Self-service analytics en/of lage datageletterdheid?

Het is de logische vraag bij elke organisatie die datagedreven wil werken: is het mogelijk succesvol self-service analytics in te zetten als medewerkers weinig ervaring hebben met data? Ofwel, als zij een lage datageletterdheid hebben? Het idee bestaat dat self-service analytics pas mogelijk is nadat de datageletterdheid is verbeterd. Ten onrechte.

Ten onrechte, omdat het is te vergelijken met kinderen die leren lezen, zonder hen een boek te geven waarmee ze die vaardigheid kunnen ontwikkelen.  

Wat is datageletterdheid? Er is een verschil tussen technische geletterdheid en datageletterdheid. Als branche hebben we te veel tijd besteed aan het trainen van mensen voor lastig  te gebruiken business intelligence-tools en onvoldoende tijd aan datageletterdheid. Gartner definieert datageletterdheid als het vermogen om data te lezen, schrijven en spreken in een zakelijke context. Maar in plaats van dit als data te beschouwen – iets dat mogelijk intimiderend en nieuw kan zijn – moet je het eigenlijk zien als de taal van het bedrijf.

Datageletterdheid versus datavloeiendheid

Datavloeiendheid gaat over meer dan het alleen kunnen lezen van en communiceren met data, het gaat over denken in datatermen. Zo denk ik bij zakelijke vraagstukken vaak direct aan hoe data kunnen helpen bij een oplossing. Bijvoorbeeld kan uit data over dna, bloedgroep en levensstijl informatie gehaald worden over welke burgers de grootste kans hebben om heel ziek te worden van Covid-19? (Jazeker.) Of kunnen data meer vertellen over waar de grootste problemen met consumenten ontstaan in het geval van problemen in de supply chain? 

Net zoals niet iedereen op hetzelfde vaardigheidsniveau leest, hoeft niet iedereen op hetzelfde niveau vloeiend in data te zijn. Een data-engineer moet begrijpen waar data vandaan komen, of er datalacunes of mogelijke vooroordelen zijn. Terwijl een manager misschien alleen data hoeft te kunnen interpreteren. Er is echter wel een basisniveau van vloeiendheid in data, dat iedereen nodig heeft om kritisch naar data te kijken en te herkennen wanneer er zowel hiaten als vooroordelen zijn.

De volgende twee voorbeelden laten zien hoe slecht we hierin zijn.

LinkedIn deelde onlangs data over de massale uittocht van arbeiders uit Silicon Valley. Maar zijn er zoveel mensen verhuisd? Of zijn dit alleen kenniswerkers met LinkedIn-profielen? Hoe zit het met het personeel in de horeca? De dataset die is gebruikt, heeft veel hiaten en vooroordelen, net als de meeste databronnen.

Het tweede voorbeeld is dat het aantal gevallen van Covid-19 in veel landen drastisch lager wordt gerapporteerd, omdat er geen wijdverbreide tests zijn en geen mogelijkheid om de data vast te leggen. Hetzelfde was in de begindagen van de pandemie het geval in de VS en Europa. Testen is nu misschien gemakkelijker beschikbaar, maar niet iedereen die ziek wordt, wordt getest, waardoor data  vertekend zijn.

Als je nadenkt over deze twee voorbeelden, is datageletterdheid niet alleen een zakelijke vaardigheid, maar een belangrijke algemene levensvaardigheid.

Staat van datageletterdheid

Volgens onderzoek van Accenture heeft 21 procent van de zakelijke professionals vertrouwen in data. Het World Economic Forum geeft aan dat de top drie van veelgevraagde functies, datagerelateerde banen betreft. Hier is echter een groot gat met het beschikbare talent. Deze datavaardigheden worden in de meeste onderwijssystemen nog niet onderwezen.

Nu organisaties hun digitale transformatie versnellen en de ambitie om datagedreven te zijn op directieniveau wordt besproken, moeten bedrijven formele programma’s opzetten voor datavloeiendheid. Hieronder volgen enkele best practices om dit te stimuleren en te zorgen dat self-service analytics uiteindelijk succesvol is in te zetten door de hele organisatie heen.

• Maak van het verbeteren van de datavloeiendheid een kerndoelstelling van de organisatie, geleid door de chief data officer maar in samenwerking met hr;
• Werk samen met lokale onderwijsinstellingen voor het bevorderen van analytische, data storytelling en technische vaardigheden; 
• Maak onderscheid tussen technische vaardigheden en datavaardigheden met de vereiste domeinexpertise; 
• Evalueer functierollen en -niveaus om bestaande vaardigheden te inventariseren en de verschillende vaardigheidsniveaus in kaart te brengen die per rol en niveau vereist zijn;
• Zorg ervoor dat bijscholing continu beschikbaar is. Denk verder dan traditionele, klassikale trainingen met opleiding via speciale apps en analytics-dagen of lunches;
• Voeg een game effect toe en beloon het opbouwen van vaardigheden met badges en certificaten.