DIGITALE TRANSFORMATIE

De data-vaardigheden die onmisbaar zijn in een digitale transformatie

Een gebrek aan data-behendigheid is voor veel bedrijven een hindernis. De noodzaak om technische data-communicatie te vertalen naar een bedrijfskader is groot. Welke data-vaardigheden moet je als bedrijf zeker in huis hebben?

Vaardigheden versus functies

Eerst een klein stapje terug. De titel van deze blog is namelijk gebaseerd op de belangrijke veronderstelling dat vaardigheden relevanter worden dan functies.

Dat betekent dat iedereen met een specifieke, netjes afgebakende functietitel eraan zal moeten wennen om zich te verdiepen in nieuwe materie. Sommige functies worden daardoor vloeibaar en variabel. Waarom is dat?

Het antwoord zit ‘m in data. ‘Data-wijsheid’ wordt een onmisbare vaardigheid in vrijwel ieder vakgebied, of dat nou op een technische, non-technische, abstracte of visuele manier is. Iedere data-gedreven business heeft in iedere bedrijfstak mensen nodig met data-bekwaamheid om die data daadwerkelijk te laten bijdragen aan doelstellingen voor inzicht, groei en continuïteit.

Marijn

Leestijd in minuten:

10

Data en leiderschap

Bedrijfscultuur en bedrijfssilo’s vormen op dit moment de grootste barrières voor digitale transformatie.¹ Daarna volgt het gebrek aan data analytics skills - en laat die digitale transformatie nou juist volledig zijn gevestigd op data. Dat betekent dat de transformatie voor bedrijfscultuur, organisatiestructuur en datagebruik móet beginnen bij leiderschap.

Stel dus een heldere visie op voor de organisatie inclusief de rol van data, stimuleer interne kennisontwikkeling en werf mensen met nieuwe multidisciplinaire vaardigheden die zich niet beperken tot een functie of silo. Data-wijsheid vestigt zich op die manier naast andere algemene competenties zoals communicatie, teamwork en Microsoft Office.

¹ ‘An inflection point for the data-driven enterprise’. Pulse Survey. Harvard Business Review Analytic Services, 2018.

chapter header

Data skills

Data-wijsheid uit zich gelukkig in diverse vormen. Wees dus gerust: je hoeft voorlopig geen data science te leren (al zou dat zeker van pas komen), maar je zult je vocabulaire zeker moeten uitbreiden. In het HBR-artikel ‘Data science and the art of persuasion’ deelt redacteur en zelfverklaard data-viz geek Scott Berinato de belangrijkste data-vaardigheden op in zes handige categorieën:

Data wrangling
Data-analyse
Data & business
Data & design
Data & storytelling
Project management (nu even buiten beschouwing gelaten)

Deze categorieën staan niet gelijk aan functies! Door de overlap tussen de categorieën is het namelijk prima mogelijk dat een breed onderlegde (“T-vormige”) professional meerdere vaardigheden in zijn repertoire heeft.

Een belangrijk onderscheid binnen het spectrum van vaardigheden is de mate waarin er wel of niet ‘technisch’ over data wordt gecommuniceerd. Aan de technische kant van het spectrum gaat het over databases, algoritmes, statistiek en de zuiverheid van data; aan het andere uiteinde gaat het over context, zakelijke doelen en betekenis.

Data wrangling

type communicatie: technisch

Data wrangling is een diepe duik in de data. Een wrangler bekommert zich 100% om de technische kant van data en databases. Dat wil in dit geval zeggen dat hij verantwoordelijk is voor het verzamelen, opschonen en structureren van data. Vervolgens beschikt een wrangler over het inzicht om de juiste statistische algoritmes te ontwikkelen en toe te passen. Hij heeft dus verstand van machine learning , coderen, statistiek en database-architectuur.

Data-analyse

type communicatie: grotendeels technisch, vertaling naar non-technisch

Data-analyse vergt algoritmische basiskennis, maar legt vooral de nadruk op een statistische en wetenschappelijke aanpak. Die aanpak is gericht op het ontwikkelen en testen van hypotheses op basis van data om patronen en trends te herkennen en bedrijfsbeslissingen te informeren. De analytische woordenschat is daarom niet geheel technisch. De analist moet in staat zijn om haar analyse in een bredere context te plaatsen en de uitslag van hypotheses op die manier betekenis te geven. Het is daarbij essentieel om niet alleen in technische termen te spreken, maar ook in business-taal.

Data & business

type communicatie: zo min mogelijk technisch, voornamelijk non-technisch

Business-expertise geeft data context, een betekenis en een doel. Grondige data-analyse is veel werk en vooral afhankelijk van heldere vraagstellingen: vragen die op hun beurt afhangen van een doelstelling. Het is dus cruciaal dat iemand waardeert hoe de wetenschappelijke methode om te leren van data kan bijdragen aan strategische bedrijfsdoelstellingen en daar scherpe en kritische vragen bij formuleert. Besef wel dat data binnen het bedrijfskader zijn technische aard ontstijgt. Data-structuren, statistiek en algoritmes zijn hier dus allesbehalve dagelijkse kost.

