Organisaties hebben winnende datateams nodig
Tegenwoordig genereren organisaties meer data dan ooit tevoren. Forbes meldde dat er in 2018 elke dag meer dan 2,5 quintiljoen bytes aan data werden gegenereerd, en dat meer dan 90 procent van alle data wereldwijd in de twee jaar voorafgaand aan de publicatie was ontstaan. Individuele landen genereren nog meer data. In 2018 rapporteerde CNBC dat China 7,6 zettabyte aan data genereerde. Dit zal naar verwachting groeien tot 48,6 ZB in 2025. De VS genereert vergelijkbare hoeveelheden data.
Er zitten veel toepasbare inzichten in deze data waar geen gebruik van wordt gemaakt. Volgens Forrester wordt 60 tot 73 procent van de data van organisaties niet benut in analytics.
Succesvolle, datagedreven organisaties benutten data op schaal om waarde te creëren. Zo investeerde Uber zwaar in het ontwikkelen van een platform om de meer dan 100 petabyte aan beschikbare data via een eenvoudige interface efficiënt aan hun datateams te leveren, wat ze opschaalden om meer dan 1 miljard Uber Eats-bestellingen te verwerken met meer dan 24 miljoen afgelegde mijlen. Via A/B-testen realiseert Netflix 20 tot 30 procent meer weergaven door de afbeelding bij een film of serie te wijzigen.
Het is duidelijk dat er waardevolle inzichten beschikbaar zijn voor organisaties die hun complexe en omvangrijke datalandschappen succesvol kunnen navigeren. Dit soort waardecreatie is alleen te bereiken met een hoogpresterend en compleet datateam.
Datataken voor een winnend datateam
Er zijn veel sleutelrollen die bijdragen aan een succesvol datateam. In deze whitepaper beschrijft DataCamp acht rollen, of persona’s, die je in elke datagedreven organisatie kunt vinden. Hoewel functietitels per organisatie kunnen verschillen, lichten we vijf rollen toe die samen een sterk datateam vormen: business analyst, data-analist, data scientists, machine learning scientists en data-engineers.
Business Analyst
Business analysts vergroten winstgevendheid en efficiëntie op basis van datagedreven inzichten. Ze combineren hun diepgaande kennis van het zakelijke domein met vaardigheden in data-analyse en -visualisatie en rapporteren inzichten aan dataconsumenten.
Belangrijke vaardigheden: Datamanipulatie, datavisualisatie, rapportage, basisstatistiek Tools: spreadsheets (Excel, Google Sheets), business intelligence-tools (Tableau, PowerBI), SQL
Cursusaanbevelingen: Introduction to SQL, Data Analysis in Spreadsheets / Excel, Marketing Analytics in Spreadsheets, Financial Analytics in Spreadsheets
Data Analyst
Data-analisten hebben een vergelijkbare rol als business analysts: ze analyseren data en halen er inzichten uit om zakelijke resultaten te sturen. Hun vaardigheden overlappen dus, maar data-analisten beantwoorden minder afgebakende vraagstukken die meer begrip van de data-analyseworkflow vereisen en gebruiken een combinatie van tools met en zonder code.
Belangrijke vaardigheden: Datamanipulatie, datavisualisatie, rapportage, importeren en opschonen van data, waarschijnlijkheid en statistiek
Tools: R of Python, spreadsheets (Excel, Google Sheets), business intelligence-tools (Tableau, PowerBI), SQL
Cursusaanbevelingen: Data Analyst Career Track (R - 16 cursussen/Python - 16 cursussen), Cleaning Data in R/Python, Time Series Analysis in SQL
Data Scientist
Data scientists vervullen een beduidend technischere rol binnen organisaties. Ze werken vooral met code om data te onderzoeken, te extraheren en om inzichten en waarde te genereren. Data scientists hebben een sterk begrip nodig van data-analyse- en machine learning-workflows en het vermogen om met niet-standaard datatypes en big data-tools te werken.
Belangrijke vaardigheden: Datamanipulatie, datavisualisatie, rapportage, importeren en opschonen van data, waarschijnlijkheid en statistiek, machine learning,
Tools: R, Python, Scala, big data-tools (Airflow, Spark), SQL, commandoregeltools (Git, Shell)
Cursusaanbevelingen: Data Scientist Career Track (R - 22 cursussen/Python - 23 cursussen), Sentiment Analysis in Python, Introduction to Git
Machine Learning Scientist
Machine learning scientists zijn verantwoordelijk voor het op schaal ontwikkelen van machine learning-systemen. Ze leiden voorspellingen af uit data met allerlei soorten machine learning-modellen om problemen op te lossen zoals churn voorspellen en customer lifetime value, en ze zijn verantwoordelijk voor het uitrollen van deze modellen zodat de organisatie ze kan gebruiken.
