Freelance Interim Financials met impact. Steens & Partners

Chronisch tekort aan Data Scientists breekt op
Het aantal vacatures voor de functie van Data Scientist groeit snel. Deze functionaris verovert in rap tempo een belangrijke plek binnen organisaties en de salarissen voor deze functie stijgen fors. Een onderzoek van het McKinsey Global Institute toont aan dat het gebrek aan analytisch ingestelde functionarissen, en managementtalent om Big Data succesvol in te zetten, momenteel één van de grootste uitdagingen is voor organisaties.
 
De vraag naar Data Scientists is in de afgelopen jaren dan ook met 50% gegroeid en uit onderzoek blijkt dat dit enorme tekort alleen nog maar verder zal oplopen. De jacht op Data Scientists is daarmee geopend. Alle inspanningen zijn gericht op het binnenhalen van het zogenaamde schaap met de vijf poten. De Data Scientist zal vroeg of laat ook binnen jouw organisatie zijn intrede doen. Deze functionaris moet veel in zijn of haar mars hebben om de explosie van nieuwe mogelijkheden die big data biedt te ondersteunen en richting te geven. Maar is dit verwachtingspatroon wel realistisch?
 
Dé Data Scientist bestaat niet
Regelmatig zie ik in vacatureteksten een complete waslijst aan harde functie-eisen, competenties en vaardigheden voorbijkomen waaraan een Data Scientist allemaal moet voldoen. Denk hierbij aan een gedegen universitaire opleiding met als studierichting wiskunde, econometrie of statistiek. Maar ook aan technische analysevaardigheden, zoals goed om kunnen gaan met data mining en bijbehorende software. Daarnaast moet deze functionaris om kunnen gaan met verschillende programmeertalen en tools en in staat zijn hiermee snel resultaten te bereiken.
 
De Data Scientist moet bovendien een onderzoeker zijn die buiten de kaders durft te denken en buiten de lijntjes durft te kleuren. Daarnaast moet hij of zij beschikken over een gedegen kennis van businessprocessen en problemen. En tot slot moet deze figuur een excellente communicator zijn. Hij of zij moet de mogelijkheden en beperkingen van ingewikkelde technologie helder over kunnen brengen en uitleggen.
 
Kort samengevat is de Data Scientist eigenlijk een aanjager van datagedreven werken en innoveren. Maar deze gevraagde superman of supervrouw, oftewel het spreekwoordelijke schaap met de vijf poten, bestaat natuurlijk helemaal niet!
 
Een schaap met vijf poten loopt moeilijk
Bovendien loopt het hypothetische schaap met vijf poten waarschijnlijk moeilijk. Denk je ook niet? Er zijn twee, inmiddels achterhaalde, denkpatronen verantwoordelijk voor het feit dat organisaties momenteel volstrekt irrealistische functie-eisen stellen aan een Data Scientist.
 
De ver doorgevoerde arbeidsdeling in organisaties voldoet tegenwoordig niet meer
Organisaties willen voor een dubbeltje op de eerste rang zitten
Moderne organisaties denken in rollen in plaats van functies
Bij de oude wijze van organiseren zette men standaard alle kaarten op de specialist, die als een soort “reddende engel” de organisatie uit de brand zou moeten helpen. Een wijze van denken die nog dateert uit de tweede industriële revolutie, waarbij ver doorgevoerde arbeidsdeling tot gigantische productiviteitsverbeteringen leidde.
 
Thans staat dit haaks op de moderne visie waarbij een wendbare organisatie en goed geoliede teams hét verschil maken. Bovendien keren steeds meer organisaties op hun schreden terug. Ze kiezen voor het werken in rollen in plaats van functies. Generalistische taken en rollen zijn cruciaal om een dialoog uit te lokken en gaande te houden. En zelforganisatie is tegenwoordig noodzakelijk om agility in je organisatie te realiseren. Zo kunnen organisaties overleven, zeker in een tijd waarin de time-to-market steeds vaker doorslaggevend is.
 
