Complete, praktijkgerichte 10-daagse Data Science opleiding op HBO-niveau

• Definities en visievorming: wat verstaan we onder data science, artificial intelligence, machine learning en business intelligence, en hoe verhouden die begrippen zich tot elkaar? Met welke vier essentiële zaken heeft elke organisatie rekening te houden? Op welke wijze ontwikkel je een visie op data science en machine learning? En hoe zorg je in jouw eigen organisatie dat managers en teams datagedreven werken en AI gaan omarmen?
• Trends in Data Science, AI en machine learning: welke AI & Data Science trends zijn er op dit moment? Je leert meer over big data, data lakes, self-service BI, deep learning, robotica, drones, generatieve AI zoals ChatGPT, zelfrijdende auto’s, fotografie als de nieuwe “universele” taal, cloudoplossingen en blockchain, maar vooral wanneer deze trends in jouw situatie relevant kunnen zijn.

• Datafication: de overvloed aan data plaatst je voor een groot aantal uitdagingen. In de eerste plaats: wat kan en moet je er mee? Op welke wijze kun je toepassingen voor AI & Big Data bedenken (creatief proces) en implementeren? De docent presenteert een aantal aansprekende voorbeelden. Wat kun je leren van aansprekende cases als:
  • Provincie Zuid-Holland: algoritmes adviseren brugbedieners
  • Social Analytics (KLM): webcare, electronic word of mouth (eWoM)
  • Predictive Policing en de Brandweer A’dam (winnaar Dutch BI & Data Science Award)
• KPI’s en 1 miljoen euro inzichten bepalen: data science niet linken aan de KPI’s van je organisatie is vergelijkbaar met reizen zonder doel. Je verdwaalt al snel in de bergen big data. Daarom komen hier de vier belangrijkste methodieken voor het vinden van KPI’s aan de orde: strategie-, proces-, markt- en datagedreven. Hoe bepaal je nu de meest essentiële data science-content, hoe stel je de echt onvervalste KPI’s vast en hoe identificeer je de 1 miljoen euro inzichten? Wat is de relatie tussen KPI’s, big data en machine learning. Onder begeleiding van de docent gaan de deelnemers in groepjes met KPI’s aan de slag.

• De business case voor data science: de belangrijkste onderdelen van een business case voor data science komen langs in relatie tot de volwassenheidsniveaus in data science. Je leert een business case te maken (onder andere op basis van KPI’s en 1 miljoen euro inzichten). Hoe zorg je dat je de stakeholders meekrijgt in het traject en betrokken houdt en tegelijk voldoende budget losweekt?
• Ontwikkel een AI-first strategie: het gros van de organisaties blijft steken in het maken rapporten, dashboards en experimenteert met algoritmes maar vergeet een AI-first strategie te bedenken en implementeren. In dit onderdeel leer je de belangrijkste aspecten van een AI-strategie en ga je onder begeleiding van de docent aan de slag om er een te ontwikkelen voor jouw organisatie.

• Business intelligence als fundament: data science zonder solide fundament is gedoemd te mislukken. In dit onderdeel gaat de docent dieper in op het fundament van data science: enterprise business intelligence & analytics.
• Projectmanagement & governance: projectmanagement van business intelligence & data science. De verschillende vormen komen allemaal langs: van waterval tot agile scrum. Daarnaast gaat de docent in op de 10 belangrijkste projectrisico’s, valkuilen, deliverymodellen voor machine learning en waarom en hoe een BICC (business intelligence competency center) of DataLab op te zetten. Je leert de belangrijkste verschillen kennen tussen een BI en een data science project.

• BI en data science is een proces: je maakt gedetailleerd kennis met de 15 stappen voor verwerking, analyse, distributie van informatie, en vooral het effectief gebruik ervan voor het nemen van betere beslissingen. Daarnaast presenteert de docent waar het data science proces afwijkt van het BI proces.

