AI-oplossingen hebben zijn succesvoller als ze de weerstand kunnen verminderen en vastgestelde zakelijke problemen kunnen oplossen.

Vidya Setlur

Tableau Research Director bij Tableau

Vidya Setlur is Tableau Research Director. Zij leidt een team van onderzoekswetenschappers op gebieden als datavisualisatie, multimodale interactie, statistieken, toegepaste machine learning en natuurlijke-taalverwerking. Ze promoveerde in 2005 in Computer Graphics aan Northwestern University in Evanston, Illinois (Verenigde Staten). Vidya werkte eerder als hoofdonderzoeker bij het Nokia Research Center. Haar onderzoek combineert concepten uide dataverzameling, menselijke waarneming en cognitieve wetenschappen. Het doel is om gebruikers te helpen effectief te werken met de systemen in hun omgeving.

Voorgeschiedenis

We beleven een gouden tijdperk van data en technologie. En niets wijst erop dat dit snel zal gaan veranderen. De technologie van kunstmatige intelligentie (AI) wordt steeds beter. Modellen voor machine learning (ML) verwerken biljoenen dataregels, algoritmen worden sneller en natuurlijke-taalverwerking (NLP) wordt steeds beter in het begrijpen van menselijke bedoelingen. We zien dat eenvoudigere, repetitieve taken worden geautomatiseerd, waardoor nieuwe kansen ontstaan en mensen kunnen doen waar ze goed in zijn: kritisch redeneren en data in context begrijpen.

Nu de innovatie versnelt, nemen ook de investeringen en acceptatie van AI toe. Mar liefst 99% van de Fortune 1000-bedrijven wil de komende 5 jaar investeren in data en AI. Bedrijfs- en IT-leiders denken dat dit essentieel is voor het voortbestaan van hun bedrijf. Maar er zijn veel factoren die bepalend zijn voor het succes en de duurzaamheid van AI-oplossingen op de lange termijn. Denk aan de steeds grotere hoeveelheden data, de kosten voor het onderhoud van deze technologie, een tekort aan specialisten en het opschalen van AI-pilots naar wijdverbreide acceptatie.

Bedrijven beseffen dat ze meer moeten doen om te innoveren en hun klanten beter van dienst te kunnen zijn. AI biedt kansen, maar de meeste investeringen hebben hun potentiële waarde nog niet waargemaakt. In 2022 zullen nieuwe successen worden behaald met AI-technologieën doordat deze het kritisch denken en de datagestuurde besluitvorming van mensen bevorderen (menselijke augmentatie). Analytics en AI worden als het ware ondersteunende onderdelen van het team.

Door datacultuur en datageletterdheid (het vermogen om data te verkennen, begrijpen en gebruiken) kunnen organisaties ook een strategie en perspectief voor AI en ML uitwerken. Dit omvat verandermanagement en personeelsontwikkeling als factoren die bepalend zijn voor het concurrentievermogen en de mogelijkheden van menselijke augmentatie. Maar je moet beginnen met vragen als:

  • Welke taken kunnen volledig worden geautomatiseerd met AI-technologie?
    • Voorbeelden van automatisering waardoor mensen zich kunnen concentreren op meer geavanceerde taken: Eenvoudige vertalingen en beeldbewerking. De achtergrond van een foto hoeft niet meer handmatig te worden gewijzigd, maar kan worden bewerkt met specifieke standaardtechnologie verrijkt met AI voor de belichting en mengtechnieken. Dit kan uren tijdwinst opleveren. En deze geautomatiseerde tools stimuleren de creativiteit.
  • Welke taken kunnen deels worden geautomatiseerd, maar vereisen ook menselijke inbreng en interpretatie?
    • Voorbeelden van AI die bruikbare patronen en inzichten levert waardoor mensen datagestuurde besluiten in context kunnen nemen:
      • Klimaat- en pandemiemodellen kunnen nauwkeuriger worden gewogen dankzij machinelearningtechnieken. En zo kunnen onderzoekers dan weer inzicht krijgen in trends, effecten en patronen die helpen bij de besluitvorming.
      • Machines kunnen niet-geclassificeerde spraakdata (bijvoorbeeld telefoongesprekken met klanten) inspecteren met behulp van natuurlijke-taalverwerking- en machinelearningalgoritmen om de intentie van de gebruiker beter te begrijpen. Vervolgens kunnen ze relevante categorieën en labels toevoegen aan de data. Deze betekenaars en semantiek geven mensen de informatie die ze nodig hebben om hun volgende actie te bepalen.

Bedrijven die gemeenschappelijk gedrag en gedeelde overtuigingen en datavaardigheden hebben, zijn ook beter in staat AI-oplossingen te schalen en hiermee duurzame implementatie en innovatie te bevorderen. Volgens een recent rapport van Gartner werden "ontbrekende vaardigheden het vaakst genoemd als de grootste uitdaging voor de integratie en acceptatie van kunstmatige intelligentie en machine learning". Investeren in de ontwikkeling van je mensen en AI-technieken is een continu proces, dat voortdurend met de technologie. Als al je medewerkers hierachter staan en over de juiste vaardigheden beschikken, kan dit het verschil betekenen tussen proof of concepts van AI die leiden tot schaalbare, praktische toepassingen of juist helemaal mislukken.

Blik op de toekomst

Bedrijfsleiders en IT-leiders kunnen samen data- en AI-strategieën aansturen die zijn afgestemd op de zakelijke context. AI-technologie die relevant, duurzaam en begrijpelijk is, moet mensen mogelijkheden bieden en aansluiten op de bedrijfsstrategie en -doelen. We gaan zien dat AI-oplossingen evolueren van een proof of concept-model naar een wijdverbreide implementatie voor bedrijfs- en branchespecifieke gebruikscases.

