Help! Ik Heb Geen Data Scientist – Deel 3
Met een analytische mindset en kijk op datagebruik, zijn er steeds meer mogelijkheden om zelf met data science aan de gang te gaan.
Dat je iets met klantdata moet, staat buiten kijf. Maar in de vakmedia lees je iedere week weer over een ander tekort: data scientists, data engineer, ML engineers, analytics translators. Heb je de ambitie om je klant écht beter te begrijpen maar niet de resources die daarbij horen, dan sta je voor een uitdaging. Wat dan? In deze reeks gaan we dieper in op mindset, tools, best practices en technieken die je ook zonder een heel datateam kunt toepassen. Deze (en de volgende) keer: zelf aan de slag.
De afgelopen twee edities gingen over de filosofie over échte inzichten en de gevaren van het gemiddelde. Beiden belangrijk, maar nogal conceptueel. De komende artikelen zullen we dieper inzoomen op hoe je zelf aan de slag kunt gaan en welke tools je daarbij kunnen helpen. Voor je echter je mouwen opstroopt om te gaan minen in je data, is het belangrijk dat je de basis op orde hebt.
Data en definities
Het grote tekort aan data scientists maakt ook de doorloop van deze ‘beroepsnerds’ een uitdaging. Een veelgehoorde reden is echter niet de zoetgevooisde stem van de recruiter die ze wegtrekt, maar het gebrek aan kwaliteit van het werk dat deze professionals doen.
Vaak worden data scientists (onbedoeld) die mensen die iets met data doen. Waardoor ze niet zelden verantwoordelijk worden gemaakt voor dataverzameling, (het uitdenken van) koppelingen, database specificaties, nadenken over toegang en: eindelijk opschonen. Nu is de ene data scientist de andere niet, maar in het algemeen zijn de meeste van deze werkzaamheden geen kerntaken van een data scientist. Data scientists zijn puzzelaars die nieuwe mogelijkheden onderzoeken met data, en geen boekhouders die een andere taal spreken.
De oplossing:
- Zorg dat datakwaliteit en -beheer vooraf goed is geborgd . Iedereen kan meehelpen om te zorgen dat de vergaarde data van goede kwaliteit is en er een duidelijke visie op datagebruik is.
- Stel goede definities op, zodat iederen die bijvoorbeeld kijkt naar de kolom Omzet B2C-klanten precies snapt wat dat betekent (in- of excl. BTW, wie zijn die klanten etc.). Wanneer je een CRM-pakket hebt waar handmatig data wordt ingevoerd, forceer dan standaarden waaraan die moeten voldoen.
- Zet een goede sandbox omgeving op waar data scientists met hun werk aan de gang kunnen, zodat dat ze niet iedere keer handmatig data bij elkaar te hoeven trekken op hun laptop, met het risico dat ze productie-systemen plat leggen. Veel cloud vendors, zoals AWS, bieden een jaar gratis beperkt hun diensten hiervoor aan.
Maak je business bewust van data science
Datagedreven word je dus niet door alleen iemand met een dosis Python-kennis aan te nemen. Datagedreven worden als organisatie vraagt wat van het hele team, maar met name wat van hen die de (markt)strategie van het bedrijf uitdenken. Het kan zeker geen kwaad hier al mee te beginnen, (nog) voor je de stap naar echte data science maakt.
Een leestip: Data Science for Business is inmiddels al enkele jaren oud, maar beschrijft nog steeds de basis van werken met data. Zo leer je de termen en enige inhoud van het vak data science, zodat je je toekomstige data scientist collega ook begrijpt.
Tip
Waak ervoor dat je data scientist geen Ops-medewerker wordt én zorg voor een datagedreven cultuur met de juiste definities. Daar heeft niet alleen die data scientist wat aan, maar iedereen die met die data werkt.
Hoe doen anderen dat?
Naast leeswerk, is er ook nog genoeg andere inspiratie te vinden om je datagedreven koers te bepalen. In Nederland is DDMA dé branchevereniging voor datagedreven marketingland. Maar ook wijzelf deden onderzoek naar wat de datagedreven uitdagingen van de toekomst worden. Lees daarvoor onze Datadriven Scope 2022-2025, met bevindingen van ons marktonderzoek in de top van datadriven marketing.
En dan? Zelf aan slag! In de volgende en tevens laatste editie zullen we dieper ingaan op laagdrempelige tools, waarmee je met beperkte kennis al wat aan data science kan gaan doen. Want met een analytische mindset en kijk op datagebruik, zijn er vandaag steeds meer mogelijkheden om zelf met data science aan de gang te gaan.
