AI Development
April 23, 2025
11 minuten leestijd
In de wereld van vandaag is data meer dan alleen een bijproduct van bedrijfsactiviteiten. Het is een strategisch middel. Veel organisaties investeren in data tools en technologieën. Toch ligt de echte uitdaging in het creëren van een cultuur waarin data wordt begrepen, vertrouwd en consequent gebruikt wordt om beslissingen te sturen op elk niveau. Hoe dit te doen? Dat is een van de belangrijkste vragen die Max Golikov, host van de Innovantage-podcast en CBDO bij Sigli, besprak met zijn gast Dr. Carsten Bange.
Dr. Bange is de oprichter en CEO van BARC en een expert marktanalist op het gebied van data-analyse en AI. Al meer dan 25 jaar richt hij zich op het evalueren van softwareleveranciers en technologieën, waarbij hij organisaties helpt geïnformeerde beslissingen te nemen op basis van markttrends, sterke en zwakke punten van verschillende oplossingen.
Hoewel BARC begon als een technologisch adviesbureau, breidde het al snel uit. Tegenwoordig ondersteunt het bedrijf ook klanten met data- en AI-strategie, organisatieontwikkeling en datagovernance. Dit alles vormt een cruciale basis voor succesvolle analytics-initiatieven.
Een belangrijk aandachtsgebied van Dr. Bange is datacultuur, de menselijke kant van data-gedreven transformatie. Zoals hij benadrukte, kunnen zelfs de meest geavanceerde technologieën falen zonder de juiste mentaliteit, vaardigheden en betrokkenheid van mensen. Gebrek aan adoptie is vaak geen technisch probleem, maar een cultureel probleem.
Om dit idee te promoten, lanceerde hij The Data Culture Podcast. Hij interviewt professionals en leiders die hun ervaringen delen over het opbouwen van een sterke datacultuur binnen hun organisaties.
Zoals Carsten uitlegde, verwijst datacultuur naar de ongeschreven regels die bepalen hoe organisaties met data werken. Het omvat de waarden, overtuigingen en gedragingen die het effectieve en ethische gebruik van data in de hele organisatie ondersteunen.
In de kern definieert datacultuur hoe mensen over data denken, ermee omgaan, hoe ze het gebruiken en voor welke doeleinden. Daarnaast bepaalt het hoe organisaties data benutten om besluitvorming, procesverbetering en innovatie te stimuleren.
Een van de meest voorkomende vragen waar organisaties mee te maken hebben, is: "Hoe bouw je een sterke datacultuur op?"
Dr. Bange benadrukte dat "datacultuur datastrategie als ontbijt eet", omdat zelfs de beste datastrategieën falen zonder het juiste gedrag en denkwijzen.
Datacultuur implementeren gaat niet om het uitvaardigen van een richtlijn. Cultuur kan niet aan- of uitgezet worden. Het moet worden beïnvloed door voortdurende, gerichte inspanningen.
Carsten deelde zijn raamwerk waarmee organisaties aan de slag moeten gaan als ze hun datacultuur willen verbeteren.
Dit raamwerk omvat 6 gebieden.
Het verbeteren van datageletterdheid is vaak het beginpunt. Medewerkers bijscholen, hun vertrouwen en competentie met data vergroten, evenals een gedeeld begrip van de waarde ervan bevorderen, zijn fundamentele stappen.
Datacultuur hangt af van data-toegang. In veel organisaties is deze beperkt, ofwel door technische beperkingen of restrictieve toegangsrechten.
Er zijn twee modellen van data-toegang. Het eerste is "need-to-know", waarbij toegang moet worden aangevraagd en goedgekeurd. Het tweede is "right-to-know", waarbij data standaard open is, tenzij het gevoelige informatie betreft, zoals HR of persoonlijke gegevens. Het laatste bevordert vertrouwen, openheid en initiatief. Mensen hebben toegang tot data en kunnen deze gebruiken om voordelen voor hun organisaties te creëren.
Volgens Carsten speelt communicatie een cruciale rol in het bereiken van mensen en het vormen van hun gedrag rond data. Om een sterke datacultuur op te bouwen, moet leiderschap consistent de strategische waarde van data communiceren naar medewerkers. Ze moeten laten zien hoe data aansluit bij bedrijfsdoelen en een concurrentievoordeel ondersteunt. Het is ook de moeite waard om succesverhalen en rolmodellen te delen. Echte voorbeelden van hoe data resultaten heeft opgeleverd, zoals hogere omzet of nieuwe klanten, kunnen anderen motiveren hun houding tegenover data te veranderen.