• Datavisualisatie & User eXperience (UX): je maakt kennis met de meest krachtige datavisualisatietechnieken, data storytelling en leert hierdoor het gebruiksgemak van informatie te versterken. Je moet tevens rekening houden met de psychologische effecten en cognitieve kaders. Wat komt er bij effectieve big data-visualisatie kijken en met welke factoren moet je specifiek rekening houden? Inclusief een bespreking van de onthullende BBC-documentaire: ‘How to make better decisions’. In groepjes ga je oefenen met het vormgeven van verschillende effectieve datavisualisaties.

• Succes bereiken met BI & Data Science: wat zijn de 12 meest kritieke succesfactoren om echt rendement te behalen op BI & Data Science en waar moet je dan op letten en sturen? Je leert ook waarom je allround vision, analytics, agile werken en continu verbeteren nauw met elkaar moet verweven.

Hoe kom je tot een schaalbare centrale datahub die gaat zorgen voor integratie van data, betrouwbare gegevens en één versie van de waarheid. Welke andere doelen kun je realiseren met een datawarehouse en een data lake? Gegevens uit een diversiteit aan databronnen (je bedrijfsprocessen) en externe data ga je opschonen en koppelen zodat de eindgebruiker deze eenvoudig met elkaar in verband kan brengen. Steeds belangrijker wordt het om deze te combineren met alle aanwezige ‘niet gestructureerde’ data, waar een organisatie ook over beschikt.

• Kennis als eindpunt: welke transformatieslagen moet je toepassen om (big) data via informatie op te waarderen tot actiegerichte kennis? Wat is verder het belang van een adequate informatiehuishouding?
• Doelen DWH: wat zijn de belangrijkste doelen van een datawarehouse zoals historie-opbouw en performanceverbetering? En op welke wijze gaat een datawarehouse bijdragen aan een hogere datakwaliteit, grotere herkenbaarheid en betere vindbaarheid van informatie? En kan dit als basis dienen voor het ontsluiten en combineren van alle gestructureerde en ongestructureerde data?
• De vijf kenmerken van big data: deze wordt gekenmerkt door 5 V’s maar wat betekent dat voor je eigen project? En voor de in te zetten algoritmes, de oplossingen en de benodigde kennis en vaardigheden van je mensen als het gaat om dataopslag?
• Data lakes, virtualisatie en cloud: voor datawarehousing zijn tegenwoordig diverse alternatieven voorhanden. Je maakt kennis met datawarehouseappliances, in-memory BI, datalakes, datavirtualisatie en cloud oplossingen. Welke zijn zinvol en haalbaar in jouw situatie? Welke ervaringen heb je zelf en wat kunnen anderen daarvan leren?

Het werken met een datawarehouse-architectuur is van groot belang voor agile BI en zeker ook bij het gebruik van AI. Welke gereedschappen en vaardigheden heb je dan nodig? Hoe laat je die aansluiten op de algehele IT- en bedrijfsarchitectuur? Je leert waarom onderlinge samenhang de sleutel vormt tot succes.

• Architectuur van het DWH: wat is het belang van een goede datawarehouse-architectuur? Hoe past een DWH binnen de enterprise architectuur van jouw organisatie?
• Datamodellering: welke vormen van datamodellering kun je onderkennen? Denk dan aan Inmon, Kimball en Linstedt (DataVault). Wat zijn de overeenkomsten en wat zijn de voornaamste verschillen? De docent gaat zeker in op de voor- en nadelen van de verschillende beschikbare methodieken: wanneer kun je het beste kiezen voor één methodiek en wanneer voor een mix?
• Big data en data lakes: sommige data is veel te groot of te ongestructureerd dat het niet meer past in een traditioneel datawarehouse. Hoe kun je hier vanuit een architectuuroogpunt het beste mee omgaan? Helpt cloud daarbij en wat zijn de specifieke eisen als je AI en big data gaat gebruiken in je organisatie?
• Sensorische data: wanneer pas je sensoren toe om data te verzamelen en waar plaats je die vervolgens? Hoe zorg je dat die zo min mogelijk kosten en overlast veroorzaken?
• Overzicht tooling: hoe kan je een juiste keuze maken voor specifieke datamodellering tools, opslagplatforms en databasesoftware? Welke criteria zijn van groot belang?

