De vraag naar datawetenschaptalent groeit en daarmee wordt het steeds belangrijker om datawetenschappers op verschillende posities te hebben. Hoewel datawetenschap een vak apart is, is het niet beperkt tot één branche of vakgebied. Datawetenschappers kunnen zo'n beetje overal in een organisatie impact maken.

Als je een datawetenschapper in spe bent of die richting op wilt gaan, dan weet je dat opleiding de eerste stap is. Buiten het technische curriculum heb je binnen de datawetenschap echter vaardigheden nodig die het vakgebied overstijgen. Als je deze vaardigheden oefent en ontwikkelt, helpt dat om op te vallen tussen de massa sollicitanten en wetenschappers in dit groeiende vakgebied.

Niet-technische vaardigheden

Voor deze vaardigheden is niet zozeer technische training of formele certificering nodig, maar ze zijn fundamenteel voor de zorgvuldige toepassing van datawetenschap op zakelijke problemen. Vandaag de dag heeft zelfs de datawetenschapper met de beste technische vaardigheden de volgende sociale vaardigheden nodig om te slagen.

1. Kritisch denken

Met deze vaardigheid kun je:

• Vragen, aannames en resultaten objectief analyseren
• Inzien welke hulpmiddelen van essentieel belang zijn om een probleem op te lossen
• Problemen vanuit verschillende oogpunten bekijken

Kritisch denken is een waardevolle vaardigheid die in elk beroep van pas komt. Voor datawetenschappers is het extra belangrijk, omdat je niet alleen inzichten moet vinden, maar ook op de juiste manier vragen moet kunnen stellen en begrijpen hoe deze resultaten zich verhouden tot het bedrijf of vervolgstappen organiseren die tot actie leiden.

Het is ook belangrijk om problemen objectief te analyseren als je data interpreteert (dus eerst objectief analyseren, dan pas een mening vormen). Kritisch denken op het gebied van datawetenschap betekent dat je alle invalshoeken van een probleem ziet, rekening houdt met de databron en altijd nieuwsgierig blijft.

2. Effectieve communicatie

Met deze vaardigheid kun je:

• Uitleggen wat datagestuurde inzichten betekenen met betrekking tot het bedrijf
• Informatie dusdanig overbrengen dat de waarde van actie benadrukt wordt
• Het onderzoeksproces en de aannames communiceren die tot een conclusie geleid hebben

Effectieve communicatie is ook een vaardigheid die bijna overal van pas komt. Het maakt niet uit of je net het bedrijfsleven instapt of de CEO bent van een bedrijf, als je gemakkelijk contact legt met anderen, dan helpt dat om dingen snel en gemakkelijk te regelen.

In het bedrijfsleven moeten datawetenschappers bekwaam zijn in het analyseren van data en hun bevindingen vervolgens duidelijk en vlot kunnen uitleggen aan zowel een technisch onderlegd als een niet-technisch onderlegd publiek. Dit kritische element helpt de bevordering van datageletterdheid binnen een bedrijf en vergroot de kansen van datawetenschappers om impact te maken. Wanneer data een oplossing biedt voor verschillende problemen of antwoord geeft op zakelijke vragen, dan vertrouwen organisaties erop dat datawetenschappers zich opstellen als probleemoplosser en behulpzame bemiddelaar, zodat anderen begrijpen welke actie er moet worden ondernomen.

3. Proactieve probleemoplossing

Met deze vaardigheid kun je:

• Kansen identificeren en problemen en oplossingen uitleggen
• Bepalen hoe je problemen benadert door bestaande aannames en hulpbronnen te identificeren
• Op onderzoek uitgaan om de en de meest efficiënte manier identificeren om de juiste antwoorden te vinden

Je kunt geen datawetenschapper zijn zonder problemen te kunnen en willen oplossen. Dat is precies waar datawetenschap om draait. Maar om effectief problemen op te lossen, moet je naast zin hebben om een probleem tot op de bodem uit te zoeken, ook weten hoe je een probleem moet aanpakken om het op te kunnen lossen. Probleemoplossers sporen lastige (verborgen) problemen eenvoudig op en schakelen vervolgens snel over naar hoe het probleem aangepakt kan worden en welke methode de beste antwoorden gaat opleveren.