Data & design

type communicatie: non-technisch, visueel

Data & design heeft betrekking op datavisualisatie in de breedste vorm van het woord en richt zich daarmee op het ontwerp van pure informatie. Het gaat hier niet alleen om communiceren over data, maar nog meer om het communiceren met data. Dat kan gewoon een platte PowerPoint-grafiek zijn, maar een vleugje creativiteit hoeft echt niet te ontbreken om het juiste verhaal te vertellen (zie data & storytelling). Hoewel het nodig is om de betekenis en context van data te begrijpen om het te visualiseren, is technische kennis over algoritmes en statistische analyse geen noodzaak.

Data & storytelling

type communicatie: non-technisch, overtuigend

Uiteindelijk moeten het algoritme, de analyse en de visualisatie nieuwe acties kunnen definiëren in het kader van de bedrijfsdoelstelling. Overtuigingskracht is daarvoor essentieel en daar komt storytelling bij kijken. De verhalende kant van data is de tegenpool van wrangling: je gebruikt het woord algoritme omdat het mooi klinkt, niet omdat je van plan bent om de werking ervan uit te leggen. Datavisualisatie en storytelling worden gebruikt om presentaties te bouwen en rapporten te maken. Ze zijn nodig om mensen te overtuigen en te sturen; ze zijn onmisbaar voor de data-gedreven organisatie.

Data voor sales en marketing (en de rest van de organisatie)

Betekent dit alles dat je zes nieuwe leden voor je marketingteam moet gaan zoeken? Nee hoor. Hoewel je al deze data-vaardigheden zelden in één persoon zult tegenkomen, is het absoluut niet ondenkbaar dat iemand meerdere skills van het spectrum beheerst (zoals wrangling en analyse; of juist design en storytelling). Bovendien zijn veel van deze vaardigheden nog prima bij te leren.

Ten tweede hoef je deze vaardigheden helemaal niet binnen één silo te plaatsen. Wanneer je een integrale commerciële aanpak hanteert, kunnen mensen met de nodige skills verspreid zijn over marketing, sales, klantenservice en product management en tóch samen de vruchten plukken van hun collectieve data-wijsheid (finance, HR, operations en logistiek zullen doorgaans uit andere databronnen putten).

Om wat voor data gaat het dan? Dat is natuurlijk erg breed.

Een voorbeeld: lead scoring en classificatie

Zet gedragsdata van je website, email-responsdata uit je marketing-CRM en geanonimiseerde klantprofieldata in om nieuwe bezoekers, leads en prospects te classificeren voor specifieke (gepersonaliseerde) nurture-programma’s en opvolging. De basis voor deze classificatie bestaat uit buyer persona’s voor communicatie en kwalificatie die je valideert aan de hand van reële data.

In de praktijk betekent dit dat je bestaande data ‘labelt’ met lead scoring-methodes om segmenten te vormen. Deze segmenten zijn clusters van overeenkomstige gebruikersprofielen. In het geval van websitebezoekers gebruik je deze geclassificeerde segmenten om nieuwe, ‘ongelabelde’ bezoekers op basis van gedeeld gedrag (en met een beetje kansberekening) toe te wijzen aan een specifiek segment. Dat segment gebruik je vervolgens voor de personalisering van content bij terugkerend bezoek. Hetzelfde principe kun je inzetten bij e-mail automation en sales follow-up.

Classificatie van nieuwe websitebezoekers

In dit voorbeeld komt de vaardigheid data wrangling aan bod bij het ontwikkelen van de classificatie-algoritmes en toegepaste kansberekening. Wetenschappelijke analyse en statistiek zijn noodzakelijk om hypotheses op te stellen en te valideren - en de significantie van de uitkomst te bepalen. In hoeverre komen de buyer persona’s overeen met de werkelijke bezoekers- en lead-segmenten en waar moeten ze worden bijgesteld?

Dit gebeurt natuurlijk in het kader van een commerciële bedrijfsdoelstelling, die sturend is op het type bezoeker en het profiel dat je wilt bereiken en classificeren (kortom: de buyer persona). Effectief dashboard design stelt je in staat om de resultaten van je inspanningen (live) te visualiseren voor alle stakeholders. In dit geval wil je vooral laten zien binnen welke segmenten je het meeste succes boekt en waar mogelijke optimalisatiekansen liggen. Wellicht dat je met dit succes nieuwe voorspellingen en sales-doelstellingen kunt definiëren. Wie moet je daarvoor overtuigen?

Waar te beginnen?

Een goede data-aanpak begint bij visie en leiderschap. Oriënteer dus op de mogelijkheden die data wel (maar ook zeker niet) heeft voor je organisatie. Waar verzamel je wel genoeg data en waar niet? Hoe doorbreek je en hoe trek je de juiste disciplines bij elkaar om gezamenlijk over data na te denken?

Centagon denkt strategisch, tactisch en operationeel mee over data-doelen en data-middelen voor sales en marketing. Neem gerust vrijblijvend contact op om te bespreken welke kansen er binnen jouw organisatie zijn.

Het framework voor digitale transformatie

Het digitale transformatie-framework draait om de 3 speerpunten van de digitale transformatie en geeft concrete stappen die jouw organisatie de komende twee jaar kan (of moet) maken op strategisch, tactisch en operationeel niveau.

DOWNLOADEN

This is not correct