Het vullen van een datawarehouse vindt procesmatig plaats in drie stappen: extractie, transformatie en laden (ETL). Dit kan via de krachtige analytische taal SQL of met behulp van ETL software en/of datawarehouse automation tools. Die laatste vormen een onmisbare component in een volwassen datawarehouse-architectuur.

• Toepassen van de datatechnieken: welke datatechnieken zijn het meest geschikt in welke stap van het ETL-proces? Machine learning modellen maken binnen dit proces een grote opmars, door veel meer geautomatiseerd het proces te ondersteunen en de datakwaliteit te verhogen. Hoe kan AI je bij dit proces ondersteunen en op welke wijze kunnen de processtappen vorm krijgen en wat komt daarbij dan kijken?
• Pseudonimiseren en anonimiseren: hoe kun je er voor zorgen dat je binnen de kaders van de privacywetgeving toch data kunt verwerken, analyseren en gebruiken voor het ontwikkelen van algoritmes? De docent presenteert de drie belangrijkste methoden die daarbij een rol spelen: pseudonimiseren, anonimiseren en aggregeren. Ook het genereren van synthetische data wordt besproken.
• ETL & datawarehouse automation tools: welke data integratie-tools en datawarehouse automation tools zijn beschikbaar op de markt? Kies je voor één leverancier of best-of-breed? Je maakt kennis met onze 100% onafhankelijke ETL & Data Integratie Guide 2024.
• Methodieken voor het verbeteren van de datakwaliteit: de docent geeft je een overzicht van de belangrijkste methodieken en tools voor de verbetering van de datakwaliteit. Moet je slechte data wel laden in het DWH? Of is dat juist erg onverstandig? Wat is data profiling en hoe kunnen algoritmes en AI je daarbij helpen?
• ELT of ETL?: er wordt door leveranciers ook gesproken over ELT, wat is het verschil met ETL? Welke impact hebben steeds grotere decentrale gegevensverzamelingen (onder andere open data, big data en datalakes) binnen en buiten de organisatie op je Data Science project? Hoe ontsluit je die en wat zijn de beste keuzes die je kan maken in deze hybride omgeving?

Eindgebruikers verwachten van een datawarehouse kwalitatief uitstekende gegevens die relevant zijn. Zij gebruiken Business Intelligence software om datasets op te vragen, betekenis te geven, er over te rapporteren en de datasets te analyseren.

• Business Intelligence software: welke Business Intelligence software is beschikbaar op de markt en hoe sluit die aan op jouw datawarehouse, datalake of AI toepassing? Je maakt kennis met onze 100% leveranciersonafhankelijke BI-gids.
• De laatste trends: wat zijn de laatste trends in Business Analytics en Data Science met het oog op Big Data en AI (bijvoorbeeld image processing of textmining)? Wat is de betekenis van open source in deze arena?
• Het gebruik: directe toegang tot het datawarehouse kan aan te raden zijn en is soms gewoon noodzakelijk, maar wanneer maak je er juist wel en wanneer juist niet gebruik van? Niet alle gebruikers weten wat ze doen. De docent geeft je een overzicht van verschillende typen gebruikers. Welke functionele behoeften hebben zij en op welke wijze kun je hierop goed inspelen? Welke rol speelt self-service BI hierbij?

Naast schone data is een goede structuur voor masterdata en metadata uitermate belangrijk voor verdere groei in data science. Cruciale gegevensgroepen zoals klanten, producten, locaties en medewerkers moet je goed kunnen onderhouden. Inzicht in de ontstaansgeschiedenis en bijbehorende bedrijfsregels zijn daarbij essentieel. De groei aan data is exponentieel en AI wordt steeds belangrijker binnen dit domein.

