Netherlands Alle websites

Netherlands

Data science: het gaat ook om de 'soft skills'!

Toolbox

Deel per email

Neem contact op

Deel

Open Data science: het gaat ook om de 'soft skills'!

Data science: het gaat ook om de 'soft skills'!

Publicatie : 12/05/16

Auteur: Tames Rietdijk

 

Big data en Data science zijn momenteel de ingredienten van een grote hoeveelheid (nog) niet ingevulde vacatures. Om hier als kandidaat of talent op de arbeidsmarkt optimaal van te profiteren, moet je je echter niet alleen richten op (het ontwikkelen van) je technische en statistische kennis en vaardigheden. Ook de zogenaamde 'soft skills' als bijvoorbeeld empathie, flexibiliteit en communicatieve vaardigheden zijn relevant voor een succesvolle analyse. In dit artikel wil ik er 3 uitlichten: analytisch redeneer vermogen, het formuleren van conclusies en het presenteren van je resultaten. Deze zijn bewust gekozen: ze volgen op een natuurlijke wijze het proces van buiten naar binnen (van data naar inzicht), om vervolgens de conclusies weer van binnen naar buiten 'te brengen'.

 

Analytisch redeneervermogen helpt je om op basis van feiten tot de juiste conclusies te komen. Dit gestructureerde denkproces bestaat uit 3 stappen:

  1. Het onderscheiden van feiten en aannames in de data en informatie die je analyseert,
  2. Het wegen van de argumenten die je analyse oplevert (onderbouwend of tegensprekend, direct of indirect, etc.),
  3. Het formuleren van je conclusies op basis van de observaties tijdens je analyse en de eerdere 2 stappen.

 

Uiteraard is de probleemdefinitie of hypothese bepalend voor de inhoud van deze 3 stappen, maar ook voor wat je met je conclusie doet (de actie of opvolging). In de praktijk zal dit denkproces zich dan ook vele malen herhalen; een eerdere hypothese wordt veelal vervolgt door een scherper geformuleerde hypothese, waarvoor dit denkproces nogmaals wordt doorlopen.

 

Ben je toe aan het formuleren van een conclusie dan kun je een onderscheid maken tussen een beschrijvende en een voorspellende conclusie (descriptive versus predictive). Dit concentreert zich rond het 'wat' en is het verschil tussen wat er is gebeurd en wat er gaat gebeuren. Wat je je zou moeten afvragen, is of je je beperkt tot deze correlatie of dat je ook wilt proberen een eventueel causaal verband te verklaren, het 'waarom' achter het 'wat'. In het uiterste geval kunt je nog iets verder gaan en streven naar 'presciptive' conclusie. Deze vorm beoogt ook te verklaren wat de mogelijke consequenties van je conclusie binnen de scope van je opdracht of onderzoek zijn, of zelfs de mogelijke consequenties van je conclusie in het algemeen.

 

Bij het presenteren of communiceren van je conclusie vind ik niet dat je je boodschap moet 'framen' om een specifiek doel te bereiken. Wel vind ik dat je je af moet vragen hoe je publiek de conclusies van je onderzoek gaat interpreteren. In communicatie -termen: je bent als zender van informatie mede verantwoordelijk voor de manier waarop je informatie wordt ontvangen. Kan je publiek de boodschap aan? Dit beinvloed zowel de keuze voor de vorm van je conclusie (descriptive/predictive en prescriptive) als de formulering van je conclusie zelf. En minstens zo relevant is het medium dat je kiest, het verhaal waarin je de boodschap die je wilt overbrengen verpakt (story telling!) als je persoonlijke presentatie (intonatie, fysieke houding, etc.).

 

Een mooi voorbeeld vind ik nog altijd het onderzoek naar de kans op recidive bij delinquenten in een Amerikaanse gevangenis. Het onderzoek toonde aan dat bij een groep met een specifieke combinatie van kenmerken, waaronder de wijk waar iemand woonde, de kans op recidive 100% was. Dat betekende dat deze personen gegarandeerd weer een misdrijf of misdaad zouden plegen en op basis daarvan terug zouden keren in diezelfde gevangenis. Wat de onderzoekers zich in dit geval heel goed realiseerden, was dat deze conclusie voor veel ophef zou zorgen. Ook begrepen zij dat het vrijlaten van deze personen de maatschappij zowel materieel als immaterieel schade zou opleveren. En laat dit nou net de opening voor de oplossing zijn! Als de kans op recidive 100% is, geldt dat ook voor de kans op deze kosten. Wat de onderzoekers hebben voorgesteld, is om te testen wat de resultaten zijn als deze kosten op een ander moment gemaakt worden. Bijvoorbeeld direct na hun vrijlating, als reclasseringsbudget om de betreffende personen te begeleiden naar een meer eervol en rechtschapen bestaan. Met hele goede resultaten tot gevolg!

 

Binnen de opleiding Business Data Scientist aan de Radboud Management Academy besteden we ook veel aandacht aan deze sociale kant van data science. Indien je geinteresseerd bent kun je hier de nieuwe brochure aanvragen.

 

Dit artikel is ook hier op Linkedin gepubliceert.

Vorige pagina

Alle blogs

  • Volg ons op:
  • Facebook
  • Linked In