4. Intellectuele nieuwsgierigheid

Met deze vaardigheid kun je:

• De zoektocht naar antwoorden stimuleren
• Dieper duiker dan oppervlakkige resultaten en eerste aannames
• Creatief denken met een drang om meer te weten
• Steeds 'waarom'-vragen stellen, omdat één antwoord meestal niet genoeg is

Een datawetenschapper moet een intellectuele nieuwsgierigheid hebben en een drang voelen om antwoorden te vinden op de vragen die uit de data naar boven komen, maar ook om antwoorden te vinden op vragen die nooit gesteld zijn. Datawetenschap draait om het ontdekken van onderliggende waarheden en succesvolle wetenschappers gaan altijd net weer een stapje verder.

5. Zakelijk inzicht

Met deze vaardigheid kun je:

• Het bedrijf en diens specifieke behoeften begrijpen
• Bepalen welke organisatorische problemen opgelost moeten worden en waarom
• Data vertalen naar resultaten waar het bedrijf iets mee kan

Datawetenschappers spelen een dubbele rol: ze moeten niet alleen hun eigen vakgebied kennen en met data uit de voeten kunnen, maar ze moeten ook het bedrijf en het vakgebied kennen waarin ze werken. Het is één ding om kennis te hebben van data, maar datawetenschappers moeten ook een diepgaande kennis van het bedrijf hebben—genoeg om actuele problemen op te lossen en te beoordelen hoe data toekomstige groei en succes kan bevorderen.

"Datawetenschap is meer dan alleen maar met nummertjes goochelen: het is een toepassing van verschillende vaardigheden om bepaalde problemen binnen een branche op te lossen", aldus Dr. N.R. Srinivasa Raghavan, Chief Global Data Scientist bij Infosys.

Technische vaardigheden

Dit zijn de vereiste vaardigheden die meestal bovenaan de beschrijving van banen voor datawetenschappers worden opgesomd. Veel van deze vaardigheden worden ontwikkeld en behandeld in opleidingen of zakelijke trainingen. En veel organisaties leggen er steeds meer de nadruk op naarmate hun analyse- en datamedewerkers zich verder ontwikkelen.

6. Vermogen om data voor te bereiden voor effectieve analyse

Met deze vaardigheid kun je:

• Data vinden, verzamelen, rangschikken, verwerken en modelleren
• Grote hoeveelheden gestructureerde en ongestructureerde data analyseren
• Data op de best mogelijke manier voorbereiden en presenteren voor besluitvorming en probleemoplossing

Datavoorbereiding is een proces waarin data wordt klaargemaakt voor analyse en omvat onder andere datadetectie, -transformatie en -opschoning. Het is een cruciaal onderdeel van de analytische werkstroom voor zowel analisten als datawetenschappers. Datawetenschappers moeten taken voor datavoorbereiding begrijpen en inzien hoe die in verband staan met hun datawetenschapswerkstromen, ongeacht het programma dat gebruikt wordt. Datavoorbereidingsprogramma's zoals Tableau Prep Builder zijn gebruiksvriendelijk voor alle niveaus.

Meer informatie over best practices voor datavoorbereiding.

7. Vermogen om selfservice-analyseplatforms te benutten

Met deze vaardigheid kun je:

• De voordelen en uitdagingen van het gebruik van datavisualisatie inzien
• Algemene kennis hebben van marktoplossingen laten zien
• Best practices en technieken kennen en toepassen bij het creëren van anlyses
• Resultaten delen via selfservice-dashboards en -applicaties

Deze vaardigheid past bij de niet-technische vaardigheden, omdat het verband houdt met kritisch denken en communiceren. Selfservice-analyseplatforms helpen bij zichtbaar maken van de resultaten van datawetenschapsprocessen en het verkennen van die data, maar ze helpen ook om de resultaten te delen met minder technisch onderlegde mensen. Wanneer je een dashboard creëert in een selfservice-platform, kunnen eindgebruikers parameters invoeren om hun eigen vragen te stellen en de impact ervan op de analyse direct evalueren, omdat het dashboard op basis van de ingevoerde parameters wordt bijgewerkt.