De ontwikkeling en het gebruik van AI leidt in diverse sectoren tot innovatie. "91% van de respondenten in de gezondheidszorg meldde dat AI de toegang tot de zorg voor patiënten vergroot", aldus een recent onderzoek van KPMG naar de implementatie van AI in vijf sectoren (detailhandel, transport, gezondheidszorg, financiën en technologie). En volgens de Harvard Business Review beheren de meeste bedrijven hun toeleveringsketens handmatig, maar "voor de bedrijven die AI de komende maanden en jaren implementeren, gaat aanzienlijke concurrentiedifferentiatie worden gerealiseerd".

Dankzij cloudcomputing is AI betaalbaarder en toegankelijker geworden, en dit heeft dan weer geleid tot meer innovatie op diverse gebieden en in uiteenlopende sectoren. We gaan oplossingen zien die verschillende AI-technieken combineren om betere resultaten te behalen (ook wel composite AI genoemd), waarbij een extra focus op zakelijk succes samengaat met de ondersteuning van mensen en AI wordt afgestemd op specifieke workflows.

Workflows worden gegenereerd en gestroomlijnd door gedeelde vaardigheden, een gedeelde mindset en gedeelde waarden, dat wil zeggen: door datacultuur en datageletterdheid, waardoor mensen op een geavanceerdere manier datawetenschap en analyse kunnen toepassen en succes kunnen behalen met hun AI.

Aanbevelingen

1. Behandel AI als een teamsport. Bepaal welke taken en functies menselijke augmentatie het beste ondersteunen, bijvoorbeeld doordat mensen tijd besparen of hun vaardigheden of expertise vergroten. Kijk eerst naar de behoeften en pijnpunten van je klanten om in zicht te krijgen in waar je AI-oplossing waarde voor hen kan toevoegen. Stel jezelf de volgende vragen om te zien of het de moeite waard is om een proof of concept of pilot te ontwikkelen:

  • Hoeveel klanten hebben vergelijkbare behoeften of ervaren dezelfde problemen?
  • Hoe vaak komen deze problemen voor?
  • Zijn deze problemen opte lossen met AI-technologie?

2. Focus op zakelijke gebruikscases en succesfactoren om een proof of concept om te zetten in een schaalbare oplossing.

  • Stimuleer doelgerichte en contextuele AI door oplossingen te verbinden met feitelijke zakelijke problemen en gedefinieerde doelen die de waarde aantonen.
  • Identificeer waar AI wrijving kan veroorzaken of juist verminderen. Schakel AI niet voor alle onderdelen van je productaanbod in, want schalen wordt moeilijker wanneer de resources zijn versnipperd.
  • Ga niet voor flitsende projecten die te mooi lijken om waar te zijn. Deze zijn vaak aantrekkelijk, maar gaan zelden verder dan proof of concept. En stel zelf realistische verwachtingen voor de tijdsplanning en reikwijdte van AI-projecten, waarbij alle resources, zoals budget, tijd, gespecialiseerde technische medewerkers en infrastructuur, goed op elkaar zijn afgestemd.

3. Investeer in datageletterdheid om de vaardigheden te vergroten en je personeelsbestand te ontwikkelen.

  • Slechte datakwaliteit resulteert in onnauwkeurige en ineffectieve AI-oplossingen. Bovendien kan een datageletterd personeelsbestand helpen bij problemen met datakwaliteit en kan het AI-, machinelearning-, natuurlijke-taalverwerkingalgoritmen en -modellen ontwikkelen en trainen met nauwkeurige, actuele en relevante data.
  • Zelfs een basistraining 'Data 101', intern ontwikkeld of aangeboden door een externe partij, kan zakelijke gebruikers antwoorden op hun vragen bieden. Hierdoor voorkom je dat er te veel verzoeken om eenvoudige of minder belangrijke analyses worden behandeld door teams van geavanceerde analisten en datawetenschappers. Deze teams hebben dan meer tijd om te werken aan hoogwaardige, grootschalige projecten.

Verantwoordelijke organisaties stellen proactief beleid op voor ethisch gebruik, controleteams etc. om de ervaringen en bedrijfsresultaten te verbeteren.

Mark Nelson

President en CEO van Tableau

Mark Nelson is directeur en CEO van Tableau. Hij bepaalt de visie en richting voor Tableau en houdt toezicht op strategie, productontwikkeling en bedrijfsactiviteiten. Voordat hij directeur en CEO werd, was Mark de Executive Vice President Product Development voor Tableau, waar hij hielp bij het verbreden en verdiepen van het toonaangevende analyseplatform van het bedrijf om klanten wereldwijd te ondersteunen.

Voorgeschiedenis

Vanwege de versnelde acceptatie van AI (kunstmatige intelligentie) en een combinatie van wereldwijde problemen is er geen uniforme aanpak voor ethische data en AI-gebruik. Organisaties kunnen zelf proactief bepalen hoe ze data en AI op verantwoorde wijze willen ontwikkelen en gebruiken in deze snel evoluerende digitale wereld. Het bouwen van eerlijke en nauwkeurige AI-oplossingen is een maatschappelijke verantwoordelijkheid voor elk bedrijf, en dit is nu ook de focus van wetgevers in de hele wereld.

