Hoe belangrijk is datacultuur voor je algehele datastrategie? In onze DataFramed-podcast benoemde Taras Gorishnyy de belangrijkste pijlers voor data science, AI en datastrategie binnen een organisatie:
- Steun van het leiderschap
- Een visie op analytics
- Robuuste datafundamenten
- Vroegtijdig de impact van analytics aantonen
- Een verdeling van datavaardigheden en een datacultuur
”Iedereen, op elk niveau — of het nu C-level is of instapniveau — zou naar data moeten kijken en erin moeten duiken, net zoals van je werd verwacht dat je 20 jaar geleden e-mail ging gebruiken.” —Tanya Cashorali, oprichter van TCB Analytics
Bouw datavaardigheid op in je hele organisatie
Een data‑vaardige organisatie is er een waarin iedereen weet hoe hij of zij in de data duikt die nodig is om het werk te doen. Onze VP Marketing hoeft bijvoorbeeld misschien geen SQL of überhaupt code te schrijven, maar om haar werk goed te doen moet ze wel weten hoe ze toegang krijgt tot de analyticsdashboards en ermee kan werken. Ze moet ook weten hoe ze de juiste vragen aan data scientists stelt en hoe ze de resultaten benut die ze krijgt. Hoe we dit bij DataCamp zien, wordt samengevat in de onderstaande figuur:
Een sterk datafundament begint met een data engineer, en daarna het aannemen van data scientists en data-analisten. Vervolgens kunnen we business-analisten en andere afdelingen meenemen. Dit proces helpt iedereen data‑geletterd te worden, waardoor het bedrijf 100% data‑vaardig wordt. Basiskennis van datatools en -bronnen binnen een bedrijf verbetert de kwaliteit van de interactie tussen collega’s, stelt teams in staat betere verzoeken te doen en geeft iedereen de macht om autonoom beslissingen te nemen.
Om de staat van datavaardigheid in verschillende sectoren te peilen, hebben we een enquête uitgevoerd waarin we meer dan 300 organisaties vroegen in hoeverre ze stappen hebben gezet om data‑vaardig te worden:
Links staan de volwassen bedrijven met volwassen competenties in datavaardigheid, rechts de onvolwassen competenties. Van de volwassen bedrijven had slechts 39% procesherontwerp en cultuurverandering rond data doorgevoerd, en bij de onvolwassen bedrijven was dat maar 7%. Er is hier dus enorm veel te verbeteren.
Betrek je medewerkers
Het is belangrijk je medewerkers voor te bereiden op de toekomst van werk wanneer je je datastrategie uitwerkt. Dit vraagt om doorlopende gesprekken met al je medewerkers over welke taken volgens jou geautomatiseerd worden en welke niet, hoe je personeelsbestand kan samenleven met geautomatiseerde taken, en hoe die mens‑machine‑interface er concreet uitziet. Voor sommige rollen zal er baanautomatisering zijn, maar de grotere uitdaging overal zal taakautomatisering zijn, omdat bepaalde onderdelen van iemands werk kunnen verdwijnen. Het is veel beter om te bepalen hoe je deze medewerkers kunt upskillen en reskillen zodat ze kunnen doorgroeien naar betekenisvoller werk op een hoger niveau.
Geef voorrang aan het upskillen van medewerkers
Een andere vraag die we stelden in onze enquête onder 300 organisaties was: “Welke soorten zakelijke uitdagingen belemmeren bedrijven om datavaardigheid op te bouwen of te verbeteren?” De meerderheid van de organisaties gaf aan dat het moeilijk is om toptalent aan te nemen, omdat zoveel datatalent tegenwoordig voor tech kiest. Dit betekent dat je niet zoveel unicorns zult kunnen aannemen als je zou willen, dus moet je prioriteit geven aan het upskillen en reskillen van iedereen in je organisatie.
Om datavaardigheden op te bouwen, hebben veel van de organisaties die we hebben bevraagd de volgende opties overwogen:
- Het opzetten van data‑universiteiten of centers of excellence
- Training op locatie
- Online leerplatforms
- Interne campagnes om leren te stimuleren en te belonen
- Werving
- Oplossingen inkopen bij leveranciers
In peilingen die we tijdens DataCamp‑webinars hebben gehouden, gaf meer dan 50% van de respondenten aan dat minder dan 50% van hun datawerk daadwerkelijk werd gebruikt om besluitvorming te informeren. Dit verlies komt door cultuur!
Oproep tot actie
Noteer drie tot vijf outputs van datawerk in jouw organisatie en audit ze op de mate waarin je organisatie ze daadwerkelijk gebruikt om beslissingen te nemen. Te vaak nemen organisaties veel goede data‑analisten en data scientists aan om dashboards en machine‑learningmodellen te bouwen, om vervolgens te zien dat ze niet worden gebruikt zoals bedoeld door culturele uitdagingen. Al dit goede werk kan verloren gaan, met een slechte return on investment als resultaat.
