Het belang van goede communicatie tussen het datateam en de medewerkers:
“Goede communicatie is een van de belangrijkste zaken binnen een goed functionerende organisatie. Echter blijkt in de praktijk dit nog wel eens lastig te zijn. Een goed voorbeeld is de ruis op de lijn tussen het datateam en een medewerker die vraagt of er een wijziging doorgevoerd kan worden op bijvoorbeeld een dashboard.
Medewerkers realiseren zich vaak niet welke impact hun verzoeken hebben op het datamodel. Het gevolg? Verkeerde verwachtingen, in bijvoorbeeld tijd. Zo kan een verzoek dat simpel lijkt, zoals even een nieuwe kolom toevoegen of even wat nieuwe data ophalen, in de praktijk een stuk complexer zijn. De oorzaak? Gebrek aan datageletterdheid bij de betrokken medewerkers. Wat ik dan ook niet snap: Waarom sturen organisaties – die veelal datagedreven in hun visie hebben staan – niet wat meer op het verhogen van de datageletterdheid van medewerkers?” – aldus Fleur Bake, Data intelligence consultant bij Techspread.
7min. Leestijd
Verwachtingen op een lijn!
Wanneer een organisatie streeft naar datagedreven werken, is het verhogen van de datageletterdheid onder het personeel een belangrijke eerste stap. Op deze manier wordt er gezorgd voor draagvlak en zorg je voor een betere communicatie tussen het datateam en de medewerkers die vragen stellen om bepaalde zaken aan te passen.
Een goed praktisch voorbeeld wat binnen organisaties veel gebeurd is dat een medewerker vraagt om een aanpassing in de dataset: bijvoorbeeld het toevoegen van een extra datapunt. Een vraag die simpel lijkt, maar welke in de praktijk zeer complex kan zijn. Hieronder twee soortgelijke situaties waarbij het niveau van impact totaal verschillend is.
"De factuur van een klant wordt nu verstuurt per post, je wilt het e-mailadres hebben zodat je de factuur digitaal kunt versturen.": In deze situatie is het systeem en de tabel al ontsloten. Oftewel de adresgegevens van de klant zijn bekend en staan in de tabel. Je hoeft enkel een kolom aan de tabel toe te voegen voor het e-mailadres. Dit is relatief eenvoudig te realiseren.
"Je wilt inzichtelijk hebben hoeveel uren er aan een klant zijn gewerkt. Deze uren per klant staan in een ander systeem.": In deze situatie moet een nieuw systeem ontsloten worden, waaruit de hoeveelheid uren per klant gehaald kan worden. Daarna moeten de relevante tabellen worden opgehaald, de benodigde berekeningen worden uitgevoerd, en de resultaten worden gevisualiseerd. Dit is relatief complex te realiseren. In beide gevallen kan men denken dat het een eenvoudige vraag is, echter hoeft dit niet altijd het geval te zijn. Het is daarom van groot belang om de basisprincipes van een datamodel goed te begrijpen. In deze nieuwsbrief gaan we hier dieper op in.
Wat is een data model?
Een datamodel is een essentiële tool voor het organiseren en beheren van data binnen een organisatie. Het helpt bij het ophalen van data uit verschillende databronnen en zorgt ervoor dat deze gegevens op een gestructureerde en efficiënte manier beschikbaar zijn voor analyse en rapportage.
Wanneer je als medewerker een vraag stelt aan je datateam, is het belangrijk om te weten welke databronnen wel en niet beschikbaar zijn (in principe kan elke databron worden ontsloten). Dit heeft namelijk invloed op de omvang en complexiteit van je vraag. In de basis mag er gehanteerd worden dat de datamodellen alleen de databronnen bevatten die momenteel nodig zijn voor de analyses en rapportages. Dit kun je navragen bij je datateam.
Het proces van werken met een datamodel omvat meerdere stappen. Hoe meer stappen er dus al (deels) zijn voltooid, hoe makkelijker de vraag over het algemeen te realiseren is, wat duidelijk wordt weergegeven in de onderstaande model.
Connectie met databron:
Het opzetten van een verbinding met de databron.
Ontsluiten van databron:
Het toegankelijk maken van de gewenste data.
Relaties leggen:
Het definiëren van relaties tussen datapunten voor coherende analyses.