Meer dan ooit moeten vertrouwen en transparantie de basis vormen voor innovatie, groei en klantrelaties. Recente datacrises hebben ons laten zien hoe technologie mensen schade kan berokkenen, bijvoorbeeld door vooringenomen gezichtsherkenning en discriminatie bij leningverstrekkers. Door deze crises verwacht het publiek dat bedrijven data veilig en verantwoord ontwikkelen en gebruiken. Volgens een onderzoek van Cisco uit 2021 "vindt 72% van de respondenten dat organisaties AI alleen op verantwoorde en ethische wijze zouden moeten gebruiken".

Bedrijven en overheden moeten het voortouw nemen op het gebied van ethiek en integriteit en hun betrokkenheid en verantwoordelijkheid tonen voor transparant en verantwoord gebruik van data en AI.

Blik op de toekomst

Verantwoordelijke organisaties zullen het voortouw nemen en proactief innovatieve manieren bedenken om verantwoord gebruik te verifiëren en valideren door middel van onder andere formeel ethisch gebruiksbeleid, audits door externe experts en controleteams. Deze ethische innovaties zullen de ervaringen verbeteren en betere resultaten waarborgen voor risicobeheer en waardecreatie.

Wanneer organisaties hun verantwoordelijkheden voor ethisch gebruik nakomen, kunnen we transparantere oplossingen en ervaringen voor AI en machine learning verwachten die het menselijke beoordelingsvermogen en de menselijke expertise stimuleren. Ze zullen ook direct zijn afgestemd op bedrijfsdoelen en workflows, en gerelateerde risico's beperken door begrijpelijk te zijn, waarbij ook wordt gelet op vooringenomenheid. Organisaties gaan vooringenomen algoritmen en datasets aanpakken om te voorkomen dat ze mensen schaden en fouten kunnen veroorzaken met negatieve risico's stroomafwaarts, zoals 'ethische schuld' als technische schuld.

Publieke en private organisaties gaan samenwerken om het ethische beleid te hervormen en innovaties zonder schade te waarborgen. Technologiepartners gaan overheden die onder druk staan, adviseren om data te gebruiken voor de besluitvorming. En technologiebedrijven gaan erop toezien dat hun technologie door iedereen op verantwoorde wijze wordt gebruikt, inclusief overheidsinstellingen. (Voorbeeld: bij Salesforce verbieden we gezichtsherkenning als onderdeel van ons streven naar gelijkheid.)

In elke gebruikscase, zoals automatisering van een taak met AI of samenwerking met AI voor betere besluitvorming, moeten we inzicht hebben in de werking van machines om fouten te voorkomen, ethische besluiten te nemen en de data te begrijpen. Dit zal ook in 2022 cruciaal zijn voor organisaties.

Maar voor inzicht in data en verantwoord gebruik ervan zijn elementaire datageletterdheid of datavaardigheden vereist. En we zijn nu op een punt belandt waar een gebrek aan datageletterdheid onnodige risico's met zich meebrengt. Er moet nog veel worden gedaan om ethische data en technologie een onderdeel van ons dagelijks leven en onze besluitvorming te maken, maar de investeringen zijn de moeite waard, want het eindresultaat is een meer ethische en rechtvaardige toekomst voor iedereen, waar dan ook.

Aanbevelingen

1. Ontwerp beleid voor data- en risicobeheer met ethische data en AI-richtlijnen. Bestaande en in ontwikkeling zijnde regelgeving en datastrategieën in de VS, het VK, de EU en elders beschermen mensen tegen bevooroordeeld en onrechtmatig gebruik van hun privégegevens. Word een leider op het gebied van ethiek door middel van ethische gedragscodes, proactief beheer van de wetgeving, naleving van de regels en risicobeperking.

2. Zet interne ethische commissies op of vraag externe specialisten te helpen bij evaluaties en audits. Teams voor ethische AI helpen organisaties te voldoen aan veranderende regelgeving en om innovatieve oplossingen te creëren en valideren waarmee je vooringenomenheid en nauwkeurigheid in je data verder kunt aanpakken.

3. Ontwikkel opzettelijk transparante technologie of begrijpelijke AI, en voeg tijdens het hele proces menselijke contactmomenten en evaluaties toe. Stem data en technologie af op menselijke waarden en ethiek om transparantie en begrijpelijkheid neer te zetten en betrouwbare ervaringen te waarborgen. Houd tijdens ontwikkelingscycli actief rekening met ethiek om eindeloze cycli van technologische aanpassingen te voorkomen.

4. Bouw een gezonde datacultuur op, inclusief training in datavaardigheden. Meer datageletterdheid helpt bij de beheersing van slechte datakwaliteit en de risico's van verkeerde data en verkeerde vragen, die een succesvolle ontwikkeling van AI en de mogelijkheid om te schalen in de weg staan. Datageletterde medewerkers zijn essentieel voor de ontwikkeling van een datacultuur die ethisch datagebruik en AI bevordert.

Organisaties die toekomstig succes willen hebben, breiden hun definitie van datageletterdheid uit, investeren in hun mensen en bevorderen de datacultuur.

Wendy Turner-Williams

Chief Data Officer bij Tableau

Wendy Turner-Williams beheert de datastrategie, dataplatforms en dataservices, de ontwikkeling van datagovernance en databeheer, datarisico en datageletterdheid bij Tableau. Zij en haar team stimuleren datagedreven bedrijfsinnovatie, transformatie en operationele uitmuntendheid bij Tableau. Wendy heeft meer dan 20 jaar managementervaring in verschillende sectoren. Ze heeft recentelijk leidinggegeven aan het Information Management & Strategy Enterprise-programma bij Salesforce.