Slimme organisaties wedden nooit op één paard
Het tweede denkpatroon is eigenlijk meer een brevet van onvermogen. Voor de functie van Data Scientist stelt HR samen met de business manager een vacaturetekst op waarin heel veel verschillende competenties, vaardigheden en eigenschappen allemaal in één functie worden geperst. Lees de vacatures er maar eens op na. Intuïtief weet iedereen wel dat één persoon nooit al die taken en rollen in zijn eentje naar behoren kan uitvoeren. Maar het wervingsbudget laat het niet toe om twee of drie mensen aan te nemen.
 
Tegen beter weten in besluit de organisatie vervolgens om op zoek te gaan naar de ideale kandidaat. Die ideale kandidaat wordt nooit gevonden. De kandidaat die uiteindelijk wél wordt aangenomen, brandt in no time op, omdat hij niet kan voldoen aan de overspannen verwachtingen.
 
Het is overigens nog maar de vraag of die superspecialist überhaupt wel gewenst is. Met een superspecialist loop je een reëel risico dat de echte dialoog nooit tot stand komt. Vaak opereert hij of zij namelijk vanuit een ivoren toren. Hierdoor blijven de échte inhoudelijke discussies uit. Op de werkvloer klinkt het bekende riedeltje “U vraagt en wij draaien”, in plaats dat er een stevige discussie ontstaat over de ratio van de voorgestelde oplossingen en verbeteringen. Zo wordt 1+1 nooit 3, de synergie blijft uit.
 
Denk je nog steeds als een Fayolist?
Henri Fayol was een Franse mijndirecteur die een grote bijdrage leverde aan de organisatiekunde aan het begin van de 20ste eeuw. Hij formuleerde een aantal belangrijke principes van organiseren die je nu in gedrag of visie regelmatig nog terug ziet komen. Het waren indertijd geweldige ideeën om schaalbaarheid te creëren, maar thans is dit gedachtegoed minder productief en relevant, zeker voor wendbare, zelfsturende teams.
 
Fayol kwam tot veertien principes van het organiseren, waarvan de volgende vijf de belangrijkste waren: specialisatie, eenheid van commando, formele chain of command, eenheid van richting en tot slot autoriteit en verantwoordelijkheid. Principes die haaks kunnen staan op die van agile teams die wendbaarheid en soms zelfs disruptie voor ogen moeten hebben. Het Fayolistische gedachtegoed heeft vaak geleid tot patronen bij managers en het management die hun keuzes hierop blijven baseren, soms bewust en soms onbewust.
 
Investeer in een betaalbaar Data Science-team
Veranderingen vinden tegenwoordig plaats in de haarvaten van de organisatie, dus alleen teams kunnen de problemen snel aan zien komen, analyseren en met elkaar oplossen. Dit vereist wendbare medewerkers, methoden die kortcyclisch werken ondersteunen en een combinatie en overlap van actuele kennis en schaarse competenties, waaronder die van een Data Scientist. Een team of projectteam maakt graag gebruik van zijn of haar specialistische kennis.
 
Hierbij is het cruciaal om te bepalen voor welke situaties die vijfpotige superspecialisten echt nodig zijn en wanner je met minder toe kan. Dit voorkomt dat je peperdure teams samenstelt die zichzelf nooit zullen terugverdienen. Zo kunnen teamleden met verschillende gradaties van bijvoorbeeld analytische vaardigheden met elkaar prima een vruchtbare dialoog voeren over de betekenis van data en mogelijke oplossingsrichtingen. Zie ook het artikel: Wordt elke BI consultant een Data Scientist?
 
Extra ingrediënten
In de kern kennen we maar een beperkt aantal competentiegroepen. Dit zijn taak- of rolgerichte, intellectuele, emotionele, organisatorische, sociaal/communicatieve en tot slot ontwikkelingsgerichte competenties. Teamcompetenties vormen in onze huidige, agile wereld nog een extra onmisbaar ingrediënt. Hoewel deze competenties eigenlijk grotendeels overeenkomen met de sociaal/communicatieve vaardigheden. Zodra het doel van een project of team duidelijk is, kun je vrij snel in kaart brengen welk van deze competenties je moet inbrengen om de doelen te behalen. Daarbij moet je zorgvuldig nagaan wat het belang is van dialoog, samenwerken, onderscheid en autonomie in het kader van sturen en beslissen. Op basis van deze uitgangspunten wordt dan duidelijk op welke kerncompetenties je de nadruk moet leggen en waar je eventueel een overlap tolereert om snel meters met elkaar te kunnen maken.
 
