Ruim 3 jaar geleden verzorgden we de eerste leergang Business Data Scientist. Getriggerd door de vele sexy vacature teksten vroegen we ons als docenten af wat een data scientist nu exact tot data scientist maakt? In de vacatureteksten viel ons naast een enorme variëteit ook een waslijst aan noodzakelijke competenties op. De associatie met het (meestal) denkbeeldige schaap met de vijf poten was snel gelegd. Daarnaast sprak uit die vacatureteksten in 2014 vooral hoop en ambitie. Bedrijven met hoge verwachtingen op zoek naar deskundig personeel om de alsmaar groter wordende stroom data te raffineren tot waarde voor de onderneming. Wat komt daar allemaal bij kijken?

Een aantal jaar en 7 leergangen later is er veel veranderd. Maar eigenlijk ook weer weinig. De verwachtingen van bedrijven zijn nog steeds torenhoog. De data scientist komt voor in alle vormen en gedaanten. Dat lijkt geaccepteerd. Maar de kern: hoe data tot waarde te brengen en wat daarbij komt kijken blijft onderbelicht. De relevantie voor een opleiding Business Data Scientist is dus onveranderd. En eigenlijk groter geworden. De investeringen in data science zijn door veel bedrijven gedaan. Het wordt tijd om te oogsten.

Om data tot waarde te kunnen brengen is ‘verbinding’ noodzakelijk. Verbinding tussen de hard core data scientists die data als olie kunnen opboren, raffineren tot informatie en het volgens specificaties kunnen opleveren aan de ene kant. En de business mensen met hun uitdagingen aan de andere kant. In onze leergangen hebben we veel verhalen gehoord van mooie dataprojecten die paarlen voor de zwijnen bleken vanwege onvoldoende verbinding. Hoe belangrijk ook, zonder die verbinding overleeft de data scientist niet. De relevantie van een leergang Business Data Scientist is dus onveranderd. Moet iedere data scientist deze volgen? Bestaat er een functie business data scientist? Beide vragen kunnen volmondig met néé beantwoord worden. Wil je echter op het raakvlak van toepassing en data science opereren dan zit je bij deze leergang precies goed. En dat raakvlak zal meer en meer centraal gaan staan in data intensieve organisaties.

De business data scientist is iemand die als geen ander weet dat de waarde van data zit in het uiteindelijk gebruik. Vanuit dat eenvoudig uitgangspunt definieert, begeleidt, stuurt hij/zij data projecten in organisaties. Hij denkt mee over de structurele verankering van het gebruik van data science in de operationele en beleidsmatige processen van organisatie en komt met inrichtingsvoorstellen. De business data scientist kent de data science gereedschapskist door en door zonder ieder daarin aanwezige instrument ook daadwerkelijk zelf te kunnen gebruiken. Hij of zij weet echter welk stukje techniek voor welk type probleem moet worden ingezet. En omgekeerd is hij of zij in staat bedrijfsproblemen te typeren en classificeren zodanig dat de juiste technologieën en expertises kunnen worden geselecteerd. De business data scientist begrijpt informatieprocessen, kent de tool box van data science en weet zich handig te bewegen in het domein van de belangen die altijd met projecten zijn gemoeid.

De BDS leergang is relevant voor productmanagers en marketeers die data intensiever willen gaan werken, voor hard core data scientists die de verbinding willen leggen met de toepassing in hun organisatie en voor (project)managers die verantwoordelijk zijn voor het functioneren van data scientists.

De leergang BDS 2.0 wordt gekenmerkt door een actie gerichte manier van leren. Gebaseerd op een theoretisch framework dat tot doel heeft om naar de tool box van data science te kijken vanuit het oogpunt van business value staan cases centraal. In die cases worden alle fasen van het tot waarde brengen van data belicht. Van de projectdefinitie via de data analyse en de business analytics naar het daadwerkelijk gebruik. En voor alle relevante fasen leveren specialisten een deep dive. Ben je geïnteresseerd in de leergang. Download dan hier de brochure. http://www.ru.nl/rma/leergangen/bds/

Egbert Philips  

Docent BDS leergang Radboud Management Academy

Director Hammer, market intelligence   www.Hammer-intel.com

In 2015 ben ik samen met de Radboud Management Academy en Business & Decision gestart met de leergang Business Data Scientist. In deze blog ga ik in op één van de belangrijke doelstellingen van de leergang: bedrijven helpen een passend groeipad in big data gebruik te ontwikkelen en doorlopen.

Data Science is een beetje als de buurman die je zijn nieuwe auto met het allernieuwste snufje laat zien. Bijna onmiddellijk bekruipt je het gevoel dat je dat ook nodig hebt. Veel ondernemingen ervaren hetzelfde gevoel wanneer het om data science gaat.

Data is door talrijke technische en sociale ontwikkelingen (Connected economy, mobility, internet of things, willingness to share data) in overvloed aanwezig. Bedrijven herkennen ook dat data meer is dan een bijproduct van operationele processen. Ze zoeken daarom, meer of minder gedreven door de successen van de buurman, naar mogelijkheden om hun eigen bedrijfsvoering te verbeteren. Daarbij gebruikmakend van data als een primaire bron of asset.

Veel ondernemingen vragen zich echter af: (Waar) moet ik beginnen? Wat moet ik ambiëren? Wie heb ik nodig om dit te organiseren? Is het voldoende als ik een stel hard core data scientists in dienst neem? Vanzelfsprekend is er geen ‘one fits all’ antwoord op deze vragen. Deze vragen zijn uitsluitend te beantwoorden wanneer de onderneming een helder beeld heeft op een haar passende data science strategie en bijbehorend groeipad. Wanneer deze ontbreken dreigt mislukking. En frustratie! Niet in de laatste plaats bij de aangenomen data scientists die de oplossing voor bijna alles zouden zijn. Het is immers moeilijk te voldoen aan onbepaalde en oneindige verwachtingen.