Voorgeschiedenis

In een markt waar data de ultieme onderscheidende factor zijn, is datageletterdheid essentieel om de waarde van je data- en technologie-investeringen te benutten. En de sleutel tot datageletterdheid is datacultuur. In het komende jaar zullen concurrerende organisaties de noodzaak inzien van een gedeelde cultuur en mindset die het gebruik van data stimuleert en toepast. Ze gaan datageletterdheid uitbreiden tot meer dan alleen vaardigheidstrainingen en gaan fundamenteel inzicht verschaffen in de werking van data en de toepassing hiervan binnen het bedrijf. Organisaties die investeren in de ontwikkeling van hun medewerkers om ze voor te bereiden op de toekomst, gaan hierbij samenwerken met externe organisaties voor training en bijscholing.

Maar voordat we een blik op de toekomst werpen, gaan we eerst toelichten waarom data (en datavaardigheden) zo cruciaal zijn.

De investeringen in technologie en AI groeien en de ontwikkeling van medewerkers is essentieel om de waarde van deze data-intensieve investeringen te benutten. PwC verwacht dat AI de wereldeconomie tegen 2030 met USD 15,7 biljoen is gegroeid. En volgens het Future of Jobs-rapport van het Wereld Economisch Forum accepteren medewerkers automatisering sneller dan verwacht. In 2025 zullen 85 miljoen banen zijn verdwenen door automatisering, maar zullen er ook 97 miljoen nieuwe functies zijn ontstaan. De helft van de medewerkers die in hun huidige functie blijven, moet de komende vijf jaar worden bij- of omgeschoold.

Er is een groeiende vraag naar datavaardigheden op het werk en in onze samenleving. HR-leiders melden dat datavaardigheden (analytische vaardigheden en datawetenschap) de meest gevraagde vaardigheden waren in 2021. Openbare gesprekken worden steeds meer data-intensief, maar niet iedereen hoeft een datawetenschapper te zijn. Kennis van de basiselementen van datageletterdheid en analytische vaardigheden zijn echter wel vereist.

Als we de waarde van datageletterde medewerkers willen benutten, is er nog veel werk te verrichten. Er is niet alleen een gebrek aan datavaardigheden, maar er zijn ook te weinig programma's voor datageletterdheid, zowel in het klaslokaal als op de werkplek. Maar liefst 83% van de CEO's wil een meer datagestuurde organisatie, maar slechts 43% van de 'digital natives' beschouwt zichzelf als datavaardig.2 Volgens Forrester biedt minder dan de helft van de academische instellingen initiatieven op het gebied van datavaardigheden.3 En veel bedrijven kiezen voor een kortetermijnbenadering door personeel te werven om de onmiddellijke lacunes in vaardigheden op te vullen in plaats van te investeren in datageletterdheid en datacultuur.

De programma's die wel bestaan, zijn te veel gericht op tools en technologie en leveren te weinig fundamenteel inzicht in hoe data worden geproduceerd, gebruikt en beheerd door en binnen het bedrijf.

Blik op de toekomst

Sterk concurrerende organisaties kennen de waarde van datavaardigheden en weten dat alleen training in datavaardigheden en tools niet voldoende is om medewerkers op de toekomst voor te bereiden. Ze willen dat hun mensen essentiële datageletterdheid aanleren.

De academische wereld gaat datageletterdheid integreren in de diverse studierichtingen. De voordelen zijn duidelijk: Onderwijsinstellingen met initiatieven op het gebied van datavaardigheden melden dat 11,5% meer studenten binnen zes maanden een baan vindt dan universiteiten zonder dergelijke programma's.3 In een presentatie voor het Amerikaanse ministerie van Onderwijs in 2021 noemde de National Council of Teachers of Mathematics datavaardigheden een 'noodzaak voor onze toekomst'. Deze organisatie raadde aan om een nieuwe zinvolle, inclusieve en interdisciplinaire benadering te ontwikkelen voor het onderwijs in datageletterdheid, van peuterschool tot middelbaar onderwijs.

Werkgevers gaan meer gaan investeren in datageletterdheid. Steeds meer werkgevers gaan beseffen dat ze een aanzienlijk deel van hun technologie-investeringen moeten besteden om hun medewerkers met de tools te leren werken en ze inzicht te geven in de redenen waarom technologie voordelig is voor het bedrijf. In de strategie voor bedrijfsdata van het Amerikaanse ministerie van Buitenlandse Zaken werd het volgende vermeld: "Dit is niet alleen een kans, maar juist ook een noodzaak voor de Verenigde Staten om onze diplomatieke voorsprong op het wereldtoneel te behouden".

Organisaties gaan hun definitie van datavaardigheden uitbreiden, zodat deze ook aspecten omvat zoals zakelijke en technologische processen, input en output en een focus op datacultuur. Ze kijken verder dan tools en platformvaardigheden en focussen op kritisch denken en de toepassing van domeinexpertise bij het oplossen van zakelijke problemen. Cultuur is essentieel voor deze mentaliteitsverandering. Datageletterdheid – het vermogen om data te verkennen, te begrijpen en ermee te werken – is een cruciaal element van een datacultuur. Een focus op de combinatie van geletterdheid en cultuur loont. In een rapport van TDWI werden datageletterde organisaties vergeleken met enigszins datageletterde of niet-datageletterde organisaties op gebieden zoals 'cultuur gericht op samenwerking en resultaat' (92% versus 46%) en '[analytische] doelen afgestemd op managementdoelen' (73% versus 40%)". Organisaties met een sterke datacultuur worden gekenmerkt door onder andere betere samenwerking en concurrentievoordelen.

