Boardroom Issue: de sleutel om datatalent te behouden

Marcel van Brenk
14 feb 2019

Het is een veelgehoord probleem. Data scientists werven vergt al een behoorlijke inspanning, langere tijd aan je binden is een nog veel ingewikkelder verhaal. Maar is het echt zo moeilijk analytisch talent te vinden en te behouden? In onze adviespraktijk ervaren we dat het binden en boeien van data scientists inderdaad niet eenvoudig is, maar dat er tegelijkertijd veel mogelijkheden zijn én dat veel bedrijven de plank soms goed misslaan. 

Allereerst is het goed het beeld naar het nijpende tekort aan data professionals iets te nuanceren. Voorspellingen over het tekort aan data scientists van enkele jaren geleden ertoe geleid dat er veel initiatieven zijn gestart om dit tekort op te vullen. Universiteiten hebben fors geïnvesteerd in hun opleidingsprogramma’s, commerciële partijen zijn talent ontwikkelprogramma’s gestart en ook de trainingsbureaus zijn vol in deze markt gedoken. Tel daarbij de populariteit van vele tientallen MOOC’s (Massive Open Online Courses) op het gebied van data science en het is ontegenzeggelijk een feit dat het aanbod van getrainde professionals de afgelopen periode sterk is toegenomen.

Het laat echter onverlet dat de ‘war on data talents’ nog zeker gaande is en dat het op z’n zachtst gezegd buitengewoon vervelend is als een data scientist op het moment dat hij (of zij uiteraard) net goed ingewerkt is, het pand weer verlaat om ergens anders ambities na te jagen. Het loont dus de moeite actief na te denken over de vraag hoe de investeringen in data scientists zich ook op langere termijn uitbetalen.

I don't trust your subjective opinion. Bring me a data-driven opinion.

Veel bedrijven menen dat de belangrijkste factoren om een data scientist te binden, verborgen liggen in pizza’s en geld. Pizza’s als synoniem voor een informele werkomgeving en geld in termen van een fors salaris. Een misvatting. Dergelijke factoren spelen absoluut een rol in de overweging van de data scientist, maar de echte beweegredenen liggen veel dichter bij de reguliere bedrijfsvoering.

We onderscheiden er vier

  1. De mate waarin een onderneming gelooft in data.
  2. Het juiste instrumentarium.
  3. De opleidings- en ontwikkelingsmogelijkheden.
  4. De vernieuwing in het werk.

De mate waarin een onderneming gelooft in data

Eén van de belangrijkste factoren is de mate waarin een bedrijf écht gelooft in het gebruik van data. Hoe serieus is een bedrijf over het gebruik van analytics in de organisatie en hoe serieus is het bedrijf over het nemen van beslissingen op basis van de resultaten? Indien het niet het geval is, zullen data scientists dit merken en uiteindelijk niet voor je willen werken.

Een mooi voorbeeld is Jeff Bezos, CEO van Amazon. Al vanaf het begin van de oprichting huldigt hij een duidelijk principe: “I don't trust your subjective opinion. Bring me a data-driven opinion.” Dit wordt gereflecteerd in de mate waarin data in de totale bedrijfsvoering is doorgevoerd. Een snelle telling leert dat er een kleine 20 bedrijfsfuncties zijn die voor een groot deel gebouwd zijn op data. Dit omvat niet  alleen de welbekende recommendation engine, maar is evengoed doorgevoerd in Supply chain optimalisatie (onder andere vestigingsplaatsanalyse, route-optimalisatie), fraudedetectie, voorraad forecasting, HR analytics en tax engineering.                                                                           

Het is het toonbeeld van een onderneming waarin data het kloppend hart vormt van de organisatie.  Laatst sprak ik op een congres en stelde ik aan het publiek de vraag: “wie heeft de afgelopen twee maanden een model in productie genomen dat aantoonbaar waarde toevoegt?” Minder dan een vijfde van de aanwezigen stak zijn hand op...

De impact van data wordt in (te) veel bedrijven nog onderschat en veel organisaties slagen er onvoldoende in de kennis vanuit de data daadwerkelijk in de bedrijfsvoering op te nemen. Een eenvoudige, maar effectieve oplossing is de data scientists tijd door te laten brengen met business of product units om de échte problemen waarmee deze geconfronteerd worden beter te begrijpen. En laat ze hun bevindingen aan het hoger management presenteren. Zo voelen ze zich een gewaardeerd lid van het team en versterken ze hun analyses en begrip van het bedrijf. Het resulteert in betere producten en diensten.