Bedrijven kunnen verschillende keuzes maken in hun data science strategie. Deze zijn afhankelijk van hun eigen positie en bedrijfsstrategie. De uitgangspunten voor het laten aansluiten van de data science strategie op de bedrijfsstrategie kunnen verschillen. In de ene groep data-science strategieën (‘executie-strategie’, ‘transformatie-strategie’ en ‘service-strategie’) staat de bedrijfsstrategie niet ter discussie en is het doel van data science de bedrijfsvoering te ondersteunen en optimaliseren. In de andere data-science strategie is het doel juist de ondernemingsstrategie te veranderen. Data is dan een enabler voor fundamentele verandering van de business.

De ene data science strategie is niet beter dan de andere. Bovendien zijn er mengvormen mogelijk en kan de ene strategie de andere in een later stadium volgen. Belangrijker is dat organisaties een expliciete keuze maken en een passende roadmap naar volwassenheid opstellen. De ontwikkeling van de data science afdeling wordt daar vervolgens op afgestemd. De ene data science competentie is namelijk de andere niet. Voor een executie strategie heb je bijvoorbeeld andere mensen en technologieën nodig dan voor een enabler strategie.

Zo kiezen organisaties bewust een eigen data science strategie en groeipad naar volwassenheid. Vanuit dat kader kunnen technologische competenties en tools worden beoordeeld op hun noodzaak en bruikbaarheid. En maakt het gevoel ‘het nieuwste snufje van de buurman ook te moeten hebben’ plaats voor een bewust afweging op basis van ‘behoefte , bruikbaarheid en ontwikkelstadium’.

Op zoek naar meer informatie? Indien je geinteresseerd bent kun je hier een nieuwe brochure aanvragen.

Egbert Philips, https://www.linkedin.com/in/egbert-philips-9548bb2?trk=nav_responsive_tab_profile

Van fouten bij de Belastingdienst kunnen we veel leren

De belastingdienst verkeert opnieuw in zwaar weer. Na de negatieve berichtgeving in 2016 was in Zembla te zien hoe de belastingdienst invulling gaf aan Data Analytics. De broedkamer waarin dat gebeurde stond intern bekend als domein om te 'prutsen en pielen zonder pottenkijkers'.

Wetgeving met voeten getreden

Een overheidsdienst die privacy- en aanbestedingswetgeving met voeten treedt staat natuurlijk garant voor tumult en kijkcijfers. En terecht natuurlijk. Vanuit oorzaak en gevolg denken is het echter de vraag of die wetsovertredingen nou wel het meest interessant zijn. Want hoe kon het gebeuren dat een stel whizzkids in datatechnologie onder begeleiding van een extern bureau (Accenture) in een ‘kraamkamer’ werden gezet. En zo, apart van de gehele organisatie, een vrijbrief kregen voor…….Ja voor wat eigenlijk?

Onder leiding van de directeur van de belastingdienst Hans Blokpoel is er een groot data en analytics team gestart. Missie: alle bij de belastingdienst bekende gegevens te combineren, om zo efficiënter te kunnen werken, fraude te kunnen detecteren en meer belastingopbrengsten te genereren. En zo dus waarde voor de Belastingdienst te genereren. Dit lijkt op een data science strategie. Maar wist de belastingdienst wel echt waar ze mee bezig was? Vacatureteksten die werden gebruikt om data scientists te werven spreken van ‘prutsen en pielen zonder pottenkijkers’.

De klacht van Zembla is dat het team het niveau van ‘prutsen en pielen’ feitelijk niet ontsteeg. Fysieke beveiliging, authenticatie en autorisatie waren onvoldoende. Het was onmogelijk te zien wie bij de financiële gegevens van 11 miljoen burgers en 2 miljoen bedrijven geweest was, en of deze gedownload of gehackt waren. Er is letterlijk niet aan de wetgeving voldaan.

Problemen met data science

Wat bij de Belastingdienst misgaat gebeurt bij heel erg veel bedrijven en organisaties. Een directeur, manager of bestuurder zet data en analytics in om (letterlijk?) slimmer te zijn dan de rest. Geïsoleerd van de rest van de organisatie worden slimme jongens en meisjes zonder restricties aan de slag gezet met data. Uit alle experimenten en probeersels komen op den duur aardige resultaten. Resultaten die de belofte van de 'data driven organisatie' mogelijk moeten maken.

De case van de belastingdienst maakt helaas eens te meer duidelijk dat er voor een 'data driven organisatie' veel meer nodig is dan de vaardigheid om data te verzamelen en te analyseren. Tot waarde brengen van data vergt visie (een data science strategie), een organisatiewijze die daarop aansluit (de ene data scientist is de andere niet) maar ook kennis van de restricties. Daarmee vraagt het om een cultuur waarin privacy en veiligheid gewaarborgd worden. Voor een adequate invulling van de genoemde elementen heb je een groot deel van de ‘oude’ organisatie nodig alsmede een adequate inbedding van de nieuwe eenheid of funct

ie.

Strategie en verwachtingen

Data science schept verwachtingen. Meer belastinginkomsten met minder kosten, hogere omzet of minder fraude. Efficiency in operatie maar ook effectiviteit in klanttevredenheid. Inzicht in (toekomstige) marktontwikkelingen. Dit zijn hoge verwachtingen. Implementatie van data science vraagt echter ook om investeringen. Stevige investeringen in technologie en hoogopgeleide mensen. Schaarse mensen bovendien met kennis van IT, statistiek, onderzoeksmethodologie etc. Hoge verwachtingen die gepaard gaan met stevige investeringen leiden snel tot teleurstellingen. Teleurstellingen leiden tot druk. Druk leidt niet zelden tot het opzoeken van grenzen. En het opzoeken van grenzen leidt tot problemen. De functie van een strategie is deze dynamiek te voorkomen.