Ook gaat het besef ontstaan dat ze het niet alleen kunnen. Organisaties beschikken niet over de resources, interne expertise en capaciteiten om hun eigen onderwijsprogramma's op te zetten of om de snelheid van veranderingen bij te houden. Ze zullen datageletterdheid dus vooral beschouwen als een gezamenlijke inspanning en gaan kiezen voor flexibele, niet-traditionele benaderingen en samenwerken met partners voor hun trainingsprogramma's.

Aanbevelingen

1. Bevorder zowel datacultuur als datageletterdheid. Succes hangt af van de combinatie van beide, dus je moet investeren in zowel geletterdheid als culturele verschuiving. En ook belangrijk: verandering heeft tijd nodig. Wees geduldig, blijf volhouden en weet dat je een voortdurende inspanning moet leveren.

  • Ontwerp een framework voor gemeenschappelijke doelen en realiseer gestructureerde initiatieven voor duurzaam succes.
  • Standaardiseer voorwaarden, vaardigheidsniveaus, succesmetrieken en processen in het hele bedrijf.
  • Stimuleer mensen. Maak ze enthousiast over wat ze met data kunnen doen.
  • Wees een rolmodel, moedig datagestuurde besluitvorming aan en toon de waarde van data.
  • Maak ruimte voor discussie, leren en ontwikkeling.

 

2. Stem je werving en trainingen af op de toekomst. Denk aan wat met zei bij het Amerikaanse ministerie van Buitenlandse Zaken: "Werving gaat zich ook richten op vereiste datavaardigheden. Datavaardigheden moeten een integraal onderdeel zijn voor diverse sleutelposities. Als lacunes in de datavaardigheden niet worden aangepakt, zullen de medewerkers van het ministerie niet kunnen inspelen op de veranderende databehoeften". Daarom zal het ministerie "medewerkers werven, opleiden en stimuleren om een werkplek te realiseren waar data routinematig worden onderzocht en gewaardeerd en onbelemmerd worden gebruikt voor besluitvorming op alle niveaus en in alle regio's". Dus dit zijn de acties die jouw organisatie moet ondernemen:

  • Ontwikkel wervingspraktijken en rolverwachtingen waarvoor eenvoudige datavaardigheden zijn vereist.
  • Werk samen met onderwijsinstellingen aan initiatieven voor datavaardigheden en rekruteer datageletterde studenten.
  • Stimuleer en faciliteer bijscholing in data voor je bestaande personeelsbestand.
  • Bouw datacommunity's om voortdurende groei, ontwikkeling en samenwerking aan te moedigen.
  • Ontdek en rekruteer experts, of datakampioenen, om trainingsprogramma's op te zetten in het bedrijf. Ontwikkel een cultuur van datagestuurde besluitvorming zodat je deze experts kunt binden aan je bedrijf.

 

3. Shift-left: Investeer in en faciliteer leerplannen voor datavaardigheden in diverse vakgebieden en voor verschillende vaardigheidsniveaus. In de academische wereld is het nooit te vroeg – of te laat! – om datavaardigheden en kritisch denken aan te leren. Breng studenten fundamentele datavaardigheden bij in alle stadia van het onderwijs en bereid meer studenten voor op het werken met en begrijpen van data in hun toekomstige functies.

  • Integreer de ontwikkeling van analytische vaardigheden en kritisch denkvermogen in alle leertrajecten. Benadruk dat data in nagenoeg elke toekomstige loopbaan een rol zal spelen.
  • Moedig studenten aan om data te gebruiken bij hun onderzoek en werk.
  • Maak data leuk! Ontdek hoe data in de echte wereld worden toegepast en laat dataconcepten in de praktijk zien aan studenten.
  • Bespreek de waarde van datavaardigheden: van betere carrièremogelijkheden tot het gebruik van data om de wereld te veranderen.
  • Ontvang gratis software, leerplannen en resources voor docenten en studenten via het Academisch programma van Tableau.

 

4. Investeer in programma's om datageletterdheid en vaardigheden in het gebruik van analysetools en platforms te ontwikkelen voor je personeelsbestand. Denk aan de lange termijn. Focus niet alleen op je kortetermijnbehoeften door training te geven voor de tools en technologie die je al hebt. Leid je mensen op in algemene technologische grondbeginselen, bijvoorbeeld hoe data waarde toevoegen aan het bedrijf. En probeer niet het wiel opnieuw uit te vinden! Leer de basisbeginselen indien mogelijk intern (denk aan Data 101) en besteed de rest uit.

Help medewerkers geavanceerdere vaardigheden te ontwikkelen door samen te werken met externe organisaties om te leren wat er al mogelijk is. Bekijk programma's zoals Applied Data Science professional course van het MIT, DataCamp for Business, Data Academy van Avado, de Reskilling Revolution van het Wereld Economische Forum, Data & Analytics Academy van Coursera, gratis training van Test Automation University en datacursussen van de Khan Academy.

1 Gartner®, Maximize the Value of Your Data Science Efforts by Empowering Citizen Data Scientists, Pidsley, David en Idoine, Carlie, 7 december 2021

2 IDC Whitepaper, gesponsord door Tableau, How Data Culture Fuels Business Value In Data-Driven Organizations, Doc. #US47605621, mei 2021.

3 Forrester Consulting-paper over thoughtleadership in opdracht van Tableau, The Great Data Literacy Gap: Demand For Data Skills Exceeds Supply, juni 2021.

Toenemend besef van de strategische waarde van data stimuleert flexibele, federatieve datagovernancetechnieken die mogelijkheden bieden voor iedereen in de hele organisatie.

