Data- en AI-vaardigheden voor de financiële sector

De financiële sector heeft data al decennia in het hart zitten. Risicomodellen, prijsstelling, kapitaalvereisten: de kwantitatieve kant is volwassen, vaak volwassener dan de sector krediet voor krijgt. Juist daarom ziet vaardigheden opbouwen er hier anders uit dan elders.

Het gat zit zelden bij het datateam. Het zit bij iedereen eromheen. De hypotheekadviseur die een risicoscore leest, de schadebehandelaar die naast een AI-assistent werkt, de product owner die bepaalt of een AI-toepassing überhaupt de moeite waard is. Zij hoeven geen modellen te bouwen. Ze moeten genoeg begrijpen om tegen te spreken wat ze voorgeschoteld krijgen, en om te weten waar de grens ligt.

En die grens is echt. Model risk management, toezicht door DNB en de ECB, en de indeling als hoog risico in de AI-verordening voor kredietwaardigheidsbeoordeling wijzen allemaal dezelfde kant op: een programma dat governance als sluitstuk behandelt, is een programma dat de tweede lijn tegenhoudt. Wij bouwen het vanaf het eerste cohort in, in plaats van er achteraf een compliancemodule aan te plakken.

We beginnen bij wat er in het werk moet veranderen, niet bij een catalogus. Het gedrag waar het hier om gaat is heel concreet: een collega die leest wat een model teruggeeft, ziet dat het niet past bij het dossier dat voor hem ligt, en dat ook zegt — met een onderbouwing die de tweede lijn accepteert. Dat is een vaardigheid, en die is te leren.

Daar zijn drie dingen tegelijk voor nodig. Kennis van wat een model wel en niet kan dragen, en waar de toezichthouder de grens legt. Vaardigheid in de tools waar mensen echt in werken, geoefend in de browser op jullie eigen rapportages en casuïstiek, want zo oefenen is ongeveer zes keer effectiever dan video kijken (Carnegie Mellon). En de gewoonte om eerst naar het cijfer te vragen en dan pas naar de mening, en die ontstaat alleen als mensen het op echt werk oefenen in plaats van op een casus uit een boekje.

Adoptie is het deel dat de meeste programma's overslaan. Cohorten draaien met een kick-off, live sessies en Data Champions uit je eigen teams, en aan het eind dragen we het eigenaarschap over aan jullie L&D en community zodat het zonder ons doorloopt. De groei wordt gemeten vanaf een nulmeting vóór de start en afgezet tegen andere organisaties, zodat je een verandering in bekwaamheid kunt laten zien in plaats van een afvinklijst.

In de financiële sector werken we onder meer met Rabobank, ING, PGGM en Allianz Partners.

Over al onze klanten heen ronden cohorten af op 79% in de afgelopen twaalf maanden, over ruim 10.000 learners, tegenover een branchestandaard van ongeveer 12%.

Medeoprichter Wouter Neef werkte bij ING voordat hij Data Booster begon. De beperkingen op deze pagina zijn voor ons dus niet theoretisch: model risk management, een tweede lijn die moet tekenen, en collega's die een score moeten kunnen tegenspreken zonder er ooit zelf een te bouwen.