier en met een doel. Vervolgens moet ze vindbaar zijn, wat betekent dat alle data‑gebruikers binnen de organisatie moeten weten dat deze data is verzameld en deze ook kunnen vinden. Daarna moet de data betrouwbaar blijken, zonder hiaten of inconsistenties. Ze moet ook gemakkelijk te begrijpen zijn—bijvoorbeeld correct gestructureerd en gelabeld. Compliance is cruciaal—de juiste beveiligingsprotocollen moeten aanwezig zijn om toegang tot gevoelige data te beheersen, en sommige sectoren kennen wettelijke normen. En tot slot moet data actiegericht zijn, wat betekent dat data‑gebruikers de technologie, training en ethische kaders hebben om data op de juiste manier te gebruiken.
Uitdagingen bij data‑gedreven worden
Er zijn drie categorieën uitdagingen om aan deze data‑vereisten te voldoen: organisatorisch, cultureel en technisch.
Organisatorische uitdagingen
Grote organisaties hebben vaak silo’s waarin teams verschillende doelstellingen kunnen hebben. Deze silo’s kunnen bestaan vanwege wettelijke vereisten, zoals gebruikelijk is in de financiële sector, of simpelweg omdat teams in het verleden niet samenwerkten. Wat de oorzaak ook is, silo’s veroorzaken miscommunicatie en misalignment, wat de algehele effectiviteit van de organisatie schaadt.
Een symptoom hiervan kan zijn dat managers grotere teams willen bouwen of dat er meer dan één AI‑center of excellence wordt opgezet.
Culturele uitdagingen
Organisatorische datageletterdheid—waarbij iedereen over de dataskills beschikt om succesvol te zijn—wordt vaak gezien als een hoogdravend doel, en sommige organisaties zijn risicomijdend om dit aan te pakken. Daarom probeert DataCamp onderwerpen als machine learning te demystificeren om organisaties te helpen begrijpen hoe data praktisch nut kan hebben. Medewerkers machtigen en het gemakkelijk maken om vaardigheden op te bouwen is essentieel.
Culturele uitdagingen kunnen zich ook uiten in verschillende prikkels binnen de organisatie. Het management wil misschien opvallende dashboards om aan hun superieuren te presenteren, engineers willen met de nieuwste en beste tools werken, en businessgebruikers willen gewoon een specifieke vraag beantwoorden of processen stroomlijnen. Het is niet altijd mogelijk om elke stakeholder tevreden te stellen. Dit raakt aan de eerder genoemde organisatorische uitdagingen—het doel is om de datastrategie af te stemmen op de algehele businessstrategie.
Technische uitdagingen
Maksim zegt dat grote organisaties vaak “een lappendeken van legacy‑systemen” hebben als kernsystemen van registratie voor data. Uit deze systemen is data vaak lastig te halen of op te schalen—maar afdelingshoofden willen vaak geen groot project op zich nemen. Ze zijn bang voor de overstapkosten van vervanging, mogelijke faalkosten van projecten, extra retrainingskosten en een kortetermijndip in productiviteit. Dit zijn allemaal kortzichtige fouten die voortkomen uit een gebrek aan een eenduidige datastrategie.
Extra technische uitdagingen zijn compliance‑ en beveiligingsnormen, zoals HIPAA, FERPA, GDPR en CCPA. Bedrijven moeten zich aan deze normen houden om onethisch datagebruik te voorkomen.
Als je voor deze uitdagingen bezwijkt, beland je in wat Brian Balfour de Data Wheel of Death noemt, hieronder weergegeven. Het laat zien dat data die niet consistent wordt onderhouden irrelevant of gebrekkig wordt, waardoor mensen het vertrouwen in de data verliezen en deze uiteindelijk minder gaan gebruiken.
Oplossingen om data‑gedreven te worden
Hoe kunnen gevestigde ondernemingen dan data‑gedreven worden zoals Netflix en Airbnb? Ze moeten zich opnieuw rondom data opbouwen. Zo pak je dat aan.
Begrijp het landschap
Grote organisaties moeten de verschillende silo’s begrijpen die bestaan en hoe die met elkaar communiceren. Ze moeten ambassadeurs op directieniveau cultiveren die deze reis ondersteunen. En ze moeten de data‑doelstellingen communiceren met alle stakeholders.
Identificeer je gebruikers
Vervolgens moet je, om een succesvolle data‑gedreven transformatie te faciliteren, je persona’s begrijpen. Door je diep in elke persona te verplaatsen—of ze nu dataconsument, leider, data‑analist of data scientist zijn—begrijp je hoe je hen het beste kunt helpen en inzetten voor je missie.
Begin klein en houd het simpel
Maksim zegt dat je in het begin niet alles in één keer kunt oplossen. Het is heel belangrijk om gedisciplineerd te focussen op impact. Kies een project dat zichtbaar en impactvol is in de hele organisatie en dat niet enorm veel stakeholders of coördinatie vereist. Een reeks makkelijke successen in het begin zorgt voor draagvlak en zichtbaarheid van dataprojecten. Je kunt ook itereren op datawerk en lessen benutten voor toekomstige dataprojecten.
Stem datastrategie af op businessstrategie
Wat betekent het om datastrategie en businessstrategie op elkaar af te stemmen? Maksims praktische advies is om dataprojecten te kiezen die je infrastructuur uitbreiden en testen, je businessgebruikers bedienen en aansluiten bij bedrijfsdoelen en resultaten. Zorg dat elk project gedocumenteerd, reproduceerbaar en volgens best practices is opgezet. Versterk je successen vervolgens organisatiebreed met steun van het management, zodat je daarop kunt voortbouwen en kunt blijven itereren.
Hoe data‑gedreven werken eruitziet
Data‑gedreven werken vereist dat je het succes van datainitiatieven kunt meten. Volgens Maksim is het verleidelijk om makkelijk toegankelijke metrics te gebruiken, zoals het totale aantal projecten, het aantal afgeronde datasets of het aantal repo‑volgers.
“Dat zijn allemaal goede metrics, maar ze raken niet echt de kern van je succes,” zegt Maksim. “Ik zou eerder denken aan het aantal beslissingen dat met data wordt genomen. Ook: hoe lang het duurt voordat iemand een dataset vindt, of de time‑to‑data. Je moet ook kijken naar hoeveel doelen, doelstellingen en OKR’s met data worden gezet en gevolgd, inclusief hoe ze worden beoordeeld.”
Wil je meer weten over het operationeel maken van data binnen grote organisaties met complexe processen? Bekijk dan Maksims webinar over Operationalizing Data Within Large Organizations.