Kate Wright

Senior Vice President Product Development bij Tableau

Kate Wright is leider op het gebied van analyse met meer dan 17 jaar ervaring in ontwikkeling, productbeheer en leiderschap. Ze is verantwoordelijk voor Analytics Engineering, Product Management en algemene UX voor Tableau en CRM Analytics.

Voorgeschiedenis

De waarde – en het enorme volume – van data is groter dan ooit. Data zijn niet alleen van belang voor zakelijk succes in 2022: data vormen de kern van het bedrijf.6 Nu organisaties steeds meer investeren in innovatieve AI- en cloudoplossingen stijgt ook de vraag naar selfservice, het delen van data, dataprivacy en gebruiksvoorschriften. Digitaal vaardige organisaties weten in te spelen op deze paradox: een unieke databron is essentieel, maar deze kan zich niet slechts op één locatie bevinden en kan ook niet door slechts enkele mensen worden beheerd en beveiligd.

Organisaties moeten een nieuwe benadering van datagovernance en -beheer kiezen die flexibiliteit en empowerment combineert met gecoördineerde controle. Organisaties die succes willen hebben, moeten innoveren, concurreren en anticiperen op governance- en beveiligingsvereisten. Zij zullen daarom kiezen voor gefedereerde technieken voor datagovernance. Een dergelijke aanpak combineert centraal gedefinieerde governancenormen met lokale domeinautoriteiten. Organisaties kunnen dan profiteren van meer diverse expertisegebieden doordat het bedrijf meer diverse gebruikers heeft.

Relevantie in onze digitale wereld hangt af van de waarde die je haalt uit je data. Maar hoe doe je dat? Uit het nieuwste Gartner CDO-onderzoek bleek dat "72% van de leiders op het gebied van data en analyse [die] zich sterk inzetten voor digitale bedrijfsinitiatieven of dee leiden", niet precies weet hoe ze de 'vertrouwde databasis' moeten bouwen die nodig is om hun inspanningen te versnellen en zakelijke doelen te bereiken.7

Zonder herhaalbare, schaalbare processen die waarborgen dat data vindbaar, veilig, inzichtelijk en vertrouwd zijn, bestaan er risico's voor flexibiliteit en innovatie. Organisaties moeten hun streven naar vertrouwde, realtime selfservice-analyse goed overdenken om mislukkingen te voorkomen.

Blik op de toekomst

Succesvolle strategieën voor datagovernance zijn altijd gebaseerd op vertrouwen. In 2022 gaan organisaties een mentaliteitsverandering doormaken voor een meer inclusieve benadering van datagovernance en databeheer.

Met inclusief bedoelen we systemen en processen die zijn ontworpen voor veel mensen en niet slechts voor enkele personen. Dat wil zeggen dat IT en het bedrijf geen tegenstrijdige belangen hebben wat betreft datagovernance en databeheer. Wanneer de traditionele bewakers van de data (doorgaans IT) het bedrijf uitnodigen om deel uit te maken van de oplossing, kan iedereen zich inzetten voor gedeelde doelen en de weg vrijmaken voor innovatie.

Hoe gaat dit in de praktijk? Ontwikkel en breid uit. Geef mensen de tools om dingen zelf te doen, maar beheers risico's met centraal aangestuurde bewakingsmechanismen. IT legt bijvoorbeeld de basis voor governance van zaken die van invloed zijn op de hele organisatie (zoals herkomst, datacatalogi, standaarden, validatieregels, metadatabeheer en architectuur), terwijl de controle op een manier die past bij de behoeften wordt verlegd naar het hele bedrijf. Door deze op maat gesneden aanpak kunnen domeinexperts zakelijke problemen in context oplossen, terwijl vertrouwen, detectie en innovatie worden bevorderd.

Als je datagovernance wilt doorvoeren in het hele bedrijf, is datageletterdheid essentieel. Iedereen moet een gemeenschappelijke taal spreken en deelnemen aan gedeelde governance, maar nog belangrijker is dat iedereen de basisbeginselen van data begrijpt. Focus op transparantie en vindbaarheid om het gemakkelijker te maken data te vinden en te verkennen. Organisaties moeten blijven standaardiseren op één unieke plek om informatie te vinden, zodat iedereen het eens kan worden over de dingen die worden gemeten, hoe deze worden gedefinieerd, waar ze zich bevinden en wie de eigenaar is. De bedrijven die dit goed doen, gaan algemeen inzicht krijgen in de datastroom naar alle delen van het bedrijf zonder het vertrouwen en de veiligheid te schaden.

Aanbevelingen

1. Leg vast wat je al hebt en waar je heen wilt. Je moet begrijpen welke data je gebruikt om te begrijpen waar je staat. Stel vragen aan mensen in de hele organisatie om te begrijpen welke data je hebt, hoe mensen deze gebruiken en hoe relevant deze zijn. En we blijven het herhalen: vertrouwen is essentieel. Vraag belanghebbenden wat ze nodig hebben om successen te behalen. Gebruik frameworks van externe partijen, zoals het Data Management Maturity (DMM) Program, om je capaciteiten te benchmarken en je sterke en zwakke punten te ontdekken.

2. Kies voor een aanpak met partners. (Tip: Het begint met vertrouwen.) Uiteraard moet IT de controle houden over bepaalde zaken, maar IT kan niet alles controleren en moet dat ook niet doen. Werk samen met het hele bedrijf. Begin met het opbouwen van vertrouwen in mensen en processen door zakelijke gebruikers bij te scholen, zodat ze verantwoord kunnen werken met data. Transparante processen en veilige, actuele data zijn ook erg belangrijk. Borduur voort op snelle successen om de waarde van partnerschappen aan te tonen voor de bredere organisatie.