Het juiste instrumentarium

Data scientists zijn van nature nieuwsgierig en creatief en willen graag met de nieuwste technieken werken. Als manager zul je je dus moeten afvragen of de data scientists voldoende technisch geëquipeerd zijn om hun werk goed te kunnen doen. Zijn de tools geschikt voor het werk? Zijn de tools snel genoeg? Langzame dataclusters maken het moeilijk voor data scientists snel te itereren en brengen zowel hun motivatie als creativiteit in gevaar.

Een belangrijk aandachtspunt hierbij is de open source community en de toegang daartoe van de data scientists. Data scientists werken veelal niet in een vacuüm. Ze maken deel uit van een groter universum van peers die samenwerken in een grote open-source beweging. Veel van de beste instrumenten zijn open source. Laat data scientists dus hun favoriete tools installeren en gebruiken ook al staat dit soms op gespannen voet met de doelarchitectuur die door IT is voorgeschreven. Bijkomend voordeel is dat het gebruik van de juiste, geavanceerde tooling een belangrijke indicator is voor de werving van nieuw talent.

De opleidings- en ontwikkelingsmogelijkheden

Het vakgebied van de data scientist ontwikkelt zich in razend tempo. Nieuwe tooling en nieuwe technieken volgen elkaar bij wijze van spreken dagelijks op. In de data science community is er veelal sprake van een norm wat vandaag acceptabel is en wat morgen gebruikt zou moeten worden. Veel data scientists willen deze boot niet missen.

Investeer daarom in hun opleiding, online of aan een lokale universiteit. Geef expliciet ruimte voor ontmoetingen met academici en data scientists van andere bedrijven. Of gun ze de ruimte een deel van hun tijd echt exploratief bezig te zijn naar wat er morgen zou moeten gebeuren. Zeker in de eerste jaren van hun ontwikkeling is de honger naar kennis groot en is ‘inhoudelijk bijblijven’ een belangrijke motivator. 

De vernieuwing in het werk  

De laatste factor is misschien wel de grootste uitdaging om op orde te krijgen. Zoals veel professionals worden data scientists gemotiveerd door het oplossen van uitdagende problemen. En hier zit hem de kneep. De ambitie van het oplossen, is groter dan de neiging het structureel goed in te richten. Vergelijk het met een sudoku waarin er een moment is waarop je je beseft dat de puzzel is opgelost, al heb je de volledige puzzel nog niet ingevuld. 

Dit vertaalt zich in een zakelijke omgeving naar het uitvoeren van repetitieve taken. Taken die wel cruciaal zijn voor een gezonde bedrijfsvoering, maar in het leven van de data scientist een grote dissatisfier zijn. Zorg derhalve altijd dat de uitgevoerde analyses (uiteraard mits waardevol) geautomatiseerd worden en dat modellen daadwerkelijk in productie genomen worden. Het vergt discipline van de organisatie en kent een grotere investering in resources, maar het schept ruimte voor nieuwe interessante vragen voor jouw data scientists om aan te werken. En vraag data scientists met hun eigen vragen te komen. Hert houdt ze scherp en betrokken bij het bedrijf.

Elk bedrijf doet er goed aan deze vier perspectieven mee te wegen in het managen van data scientists. We horen waarom ze stoppen met werken en waarom ze ongelukkig zijn in banen. De meeste klachten komen erop neer dat ze niet de kans krijgen hun volledige potentieel te benutten. Dus vraag jezelf af of je als bedrijf voldoende toegewijd bent aan data en analytics, de professionals hun werk optimaal kunnen doen, ze zich gestimuleerd voelen het uiterste uit zichzelf te halen en of de repetitieve taken voldoende geautomatiseerd zijn. Het overstijgt in ieder geval de vraag naar een hoger salaris of een pizza pepperoni.


Bergen data, maar niemand weet wat je er mee kunt? EY VODW heeft de data scientist die je niet kunt vinden. Met het Data Science Talent Program (DSTP) bieden wij talentvolle millennials met een afgeronde academische opleiding een tweejarig leer-werkprogramma. Na een intensieve introductie worden ze vier dagen per week ingezet bij opdrachtgevers.

Ik zoek een data scientist           Ik wil data scientist worden

Onze blogs direct in je mailbox?

Interessant? Laat een reactie achter