Nu organisaties meer data produceren en producten en processen digitaliseren, is een data-gedreven personeelsbestand belangrijker dan ooit. Daarom is leren en ontwikkelen centraal komen te staan in bedrijfsstrategieën—vooral initiatieven die gericht zijn op het opbouwen van data science-capaciteiten door de hele organisatie.
Op 4 november ging DataCamp’s Data Science Evangelist, Adel Nehme, in gesprek met Sheil Naik, Global Data Technical Trainer bij Bloomberg, over hoe Sheils team blended learning inzet om data-analyse met Python te onderwijzen, en hoe Bloomberg gedragsverandering meet na hun upskilling-initiatieven.
De waarde van data-gedreven werken
Het is nog nooit zo waardevol geweest om data-gedreven te zijn. Peter Wang, CEO van Anaconda, omschrijft data science als een evidence-based methode om bedrijfsproblemen op te lossen, waarbij data scientists “wiskundige en computationele tools inzetten om over de bedrijfswereld te redeneren.” Deze methode heeft talloze toepassingen mogelijk gemaakt in verschillende sectoren, van churnvoorspellingen in marketing tot automatische fraudedetectie voor financiële instellingen.
Data science staat centraal in de data-gedreven cultuur van Bloomberg. Het data science-team verlegt op allerlei manieren grenzen, onder meer door best practices te ontwikkelen voor natural language processing-projecten, data-tools te democratiseren, en slimme oplossingen te bieden in hun producten. Een data-gedreven cultuur betekent ook dat iedereen de vaardigheden krijgt om datagedreven beslissingen te nemen, processen met data te verbeteren en datagedreven nieuwsverhalen te maken.
Een data-gedreven workforce opbouwen met blended learning
De Global Data Division van Bloomberg is verantwoordelijk voor de actualiteit en kwaliteit van alle financiële datasets op de Bloomberg Terminal. Als data technical trainer werkt Sheil Naik samen met leidinggevenden in de hele divisie om de vaardigheden te identificeren die nodig zijn om succesvol met data te werken bij Bloomberg, en om trainingsprogramma’s te ontwerpen, te geven en te evalueren die gericht zijn op het opbouwen en verbeteren van deze vaardigheden. Denk aan het gebruik van versiebeheertools zoals Git en GitHub, data-analyse met SQL, data-analyse met Python en meer.
Bloombergs Data Analysis with Python-programma is een kwartaalcursus met blended learning, bestaande uit een introductie van een uur over hoe Python bij Bloomberg wordt gebruikt, 12 tot 20 uur aan DataCamp-cursussen, drie live sessies van 1,5 uur onder leiding van interne technische experts en een eindproject met Bloomberg-data.
Bloomberg stelt de DataCamp-cursussen zorgvuldig samen om leerdoelen en tijdsbesteding in balans te brengen, met hoofdstukken uit cursussen zoals Introduction to Python, Intermediate Python en meer. Als basis hebben deze cursussen meer dan 450 deelnemers—van wie velen nog nooit eerder hebben geprogrammeerd—in staat gesteld de concepten te leren en toe te passen die nodig zijn om de drie live klassikale sessies te volgen, het eindproject te halen en het trainingsprogramma af te ronden.
Deelnemers gingen van nog nooit een regel code hebben geschreven naar het afronden van een datagedreven nieuwsanalyses als onderdeel van het eindproject van het programma—Sheil Naik, Global Data Technical Trainer bij Bloomberg
Door zelfgestuurd leren te combineren met live klassikale training, maakt dit blended-learningmodel consistente en flexibele leertrajecten mogelijk over locaties, roosters en businessunits bij Bloomberg heen. De consistentie van het curriculum en de ervaring op het fundament biedt Bloomberg-trainers de mogelijkheid om klassikale sessies op te schalen en wereldwijde deelnemers te betrekken. Bovendien levert het gebruik van een leerplatform zoals DataCamp op het fundament inzichten en prestatiedata op die worden gebruikt om de effectiviteit van de training te meten.
Gedragsverandering meten
Een methode om directe return on investment voor trainingsprogramma’s te evalueren is het Kirkpatrick Model of Evaluation. Het Kirkpatrick-model onderscheidt vier evaluatieniveaus: de eerste reactie na een trainingsprogramma, het leereffect, gedragsverandering en de zakelijke impact van de verworven vaardigheden.
Bloombergs invulling van de derde laag van het Kirkpatrick-model meet het aantal producer-activiteiten (saves, edits, imports, renames, sends, enz.…) in hun eigen Jupyter Notebook-omgeving.
Door deze datapunten te benutten kon Sheil de technieken uit Data Analysis with Python toepassen en een 561% toename in gemiddelde producer-activiteiten aantonen voor een van de cohorten dat het programma afrondde. Volgens Sheil is het uiteindelijke doel van data-upskilling bij Bloomberg om technologie te combineren met de vakinhoudelijke expertise van medewerkers om tot scherpe analyses te komen.
Wil je meer weten over blended learning, hoe je dit in je eigen organisatie kunt operationaliseren en welke kernpunten Sheil iedere learning- en developmentprofessional aanraadt? Bekijk dan zeker de volledige webinaropname.