Het managen van de verhouding tussen verwachtingen en investeringen begint bij een data science strategie. Een antwoord op de vraag: Wat willen we in welke volgorde volgens welke tijdspanne met de implementatie van data science bereiken? Gaan we de huidige processen optimaliseren (business executie strategie) of transformeren (business transformatie strategie)? Of moet het data science team nieuwe wijzen van werken faciliteren (enabling strategie)? Deze vragen zou een organisatie zichzelf moeten stellen alvorens met data science te beginnen. Een helder antwoord op de strategie vraag stuurt de governance (waar moeten we op letten? Wat kan er fout gaan?) maar ook de verwachtingen. Bovendien weten we dan wie er bij de nieuwe functie moet worden betrokken en wie zeker niet.

Governance en excessen

Want naast een data science strategie vraag adequate governance om een organisatie die in staat is om domeinkennis en expertise uit het veld te kunnen combineren met data. Dat vereist het in kunnen schatten van 'wat kan' en 'wat niet'. En daarvoor heb je een groot deel van de 'oude' organisatie nodig. Lukt dat, dan is de 'data driven organisatie' een feit. Lukt het niet dan kun je wachten op brokken. In dit geval dus een mogelijke blootstelling van alle financiele data van alle 11 miljoen belastingplichtige burgers en 2 miljoen bedrijven. Een branchevreemde data scientist is als een kernfysicus die in experimenten exotische (en daarmee ook potentieel gevaarlijke) toepassingen verzint. Wanneer een organisatie niet stuurt op de doelstellingen en dus data science strategie dan neemt de kans op excessen toe.

Data science is veelmeer dan technologie

Ervaringsdeskundigen weten al lang dat data science veelmeer is dat het toepassen van moderne technologie op grote hoeveelheden data. Er zijn een aantal belangrijke voorwaarden voor succes. In de eerste plaats gaat het om een visie op hoe data en data technologie tot waarde kunnen worden gebracht. Vervolgens gaat het om de vraag hoe je deze visie organisatorisch wilt realiseren. Pas dan ontstaat een kader waarin data en technologie gericht kunnen worden ingezet. Zo kunnen excessen worden voorkomen en wordt waarde gecreëerd voor de organisatie. Precies deze stappen lijken bij de Belastingdienst te zijn overgeslagen.

Zembla

De door Zembla belichtte overtreding van wetgeving is natuurlijk een stuk spannender. Vanuit het credo ‘voorkomen is beter dan genezen’ blijft het jammer dat het goed toepassen van data science in organisaties in de uitzending is onderbelicht.

Bron: Business Data Science Leergang Radboud Management Academy http://www.ru.nl/rma/leergangen/bds/

Auteurs: Alex Aalberts / Egbert Philips

De hipste nieuwe IT-banen

Jongere generaties op de arbeidsmarkt gaan niet meer sec voor een carrière naar de top. Ze willen uitdagend werk en het verschil maken. Wie wil er dan nog een tester zijn of database administrator? Steeds meer ceo’s roepen dat ze een digital company worden. Dan is it niet zozeer een afdeling meer, maar de (toekomstige) kern van het bedrijf. Er ontstaan dan ook nieuwe en echt hippe it-banen. In die wereld is er steeds meer waardering voor technisch talent dat niet zo nodig manager hoeft te worden. Hun werkmotto is simpel: ‘be the best at what you do’.

Ik heb mijn lijstje met de nieuwe Affengeile it-jobs al opgesteld:

1. User experience leader. In deze baan sta je in het midden van de ontwikkeling van fysieke producten en vooral digitale diensten zoals websites, apps en digital services. UX omvat veel meer dan UI ofwel het design van user interfaces. De gehele waardenpropositie en klantreis staan centraal.

2. Business service manager. It is traditioneel horizontaal verdeeld in applicaties, middleware, datacenters en netwerken. Deze ‘lasagne’ is volstrekt irrelevant voor de business - die wil sec een dienst afnemen. Deze omzetting van horizontaal naar verticaal ofwel end-to-end is de verantwoordelijkheid van de business service manager.

3. Data scientist. Met big data komen traditionele datastromen (erp, crm) samen met nieuwe massale datastromen die gegenereerd worden door social media, het internet of things (IoT) en mobiel. Dan heb je data scientists nodig; data-centric management consultants die in de business het verschil gaan maken om big data om te zetten naar bruikbare informatie, de basis voor nieuwe business kansen.

4. Cloud integration specialist. In een hybride wereld van private en publieke clouds wordt je it-landschap fluïde. Organiseren, configureren, data-integratie en probleemoplossing is een nieuw werkgebied waar je specialisten voor nodig hebt die primair de taal van de business spreken.

5. Digital ecosystem architect. In een digital business ecosystem heb je it-architecten nodig die de api-gedreven wereld als de nieuwe norm beschouwen en helpen bouwen aan digitale ketens met andere partijen. In bedrijfstakken waar het internet of things een grote rol gaat spelen, wordt deze functie megabelangrijk.

6. DevOps coach. In het verlengde van Scrum ligt DevOps, gericht op het synchroniseren van softwareontwikkeling en beheer. Doel is zowel maximale versnelling in de change als maximale stabiliteit in de run. Als coach ben je bezig cultureel gescheiden werelden te overbruggen en eenheid te smeden.

7. Vp multi-channel e-commerce. Mobiel, internet en fysieke kanalen worden omnichannel waarbij de klantervaring over alle kanalen naadloos is geïntegreerd en afgestemd. Mobiel gaat een leidende rol spelen, ook bij de klantbeleving op fysieke locaties. Dit is een nieuwe topfunctie in de categorie chief digital officer.