Berekeningen uitvoeren:
Het verwerken van de data om benodigde inzichten te verkrijgen.
Visualiseren:
Het presenteren van de data in een begrijpelijke en overzichtelijke vorm.
Een datageletterd team zorgt voor effectievere communicatie met het datateam!
Om effectief te kunnen communiceren met het datateam, is de datageletterdheid van de medewerkers van groot belang. Het datateam heeft vaak specifieke en technische vragen over de datavraagstukken van de medewerkers. Deze vragen kunnen variëren van de frequentie waarmee data wordt vernieuwd tot hoe consistent data wordt verzameld.
Het is essentieel om deze vragen te begrijpen, zodat je met het datateam kunt meedenken en direct aan de voorkant goede keuzes kunt maken. Enkele voorbeelden van vragen vanuit het datateam staan hieronder. Door deze vragen goed te begrijpen en te beantwoorden, kunnen medewerkers beter samenwerken met het data team en ervoor zorgen dat de data effectief wordt gebruikt voor accurate en relevante inzichten, zowel aan de voor- als achterkant.
“Hoe vaak wordt de data vernieuwd?”
Achterliggende vragen: Is de data real-time, dagelijks, wekelijks, maandelijks of minder frequent bijgewerkt? Welke processen zijn afhankelijk van de frequentie van data-update?
Relevantie van de vraag: Het data team moet weten hoe actueel de data is om te bepalen of deze geschikt is voor analyses en rapportages. verouderde data kan leiden tot onjuiste inzichten en beslissingen.
“Wordt de data altijd op dezelfde manier uitgevraagd?”
Achterliggende vragen: Worden gegevens consistent ingevoerd, bijvoorbeeld via verplichte velden of vrije tekstvelden? Hoe wordt de integriteit van de data-invoer gewaarborgd?
Relevantie van de vraag: Consistentie in data-invoer zorgt voor uniforme en betrouwbare datasets. Variatie in data-invoer kan leiden tot fouten en onbetrouwbare analyses, wat de kwaliteit van de beslissingen beïnvloedt.
“Zijn er uitzonderingen op de data?”
Achterliggende vragen: Zijn er specifieke regels of gevallen waarbij de data afwijkt van de norm? Hoe worden deze uitzonderingen gedocumenteerd en beheerd?
Relevantie van de vraag: Uitzonderingen kunnen significante impact hebben op de analyse. Het data team moet deze uitzonderingen begrijpen om nauwkeurige en contextuele interpretaties van de data te kunnen maken.
“Is de data voor verschillende medewerkers hetzelfde of verschillend?”
Achterliggende vragen: Hebben verschillende medewerkers toegang tot dezelfde datasets of zijn er gepersonaliseerde datasets/inzichten? Hoe worden toegangsrechten en dataprivileges beheerd?
Relevantie van de vraag: Het data team moet begrijpen of en hoe data gepersonaliseerd is om analuses op maat te kunnen bieden. Verschillende toegangsniveaus kunnen invloed hebben op de data-integriteit en de bruikbaarheid van de inzichten.
Hebben jullie moeite met dit onderwerp, wij helpen je graag verder!
Zijn jullie als organisatie momenteel druk bezig met het zetten van (de eerste) stappen op het gebied van datagedreven werken, maar lopen jullie vast op het thema datageletterdheid? Wij helpen je graag verder!
We hebben niet alleen het thema datageletterdheid standaard opgenomen in onze trajecten, maar we hebben ook de afgelopen jaren hard gewerkt aan het ontwikkelen van ons eigen kennisplatform. Dit platform omvat diverse (op maat gemaakte) e-learnings, we verzorgen inhoudelijke presentaties en bieden fieldcoaching aan. Dit alles met als doel: één leerplatform voor jouw datakennis!
Bakkie pleur met fleur?
Ben je benieuwd wat wij voor jouw bedrijf kunnen betekenen? Neem dan gerust contact op met Fleur Bake, founder van Techspread.
Wil je meer weten hoe je wij onze klanten datageletterd maken? Wil je dat we eens meekijken met jullie datamodel? Of ben je gewoon benieuwd naar de mogelijkheden op het gebied van data voor jullie organisatie? Neem dan snel contact op voor een ‘Bakkie pleur met Fleur’ ☕ Tot snel.