Data Booster
4 min lezen
October 5, 2022
Vraag vijf organisaties wat ze met datageletterdheid bedoelen en je krijgt vijf antwoorden, waarvan er minstens twee eigenlijk data fluency beschrijven. Dat verschil is niet academisch zodra je een programma gaat schrijven: het bepaalt wie je opleidt, tot welk niveau, en hoe je straks weet of het gewerkt heeft.
Neem de vergelijking met taal. Geletterdheid is kunnen lezen en schrijven. Fluency is hetzelfde kunnen, maar makkelijk, accuraat en snel. Toegepast op data: datageletterdheid is het vermogen om data te lezen, schrijven, erover te communiceren en ermee te redeneren. Data fluency is dat alles zonder wrijving doen, midden in het dagelijkse werk. Fluency is geen ander vaardighedenpakket — het is hetzelfde pakket op een hoger niveau.
Dat maakt uit, want de meeste organisaties hebben niet iedereen op fluency-niveau nodig. Ze hebben een grote groep nodig die geletterd is, een kleinere groep die fluent is, en een handvol specialisten die verder gaan dan beide.
Toen kwam GenAI en daarmee een derde term. AI-geletterdheid is niet datageletterdheid met een nieuw label. Er zit overlap, maar er komen vaardigheden bij die de oudere definities nooit hoefden te dekken: weten wanneer een model er waarschijnlijk naast zit, output beoordelen die je niet kunt herleiden, begrijpen wat er gebeurt met de data die je in een prompt plakt, en herkennen waar een tool juist niet gebruikt moet worden.
Onder de EU AI Act is die laatste groep vaardigheden niet langer alleen goed gebruik. Organisaties die AI inzetten worden verwacht te zorgen dat hun mensen een toereikend niveau van AI-geletterdheid hebben — daarmee wordt een trainingsambitie iets wat je moet kunnen aantonen.
Het praktische gevolg: datageletterdheid en AI-geletterdheid zijn niet opeenvolgend. Je rondt de een niet af om aan de ander te beginnen. Wie een grafiek niet kan lezen, herkent ook een plausibel maar onjuist antwoord van een AI-assistent niet. Daarom horen ze in één programma en niet in twee die met elkaar concurreren.
Begin bij de capaciteiten die de organisatie nodig heeft en werk terug naar de vaardigheden die elke groep daadwerkelijk gebruikt. Rollen vragen echt verschillende trajecten — een traject voor iemand die dashboards leest lijkt in niets op dat van iemand die ze bouwt.
Wij werken met vier brede groepen: users die met dashboards, rapporten en assistenten werken; builders die een businessdomein door en door kennen en data gebruiken om ernaar te handelen; specialists die de data en de modellen bouwen en onderhouden; en leaders die bepalen waar AI waarde oplevert en hoe risico wordt beheerst.
Binnen elke groep tellen zowel harde als zachte vaardigheden. Data schrijven leunt op harde vaardigheden in tools als SQL en Tableau. Communiceren met data is vooral zacht: de juiste vraag stellen, en een antwoord omzetten in iets waar een collega mee verder kan. Beide zijn te leren, en geen van beide is optioneel.
Niveaus zijn nuttiger dan labels. Een staafdiagram goed lezen is een basisvaardigheid. Een verdedigbare causale conclusie uit een experiment trekken is expertniveau. Per rol het niveau benoemen en daar met een assessment voor en na op meten, zegt veel meer dan de keuze tussen "geletterdheid" of "fluency".
Eén waarschuwing die we vaak tegenkomen: als iedereen hoog scoort op je nulmeting nog vóór het programma begint, is het assessment te makkelijk — niet de organisatie al vaardig. Een nulmeting zonder ruimte omhoog kan niets aantonen.
En hoe je het ook noemt: het houdt niet op. Tools veranderen, modellen veranderen, en wat twee jaar terug als fluent gold is nu de ondergrens. De nuttige vraag is niet welke term je gebruikt, maar of je de lat nog steeds hoger legt.
Lid van
Genomineerd