Een succesvolle datastrategie moet gebaseerd zijn op de bestaande datacultuur. Ambities voor bedrijfsbrede AI of geavanceerde analytics zijn onrealistisch als medewerkers de tools, vaardigheden of toegang tot data missen.
Te vaak zijn strategieën te technisch. Ze richten zich op architectuur of infrastructuur, maar vergeten de mensen die die tools moeten gebruiken. Datacultuur moet een integraal onderdeel zijn van elke datastrategie om afstemming met de organisatierealiteit te garanderen en echte uitvoering te ondersteunen.
Sterk leiderschap is cruciaal voor het bevorderen van een data-gedreven cultuur. Hoewel initiatieven van onderaf waardevol zijn, bereiken ze een limiet zonder steun van bovenaf. Senior leiders moeten data-initiatieven actief promoten en het gedrag modelleren dat ze willen zien.
Carsten wees erop dat de grootste blokkades vaak in het middenmanagement liggen, waar beslissingen over middelen en toegang worden genomen. Als middenmanagers steun onthouden, kan dit culturele vooruitgang vertragen.
Dit onderdeel draait om balans. Te weinig governance leidt tot chaos, te veel creëert angst en weerstand. Overdreven strenge regels of juridisch zware processen kunnen mensen ontmoedigen om überhaupt met data te werken.
Effectieve datagovernance moet data-gebruik mogelijk maken, niet beperken. Het moet medewerkers begeleiden, data-kwaliteit ondersteunen en duidelijkheid creëren zonder angst aan te jagen. In een positieve datacultuur wordt governance gezien als hulp, niet als hindernis.
Volgens Carsten is bedrijfsgrootte niet de bepalende factor als het gaat om profiteren van een sterke datacultuur. Dat is een conclusie die hij heeft getrokken na jarenlang werken met diverse organisaties en het interviewen van bijna 150 gasten in The Data Culture Podcast.
Natuurlijk hebben grote organisaties vaak meer middelen om met data te werken. Ze kunnen bijvoorbeeld speciale datacultuurteams vormen. Zulke teams kunnen zich uitsluitend richten op het bevorderen van datageletterdheid, interne communicatie-inspanningen leiden en evenementen organiseren zoals jaarlijkse prijsuitreikingen voor succesvolle dataprojecten.
Deze gestructureerde aanpak stelt hen in staat datacultuurinitiatieven binnen het hele bedrijf op te schalen.
Kleinere bedrijven hebben misschien geen formele teams, maar kunnen wel dezelfde principes toepassen. Hoewel de schaal en uitvoering verschillen, blijven de kernconcepten en het raamwerk volledig toepasbaar.
In zijn gesprek met Max noemde Carsten een sterke link tussen de algemene bedrijfscultuur en het succes van datacultuurinitiatieven. Zo slagen organisaties die naar dataproducten toe bewegen vaak wanneer hun bedrijfscultuur al samenwerking, openheid en kennisdeling bevordert. Daarentegen hebben organisaties met versnipperde culturen vaak moeite met dergelijke aanpakken.
Onder de voorlopers in datacultuur noemde Carsten Merck, een wereldwijde farmaceutische leider, met een toegewijd data-team.
Voor de eerste pan-Europese Data Culture Summit voerde Bange een studie uit om organisaties te identificeren die actief investeren in datacultuurrollen. Het onderzoek, gebaseerd op LinkedIn-data, toonde aan dat:
De financiële dienstverleningssector, inclusief banken en verzekeringen, is momenteel het meest actief in datacultuur, goed voor meer dan de helft van alle geïdentificeerde rollen. Dit komt waarschijnlijk door de data-intensieve aard van de sector en strikte regelgeving voor datagovernance en -kwaliteit.
Effectieve datagovernance moet aansluiten bij de structuur en operationele realiteit van een organisatie. "One-size-fits-all"-modellen werken niet. Het model moet worden aangepast op basis van centralisatie of decentralisatie.
Veel organisaties bewegen tegenwoordig naar decentralisatie van structuur en data-eigendom. Dit weerspiegelt een langetermijntrend in data en analytics: verantwoordelijkheid en eigendom verschuiven naar bedrijfsunits. Dit gaat vaak gepaard met het decentraliseren van platforms, tools en toegang.