8. Vermogen om efficiënte en onderhoudsvriendelijke code te schrijven

Met deze vaardigheid kun je:

• Rechtstreeks met de programma's werken die data analyseren, verwerken en visualiseren
• Programma's en algoritmes creëren om data te parseren
• Data verzamelen en voorbereiden via API's

Deze vaardigheid is bijna vanzelfsprekend. Omdat datawetenschappers tot over hun oren in de systemen zitten die ontworpen zijn om data te analyseren en verwerken, moeten zij ook inzicht hebben in hoe die systemen werken. In de datawetenschap worden veel verschillende talen gebruikt. Leer en pas de talen toe die het meest relevant zijn voor jouw rol, branche en zakelijke uitdagingen.

9. Vermogen om wiskunde en statistieken op een juiste manier toe te passen

Met deze vaardigheid kun je:

• Verkennende data-analyse uitvoeren en belangrijke patronen en relaties identificeren
• Rigoureus cijfermatig denken toepassen om het kaf van het koren te scheiden
• De sterke punten en beperkingen begrijpen van verschillende testmodellen en waarom ze de beste optie zijn voor een bepaald probleem

Wiskunde en statistieken spelen net als coderen een kritische rol in datawetenschap. Datawetenschappers werken met wiskundige en statistische modellen en moeten die kunnen toepassen en uitbreiden. Een goede kennis van statistiek maakt het voor datawetenschappers mogelijk om kritisch na te denken over de waarde van verschillende data en de soort vragen die er wel of niet mee kunnen worden beantwoord. Soms is het nodig om nieuwe oplossingen te ontwerpen voor een probleem, wat kan leiden tot het samenvoegen of aanpassen van kant-en-klare analysetechnieken en -programma's. Inzicht in de onderliggende veronderstellingen en algoritmes is van essentieel belang voor het gebruik van deze applicaties.

10. Vermogen om gebruik te maken van Machine Learning en Artificial Intelligence (AI)

Met deze vaardigheid kun je:

• Bepalen hoe en wanneer Machine Learning en AI geschikt zijn voor het bedrijf
• Modellen opzetten en inzetten om productieve AI-oplossingen te implementeren
• Modellen en voorspellingen uitleggen op een manier die nuttig is voor het bedrijf

In de meeste organisaties zal noch AI noch Machine Learning jouw rol overnemen. Je vergroot er jouw waarde als datawetenschapper voor het bedrijf echter wel mee en bovendien kun je hierdoor beter en sneller werken. Zoals een Chief Data Officer onlangs stelde: "Om de belofte van AI en Machine Learning waar te maken, is een aantal typisch menselijke vaardigheden nodig." Hij zegt dus dat weten of je de juiste data hebt, weten wanneer de 'juiste data' de verkeerde dingen toont en vinden van data die 'goed genoeg' is, voordat je bepaalt welk getrainde AI-model het meest geschikt is, de grootste uitdaging is binnen AI.

Waarom dataskills eigenlijk op ieders cv zouden moeten staan

In dit blogbericht, onderdeel van de Generation Data-serie op het Tableau-blog, geeft auteur Midori Ng praktisch advies en redenen om je dataskills op je CV te vermelden. Lees het bericht en maak een stap in de richting van een combinatie van technische en niet-technische datawetenschapskills die je op persoonlijk en professioneel vlak voldoening en succes zullen brengen.

Lees de whitepaper Advanced Analytics in Tableau als je ook geïnteresseerd bent in geavanceerde analysefunctionaliteiten en -scenario's in het Tableau-platform.