8. Certified ethical hacker. Ethisch hacken is het (bij voorkeur op een georganiseerde en gecontroleerde manier) detecteren van potentiële bedreigingen om de security te verbeteren. Het werkgebied loopt van vulnerability assessments tot penetration testing. Chief information security officers (ciso’s) binnen multinationals en overheden hebben ethical hackers nodig in hun team.

Klassieke it-functies zullen nog wel een tijdje bestaan. Maar wie kijkt naar de transformatie van bedrijven naar ‘digital companies’, zal zien dat de kansen op de leukste én best betaalde banen in de categorie über cool liggen

Bron: Computable

Auteur: Marco Gianotten

15 April 2015

In the digital age, companies are striving for radical reinvention in order to create new, significant and sustainable sources of revenue. Imperfect market conditions such as inefficient matching, information asymmetries or human biases and errors open the door to disruption.

Data is the secret weapon to change the dynamics of competition and spur digital growth. Digital-savvy organizations are conquering markets at a rapid pace by employing data-centric strategies to outpace the incumbents.

For best-in-class organizations, data has meanwhile become a critical corporate asset—similar to land, labor or capital—not just to improve their operations but to launch entirely new business models. 

The advent of artificial intelligence, data analytics and machine learning enable organizations to solve an unprecedented array of business problems—and the emergence of technology is continuously pushing the boundaries even further. 

To jumpstart from center span to front line, McKinsey has identified the following six distinctively different patterns of how organizations can apply data-centric models to turn strategic insights into a competitive advantage, as published in their "The Age of Analytics Report":

Across most verticals, incumbents are used to relying on a standardized set of certain data. Bringing new data all of a sudden to the table to enrich the data already employed can change the dynamics of competition. New entrants utilizing privileged access to these “orthogonal” data sets can cause a disruption in their respective field of business. Rather than replacing existing data silos, orthogonal data typically complements the data in use to enable correlation as well as taping into new territory to gain additional insights.

Matching supply and demand in real-time through digital platforms

Digital platforms are matchmakers that connect sellers and buyers for products or services. They typically provide a transaction-based framework and act as an intermediate to facilitate the sales process. Thanks to data and analytics, platform operators can now do this in real-time and on an unparalleled order of magnitude in markets where matching supply and demand has been inefficient.

Personal transportation is one example where platforms such as Uber, Lyft and Chinese ride-sharing giant Didi Chuxing have expanded rapidly by allowing third parties to put their underutilized assets to work, rather than owning large fleets themselves. By 2030, shared mobility services could account for more than 15 to 20 percent of total passenger vehicle miles globally. This growth—and the resulting disruption to the taxi industry—may be only a hint of what is to come. 

Data and analytics allow “radical personalization”

Data and analytics can discover more granular levels of distinctions, with micro-segmenting a population based on the characteristics of individuals being a powerful use case. Using the resulting insights to radically personalize products and services is changing the fundamentals of competition across many industries, including advertising, education, travel and leisure, media and retail.

This capability could also heavily affect the way health care is provided when incorporating the behavioral, genetic, and molecular data connected with many individual patients. The advent of proteomics, the declining costs of genome sequencing and the growth of real-time monitoring technologies allow generating this kind of new, ultra-fine data. Experts estimate the economic impact could range from $2 trillion to $10 trillion.

Massive data integration capabilities can break down organizational silos

Combining and integrating large-scale data sets from a variety of sources, and breaking silos within an organization to correlate data, has enormous potential to gain insights. However, many organizations are struggling with creating the right structure for that synthesis to take place. 

Retail banking, for instance, is an industry possessing lots of data on customers’ transactions, financial status and demographics. Massive data integration could enable better cross-selling, the development of personalized products, yield management, better risk assessment and more effective marketing campaigns—and ultimately help the institutions become more competitive. In fact, McKinsey estimates the total impact of $110 billion to $170 billion in the retail banking industry in developed markets and approximately $60 billion to $90 billion in emerging markets. 

Data and analytics can fuel discovery and innovation

Innovation can serve as a booster to differentiate and leapfrog competition. Throughout human kind, people have exploring new ideas in an effort to strive for progression. However, with the emergence of artificial intelligence, data mining and machine learning human ingenuity is now being supported, enhanced or even replaced in some instances. 

For example, data and analytics are helping organizations determine how to set up teams, resources and workflows to optimize their outcome. High-performing teams can be many times more productive than low-performing teams. Understanding this variance and how to accomplish more effective collaboration presents a huge opportunity for organizations. Data and analytics can also test hypotheses and find new patterns that may not have even been recognized otherwise. In product innovation, data and analytics can transform research and development in areas such as materials science, synthetic biology and life sciences. 

Algorithms can support and enhance human decision-making

Human decision-making is often muddy, biased and limited. Analytics can help overcome this by taking far more data points into account across multiple sources, breaking down information asymmetries, and adding automated algorithms to make the process instantaneous. 

As the sources of data grow in complexity and diversity, there are many ways to use the resulting insights to make decisions faster, more accurate, more consistent, and more transparent. Besides medical decision support systems to preclude human error when it comes to treatments, smart cities are one of the other prevailing settings for applying the ability of machines and algorithms to scrutinize huge data sets in a blink of an eye. Utilizing sensors to smoothly route traffic flows and IoT-enabled utilities to reduce waste and keep infrastructure systems working at top efficiency are just two of the many smart city scenarios.

Source: Information Management 

Author: Marc Wilczek

Most companies today claim to be fluent in data, but as with most trends, these claims tend to be exaggerated. Com

panies are high on data, but what does it mean to be a data-driven company? I went ahead and asked a number of business leaders.

According to Amir Orad, CEO of Sisense, a business intelligence software provider, true data-driven companies understand that data should be omnipresent and accessible.