Zo'n verschuiving daagt traditionele ideeën uit om alle data op één plek te centraliseren. De ooit dominante datawarehouse-aanpak, die gericht was op centrale consolidatie van data, is voor veel organisaties niet langer praktisch. De groei van datavolumes, de opkomst van realtime IoT-data en toenemende complexiteit maken het moeilijk (soms zelfs onmogelijk) om alle data op één plek te brengen.
In plaats daarvan volgen moderne data-architecturen vaak gedistribueerde modellen, zoals data fabric, die helpen een samenhangend kader voor interoperabiliteit en governance te behouden.
Volgens Dr. Bange is de motor achter decentralisatie in data en analytics de noodzaak om data-gebruik binnen de organisatie te schalen. Om een sterke datacultuur te creëren, moeten bedrijven meer mensen in staat stellen actief met data en analytics-tools te werken. Gecentraliseerde modellen creëren vaak knelpunten in data-toegang of de beperkte beschikbaarheid van centrale data-teams.
In veel gevallen zijn centrale data-teams overweldigd en kunnen ze de groeiende vraag naar analytics niet volledig ondersteunen. Als gevolg moeten bedrijfsunits beslissen of ze moeten wachten of zelf het initiatief moeten nemen.
Decentralisatie wordt hier een logische stap. Dankzij deze aanpak kunnen teams hun eigen data benaderen en integreren, lokale data-capaciteiten opbouwen en autonoom handelen.
Een groot voordeel van decentralisatie is de nabijheid van domeinkennis. Domeinexpertise is cruciaal voor het bouwen van zinvolle analytics- of AI-modellen. Dichter bij de daadwerkelijke bedrijfsprocessen kunnen teams relevante use cases identificeren, stakeholders vroeg betrekken en echte adoptie waarborgen.
Dit is vooral belangrijk bij de overgang van pilot-AI-projecten naar bedrijfsbrede implementatie. De grootste uitdagingen in deze fase zijn vaak organisatorisch, niet technisch. Het opschalen van AI en analytics vereist veranderingen in workflows en het inbedden van nieuwe tools in bestaande processen. Deze problemen kunnen sneller worden aangepakt wanneer data-teams binnen bedrijfsunits zijn geïntegreerd.
Volledige decentralisatie is echter vaak niet de beste keuze. Hier komen hybride modellen in beeld.
Hybride modellen bieden de meest praktische en schaalbare weg voor organisaties die datagovernance navigeren. Dr. Bange legde uit dat deze aanpak een balans vindt tussen centrale controle en gedecentraliseerde autonomie. Het kan zich aanpassen aan organisatorische complexiteit terwijl het groei mogelijk maakt.
Er zijn twee belangrijke redenen om bepaalde aspecten van governance te centraliseren. Ten eerste zijn sommige onderwerpen te kritiek om aan individuele teams over te laten. Regelgevende compliance, zoals GDPR, is een goed voorbeeld. In plaats van tientallen teams deze regels onafhankelijk te laten interpreteren en toepassen, zorgt centrale governance voor consistentie en vermindert het risico.
Ten tweede vereist beperkte expertise in opkomende gebieden zoals AI vaak een centraal startpunt. Na verloop van tijd, naarmate capaciteiten volwassen worden, kunnen deze rollen geleidelijk worden gedecentraliseerd en kunnen centrale units verschuiven naar ondersteunende rollen, zoals onderwijs en community-building.
Tegelijkertijd speelt organisatorische diversiteit een cruciale rol. Binnen hetzelfde bedrijf kunnen verschillende afdelingen of regio's op zeer verschillende niveaus van data-volwassenheid zitten. Sommige hebben sterke interne teams, platforms en domeinexpertise. Anderen kunnen sterk leunen op centrale ondersteuning en gedeelde diensten.
Een hybride aanpak erkent dergelijke verschillen. Het maakt flexibele servicemodellen mogelijk, waarbij units kunnen kiezen wat ze zelf afhandelen en wat ze van centrale teams afnemen.
De opkomst van AI heeft het gesprek over data in organisaties aanzienlijk veranderd. Wat ooit een gespecialiseerde zorg voor data-teams was, bereikt nu de bestuurskamer. Leiderschap erkent steeds meer dat AI hoogwaardige, goed beheerde data nodig heeft om echte waarde te leveren.
