Management

Datamanagement
data science

Zo haal je waarde uit je data scientists

Hoe je als werkgever én als data scientist misverstanden voorkomt en werkgeluk bevordert.

18 mei 2022

Hoe je als werkgever én als data scientist misverstanden voorkomt en werkgeluk bevordert.

Nu steeds meer organisaties datagedreven werken, neemt ook de vraag naar data scientists toe. Maar wat zo iemand precies doet, blijkt niet altijd duidelijk te zijn. Het gevolg: de verwachtingen komen niet overeen met de realiteit, werkgevers krijgen niet de waardevolle inzichten waar ze op hoopten en de data scientistst zijn ontevreden en vertrekken weer. Hoe voorkom je dit en haal je wél waarde uit je data scientists?

Data is het nieuwe goud. Tenminste, als een bedrijf er daadwerkelijk waardevolle inzichten uit weet te halen. Dat is waar een data scientist om de hoek komt kijken. Er wordt dus ook steeds meer naar deze mensen gevraagd. Volgens het UWV behoort het beroep zelfs tot de meest kansrijke banen van Nederland.

Wie ondanks de enorme krapte op de markt een data scientist weet te werven, moet zich echter afvragen of diegene wel gelukkig is in zijn werk. Uit de Stack Overflow Developer Survey van 2020 onder 65.000 developers en data scientists wereldwijd blijkt namelijk dat data scientists veel vaker op zoek zijn naar een baan dan andere IT’ers: maar liefst 20,5% zegt actief naar ander werk te zoeken. Alleen academische onderzoekers zoeken vaker actief naar een nieuwe baan.

Verwachtingen vs. realiteit

Dit suggereert dat data scientists regelmatig weg willen bij het huidige bedrijf. En de kans is groot dat dit wat te maken heeft met wat het werk daadwerkelijk inhoudt, aangezien daar nogal eens misverstanden over kunnen ontstaan. Dat ziet bijvoorbeeld Daan Kolkman, onderzoeker bij de Jheronimus Academy of Data Science (JADS), mede-eigenaar van The Big Data Company en programmamanager bij de Hogeschool Utrecht. “Het kan zomaar zijn dat je als data scientist bij een bedrijf komt waar data science nog niet zo ver is. Dat je daar op een afdeling komt waar twee man en een halve paardenkop zitten en je het werk van data-analisten gaat doen. Dat is heel leuk en nuttig, maar niet per se wat mensen voor ogen hebben.”

Bij dergelijke bedrijven wordt dan vooral nog gewerkt aan zaken als datahygiëne en het digitaliseren van stukken, in plaats van werk met predictive analytics en machine learning om waardevolle inzichten te creëren. “Een telefoonnummer kun je op tien manieren opschrijven, dus welke gebruik je dan?”, geeft Kolkman als voorbeeld. “Als je binnen datascience zo goed mogelijk gebruik wil maken van je expertise, dan moet de basis wel op orde zijn. Dat is niet overal het geval. Dan moet je dus nog heel veel data opschonen voor je met bijvoorbeeld machine learning kunt gaan werken.”

Werkgevers kunnen zich dus afvragen of zij aan een data scientist wel de juiste persoon hebben voor het werk, of dat ze misschien eerst een data-analist moeten inhuren. Data scientists zelf worden in ieder geval door Kolkman geadviseerd om goed door te vragen bij een vacature. “Is er een datastrategie? Hoe zijn data gepositioneerd binnen een bedrijf? En er moet goede vraag naar zijn vanuit de business. Dus hoe serieus wordt het genomen? Is dit een hobby van een directeur of zien ze echt de waarde van data in?”

Kolkman benadrukt tegelijkertijd wel dat het voor startende data scientists heel nuttig kan zijn om als data-analist te beginnen, ook al omvat dat dus net iets ander werk. “Je leert daarmee goed hoe organisaties werken.”

Eilandje of verbinder?