Lees meer over best practices voor het bouwen van je datacultuur in The Definitive Guide to Machine Learning for Business Leaders.
Adel Nehme · 15 min
Hoe belangrijk is datacultuur voor je algehele datastrategie? In onze DataFramed-podcast benoemde Taras Gorishnyy de belangrijkste pijlers voor data science, AI en datastrategie binnen een organisatie:
Bouw datavaardigheid op in je hele organisatie
Een data‑vaardige organisatie is er een waarin iedereen weet hoe hij of zij in de data duikt die nodig is om het werk te doen. Onze VP Marketing hoeft bijvoorbeeld misschien geen SQL of überhaupt code te schrijven, maar om haar werk goed te doen moet ze wel weten hoe ze toegang krijgt tot de analyticsdashboards en ermee kan werken. Ze moet ook weten hoe ze de juiste vragen aan data scientists stelt en hoe ze de resultaten benut die ze krijgt. Hoe we dit bij DataCamp zien, wordt samengevat in de onderstaande figuur:
Een sterk datafundament begint met een data engineer, en daarna het aannemen van data scientists en data-analisten. Vervolgens kunnen we business-analisten en andere afdelingen meenemen. Dit proces helpt iedereen data‑geletterd te worden, waardoor het bedrijf 100% data‑vaardig wordt. Basiskennis van datatools en -bronnen binnen een bedrijf verbetert de kwaliteit van de interactie tussen collega’s, stelt teams in staat betere verzoeken te doen en geeft iedereen de macht om autonoom beslissingen te nemen.
Om de staat van datavaardigheid in verschillende sectoren te peilen, hebben we een enquête uitgevoerd waarin we meer dan 300 organisaties vroegen in hoeverre ze stappen hebben gezet om data‑vaardig te worden:
Links staan de volwassen bedrijven met volwassen competenties in datavaardigheid, rechts de onvolwassen competenties. Van de volwassen bedrijven had slechts 39% procesherontwerp en cultuurverandering rond data doorgevoerd, en bij de onvolwassen bedrijven was dat maar 7%. Er is hier dus enorm veel te verbeteren.
Betrek je medewerkers
Het is belangrijk je medewerkers voor te bereiden op de toekomst van werk wanneer je je datastrategie uitwerkt. Dit vraagt om doorlopende gesprekken met al je medewerkers over welke taken volgens jou geautomatiseerd worden en welke niet, hoe je personeelsbestand kan samenleven met geautomatiseerde taken, en hoe die mens‑machine‑interface er concreet uitziet. Voor sommige rollen zal er baanautomatisering zijn, maar de grotere uitdaging overal zal taakautomatisering zijn, omdat bepaalde onderdelen van iemands werk kunnen verdwijnen. Het is veel beter om te bepalen hoe je deze medewerkers kunt upskillen en reskillen zodat ze kunnen doorgroeien naar betekenisvoller werk op een hoger niveau.
Geef voorrang aan het upskillen van medewerkers
Een andere vraag die we stelden in onze enquête onder 300 organisaties was: “Welke soorten zakelijke uitdagingen belemmeren bedrijven om datavaardigheid op te bouwen of te verbeteren?” De meerderheid van de organisaties gaf aan dat het moeilijk is om toptalent aan te nemen, omdat zoveel datatalent tegenwoordig voor tech kiest. Dit betekent dat je niet zoveel unicorns zult kunnen aannemen als je zou willen, dus moet je prioriteit geven aan het upskillen en reskillen van iedereen in je organisatie.
Om datavaardigheden op te bouwen, hebben veel van de organisaties die we hebben bevraagd de volgende opties overwogen:
In peilingen die we tijdens DataCamp‑webinars hebben gehouden, gaf meer dan 50% van de respondenten aan dat minder dan 50% van hun datawerk daadwerkelijk werd gebruikt om besluitvorming te informeren. Dit verlies komt door cultuur!
Oproep tot actie
Noteer drie tot vijf outputs van datawerk in jouw organisatie en audit ze op de mate waarin je organisatie ze daadwerkelijk gebruikt om beslissingen te nemen. Te vaak nemen organisaties veel goede data‑analisten en data scientists aan om dashboards en machine‑learningmodellen te bouwen, om vervolgens te zien dat ze niet worden gebruikt zoals bedoeld door culturele uitdagingen. Al dit goede werk kan verloren gaan, met een slechte return on investment als resultaat.
Lees meer over best practices voor het bouwen van je datacultuur in The Definitive Guide to Machine Learning for Business Leaders.