"A data-driven company is an organization where every person who can use data to make better decisions, has access to the data they need when they need it. being data-driven is not about seeing a few canned reports at the beginning of every day or week; it's about giving the business decision makers the power to explore data independently, even if they're working with big or disparate data sources."

Asaf Yigal, the co-Founder of Logz.io, ELK as a service cloud platform, agrees, but emphasized the importance of measurability.

"Data-driven complains are companies that relentlessly measure and monitor the pulse of the business and are doing so in a continuous and often automated manner."

Companies often proudly talk about data-driven marketing, but forget that the company itself should be driven by data, internally and externally. It's also important to remember that internal data might help produce information that can be used for marketing and sales purposes.

"There's a lot of talk about data-driven marketing and sales, etc., but not a lot about a company as a whole becoming data-driven," said Manish Sood, the founder and CEO of Reltio.

Bryan Harwood from Outsell sets says a company needs to meet the following three objectives to qualify.

1. It should be able to not only draw data from a variety of internal and external sources, but also be able to blend that data in an analytics engine and distill it down to actionable insights.

2. These insights should drive real-time decision making that infuses every level of the organization.

3. The data should yield quantifiable results downstream that in turn, inform the organization about which data sources are yielding results.

Considering the increasing complexity of data growing larger in size, changing rapidly and spread between many disparate sources, accessibility alone is not enough.

"Being data-driven is not about seeing a few canned reports at the beginning of every day or week; it's about giving the business decision makers the power to explore data independently, even if they're working with big or disparate data sources. They need to be able to ask questions and receive answers that are based on data before the decision is actually made -- today in many places the executive makes a 'gut-instinct' decision and then looks for the data to justify it. But if data is readily available and easy to analyze and to present in visual form, it becomes an inherent part of the decision-making process -- and that's what makes an organization truly data-driven," said Orad.

The surge of a data-driven culture has also had a significant impact on how companies are structured. The complexity of data forces companies to merge different department to harness their individual strengths to make the most of data. Being data-driven means making use of massive quantities of unstructured data – text, video, voice.  In the past this belonged to the IT department which had a tough time

extracting insights from it.

From darkness to light: how to become data-driven

According to most experts, the road to data fluency is not easy or glamorous.

"To become a data-driven company the belief in the importance of the integrity and quality of information needs to perme

ate the culture of the company at all levels. It is not enough to start a formal data governance program, becoming data-driven requires a disciplined shift in the mindset of all employees towards maintaining the integrity and quality of their data," said Chris Jennings, vice president of technology services at Collaborative Consulting.

Yigal from Logz.io asks companies to treat data as religion.

"Companies need to be religious with demanding to see the data before and after changes are being made. Especially in fast moving start-up companies where changes are easily made it's prudent to track the impact of every change."

To make sure data is not only in the hands of IT and other data enthusiasts, organizations need to embrace a switch in culture. 

Most experts agree that business intelligence needs to be in the hands of every decision maker in the company to make sure the entire staff is aligned and fighting the same battles.

"This way, there are no 'different versions of the truth' floating around in disparate spreadsheets, and every user has a consistent experience across platforms," said Ulrik Pederson, CTO of TARGIT.

Once the organization is prepared for the switch, there are three key components of becoming a data-driven organization.

• Build a data warehouse
• Connect the most critical data sources
• Share data through dashboards, analyses, mobile business intelligence, storyboards, and report

As data volume, variety, and velocity increase, so does the organization's ability to make use of it, especially if the cultural and technical elements are in place. Analytics, resources, and skills should not be limited to a few departments, and everyone, from sales to marketing and IT to finance, should leverage the benefits of data.

Source: InfoWorld. This article is published as part of the IDG Contributor Network.

Over the last several years, data analytics has become a driving force for organizations wanting to make informed decisions about their businesses and their customers. 

With further advancements in open source analytic tools, faster storage and database performance and the advent of sensors and IoT, IDC predicts the big data analytics market is on track to become a $200 billion industry by the end of this decade.

Many organizations now understand the value of extracting relevant information from their enterprise data and using it for better decision-making, superior customer service and more efficient management. But to realize their highest potential in this space, organizations will have to evolve from being "data-driven” to being “information-driven.” While these two categories might sound similar, they’re actually quite different.

In order to make a data-driven decision, a user must somehow find the data relevant to a query and then interpret it to resolve that query. The problem with this approach is there is no way to know the completeness and accuracy of the data found in any reliable way. 

An information-driven approach is ideal for organizations in knowledge-intensive industries such as life sciences and finance where the number and volume of data sets are increasing and arriving from diverse sources. The approach has repeatedly proven to help research and development organizations within large pharmaceutical companies connect experts with others experts and knowledge across the organization to accelerate research, lab tests and clinical trials to be first to market with new drugs.

Or think of maintenance engineers working at an airline manufacturer trying to address questions over an unexpected test procedure result. For this, they need to know immediately the particular equipment configuration, the relevant maintenance procedures for that aircraft and whether other cases with the same anomaly are known and how they were treated. They don’t have time to “go hunting” for information. The information-driven approach draws data from multiple locations, formats and languages for a complete picture of the issue at hand. 

In the recent report, “Insights-Driven Businesses Set the Pace for Global Growth,” Forrester Research notes organizations that use better data to gain business insights will create a competitive advantage for future success. They are expected to grow at an average of more than 30 percent each year, and by 2020 are predicted to take $1.8 trillion annually from their less-informed peers.

To achieve this level of insight, here are several ways to evolve into an information-driven organization. 

Understand the meaning of multi-sourced data

To be information-driven, organizations must have a comprehensive view of information and understand its meaning. If it were only about fielding queries and matching on keywords, a simple indexing approach would suffice. 