Een tweede uitdaging is dat een data scientist te maken krijgt met verschillende belangen binnen het bedrijf. Een data scientist behoort vaak namelijk niet volledig tot de businesskant, maar ook niet helemaal tot de IT-afdeling – ook al lopen IT en datascience wel in elkaar over. “IT zit vaak meer op de infrastructuur zelf, terwijl een data scientist meer bezig is met de waarde van de infrastructuur, waar de data doorheen loopt”, legt Kolkman uit.

Kolkman ziet de rol van data scientist meer als die van een verbinder tussen business en IT. Een data scientist kan namelijk kijken naar de behoeften van de business en met technische hulpmiddelen en data-inzichten kijken wat er verbeterd kan worden.

Maar juist die rol zorgt ook voor risico’s: business en IT hebben vaak andere belangen en ideeën, waar een data scientist dan tussen vast kan komen te zitten. “Business wil dan bijvoorbeeld iets uit het data warehouse hebben en dus dat dit ook direct ontsloten kan worden. IT werkt juist veel meer met een langdurige planning, waarbij ook rekening gehouden wordt met dat systemen in de lucht moeten blijven en de structuur gedegen blijft. Dus IT wil die data misschien volgend jaar pas gaan ontsluiten.” Die verschillende belangen kunnen ervoor zorgen dat een data scientist klem komt te zitten tussen beide afdelingen en zijn werk niet goed meer uit kan voeren.

Maar Kolkman ziet ook kansen: een data scientist kan in een scenario als deze juist een verbindende rol op zich nemen door bijvoorbeeld een eenmalige export van de data op te vragen. Zo hoeft IT niet van de planning af te wijken om op stel en sprong data te ontsluiten en wordt toch voldaan aan de behoefte van business om met bepaalde data aan de slag te kunnen.

Advies: zet datacultuur op

Voor leidinggevenden geldt daarnaast het advies om een cultuur te creëren waarin beslissingen worden genomen op basis van data. “Zorg dat er een besef is dat het belangrijk is dat wat je invoert ook klopt en dat je lijstjes goed checkt. Stel dat je een kassière bent die postcodes opvraagt bij winkelende klanten. Die postcodes moeten dan wel goed ingevoerd worden en echt kloppen, anders heb je uiteindelijk niets aan die data. Als niet iedereen aan dit soort dingen bijdraagt, dan kom je er gewoon niet. Dus het is als management belangrijk om daarop aan te sturen. En het helpt enorm als iedereen snapt waarom we iets doen.”

Maar waardevolle data bestaat niet alleen maar uit cijfertjes, benadrukt Kolkman. Ook de input van werknemers of klanten zelf is enorm belangrijk bij het maken van beslissingen. Als voorbeeld noemt hij een project dat in het datalab van JADS werd uitgevoerd voor een ontharingssalonketen. “We keken of we konden voorspellen hoe lang een ontharing duurt. Bij de één ben je gewoon langer bezig dan bij de ander, dus hoeveel tijd heb je voor iemand nodig? Dat konden we gaan voorspellen. Dus als de klant een aantal keer geweest was, wisten we precies hoeveel tijd moesten inplannen voor een afspraak.”

Dat klinkt natuurlijk als een geweldige manier om de indeling van de werkdag verder te optimaliseren. Maar werknemers bleken een stuk minder gelukkig te zijn met de inzichten. “Zij bleken de tijd die ze na een afspraak over hadden te gebruiken om een sigaret te roken en koffie te drinken. Dit is een mooi voorbeeld, omdat het laat zien dat het goed is om datagedreven te werken, maar dat de menselijke kant ook belangrijk is. We hebben uiteindelijk besloten om dit systeem niet te implementeren, omdat het gewoon niet goed aansloot bij hoe mensen hun werk doen. Het is dus goed als je als management zegt dat je een bepaalde visie hebt en ergens naartoe wil werken. Maar je moet ook altijd naar je mensen blijven luisteren.”

MAGAZINE AG CONNECT

Dit artikel is ook gepubliceerd in het magazine van AG Connect (mei 2022). Wil je alle artikelen uit dit nummer lezen, zie dan de inhoudsopgave.

Reactie toevoegen
De inhoud van dit veld is privé en zal niet openbaar worden gemaakt.