Data Science Reskilling-uitdagingen: vier belangrijke overwegingen

Data Science Reskilling-uitdagingen: vier belangrijke overwegingen

Dit maakt deel uit van Solutions Review’s Premium Content Series, een verzameling bijdragende columns geschreven door branche-experts in volwassen wordende softwarecategorieën. In deze inzending biedt Talend Senior Director of Architecture, Strategy and Delivery Innovation Gareth Shercliff belangrijke overwegingen voor veelvoorkomende uitdagingen op het gebied van datawetenschap.

SR Premium-inhoud

Aangezien de digitale wereld in een snel tempo evolueert, moeten organisaties werken aan een constante stroom van culturele en op vaardigheden gebaseerde aanpassingen. Snelle technologische vooruitgang heeft invloed op elke hoek van de werkplek – van HR tot marketing, financiën en daarbuiten – en gegevens worden universeel gangbaar en de sleutel tot bedrijfssucces.

datawetenschappers zijn waardevol vanwege hun vermogen om gegevens en ambachtelijke oplossingen te ontleden, maar er is al jaren een kritiek tekort. Dit maakt ‚burgeranalisten‘ noodzakelijk voor organisaties om hun gegevens in de toekomst goed te beheren, analyseren en benutten.

Er zijn al burgeranalisten in uw organisatie. Ze hebben behoefte aan een gestructureerde introductie tot de basisprincipes van datawetenschape; een sterke leiderschapsgedreven benadering van datagedreven besluitvorming; empowerment om te werken in een wereld van onzekerheid; en de wens om mogelijke paden voorwaarts te begrijpen en vervolgens de gegevens te gebruiken om naar het beste pad te wijzen. Deze aanpak vereist dat leiders hun teams vaardigheden in een datacentrische richting geven en wijdverbreide culturele veranderingen doorvoeren die een premie plaatsen op georganiseerde, gezonde datapraktijken.

Om deze capaciteit in uw hele bedrijf tot stand te brengen en te koesteren, is een combinatie nodig van het herbestemmen van concepten uit de datawetenschap en het doorvoeren van kritische culturele veranderingen om burgeranalisten in staat te stellen en te belonen voor het gebruik van gegevens als onderdeel van hun dagelijkse activiteiten.

Begin met lenen uit de Data Science Toolkit

Een individuele burgeranalist hoeft geen expert te zijn op alle gebieden van datawetenschap (en zal dat waarschijnlijk ook nooit zijn), maar hij heeft wel een breed en hoog niveau nodig van alle vaardigheden. Die basislijn stelt burgeranalisten in staat om meer diepgaande vaardigheden op specifieke gebieden op te bouwen, afhankelijk van de problemen die ze moeten oplossen.

Organisaties die hun initiatief voor burgeranalisten starten, moeten tijd besteden aan het selecteren, introduceren en opstellen van leerplannen voor de fundamentele technische vaardigheden voor datawetenschap, met als belangrijkste gegevensstructuren, eenvoudige algoritmen, basiswaarschijnlijkheid en visualisatie en machine learning-tools. Voor organisaties die al over datawetenschap of andere vergelijkbare mogelijkheden beschikken, is het zinvol om dit in samenwerking met die bestaande teams te doen. Door een gemeenschappelijke basislijn in de hele organisatie tot stand te brengen, krijgen teams die met gegevens werken een gemeenschappelijk corpus van kennis en gemeenschappelijke taal rond gegevens.

Training in kernvaardigheden op het gebied van datawetenschap kan vaak het beste worden gegeven via traditionele leerplangebaseerde platforms, waar de leerling een reeks lessen en oefeningen krijgt om deze technische vaardigheden te oefenen. Het is voor organisaties bijna altijd gemakkelijker en goedkoper om trainingspakketten voor datawetenschap aan te schaffen in plaats van hun eigen materiaal te bouwen en te leveren.

Naast datawetenschapsvaardigheden, moeten organisaties ook een datacentrische cultuur ontwikkelen.

De lat leggen voor gegevensgestuurde besluitvorming die op alle niveaus moet plaatsvinden

De gepercipieerde waarde van het worden van een burgeranalist hangt af van de gepercipieerde waarde van datagestuurde besluitvorming binnen de organisatie. Om deze waarde stevig vast te stellen, moeten alle leiders delen hoe gegevens beslissingen beïnvloeden. Dit geldt vooral voor het midden- tot senior management, waar het grootste deel van de impact van datagedreven beslissingen zichtbaar zal zijn.

Het delen van datalacunes en datafalen evenals datasuccessen is belangrijk bij het creëren van een open cultuur. Dit maakt storytelling een cruciale vaardigheid. Evenzo stelt het goed thuis zijn in de wetenschap en kunst van datavisualisatie communicators in staat om hun resultaten op de meest impactvolle manier te delen, door de gebruikelijke ruis van managementrapportage te doorbreken en de aspecten van data die het belangrijkst zijn te benadrukken. De mate waarin de hele organisatie erin slaagt om datagedreven te worden, wordt het meest beïnvloed door leiders en hun communicatie. Het goede voorbeeld geven is de beste manier om burgeranalisten te inspireren.