The best results are obtained when multiple indexes are combined, each contributing a different perspective or emphasis. Indexes are designed to work in concert to provide the best results such as a full-text index for key terms and descriptions, a structured index for metadata and a semantic index that focuses on the meaning of the information. 

Maintain strong security controls and develop contextual abilities

Being information-driven also requires a tool that is enterprise-grade with strong security controls to support the complexities and multiple security layers, and contextual enrichment to learn an organization’s vernacular and language. 

Capture and leverage relevant feedback from searches

As queries are performed, information is captured about the system that interacts with the end user and leveraged in all subsequent searches. This approach ensures the quality of information improves as the system learns what documents are most used and valued the most. 

Connect information along topical lines

Connecting information along topical lines across all repositories allows information-driven organizations to expose and leverage their collective expertise. This is especially valuable in large organizations that are geographically distributed.

As more people are connected, the overall organization becomes more responsive in including research and development, service and support and marketing and sales as needed. Everyone has the potential to be proficient in less time as new and existing employees learn new skills and have access to the expertise to take their work to the next level.

By connecting related information across dispersed applications and repositories, employees can leverage 360-degree views and have more confidence they are getting holistic information about the topic they are interested in, whether it be a specific customer, a service that is provided, a sales opportunity or any other business entity critical to driving the business. 

Leverage natural language processing

A key to connecting information is natural language processing (NLP), which performs essential functions, including automated language detection and lexical analysis for speech tagging and compound word detection.

NLP also provides the ability to automatically extract dozens of entity types, including concepts and named entities such as people, places and companies. It also enables text-mining agents integrated into the indexing engine that detects regular expressions and complex "shapes" that describe the likely meaning of specific terms and phrases and then normalizes them for use across the enterprise.

Put Machine Learning to work

Machine learning (ML) is becoming increasingly critical to enhancing and improving search results and relevancy. This is done during ingestion but also constantly in the background as humans interact with the system. The reason ML has become essential in recent years is that it can handle complexity beyond what’s possible with rules. 

ML helps organizations become information-driven by analyzing and structuring content to both enrich and extract concepts such as entities and relationships. It can modify results through usage, incorporating human behavior into the calculation of relevance. And it can provide recommendations based what is in the content (content-based) and by examining users’ interactions (collaborative filtering).

Taking these steps will help organizations become information-driven by connecting people with the relevant information, knowledge, expertise and insights necessary to ensure positive business outcomes. 

Author: Alexandre Bilger

Source: Information Management

RapidMiner, TIBCO Software, SAS and KNIME are among the leading providers of data science and machine learning products, according to the latest Gartner Magic Quadrant report.

About this Magic Quadrant report

Gartner Inc. has released its "Magic Quadrant for Data Science and Machine Learning Platforms," which looks at software products that enable expert data scientists, citizen data scientists and application developers to create, deploy and manage their own advanced analytic models. According to Gartner analysts and report authors Carlie Idoine, Peter Krensky, Erick Brethenoux and Alexander Linden, "We define a data science platform as: A cohesive software application that offers a mixture of basic building blocks essential for creating all kinds of data science solutions, and for incorporating those solutions into business processes, surrounding infrastructure and products." Here are the top performers, categorized as Leaders, Challengers, Visionaries or Niche Players.

Leaders

According to the Gartner analysts, “Leaders have a strong presence and significant mind share in the data science and ML market. They demonstrate strength in depth and breadth across the full data exploration, model development and operationalization process. While providing outstanding service and support, Leaders are also nimble in responding to rapidly changing market conditions. The number of expert and citizen data scientists using Leaders’ platforms is significant and growing. Leaders are in the strongest position to influence the market’s growth and direction. They address the majority of industries, geographies, data domains and use cases, and therefore have a solid understanding of, and strategy for, this market.” 

KNIME

KNIME is based in Zurich, Switzerland. It provides the KNIME Analytics Platform on a fully open source basis for free, while a commercial extension, KNIME Server, offers more advanced functions, such as team, automation and deployment capabilities,” the report states. Among its strengths: “Well-balanced execution and vision. With a wealth of well-rounded functionality, KNIME maintains its reputation for being the market’s ‘Swiss Army knife.’ Its for-free and open-source KNIME Analytics Platform covers 85 percent of critical capabilities, and KNIME’s vision and roadmap are as good as, or better than, those of most of its competitors.”

Tomorrow nr 2 of Data Science platform suplliers

Source: Information Management

Author: David Weldon

Voor toekomstige en praktiserende data scientists zijn er weinig mogelijkheden om officiële papieren te halen voor hun werkveld. SAS introduceert daarom de SAS Academy for Data Science. Voor Europese deelnemers gaat deze opleiding in september van start in Nederland. In het programma van de SAS Academy for Data Science wordt kennisontwikkeling voor technologieën als big data, advanced analytics en machine learning gecombineerd met essentiële communicatieve vaardigheden voor data scientists.

“De sleutel om concurrentievoordeel te behalen uit de enorme hoeveelheden data zijn analytics en de mensen die ermee kunnen werken”, vertelt Pascal Lubbe, Manager Education bij SAS. “De Academy for Data Science biedt kansen aan professionals die starten op dit gebied of hun capaciteiten verder willen ontwikkelen. Ook kunnen bedrijven een speciaal in-house programma laten ontwikkelen voor hun medewerkers. De studenten werken voor de opleiding met SAS-software, maar zijn bij het afronden van de opleiding breed gekwalificeerd als data scientist.”

De tracks van de SAS Academy for Data Science bestaan uit verschillende elementen; een klassikale instructie, een hands-on case of team project, certificeringsexamens en coaching. Iedere track neemt zes weken in beslag. Door de examens succesvol af te leggen kunnen studenten een of twee diploma’s behalen: SAS Certified Big Data Professional en/of SAS Certified Data Scientist.

Krachtige mix

De SAS Academy for Data Science onderscheidt zich door de krachtige mix van praktische ervaring met analytics, computing, statistics en zakelijke kennis en presentatievaardigheden. De lessen worden geleid door experts, begeleid door een coach en studenten krijgen de beschikking tot de SAS-omgeving.

De opleiding kent twee levels: in het eerste level worden studenten opgeleid om de ‘SAS Certified Big Data Professional credential’ te behalen. Ze leren hoe ze big data kunnen beheren en opschonen en de data te visualiseren met SAS en Hadoop. Level 2 is de opleiding tot gecertificeerd SAS Data Scientist, met predictive modeling, machine learning, segmentatie en text analytics. Ook wordt ingegaan hoe SAS samenwerkt met open source programmeertalen. En minstens zo belangrijk: studenten leren hoe ze met onmisbare communicatieve capaciteiten betekenis geven aan data voor stakeholders.

Analytics-talent

“SAS is bijna 40 jaar actief in het data science-vakgebied waarbij we telkens hebben ingespeeld op de behoeften van klanten. Nu vragen onze klanten om analytics-talent”, zegt Jim Goodnight, CEO van SAS. “Werkgevers vertrouwen gecertificeerde SAS-professionals niet alleen voor het beheren en analyseren van de data, maar ook om de betekenis en gevolgen voor de business te begrijpen. Door de analyseresultaten duidelijk te communiceren kunnen betere beslissingen genomen worden.”

Source: Emerce

2 April 2015

Data Is geen informatie en informatie is nog geen kennis. Het op creatieve doch methodisch verantwoorde manier verwerken van data blijft mensenwerk. Onderzoeksbureau Passioned geeft bijvoorbeeld aan dat de exponentiële aanwas én beschikbaarheid van data en de almaar groeiende behoefte aan analytics ervoor zorgen dat het al bestaande tekort aan data scientists steeds groter zal worden (op basis van een artikel dat al in 2013 in NRC verscheen). De vraag is echter gerechtvaardigd wat een data scientist tot een goede data scientist maakt. Een goede data scientist heeft niet alleen verstand van statistiek, data blending en data visualisatie. Een goede data scientist kan meer. Hij of zij is in staat om data op bedrijfsrelevantie te beoordelen en door middel van analyse toegevoegde waarde voor de business te creëren. En niet in de laatste plaats is hij of zij in staat de gegenereerde inzichten actionable te maken. Dat vereist sociaal communicatieve vermogens. De data scientist kan wel de meest gewilde werknemer van de 21e eeuw zijn. Het is nog niet zo eenvoudig aan het profiel te voldoen.

BI-kring redactie

It’s no secret that data scientists still have one of the best jobs in the world. With the amount of data growing exponentially, the profession shows no signs of slowing down. Data scientists have a base salary of $117,000 and high job satisfaction levels, and according to the LinkedIn Workforce Report, there is a shortage of 151,717 data scientists in the U.S. alone. One explanation for this shortage is that the data scientist role is a relatively new one and there just aren’t enough trained data scientists. That’s why 365 Data Science set out to discover what makes the "typical" data scientist, aiming to dismantle the myths surrounding the role and to inspire some of you to enter the field when you otherwise may have felt like you wouldn’t fit the criteria.

About the study

 1,001 LinkedIn profiles of people currently employed as data scientists were examined, and that data was then collated and analyzed. Forty percent of the professionals in the sample were employed at Fortune 500 companies and 60% were not; in addition, location quotas were introduced to ensure limited bias: U.S. (40%), UK (30%), India (15%) and other countries (15%). The selection was based on preliminary research on the most popular countries for data science where information is public. The first instance of this study was carried out in 2018, when it became clear that data scientists have a wide range of skills and come from an assortment of backgrounds. You can see what skills the typical data scientist used to have XXX The tech industry and business needs are constantly changing entities; therefore, data scientists must change with it. That’s why we decided to replicate the study with new data for 2019. Of course, there were plenty of insights;— which we will discuss in depth— but first, let's a take a quick look at an overview of the typical data scientist. At first glance, we see that the data science field is dominated by men (69%) who are bilingual, and they prefer to program in Python or R;(73%); they have worked for an average of 2.3 years as data scientists and hold a master’s degree or higher (74%). But is this what you must embody to make it as a data scientist? Absolutely not! As we segment the data, we get a much clearer view.

Does where you went to university make a difference?

 In a profession with a six-figure salary and fantastic growth prospects, you wouldn’t be blamed for thinking that Harvard or Oxford graduates' résumés are the ones that find their way to the top of the pile on the desk of any hiring manager. But that’s not the only conclusion we can draw. It was found that a large part of our cohort attended a Top 50 university (31%). The Times Higher Education World University Ranking for 2019 helped to estimate this. But before you lose hope, notice that the second largest subset of data scientists is comprised of graduates of universities ranked above 1,001 or not ranked at all (24%). That said, it seems that attending a prestigious university does give you an advantage — hardly a surprise — but data science is far from being an exclusive Ivy League club. In fact, data science is a near-even playing field, no matter which university you graduated from. So, the data shows that a university’s rank doesn’t greatly influence your chances of becoming a data scientist. But what about your chances of getting hired by a company of specific size? Does a university’s reputation play a role there? Let’s find out!

Are employers interested in where you went to university?

 Great news! The tier of university a data scientist attends seem to have close to no effect on his or her ability to find employment at companies of different sizes. Data scientists are valued everywhere, from Fortune 500 companies to tech start-ups. This reinforces the idea that a data scientist is judged by professional skills and level of self-preparation.That said, almost half of the cohort earned at least one online certificate (43%), with three being the average number of certificates per person. It’s worth mentioning; however, these numbers might be higher in reality — many people do not list certificates that are no longer relevant, even if they would have been beneficial at some point. Think how unlikely it would be for an experienced senior data scientist to boast about a certificate in the fundamentals of Python. Self-preparation is a huge factor in gaining employment, but is there any correlation between the rank of the university you graduated from and whether you took online courses?

Which graduates are more likely to take online courses?

 The assumption was that only be students from lower-ranking universities had to boost their résumés with skills from online courses. But the data tells a different story. The Top 500 ranked universities are split between five clusters. These show similar numbers of graduates who have taken online courses: 39%, 38%, 40%, 39%, and 42%. These percentages are not far from the overall percentage of data scientists in the cohort who report earning a certificate (43%). The 501-1000 cluster does show 55%, which is somewhat higher and may support the notion that graduates from lower ranked universities need more courses. However, when we reach the "not ranked" cluster, the number (47%) is closer to the average. These results show that self-preparation is popular among graduates from all universities and incredibly valuable when preparing for a career in data science. Note: The 1,001+ cluster contains only seven people, which isn't a large enough sample to gain reliable insights. Therefore, these results will not be discussed.

Conclusion

If the results show us anything, it’s that the field of data science is fairly inclusive. As long as aspiring data scientists put in effort to develop their skills, they have a shot at success. While many top careers value a rigid (and sometimes elitist) path to success, data scientists are offered much more flexibility and freedom.

Author: Iliya Valchanov

Source: Oracle

A New Report From Stitch and Galvanize, The State of Data Engineering, Reveals a Shortage of Data Engineering Talent

The focus on big data in 2017 will be on the value of that data, according to John Schroeder, executive chairman and founder of MapR Technologies, Inc. Schroeder offers his predictions on the 6 trends in big data we can expect.

1.Artificial Intelligence is Back in Vogue

“In the 1960s, Ray Solomonoff laid the foundations of a mathematical theory of artificial intelligence, introducing universal Bayesian methods for inductive inference and prediction,” Schroeder explains. “In 1980 the First National Conference of the American Association for Artificial Intelligence (AAAI) was held at Stanford and marked the application of theories in software. AI is now back in mainstream discussions and the umbrella buzzword for machine intelligence, machine learning, neural networks, and cognitive computing. Why is AI a rejuvenated trend? The three V’s come to mind: Velocity, Variety and Volume. Platforms that can process the three V’s with modern and traditional processing models that scale horizontally providing 10-20X cost efficiency over traditional platforms. Google has documented how simple algorithms executed frequently against large datasets yield better results than other approaches using smaller sets. We'll see the highest value from applying AI to high volume repetitive tasks where consistency is more effective than gaining human intuitive oversight at the expense of human error and cost.”

2.Big Data for Governance or Competitive Advantage

“In 2017, the governance vs. data value tug-of-war will be front and center,” Schroeder predicts. “Enterprises have a wealth of information about their customers and partners. Leading organizations will manage their data between regulated and non-regulated use cases. Regulated use cases data require governance; data quality and lineage so a regulatory body can report and track data through all transformations to originating source. This is mandatory and necessary but limiting for non-regulatory use cases like customer 360 or offer serving where higher cardinality, real-time and a mix of structured and unstructured yields more effective results.”

3.Companies Focus on Business- Driven Applications to Avoid Data Lakes From Becoming Swamps

“In 2017 organizations will shift from the ‘build it and they will come’ data lake approach to a business-driven data approach,” says Schroeder. “Today’s world requires analytics and operational capabilities to address customers, process claims and interface to devices in real time at an individual level. For example any ecommerce site must provide individualized recommendations and price checks in real time. Healthcare organizations must process valid claims and block fraudulent claims by combining analytics with operational systems. Media companies are now personalizing content served though set top boxes. Auto manufacturers and ride sharing companies are interoperating at scale with cars and the drivers. Delivering these use cases requires an agile platform that can provide both analytical and operational processing to increase value from additional use cases that span from back office analytics to front office operations. In 2017, organizations will push aggressively beyond an “asking questions” approach and architect to drive initial and long term business value.”

4.Data Agility Separates Winners and Losers

“Software development has become agile where dev ops provides continuous delivery,” Schroeder says. “In 2017, processing and analytic models evolve to provide a similar level of agility as organizations realize data agility, the ability to understand data in context and take business action, is the source of competitive advantage not simply have a large data lake. The emergence of agile processing models will enable the same instance of data to support batch analytics, interactive analytics, global messaging, database and file-based models. More agile analytic models are also enabled when a single instance of data can support a broader set of tools. The end result is an agile development and application platform that supports the broadest range of processing and analytic models.”

5.Blockchain Transforms Select Financial Service Applications

“In 2017 there will be select, transformational use cases in financial services that emerge with broad implications for the way data is stored and transactions processed,” Schroeder explains. “Blockchain provides a global distributed ledger that changes the way data is stored and transactions are processed. The blockchain runs on computers distributed worldwide where the chains can be viewed by anyone. Transactions are stored in blocks where each block refers to the preceding block, blocks are timestamped storing the data in a form that cannot be altered. Hackers find it impossible to hack the blockchain since the world has view of the entire blockchain. Blockchain provides obvious efficiency for consumers. For example, customers won't have to wait for that SWIFT transaction or worry about the impact of a central datacenter leak. For enterprises, blockchain presents a cost savings and opportunity for competitive advantage.”

6.Machine Learning Maximizes Microservices Impact

“This year we will see activity increase for the integration of machine learning and microservices,” Schroeder says. “Previously, microservices deployments have been focused on lightweight services and those that do incorporate machine learning have typically been limited to ‘fast data’ integrations that were applied to narrow bands of streaming data. In 2017, we’ll see development shift to stateful applications that leverage big data, and the incorporation of machine learning approaches that use large of amounts of historical data to better understand the context of newly arriving streaming data.”

Bron: Informatie Manegement, Januari 2017