Dit inzicht heeft de behoefte aan robuuste datagovernance-praktijken versterkt. Terwijl bedrijven hun AI-capaciteiten willen uitbreiden, moeten ze ook langdurige uitdagingen rond data-kwaliteit en toegankelijkheid aanpakken.
De rollen van data- en AI-geletterdheid zijn even belangrijk in de hele organisatie. Net als bij bredere datacultuurinspanningen vereist succesvolle AI-adoptie gedrags- en denkwijzeveranderingen. Medewerkers moeten begrijpen wat AI is, hoe ze het kunnen gebruiken en zich in staat voelen om ermee te experimenteren.
Toegang tot zowel kwalitatieve data als AI-tools en infrastructuur blijft cruciaal. Het breed beschikbaar maken van AI-capaciteiten binnen de organisatie democratiseert innovatie, maar verhoogt ook het belang van governance-kaders om ethisch en compliant gebruik te begeleiden.
De introductie van de Europese AI-wet onderstreept dit punt. Sommige organisaties zien het als beperkend, anderen erkennen de waarde van duidelijkheid. Bedrijven hebben hiermee een stabiel kader gekregen waarbinnen ze kunnen bouwen en opschalen.
Bij het data-gedreven worden staan organisaties voor een dilemma: moeten ze volledig vertrouwen op grote taalmodellen en hopen dat AI slim genoeg is om hen te helpen met data, of moeten ze een conservatievere route nemen en eerst focussen op het opschonen en organiseren van hun data?
Dr. Bange gelooft dat de echte uitdaging ligt in beide tegelijk doen. AI fungeert vaak als trigger voor bedrijven om eindelijk hun data onder de loep te nemen. Slechte kwaliteit, verouderde modellen en jarenlange onderinvestering in data-infrastructuur zijn typische problemen.
Idealiter zouden organisaties eerst hun data oplappen en dan AI-use cases bouwen. Maar die aanpak is niet realistisch in een snel veranderende omgeving. Niemand wil horen dat het benutten van AI twee jaar en enkele miljoenen euro's kost alleen om data op te schonen.
Volgens Carsten is het verstandiger een pragmatischere aanpak te kiezen: zoek use cases waar AI vroegtijdig waarde kan leveren terwijl tegelijkertijd de datafundering wordt verbeterd. Dergelijke projecten kunnen het potentieel van AI aantonen. Ze bieden ook tijd om de nodige langetermijninvesteringen in data-kwaliteit te doen.
Er zijn twee grote blinde vlekken voor organisaties die een datacultuur proberen te implementeren.
De eerste is het menselijke element. Tussen de opwinding over nieuwe AI-modellen en technologische vooruitgang merken bedrijven vaak de centrale rol van mensen niet op. Naarmate AI meer taken automatiseert, wordt menselijk toezicht en betrokkenheid nog kritischer. Een sterke datacultuur opbouwen gaat niet alleen om tools, maar ook om samenwerking en continu leren.
De tweede blinde vlek is het onderschatten van de snelheid van technologische verandering. Veel organisaties begrijpen niet hoe snel AI evolueert. Dit kan hen traag maken in aanpassing of experimenten. Als gevolg kunnen ze achterop raken bij wendbaardere concurrenten die AI-gedreven automatisering en innovatie sneller omarmen.
Aan het einde van hun gesprek vroeg Max Carsten om aanbevelingen over hoe een datacultuur in een organisatie te beginnen.
De eerste tip was simpel: begin gewoon. Te veel organisaties aarzelen of overdenken het proces. Actie ondernemen is echter cruciaal.
Hij raadde ook aan een gestructureerd raamwerk te gebruiken, zoals zijn eigen model met zes belangrijke gebieden die datacultuur beïnvloeden. Dit raamwerk helpt organisaties te beoordelen waar ze nu staan en welke aspecten de meeste aandacht nodig hebben.
Dr. Bange noemde ook twee gebieden die vaak aan het begin van de reis worden onderschat: data-toegang en datacommunicatie. Veel bedrijven beseffen hun belang pas als ze al een jaar of twee onderweg zijn. En dit kan een serieus obstakel worden.
Wil je meer expertinzichten in hoe je je bedrijfsgroei kunt stimuleren in de data-gedreven wereld? Nieuwe Innovantage-podcastafleveringen belichten dit! Blijf op de hoogte!
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
.png)
.png)
