Overgang van Excel naar een data practice

Overstappen van Excel

Bedrijven beginnen vaak hun data-reis met behulp van Excel-spreadsheets, totdat de complexiteit de mogelijkheden van de tool overstijgt. Uiteindelijk beseft iemand binnen de organisatie, vaak een analist of een zakelijk leidinggevende die bekend is met BI-tools zoals PowerBI, de noodzaak om over te stappen op Business Intelligence (BI) voor geavanceerdere rapportages.

Op dit cruciale moment krijgt die persoon de taak om initiële rapporten te maken, waarmee de eerste stappen worden gezet in de op data gerichte aanpak van het bedrijf. Deze startfase brengt echter zijn eigen uitdagingen met zich mee, die we verder zullen verkennen.

De uitdagingen van een individuele data-professional

“Als je alleen een hamer hebt, ziet alles eruit als een spijker.”

Deze eeuwenoude uitspraak blijft nog steeds waar, zeker in de context van moderne data-analyse vandaag de dag.

Individuele data-professionals, of het nu analisten of ingenieurs zijn, staan vaak voor specifieke uitdagingen die de effectiviteit van hun werk kunnen beïnvloeden.

1. Beperkingen van analisten: Analisten vertrouwen vaak uitsluitend op BI-tools en SQL-query’s, wat kan leiden tot het over het hoofd zien van alternatieve oplossingen. Het gebrek aan diverse tools en perspectieven kan het oplossen van problemen belemmeren en het potentieel voor innovatie beperken. Analisten missen vaak kennis over het belang van een degelijke data-infrastructuur, en de knowhow om deze op te zetten is nog schaarser, mede doordat data-analyse vaak wordt gezien als een niet-technisch vakgebied. Hierdoor geven bedrijven vaak prioriteit aan het aannemen van datawetenschappers of analisten (of het promoten van iemand daartoe) zonder te overwegen of ze de expertise bezitten om een solide basis te leggen.

2. Isolatie van ingenieurs: Wanneer slechts één ingenieur betrokken is, kunnen ze zich isoleren van het bedrijf en zijn analisten. Het overbruggen van deze kloof is essentieel voor een betere samenwerking en succesvolle resultaten.

3. Risico van een enkele datavaardigheid: Het starten van een data-praktijk met slechts één specifieke vaardigheid kan andere cruciale aspecten verwaarlozen, wat vaak het geval is in het begin. Succesvolle analyse-oplossingen vereisen inbreng van zowel het bedrijf als ingenieurs, vergelijkbaar met het belang van full-stack developers in software engineering.

Als conclusie, als je begint met een data-praktijk met slechts één specifieke vaardigheid, loop je het risico andere essentiële aspecten te negeren. Analyse-oplossingen die waarde leveren, hebben inbreng nodig van zowel het bedrijf als ingenieurs.

Elk stukje van de puzzel moet passen bij het gebruiksscenario, de UI/UX en de onderliggende software (of data). Net zoals full-stack developers en DevOps-engineers in softwareontwikkeling, hebben we in data analytics mensen nodig die effectief zakelijke kennis kunnen combineren met technische expertise om succesvolle resultaten te behalen.

De mensenpuzzel in data navigeren

De oplossing voor uitdagingen met betrekking tot data lijkt vaak te liggen in het samenstellen van een volwaardig team, met onder andere een productowner, data scientist, data-engineer, analytisch engineer en BI-analist. Echter, het aannemen en trainen van zo’n team blijft een onrealistische en aanvankelijk overbodige optie voor veel bedrijven, vooral in de vroege stadia van bedrijfsgroei, wanneer het beheersen van data van cruciaal belang is.

Hoewel ad hoc data-verwerking vaak een tijdelijke oplossing is, brengt dit zijn eigen problemen met zich mee, zoals problemen met de kwaliteit van de data, prestatieproblemen en onbruikbare dashboards als gevolg van meerdere entiteiten die onafhankelijk met data werken.

Bedrijven hebben vaak een combinatie van deze rollen nodig, waardoor het wervingsproces uitdagend wordt. Datascientists hebben mogelijk geen expertise in het bouwen van ETL-pipelines, terwijl data-engineers moeite kunnen hebben om bruikbare BI-dashboards te maken.

Een mogelijke oplossing ligt in het adopteren van het concept van een “full-stack data-engineer” (of full-stack data scientist), iemand die uitgerust is met een diverse vaardigheden om verschillende aspecten van data effectief aan te pakken. Hoewel het toevoegen van meer rol-terminologie verwarrend kan lijken, kan deze aanpak een pragmatische manier zijn om data-uitdagingen aan te pakken, vooral voor bedrijven die op zoek zijn naar een gebalanceerd datateam zonder overweldigende complexiteit.

Bij BiteStreams bieden we een flexibel volwaardig datateam, waardoor u over alle kennis en expertise beschikt die u nodig heeft om meer waarde uit uw data te halen. Neem contact met ons op om meer te weten te komen.