Verhalen vertellen en datavisualisatie zijn evenzeer kunst als wetenschap en moeten worden geoefend om effectief te zijn. Vooral het vertellen van verhalen vereist een bewuste afstemming op de persoonlijkheid en stijl van elke individuele communicator om zich authentiek te voelen. Coaching- en mentorprogramma’s werken het beste om deze vaardigheid te ontwikkelen. Dit kan in-house worden gedaan, maar wordt meestal ingekocht bij gespecialiseerde opleidingsaanbieders of via executive onderwijsprogramma’s die door veel academische instellingen worden aangeboden.

Werken met, niet tegen onzekerheid

Een van de meest fundamentele uitdagingen in datawetenschap – maar een die zelden goed wordt begrepen door mensen buiten het domein – is het werken met onvolmaakte data. EEN getrainde datawetenschapper begrijpt niet alleen dat de tijd en kosten voor het verkrijgen van bijna perfecte gegevens vaak onbetaalbaar zijn, maar begrijpt ook de kwaliteitsdrempel die vereist is voor de gegevens om ze waardevol te maken in het gebruik.

Burgeranalisten moeten worden getraind om zowel gegevens te interpreteren als uit de kenmerken en afkomst ervan af te leiden hoe nuttig het zal zijn. In wezen moet een burgeranalist vaardigheden voor risicobeoordeling ontwikkelen naast het begrijpen van de gegevens zelf. Burgeranalisten die het risicoprofiel van hun gegevens en de gevoeligheid van het bedrijf voor risico’s en gegevensvariaties begrijpen, zijn goed in staat om die gegevens op de juiste manier te benutten.

Om deze competentie onder de knie te krijgen, moeten burgeranalisten een kader leren voor risicobeoordeling, hoe ze informatie kunnen verzamelen over de herkomst van de gegevens en welke aanvaardbare drempels voor kosten-batenanalyses zijn voor de organisatie. Net als bij de basisprincipes van datawetenschap, als uw organisatie al een risicobeheerkader heeft, moet u zich daarop afstemmen en hierop trainen. Als uw organisatie er geen heeft, hebben alle grotere aanbieders van leerplatforms cursussen over risicobeheer, inclusief de industriestandaard ISO 31000.

Om data lineage te begrijpen, moeten burgeranalisten zowel het concept begrijpen – dat wordt behandeld in de meeste inleidende datawetenschapscurricula – en gecoacht worden om informatie over data lineage te vragen. Een inzicht in kosten-batenanalyse wordt het best bereikt door coachingsessies en interne workshops waar deelnemers scenario’s en de beschikbare gegevens doornemen en vervolgens mogelijke beslissingen bespreken die ze op basis daarvan kunnen nemen.

Zonder het vermogen om onvolmaakte gegevens te begrijpen en ermee te werken, kunnen burgeranalisten worstelen met overanalyse, of erger nog, misschien niet het vertrouwen hebben om de gegevens in hun besluitvorming te gebruiken, en in plaats daarvan terugvallen op intuïtie en instinct.

De gegevens rapporteren het nieuws, maar wat kan ik eraan doen?

Inzicht in de grondbeginselen en vertrouwd zijn met onzekerheid zijn goede uitgangspunten in datawetenschap. Als burgeranalisten echter nog steeds niet weten wat ze moeten doen met wat de gegevens laten zien, missen ze nog steeds de vaardigheden die ze nodig hebben om hun werk te doen.

Burgeranalisten moeten worden getraind om na te denken over het scala aan mogelijke beslissingen voordat ze naar de gegevens kijken. Nadat een reeks mogelijkheden is gehypothetiseerd, ondervraagt ​​de burgeranalist de gegevens om elke optie te evalueren om de beste weg vooruit te bepalen. Zonder deze kritische vaardigheden te oefenen en aan te scherpen, zal de burgeranalist moeite hebben om de „so what“ van het analyseren van de betekenis van de gegevens toe te passen.

Ondanks het tekort aan datawetenschappers kunnen organisaties een concurrentievoordeel behalen door gebruik te maken van data door de vaardigheden van burgeranalisten te stimuleren. Citizen-analisten zijn medewerkers die tegenwoordig in uw organisatie aanwezig zijn en die kunnen worden bijgeschoold door gebruik te maken van leerplatforms in uw eigen tempo voor basisprincipes van datawetenschap en kennis van risicobeheerkaders in combinatie met coaching en mentoring.


Gareth Shercliff
Laatste berichten door Gareth Shercliff (alles zien)

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert