Translating Data into Better Decision-Making: People & Culture

In steeds meer organisaties groeit de vraag naar data skills, niet alleen op de data science-afdeling, maar juist ook in de dagelijkse werkzaamheden en running business. Dat vergt een omschakeling. Medewerkers zullen nieuwe vaardigheden moeten aanleren, bijvoorbeeld via een educatief trainingsprogramma. Om een relevante en nuttige ervaring te bieden voor de grote aantallen medewerkers moet zo’n programma echter wel bedrijfsspecifiek zijn. Robert Monné, manager van The Analytics Academy, adviseert een mix van online en offline (learning) interventies. “Je moet de inhoud dicht naar de mensen en hun dagelijkse werkzaamheden toe brengen.”

De medewerkers van een organisatie vallen doorgaans uiteen in verschillende doelgroepen. IT-experts hebben andere vaardigheden nodig dan de mensen van de klantenservice. “Je krijgt de hoogste adoptie als je elke doelgroep een op maat gemaakt (online) leertraject aanbied”, zegt Monné. “Je kunt theorie en oefeningen aanbieden in de leeromgeving, en die kennis daarna laten toepassen in de dagelijkse praktijk. Het resultaat kan worden besproken met peers of interne experts. Daarnaast moet er gecoacht worden, en er moet positief worden gecommuniceerd over nieuwe technologieën en toepassingsgebieden binnen het bedrijf. Zo biedt je medewerkers de juiste toolset, skillset én mindset.”

_________________________________________________________________________________________________

“Je krijgt de hoogste adoptie als je elke doelgroep een op maat gemaakt (online) leertraject aanbied”

_________________________________________________________________________________________________

Monné noemt het voorbeeld van trainingssessies speciaal voor data scientists. “Die trainingen brengen een bepaalde theorie over, en passen die meteen toe op data. Maar daar blijft het niet bij. De theorie kan het beste direct worden toegepast in de praktijk en worden aangevuld met on-the-job-training, waarin deelnemers zelf (begeleid) dataprojecten gaan doen. Hiermee leren ze de fijne kneepjes van ervaringsdeskundigen, want een model bouwen of analyse doen op een geprepareerde dataset tijdens de training is toch wel echt anders dan in de dagelijkse praktijk. Waar je te maken krijgt met o.a. verschillende belangen van stakeholders, onduidelijke business vragen, slechte datakwaliteit of helemaal niet beschikbare data, programmeeruitdagingen, matig presterende modellen et cetera."

"Daarnaast kunnen er community-sessies worden georganiseerd. Daarmee focus je niet alleen op de mensen die de training daadwerkelijk doen, maar betrek je er ook de groepen daarbuiten bij. Dat heeft veel impact.”

_________________________________________________________________________________________________

“ Met community-sessies focus je niet alleen op de mensen die de training daadwerkelijk doen, maar betrek je er ook de groepen daarbuiten bij.”

_________________________________________________________________________________________________

Monné gelooft heilig in die aanpak. “Als je echt met data aan de slag wilt, moet je door middel van verschillende interventies inbouwen dat het in je dagelijkse werkzaamheden wordt toegepast. De eerste stap is in de juiste mindset komen, daarna leren hoe het werkt (hoe je het toepast als skill en binnen de tooling). Daarna moet je het gaan toepassen in de praktijk en binnen use cases. Dat is van vitaal belang om een meer datagedreven bedrijf te worden.”

Niet alleen voor specialisten

Monné merkt in de praktijk dat er een grote honger is naar kennis over datagedreven werken, en niet alleen bij specialisten. “Onlangs gaven we met The Analytics Academy een cursus voor de data scientists van een grote Nederlandse dienstverlener. Het werd al snel duidelijk dat veel meer mensen in die organisatie geïnteresseerd waren in datagedreven werken. De cursus had een grote aantrekkingskracht, zelfs op mensen voor wie de cursus eigenlijk te geavanceerd was. Ook die mensen blijken graag nieuwe technieken toe te passen. Het zijn weliswaar geen supertechnici, maar ze willen bijvoorbeeld meer halen uit de financiële rapportages. Dus nu geven we daar ook een foundational cursus, voor de ‘basic data-skills’. Ik geloof er ook in dat dit een goede manier is om de skills te verspreiden; juist door een organische adoptie is die verandering duurzamer, in plaats van dat je iedereen verplicht door een cursus ‘duwt’”. Als meer mensen in een organisatie beschikken over basiskennis heeft dat onmiskenbare voordelen, zegt Monné. “Je hoeft de data scientists in een organisatie bijvoorbeeld niet langer te belasten met de vraag om twee datasets te koppelen en een relatief ‘simpel’ inzicht te krijgen. Ook reporting vraagstukken kunnen anderen beantwoorden. Dat soort behoeften kun je dan gewoon direct binnen de business opvangen. En dat komt ook de snelheid van beslissingen ten goede.” Naast de basiscursus en de geavanceerde cursus is er nog een variant gericht op het creëren van awareness, zegt Monné. “Die is meer bedoeld om te inspireren en te laten zien wat er allemaal kan. Besluitvormers die modellen moeten gebruiken die uit datateams komen moeten die modellen (in grote lijnen) namelijk wel snappen, en er ook achter staan. Die ontwikkeling is bij verschillende grote organisaties gaande.”

_________________________________________________________________________________________________

“juist door een organische adoptie is die verandering duurzamer, in plaats van dat je iedereen verplicht door een cursus ‘duwt'.”

_________________________________________________________________________________________________

Verandering van mindset

Zodra organisaties ‘voldoende’ data scientists hebben opgeleid signaleren ze vaak een volgende behoefte, merkt Monné. “Ze merken dat ze naast de innovatieve projecten en experimenten in een center of excellence of op een data science afdeling ook in de running business nieuwe skills nodig hebben. Ook voor de niet-specialisten is het belangrijk om de juiste vragen te kunnen stellen, een goede stakeholder te zijn in een dataproject, op conceptueel niveau te snappen hoe modellen werken, en op strategisch niveau te weten waarin je moet investeren om datagedreven te kunnen werken. Organisaties willen die skills dan ook door de hele organisatie heen ontwikkelen, en niet alleen in een centraal datateam of binnen een center of excellence. Veel bedrijven hebben al geëxperimenteerd met zulke ‘losstaande’ teams, en daar is veel van geleerd. De verandering is in gang gezet, experimenten hebben zich op kleine schaal bewezen. Er draaien modellen die voorspellingen en inzichten geven waarmee kan worden gewerkt. De volgende stap is om deze experimenten en projecten breder en vaker te doen. Helaas is niet altijd de hele organisatie daar qua mindset al klaar voor, en dat houdt innovatie en groei tegen. Daarvoor is het soms eerst nodig om de angst weg te nemen dat ‘AI je baan gaat overnemen’. Wij geloven er sterk in dat AI juist leukere banen creëert, het helpt enorm als dat binnen het bedrijf ook de gedachte is. Naast het wegnemen van angst in specifieke gevallen, heb je een grotere mindset-verandering nodig in de hele organisatie. Voor de verandering van de mindset is een communicatieprogramma vaak nuttig. Mensen moeten data-gedreven werken herkennen, snappen en gaan toepassen. Belangrijk is dat je iedereen aan boord krijgt. Om een brede groep enthousiast te krijgen kun je het beste bedrijfsspecifieke inspirerende voorbeelden laten zien. Het is zeker geen kwestie van LinkedIn Learning opentrekken, maar juist van een op maat gemaakt verhaal. Er moet dus ook input vanuit het bedrijf zelf komen. Denk aan leadershipberichten op video waarin wordt uitgelegd waarom het belangrijk is, inspirerende voorbeelden van succesvolle cases, en duidelijk maken wat iedereen zijn rol daarin is. Het draait erom dat het hele bedrijf de waarde inziet van goede data, datamanagement en -kwaliteit.”

_________________________________________________________________________________________________

“Het ontwikkelen van skills door de hele organisatie, in plaats van focussen op een gecentraliseerd data team of center of excellence, is een waardevolle volgende stap om een stevige basis te bouwen voor een datagedreven business.”

_________________________________________________________________________________________________

Vertaling naar de business door brede interventies

De vertaling van nieuwe technologieën naar de echte business blijft vaak achter. Ook als er tools beschikbaar zijn, is het nog niet gezegd dat die daadwerkelijk worden toegepast in processen. “Dat moet je stimuleren”, aldus Monné. “Zo kan er bijvoorbeeld binnen een bedrijf wel voor iedereen Power BI beschikbaar zijn, en kunnen alle medewerkers een ‘waar zit welke knop’-training krijgen, maar als iedereen uiteindelijk toch weer gewoon Excel pakt, dan heb je helaas alleen een (nutteloze) interventie gedaan op de toolset. De mindset en de skills zijn nog onveranderd. In sommige andere gevallen is er een tool beschikbaar, maar wordt die alleen gebruikt door een klein clubje, zoals het datateam. Andere mensen weten dan niet eens dat ze een dashboard kunnen maken om datagedreven beslissingen te nemen, of ze missen vaardigheden op mindset, skillset en/of toolset. Idealiter wil je alle doelgroepen dezelfde frameworks en technieken leren, maar dan op een ander niveau van diepgang. Zodat de data scientist op expert niveau machine-learning-vaardigheden leert, maar ook iets begrijpt van hoe je een bedrijf runt. En dat de leiding diepgaand kennisneemt van de impact van AI op de strategie en hoe ze de weg vrij kunnen maken voor data scientists, maar ook een beetje weet hoe een machine-learning-model werkt. Je zou alle elementen bij beide doelgroepen willen laten terugkomen, op het niveau dat ze nodig hebben. Als je voor elk onderwerp in elke doelgroep dezelfde concepten en terminologie gebruikt, dan gaat er kruisbestuiving ontstaan, doordat mensen elkaars taal spreken.”

Intuïtie versus data

Aan de top moeten mensen vooral leren begrijpen dat datagedreven besluiten in sommige gevallen beter zijn dan intuïtieve beslissingen, legt Monné uit. “Snappen wanneer je beter je intuïtie kunt gebruiken en wanneer data, is iets wat op dat niveau echt tussen de oren moet komen. De top moet snappen wat de toepassingsgebieden zijn, en welke veranderingen daarvoor nodig zijn binnen het hele bedrijf. Bij repeterende beslissingen is het vaak wel zo slim om een besluit te nemen op basis van data. Dat geldt ook voor het lanceren van aangepaste producten. Maar bijvoorbeeld het succes van de eerste iPhone had je nooit kunnen voorspellen op basis van data. Steve Jobs begreep de markt voordat de markt zelf wist wat die wilde. Niet elke productlancering is zo innovatief. Juist bij meer incrementele innovaties kun je heel goed op basis van data begrijpen wat de klant fijn vindt. Bij radicalere innovaties gaat het voor een groter deel om intuïtie. Het zal in mijn ogen een mix van beide worden. Je kunt bijvoorbeeld op basis van data zien dat de klant toe is aan een nieuw product, maar je gaat het gesprek aan op basis van menselijke intuïtie. Zo’n mix maakt de meeste belangrijke beslissingen hoogstwaarschijnlijk een stuk beter.”

“Je belangrijke beslissingen baseren op een mix van intuïtie en data resulteert hoogst waarschijnlijk in veel betere resultaten.”