De sleutel naar meer datagedreven beslissingen

De sleutel naar meer datagedreven beslissingen

Herken je dat? Je werkt keihard om het MT-dashboard op tijd op te leveren voor die belangrijke meeting. Tijdens de meeting hebben de managers het dashboard uitgeprint bij zich en er in de kantlijn wat bij geschreven. Sommigen wilden het dashboard zelfs persé als pdf of als Excel file ontvangen. Tijdens het overleg wordt wel kort naar het dashboard gekeken, maar er ontstaat geen discussie en er worden geen acties vastgesteld. Of de opdrachtgever van een rapport vraagt om hulp en terwijl hij uitlegt wat hij wil, blijkt dat hij het rapport dat hem al maanden trouw wordt toegestuurd helemaal verkeerd heeft geïnterpreteerd en begrepen. Alle besluiten die hij heeft genomen, kloppen dus eigenlijk niet.

Dilemma doorbreken

Organisaties roepen om het hardst dat data enorm belangrijk voor ze is, maar in de praktijk leiden ‘data-initiatieven’ helemaal niet tot veranderingen in de bedrijfsvoering, besluitvorming en operatie. Er wordt veel tijd besteed om dashboards, rapporten en data science modellen te maken, maar die leiden zelden tot betere besluiten op basis van data. Sterker nog, vaak worden dashboards en modellen verkeerd geïnterpreteerd wat zelfs tot verkeerde beslissingen leidt. Wat heb je eraan om te investeren in een moderne data architectuur en krachtige tooling als die uiteindelijk niet resulteren in betere beslissingen gebaseerd op data?

De vraag is: hoe doorbreken we dit dilemma? Ik geloof dat de sleutel tot goede datagedreven beslissingen ligt in het hebben van datavaardige medewerkers. Mensen uit de businesskant van je organisatie – zij die de beslissingen nemen, sturen, en kennis hebben van hun domein – die écht weten hoe ze met data om moeten (en mogen) gaan.

Datavaardig worden

Een tijdje terug werd ik gegrepen door een kort filmpje van Airbnb. Zij hebben een eigen programma opgezet dat ze ‘data university’ noemen. Het voelde voor mij als een schot in de roos. Het filmpje duurt maar 2 minuten en is absoluut de moeite van het kijken waard.

Niet elke gemeente is van het type Airbnb, maar ik weet zeker dat elke gemeente meer waarde uit de beschikbare data kan halen dan ze nu doet, door te investeren in het datavaardig maken van de medewerkers. Door zoveel mogelijk mensen uit te rusten met data science skills maar ze ook te leren wat datagedreven werken is. Ieder naar gelang van interesse en aanleg, en altijd in de context van de eigen use cases, de eigen data en de eigen tools. Ik leg je graag uit welke kennis er volgens mij nodig is om werknemers datavaardig te maken en hoe je die kennis op een gestructureerde manier verspreidt binnen je organisatie.

Kennis van de datavaardige medewerker

Er zijn zoveel plekken in je organisatie waar je zou willen dat medewerkers in staat zijn om datagedreven beslissingen te nemen. Van hoe je je klantenservice optimaal inplant tot hoe je zorgt voor de beste ervaring op de website. En van het voorspellen van onderhoud aan gebouwen en machines tot en met het onderzoeken van de oorzaken van een daling van de vergunningsaanvragen. Het liefst zou je een datascientist in elk team, in elke kamer, bij elke meeting en op de schouder van elke bestuurder zetten. Maar helaas gaat dat niet, want goede datascientists zijn schaars, nog los van de kosten. Om toch zoveel mogelijk beslissingen te onderbouwen met data zul je medewerkers moeten uitrusten met data science skills. Op die manier creëer je zgn. ‘citizen data scientists’.

Kennis en skills

De kennis die voor data scientists van belang is bestaat uit statistiek, programmeervaardigheden en business kennis. Met die business kennis zit het bij je medewerkers wel goed en voor de ‘citizen data scientist’ ligt de focus dan ook meer op de andere twee skills. En wat hebben data scientists nog meer dat eigenlijk al je medewerkers zouden moeten hebben?
1) een rotsvast geloof in de mogelijkheden en waarde van data en
2) enorme kennis van de aanwezige databronnen, data en tools.
Verder zullen medewerkers moeten leren hoe ze beslissingen nemen op basis van data.

Dat levert de volgende lijst van benodigde kennis en vaardigheden op:

  • Datagedreven beslissingen nemen
  • Programmeren
  • Hoe werkt het werken met data bij onze organisatie?
  • Programmeren
  • Een positieve houding t.o.v. het werken met data

Een programma op maat

Je mensen opleiden is dus de sleutel. Moet je dus je opleidingsbudget gebruiken om mensen naar een opleidingsinstituut te sturen of online trainingen te laten volgen bij Coursera of Udacity? Nee, de praktijk leert dat bij zo’n ‘geïsoleerde’ aanpak:

  • Mensen moeite hebben om het geleerde te vertalen naar hun eigen werk, naar hun specifieke situatie.
  • Er na de training geen tijd en ruimte is om het geleerde in de praktijk te brengen en werkwijze en gedrag te veranderen.

Dat moet dus anders. Mijn advies voor iedere organisatie die data serieus neemt: ontwikkel een datavaardigheidsprogramma en maak dit programma onderdeel van je strategisch plan om een datagedreven gemeente te worden en elke beslissing op basis van data te nemen.

Een datavaardigheidsprogramma

Een datavaardigheidsprogramma is een curriculum voor alle medewerkers van je organisatie waarin ze deel kunnen nemen aan workshops, trainingen, kennissessies en online trainingen om datavaardig te worden. Ik zal toelichten wat de voorwaarden zijn voor een succesvol datavaardigheidsprogramma en geef een voorbeeld van hoe zo’n curriculum eruit kan zien.