Belangrijke vaardigheden: Datamanipulatie, datavisualisatie, importeren en opschonen van data, waarschijnlijkheid en statistiek, machine learning, data engineering Tools: R, Python, Scala, big data-tools (Airflow, Spark), SQL, commandoregeltools (Git, Shell) Cursusaanbevelingen: Machine Learning Scientists Career Track (R - 14 cursussen/Python - 23 cursussen), Image Processing in Python, Machine Learning with PySpark
Data Engineers
Data-engineers zijn verantwoordelijk voor het bouwen van datapijplijnen die organisaties helpen de juiste data bij de juiste mensen te krijgen. Ze combineren grote hoeveelheden data uit verschillende bronnen in één centrale omgeving, zodat de verschillende datarollen met schone, relevante, conforme en toepasbare data kunnen werken.
Belangrijke vaardigheden: Datamanipulatie, importeren en opschonen van data, data engineering, geavanceerd programmeren Tools: Python, Scala, big data-tools (Airflow, Spark), SQL, commandoregeltools (Git, Shell), cloudplatforms (bijv. AWS) Cursusaanbevelingen: Data Engineer with Python Career Track (25 cursussen), Introduction to Airflow in Python, Streaming Data with AWS Kinesis and Lambda
Hoe je een winnend datateam samenstelt
Casestudy
Met een globaal begrip van de verantwoordelijkheden van elke rol, bekijken we nu hoe deze rollen in een zakelijke context samenwerken om waarde te creëren aan de hand van een praktijkvoorbeeld, waarin een datateam waarde haalt uit een model voor klantverloop.
In deze context zorgen data-engineers ervoor dat data scientists en machine learning scientists toegang hebben tot de hoogwaardige data die ze nodig hebben om het model te ontwikkelen en te operationaliseren. Ze borgen de datakwaliteit en dat de juiste rechten per dataset worden afgedwongen. Ook leveren ze de data op een toegankelijke manier aan, met de nodige metadata en variabelen voor een effectieve analyse.
Vervolgens werken data scientists en machine learning scientists samen aan het creëren van een accuraat model om klantverloop te voorspellen. Ze moeten zorgen dat het model nauwkeurig en interpreteerbaar is en binnen een bedrijfsproces kan worden uitgerold, en waken ervoor dat het model na uitrol accuraat blijft op onzichtbare data.
Tot slot gebruiken data-analisten en business analysts samen de outputs van het model om beslissingen te nemen die zakelijke waarde opleveren. Ze kunnen marketingbudget toewijzen op basis van welke klanten waarschijnlijker zullen afhaken, en onderbouwde redenen geven aan beslissers waarom een bepaalde klantensegmentatie meer risico op churn heeft.
Zoals bij de meeste dataprojecen speelt elke rol een deel in het extraheren van waarde uit data.
De weg naar een effectief datateam begint bij je mensen
Dataposities zijn zeer gewild, ondanks de recente daling in aanwervingen door de pandemie, en stonden twee keer in de top drie van LinkedIns jaarlijkse rapport over opkomende banen. Eind 2020 stelde Deloitte dat 23% van de organisaties een grote of extreme kloof had tussen AI-behoeften en huidige capaciteiten. In 2021 publiceerde Deloitte een rapport waarin werd betoogd dat organisaties, om dit tekort aan te pakken, selectief moeten aannemen en gericht moeten bijscholen.
Gezien het tekort aan datatalent moeten organisaties selectieve werving combineren met upskilling om hoogvaardige datateams te bouwen die waarde kunnen creëren. Dat kan door persoonlijke leerroutes aan te bieden die specifiek op deze rollen zijn afgestemd. Bij DataCamp bieden we lerenden gepersonaliseerde leertrajecten op basis van hun vaardigheden en gewenste leeruitkomsten, waarmee ze kunnen toetsen, leren, oefenen en nieuwe datavaardigheden toepassen. Met DataCamp for Business profiteren lerenden van aangepaste leersporen waarmee organisaties leerprogramma’s kunnen afstemmen op hun specifieke doelen en uitdagingen. Lees meer over hoe je je talent kunt transformeren met DataCamp.
DataCamp for Business biedt een interactief leerplatform voor bedrijven die hun mensen willen upskillen en reskillen in datavaardigheden. Met onderwerpen variërend van datawijsheid en data science tot data engineering en machine learning, vertrouwen meer dan 1.600 bedrijven op DataCamp for Business om hun talent te ontwikkelen.
