7 bouwstenen voor een datagedreven organisatie – deel 2
In de blog Werk aan een data-cultuur, de eerste uit de serie over de zeven bouwstenen voor een datagedreven organisatie, las u dat datagedreven organisaties sturen op basis van empirie in plaats van onderbuikgevoel. In deze blog leest u over de tweede bouwsteen: werf data-expertise.
Bouwsteen 2: werf data-expertise
Gemeenten die een data-lab opzetten moeten daarvoor een team samenstellen. Vaak wordt daarbij gekozen voor enkele enthousiastelingen uit de organisatie. Met een collega die aardig overweg kan met Cognos. Of een Excel-goeroe. Meestal eindigen dit soort initiatieven met achterblijvende resultaten of de constatering dat het niet meevalt om data uit de Centric of Pink databases bruikbaar in te zetten binnen het data-lab. Welke expertise is nodig om een data-lab succesvol te maken?
Voorspelmodellen maken is een vak
Om de stap naar een datagedreven organisatie te zetten, moet u zelf voorspelmodellen kunnen creëren. De daarvoor benodigde data-analyse gaat veel verder dan de traditionele bedrijfseconomische benadering die we tot op heden loslieten op data-analyse. Deze was vooral gebaseerd op de logica van zogenaamde businessrules. De analyse voor een voorspelmodel is grotendeels gebaseerd op statistiek.
Clash oude en nieuwe wereld
Deze clash tussen de oude en nieuwe wereld zal steeds vaker gaan voorkomen. Men zal moeten leren omgaan met het meten van data en het zoeken naar waarde op statistische grondslag. Voor veel mensen zullen de voorspelmodellen hierdoor een black box blijven. Zij moeten gaan werken met iets waarvan ze de logica niet begrijpen. Dat is lastig.
Zorg voor Data Science kennis
Data Scientists hebben de kennis en vaardigheden om voorspelmodellen te creëren. Het zijn vaak creatieve mensen die nieuwe patronen in beschikbare data herkennen. Ze weten uit al die verschillende datastromen in uw organisatie correlaties te ontdekken die voor traditionele BI’ers verborgen blijven. Bovendien kunnen ze op statistische grondslag zinvolle conclusies trekken uit die gegevens. Deze skills en statistische kennis hebben veel lokale overheden niet standaard in huis.
Combineer kennis van data en bedrijfskunde
Zomaar een Data Scientist aannemen en deze loslaten op zowel de data en de organisatie leidt overigens ook zelden tot succes. Ze zijn in de regel minder goed in het overzien van de bedrijfsmatige of procesmatige implicaties van hun ideeën. En ook projectmatig werken blijkt in de praktijk vaak niet bovenaan hun skillset te staan. Zorg daarom in uw datateam ook voor management of bedrijfskundige kennis om de kennis en vaardigheden van de Data Scientists te kanaliseren.
Fulltime en gemotiveerd
Het geschikt maken van data voor analyses is een tijdrovende bezigheid. Het is daarom belangrijk expertise voor langere tijd aan het datateam te binden. Bij voorkeur fulltime. Zorg er daarbij voor dat het team gemotiveerd blijft door regelmatig een Proof of Concept daadwerkelijk in productie te nemen. Uiteraard hoort daar een gedocumenteerde manier van werken bij.
Creëer een gemêleerd team
Samengevat: werf data-expertise, maar niet te snel. Denk eerst na over een goede samenstelling van het datateam! Zorg voor kennis van:
- Data Science;
- Bedrijfskundig management/projectleiding;
- Een gedocumenteerde manier van werken om te borgen dat het team herhaaldelijk van Proof of Concept naar productie kan gaan.
Wij raden aan om voor deze drie punten voor minimaal één jaar aanvullende externe expertise in huis te halen. Op die manier geeft u uw datateam een extra kickstart in kennis en beschikbaarheid.
Volgende week bouwsteen 3 ‘Creëer een data-architectuur’.
++++++
7 bouwstenen voor een datagedreven organisatie
Dit is de tweede blog in een serie over zeven bouwstenen voor een datagedreven organisatie. Deze zeven bouwstenen zijn:
