Persona's
Niet iedereen heeft dezelfde data- en AI-literacy nodig. Een klantenservicemedewerker die een dashboard leest, een marketingmanager die een AI-workflow ontwerpt, een data engineer die de pipeline eronder bouwt en een directeur die beslist waar geld naartoe gaat: dat vraagt elk iets anders. Ons Data & AI Skills Framework verdeelt de organisatie in vier persona's, zodat een programma gericht is op echte functies in plaats van op iedereen tegelijk.
Achter de persona's zit ons Data & AI Skills Framework: 21 vaardigheidsdomeinen in vier categorieën, met ruim 900 vaardigheden eronder. Daarmee meten we waar iemand echt staat, richten we een training op het gat, en meten we groei in data- en AI-literacy in plaats van aanwezigheid.
Elk van de vier persona's heeft eigen vaardigheidsdomeinen en niveaus. Daarom lijkt een training voor een Data & AI-gebruiker in niets op die voor een Data & AI-specialist. Specialistentrajecten bouwen we op maat in plaats van uit een catalogus — neem contact op over wat jullie datateam nodig heeft.
Drie groepen, drie verschillende startpunten — en drie verschillende dingen waardoor het ging leven.
Eerst dacht ik dat het heel technisch zou worden, maar het was juist goed te volgen. Het liet me beseffen dat ik AI vaker gebruik dan ik dacht.
Data & AI-gebruiker
Learner, AI Literacy Fundamentals
De praktijkopdrachten waren het sterkste onderdeel. Daarmee wordt de training niet iets wat je leert, maar iets waarmee je daadwerkelijk aan de slag kunt.
Data & AI-bouwer
Learner, Data & AI School
Wat Data Booster voor ons onderscheidt, is dat de trainingen vanaf dag één speciaal voor Jaarbeurs zijn ontwikkeld. De diepgaande ontdekkingsfase zorgde ervoor dat de inhoud direct aansloot bij de dagelijkse praktijk van onze mensen.
Staat je vraag er niet bij? Neem gewoon contact met ons op.
Met een vaardigheidsmeting aan het begin van het programma. Functietitels zijn een startpunt, geen antwoord — een marketingmanager is bij de één een gebruiker en bij de ander een bouwer. De meting zet mensen naast het framework, en omdat die vóór dag één loopt kun je cohorts ook op niveau indelen in plaats van op afdeling.
Mensen schuiven. Een gebruiker die dashboards gaat bouwen wordt een bouwer, en bouwers die doorgroeien naar leiding hebben de vaardigheden van een leider nodig. We richten een training op waar iemand vandaag echt werkt, en meten opnieuw als het programma loopt.
Nee. Veel organisaties beginnen bij de gebruikers, omdat dat de grootste groep is en de basis voor de rest. Dat schaalt twee kanten op — we hebben dit gebouwd voor een bedrijf van 300 mensen en voor een academy voor een organisatie van 6.000 mensen in meerdere landen en talen. Wat we wél aanraden: sla de leidinggevenden niet over. Teams zien snel of data en AI echt meedoen in de besluitvorming.
Die vormen de vierde persona in ons framework: de Data & AI-specialist. Bij die groep is de techniek zelden het gat — een businessvraag vertalen naar een analyse, en de uitkomst terug naar een besluit, meestal wel. Specialistentrajecten bouwen we op maat in plaats van uit een catalogus, dus het is een gesprek en geen traject van de plank.
De aanpak wel — cohort-based, hands-on, opdrachten op jullie eigen tools en data. De inhoud niet. Elke persona krijgt een eigen training, gericht op de vaardigheidsdomeinen die voor die groep tellen.
Ja, en dat is nu de vraag die we het vaakst krijgen. Agents verschuiven het werk van zelf doen naar specificeren, controleren en eigenaar zijn — dat verandert wat gebruikers en bouwers nodig hebben, maar het is geen reden om een van beide groepen over te slaan. Sommige organisaties draaien al duizenden agents, andere nog geen één, dus we bepalen het niveau van de agent-inhoud per organisatie en helpen leidinggevenden doordenken wat het betekent voor rollen en functiehuizen.
Lid van
Genomineerd