3. Denk gefedereerd. Weet dat colocatie niet mogelijk is voor je datastrategie en dat je nooit volledige en gecentraliseerde controle kunt krijgen. Kies dus voor een meer gefedereerde aanpak. Werk toe naar een balans waarbij je het nodige beheert en tegelijkertijd een partnerschap aangaat met het bedrijf. Probeer niet het wiel opnieuw uit te vinden. Gebruik door de industrie erkende frameworks (zoals het DMM-programma of het Cloud Data Management Capabilities-framework van EDM Council) om wrijving te verminderen en beter te begrijpen wat goede praktijken zijn.

6 Forrester Consulting, Break Through Data Governance Fatigue: A Framework For Effectiveness And Sustainability, Goetz, Michelle, februari 2021

7 Gartner®, Predicts 2022: Data and Analytics Strategies Build Trust and Accelerate Decision Making, Jorgen Heizenberg, et al., 2 december 2021

8 Gartner®, Modern Data and Analytics Requirements Demand a Convergence of Data Management Capabilities, Guido de Simoni, et al., 20 januari 2021

Data worden de taal voor mensen en organisaties die gezien willen worden, begrip voor hun problemen willen krijgen en in contact willen komen met de instellingen die bedoeld zijn om ze te helpen.

Neal Myrick

Global Head Tableau Foundation bij Tableau

Neal Myrick is VP Social Impact bij Tableau en Global Head van de Tableau Foundation. Hij leidt de filantropische investeringen van het bedrijf om het gebruik van data te bevorderen voor een rechtvaardigere wereld. Neal is een 'active angel investor' en is lid van verschillende wereldwijde adviesraden voor gezondheid en ontwikkeling.

Voorgeschiedenis

Data zijn een krachtige stimulans voor verandering. Na jarenlange samenwerking met onze non-profitpartners bij de Tableau Foundation hebben we geconstateerd dat niet alle mensen in de samenleving in gelijke mate profiteren van de kracht van data. Zeer weinig data zijn werkelijk representatief en vaak ontbreken de context en nuances van de ervaringen uit het echte leven. Hierdoor wordt het potentieel van data verminderd: het kan leiden tot wantrouwen in de data, vooral bij de mensen en groepen die vinden dat ze niet goed worden vertegenwoordigd. Dit gebrek aan vertrouwen kan ertoe leiden dat groepen die niet zijn vertegenwoordigd, zich belemmerd voelen de data te gebruiken om macht en invloed op te bouwen.

We hebben zeker nog niet alle antwoorden, maar in de gesprekken met onze partners zien we een trend opkomen die is gebaseerd op ervaringen uit de echte wereld. Deze trend kan potentieel de belangenbehartiging en betrokkenheid van de gemeenschap stimuleren.

Dataoplossingen die relevant, effectief en duurzaam zijn, moeten worden ontworpen in samenwerking met de gemeenschappen die ze geacht worden te vertegenwoordigen en ondersteunen. Data kunnen de dynamiek veranderen, zodat mensen en organisaties de complexe en genuanceerde problemen kunnen aanpakken die ze zelf het belangrijkst vinden. Datarechtvaardigheid kan dienen als framework om data inclusiever, representatiever en effectiever te maken en als doeltreffend hulpmiddel voor belangenbehartiging doordat het alle belanghebbenden een gedeeld gevoel van verantwoordelijkheid geeft.

In het beste geval moet deze benadering evenveel vragen oproepen als beantwoorden in een proces van continue verbetering: leggen deze data de ervaringen vast die ze verondersteld worden te vertegenwoordigen? Kunnen we nog meer doen aan de manier waarop we de data verzamelen en analyseren om er zeker van te zijn dat deze representatief zijn? Vertellen we het verhaal door middel van data op een manier die onze doelgroep aanspreekt en deze mensen uitnodigt mee te doen aan verandering als partners in plaats van tegenstanders?

Organisaties die data als een strategische asset beschouwen en die datacultuur en datageletterdheid opbouwen, vinden nieuwe krachtige toepassingen voor data, waaronder het gebruik van data om nieuwe gesprekken over beleid en financiering te initiëren en bestaande gesprekken te herkaderen. Toegang tot data breidt zich uit naar maatschappelijke organisaties die traditioneel niet over de technologie en dataresources beschikken om lokale overheden en machtsinstellingen aan te spreken. Maar nu zien en gebruiken steeds meer non-profitorganisaties, organisatoren en maatschappelijk werkers data als een strategische asset, ontwikkelen ze dataculturen en worden ze steeds meer datageletterd.

Blik op de toekomst

Door data als een strategische asset te beschouwen en ons in te zetten voor de datacultuur van een organisatie, kunnen we krachtige nieuwe gesprekken initiëren over beleid en de manier waarop openbare instellingen investeren in gemeenschappen. Door data te democratiseren kunnen organisaties worden overtuigd die eerder mogelijk terughoudend waren om data en analyses toe te voegen aan hun belangenbehartiging. En met democratisering bedoelen we dat we data niet alleen beschikbaar maken, maar ook benaderbaar maken door ze te ontsluiten vanachter de barrière van de datawetenschap. En aangezien sommige non-profitorganisaties en organisatoren van maatschappelijk werk ontdekken dat hun belangenbehartiging een echte positieve impact heeft op de levens van de mensen voor wie ze zich inzetten, zien we dat ook veel andere mensen vragen hebben zoals: "Wat kunnen we hier, in onze gemeenschap en met onze data, doen om een verschil te maken?"