Professioneel Data Scientist koestert zijn relationele netwerk
De belangrijkste Data Science-vaardigheden zijn relationeel van aard. De bevestiging hiervan valt te lezen in de beschrijving die Hal Varian van Google geeft over Data Science-vaardigheden: ‘The ability to take data – to be able to understand it, to process it, to extract value from it, to visualize it, to communicate it – that’s going to be a hugely important skill in the next decades.’ De meeste van de genoemde vaardigheden hebben alleen zin in relatie tot collega’s. Alleen binnen de context van een groep mensen of tussen twee individuen krijgt data betekenis! Data bevordert en voedt relationele processen.
 
Aan de slag? 7 tips voor een bliksemstart met Data Science
Snel en effectief met Data Science aan de slag? De volgende suggesties helpen je organisatie te accelereren en direct de vruchten te plukken van Data Science.
 
Wat is je overkoepelende plan en wat zijn je doelen? Het ontbreekt organisaties vaak nog aan échte wendbaarheid. Veel bedrijven en managers leven in de waan van de dag en hebben de neiging om overal op te reageren zonder overkoepelend plan voor agile werken en het effectief toepassen van Data Science.
Hoe ziet jouw Data Science-roadmap eruit? Data Scientists opereren veelal in organisaties die traditioneel zijn ingericht, of in settings waar managers nog traditioneel denken. We zien dan ook vaak een groot gat ontstaan tussen de wereld van Business Analytics en Data Science en anderzijds de wereld van de business en commercie. Daardoor blijken goedbedoelde initiatieven uiteindelijk niet succesvol te zijn. Een goede BI-roadmap en samenwerking in een multidisciplinair team kunnen helpen om deze afstand te verkleinen.
Focus op de benodigde kennis en vaardigheden en de overlap daarin in je team, in plaats van al je geld te zetten op dure en onbereikbare supermannen of -vrouwen. Bedenk dat als dergelijke duurbetaalde functionarissen plotseling overstappen naar de concurrent in hun jacht naar een (nog) hoger loon en betere arbeidsvoorwaarden, jouw organisatie het nakijken heeft. Het risico dat cruciale net ingezette processen bij het vertrek van deze sleutelfunctionaris direct stagneren, is levensgroot aanwezig. Data Science vergt een inspanning van het complete team. Heb je een team met de juiste vaardigheden aan boord? Koester dat team en optimaliseer de aanwezige talenten en balanceer de overlappende competenties.
Besteed je aandacht aan samenwerking in investeer in de dialoog. Teams waarin er voldoende veiligheid is om een goede dialoog te voeren over verschillende meningen leveren de beste verbeterideeën en innovaties op.
Investeer in de kerncompetenties die horen bij agile werken en innoveren. Kennis van team- en innovatieprocessen is net zo belangrijk als inhoudelijke kennis. Deze bevorderen de motivatie en productiviteit van de individuele teamleden en het team. Ga na wat het kennisniveau is van team- en innovatieprocessen?
Reflecteer continu op het proces, de onderlinge samenwerking en individuele bijdragen aan het team. Dit stimuleert persoonlijke groei en versnelt de leercurves binnen teams. Dit is een nog een voordeel ten opzichte van een Data Science superspecialist. De feedback in het team maakt kort cyclisch iteratief leren pas echt mogelijk. Dit reflecteren kan je vaak goed ondersteunen met behulp van competenties en de klassieke verbetermethoden, zoals de PDCA-verbetercirkels. Hoe wordt in jouw organisatie reflectie en samenwerking mogelijk gemaakt en ondersteund?
Stel persoonlijke groei centraal in je organisatie, investeer in competentiegroei, groei van het team en stel de organisatiedoelen altijd centraal. Hoe kom ik, het team en de organisatie nu verder? En wie en wat is hiervoor nodig?

Zie onze opdrachten via https://www.steensconsultants.nl/vacatures

Bezoek onze homepage: https://www.steensconsultants.nl/ of lees meer over onze visie & dienstverlening: https://www.steensconsultants.nl/visie