Voorwaarden

Je datavaardigheidsprogramma zou een goed geïntegreerd onderdeel van de organisatie moeten zijn met voldoende sponsorship op het hoogste niveau. De volgende voorwaarden zijn van belang om het programma succesvol te laten werken:

  • Alle content moet zo specifiek mogelijk zijn gericht op jouw organisatie, jouw medewerkers en hun werk.
  • Medewerkers werken met hun eigen data, eigen tooling en eigen use cases/problemen.
  • Het geleerde wordt direct onderdeel van het huidige werk door bestaande problemen of vragen te gebruiken als oefenmateriaal.
  • Successen worden gemeten, bijvoorbeeld door bij te houden hoeveel mensen wekelijks gebruik maken van het dataloket, een dashboard of een specifieke tool.

Curriculum

De kennis van en interesse in data verschilt enorm per medewerker. Denk alleen al aan verschillende opleidingsniveaus en leeftijdsverschillen. Het is dan ook zaak om met het curriculum op ieders niveau, aanleg en interesse aan te sluiten. Grofweg kun je 3 niveaus onderscheiden in je curriculum:

  • Niveau 1 – basis: voor medewerkers waarvoor werken met data niet hun dagelijkse werk is en voor managers die data wel belangrijk vinden, maar er zelf nog niet echt mee werken en naar handelen.
  • Niveau 2 – gevorderd: voor medewerkers die zelf dashboards willen maken en data willen analyseren.
  • Niveau 3 – expert: voor medewerkers die zelf voorspellingen willen gaan doen op basis van data en willen begrijpen welke technieken hiervoor beschikbaar zijn.

Een voorbeeldcurriculum op deze 3 niveaus kan er bijvoorbeeld als volgt uitzien.

Niveau 1:

  • Welke ontwikkelingen zijn er op het gebied van data en data-analyse en wat betekenen die voor mijn werk (naar je eigen werk kijken met een databril)?
  • Over welke databronnen beschikken we en hoe kan ik daar gebruik van maken?
  • Welke definities gebruiken we eigenlijk (common ground, community)?
  • Hoe lees ik een grafiek en hoe gebruik ik een dashboard?
  • Hoe vertel ik een verhaal met data?
  • Basisvaardigheden statistiek
  • Ethiek en privacy van data

Niveau 2:

  • Training in specifieke tools denk aan PowerBI, Tableau of iets laagdrempeligs als Geckoboard
  • Combineren van databronnen
  • Dashboarding, hoe maak ik een goed, intuïtief en bruikbaar dashboard?
  • SQL
  • Kritisch naar data kijken, basis statistische methoden

Niveau 3:

  • Welke techniek kan ik het beste gebruiken voor welk probleem?
  • Implementatie van data science modellen
  • Machine learning
  • R, python, Alteryx
  • Analyse van tijdreeksen en voorspellen
  • Geavanceerde statistiek

Bedenk dat meer dan 90% van je medewerkers zal instromen op niveau 1. Elke medewerker die een niveau verder komt, kan zijn collega’s weer een stuk verder helpen en dit zorgt ervoor dat je de data science skills in een heel snel tempo kunt ontwikkelen.

Denk groot, begin klein

Je hoeft niet direct morgen te starten met het opzetten van een complete ‘data-universiteit’. Natuurlijk mag je dromen, maar begin klein. Om te proeven, uit te proberen en te ervaren wat voor jouw gemeente goed werkt.

Om je een idee te geven:

Elke afdeling kent zo’n jongen of meisje dat zelf aan het hobbyen is geslagen om de twitterfeed van de klanten te koppelen aan data uit het CRM systeem. Iemand die zelf ‘praat’ met de API van Exact of die in zijn vrije tijd een algoritme schrijft om de waarde van cryptocurrency te voorspellen. 
Stel je voor dat je van iedere afdeling zo’n data scientist in de dop zou nemen en die bij elkaar zou zetten om te leren over machine learning in relatie tot de use cases, databronnen en tooling van je organisatie. Hoe geweldig zou het zijn als deze jongens en meisjes de problemen van hun eigen afdeling meebrengen en daar zelf met de hulp van ervaren data scientists mee aan de slag gaan? Na twee weken komen ze weer bij elkaar om te delen wat ze gemaakt hebben. Ze zullen van elkaar leren, verbanden zien tussen de afdelingen, gezamenlijke wensen vinden en uiteindelijk hun collega’s op hun eigen afdeling verder helpen. Wat zou dat teweegbrengen denk je?

Aan de slag

Hoe zou je kunnen starten met het ontwikkelen van datavaardige medewerkers? Door eerst te kijken hoe het ervoor staat in je organisatie met de datavaardigheid van je medewerkers via een ‘datavaardigheidsscan’ waarmee je in kaart brengt welke kennis en skills aanwezig zijn, bij wie en vooral wat er ontbreekt. Op basis van de uitkomsten identificeer je vervolgens een pilotproject om mee te starten. Een project waarmee je snel resultaat kunt boeken en waar medewerkers elkaar maximaal kunnen versterken. Vervolgens kies je steeds een nieuw project waarmee je je curriculum verder uitbouwt. Zodat de datavaardigheid zich als een olievlek door je organisatie verspreidt.

Dit artikel is geschreven door Gwyneth Ouwehand, Lead consultant smart analystics bij Axians.

Over Redactie GemeentenNL

De redactie van GemeentenNL bewaakt de kwaliteit van artikelen, selecteert het nieuws en staat open voor jouw vragen en suggesties.

Bekijk alle berichten van Redactie GemeentenNL →