We merken dat organisaties bewust omgaan met hun dataculturen en investeren in datavaardigheden binnen de organisatie en de hele gemeenschap. Deze inspanningen genereren enkele best practices en zij die succes hebben, doen dit door een combinatie van het volgende:

  • relevante data en resources democratiseren door ze openbaar te maken
  • data uitsplitsen zodat ze representatiever zijn
  • niet alleen data, maar ook menselijke taal gebruiken
  • de traditionele presentatie van data aanpassen
  • modellen gebruiken die zijn gebaseerd op menselijke ervaringen

Channing Nesbitt, Social Impact Program Manager bij Tableau, legt uit waarom het belangrijk is om data uit te splitsen en naar verschillende velden, eenheden of metingen te kijken in plaats van uitsluitend gemiddelde of samengevatte data te gebruiken: "Het geeft een stem aan leden van de gemeenschap van wie de ervaringen vaak over het hoofd worden gezien en dus niet worden meegewogen in meer algemene en samengevoegde data. Doordat de uitdagingen waarmee ze worden geconfronteerd niet aan de orde komen, kunnen deze voortduren of zelfs groter worden". Ook kunnen we duidelijkere inzichten krijgen dan alleen gender, ras en inkomen en meer details over de unieke ervaring van een persoon creëren, bijvoorbeeld in het geval van een afgestudeerde zwarte vrouw die een hypotheek wil afsluiten. Uitgesplitste data geven ons een duidelijker beeld van mensen, waardoor we beter aan hun behoeften kunnen voldoen en de oplossingen van overheden, instellingen en maatschappelijke organisaties hierop kunnen afstemmen.

Al deze veranderingen verbeteren de nauwkeurigheid en inclusiviteit van data en geven een contextueel beeld van de mensen achter datapunten, zodat alle leden van een gemeenschap beter worden vertegenwoordigd en bediend.

Nauwkeurigere, representatievere data kunnen ervaringen uit het echte leven valideren en mensen en maatschappelijke groepen helpen meer macht en invloed op te bouwen om hun doelen te bereiken.

Dankzij betere data en het gebruik van datarechtvaardigheid als framework kunnen mensen gesprekken starten of herkaderen en dit heeft later een gunstig effect bij financieringsaanvragen en beleidswijzigingen. Dit framework helpt overheden en instellingen om de voortgang van hun doelen te meten en te volgen, of het nu gaat om de Duurzame ontwikkelingsdoelstellingen van de Verenigde Naties of lokale officieren van justitie die data delen over strafrechtelijke vervolging en processen. Daarnaast kunnen belanghebbenden uit de gemeenschap op een meer gelijkwaardig niveau direct in contact komen met hun overheden en andere machtsinstellingen.

Aanbevelingen

We hebben geconstateerd dat enkele van onze succesvolste non-profitpartners een of meer methoden gebruiken om de datarechtvaardigheid te verbeteren. Er zijn zeker nog andere methoden mogelijk, maar dit zijn enkele van de veelvoorkomende praktijken voor datarechtvaardigheid waarmee onze partners succes hebben behaald.

1. Raadpleeg de gemeenschappen die het meeste belang hebben bij de problemen die je probeert op te lossen. Vraag ze om input over de vragen die jij moet stellen om de juiste data te verzamelen, en in welke context de data moeten worden begrepen en geanalyseerd. De samenwerking met gemeenschappen helpt bij het volgende:

  • Zorgen voor nauwkeurige, betrouwbare en vertrouwde data, zodat er meer kans is dat de data worden gebruikt en geraadpleegd.
  • Waarborgen dat de data nuttig zijn voor de gemeenschap en relevant zijn voor de problemen die moeten worden aangepakt.
  • Actiegerichte data produceren die de impact vergroten en die kunnen helpen bij het stellen van collectieve prioriteiten en om te bepalen wat wel en niet werkt.

 

2. Maak data relevant en representatief voor de mensen en gemeenschappen voor wie ze zijn bedoeld. We moeten een duidelijker beeld krijgen van de mensen in de data om meer inzicht te krijgen in de behoeften van de mensen voor wie ze zijn bedoeld en om doelgerichte actie te kunnen ondernemen.

  • Splits data zo veel mogelijk op, zonder de privacy te schenden.
  • Zoek relevante datapunten die een meer genuanceerde, persoonlijke ervaring weergeven. Data over ras, etniciteit, gender en inkomen alleen zullen niet dezelfde context en hetzelfde inzicht geven als inzicht in de combinatie van deze essentiële aspecten van de identiteit.

 

3. Geef feedback aan gemeenschappen over de data en schaal de impact via feedbackcycli.

  • Gemeenschappen moeten toegang tot de data hebben om ze optimaal te kunnen benutten. Het delen van data versterkt de positieve cyclus van datagebruik: Hoe meer data worden gebruikt en hoe meer gemeenschappen reageren op de data, hoe groter de kans is dat de data continu zullen worden verzameld en geanalyseerd.
  • Ga verantwoord om met de manier waarop je data deelt en schaal je inspanningen. Handhaaf dataprivacy om vertrouwen op te bouwen en te behouden.

 

4. Geef mensen en gemeenschappen de tools en kennis die ze nodig hebben om data effectief te gebruiken.

  • Nu datasets groter en complexer worden, zijn de initiatieven voor datageletterdheid en het opbouwen van datavaardigheden belangrijker dan ooit om te waarborgen, zodat mensen weten hoe ze de voor hen toegankelijke informatie moeten 'lezen'.
  • Technologische oplossingen moeten toegankelijker worden gemaakt voor maatschappelijke organisaties.
  • Organisaties hebben ook toegang nodig tot financiering met minder beperkingen om de aan technologie gerelateerde kosten en overhead te financieren.