• Definities en masterprocessen: wat is eigenlijk de betekenis van masterdata en metadata? Hoe gaat het je helpen bij het produceren en consumeren van kwalitatief goede en betrouwbare informatie (één versie van de waarheid)? Welke processen spelen daarbij een rol en hoe kun je ChatGPT inzetten voor het identificeren, classificeren en beheren van metadata?
• Slimme leerlussen: is master- en metadatamanagement puur analytisch of kan en moet het ook impact hebben op operationele systemen? Je maakt kennis met de verschillende volwassenheidsniveaus van metadata en je leert een slimme leerlus in te richten met een enterprise portal en mobiele toegang.

Datawarehouses en data lakes moet je natuurlijk onderhouden en beheren. Je maakt tijdens dit onderdeel van de Data Science opleiding kennis met de belangrijkste technische en functionele beheerprocessen, beheerpatronen en competenties. Met de komst van AI toepassingen binnen dit domein zijn er nieuwe competenties nodig.

• Beheerprocessen: welke technische en functionele beheerprocessen kun je onderscheiden bij datawarehousing en data lakes? Welke tools kun je hiervoor gebruiken?
• Business & IT: welke rol speelt het BICC in deze processen en wat is de zin (of onzin) ervan? Welke rol speelt de business en welke rol speelt IT?
• Projectaanpak: wat is een geschikte projectaanpak met het oog op de succes- en risicofactoren? Wat maakt het gebruik van algoritmes de aanpak anders? Wat zijn eigenlijk de belangrijkste succesfactoren voor een goed functionerend datawarehouse en data lake?
• Support en onderhoud: hoe ontwikkel je een datawarehouse en data lake met support en onderhoud in gedachten? AI vraagt een andere manier van support en onderhoud. De vraag is hoe richt je dat succesvol in?
• Competenties en vaardigheden: in hoeverre wijkt DWH-onderhoud af van “traditioneel” onderhoud? Welke competenties en vaardigheden zijn nodig voor succesvol beheer van je data lake en datawarehouse? Zeker ook gezien in het licht van de trend dat algoritmes in dit domein steeds belangrijker worden.

De waarde van Data Governance: hoe kan jouw organisatie waarde ontlenen aan data governance en er voordeel mee behalen? Moet het totaal anders ingericht worden als je met big data en AI aan de slag gaat?

• Het Data Governance framework: de docent gaat in op alle aspecten van data governance met het DAMA-DMBOK 2 framework als leidraad. Denk hierbij aan de verschillende rollen zoals data stewards en data custodians, maar ook aan de integriteit van de data, datakwaliteit en het toegankelijk maken van (big) data, meta- en masterdata. Je leert een Data Governance framework te gebruiken voor je eigen organisatie. Waar moet je in dit framework vooral op letten als AI een belangrijke pijler wordt van de bedrijfsvoering van je organisatie?
• Van governance naar dataperfectie: je maakt kennis met de ideale route om tot dataperfectie te komen. Natuurlijk gebaseerd op een gedegen kostenbatenanalyse. Welke stappen dien je dan te zetten, wie moet je betrekken en hoe til je jouw eigen organisatie naar een hoger volwassenheidsniveau van datamanagement? Welke mogelijkheden biedt AI daarin?

Niemand zal het belang van goede datakwaliteit (openlijk) bagatelliseren, maar hoe start je hiermee en wat komt erbij kijken ook als het gaat om oplossingen en succes behalen? Je maakt tijdens dit onderdeel van de Data Science-opleiding kennis met alle thema’s om als doel om de datakwaliteit op een hoger plan te brengen.

• Datakwaliteit: data kan niet half juist zijn, data is goed óf fout. Hoe maak je je data goed en beter?
• Sleutelbegrippen: wat zijn de sleutelbegrippen rondom datakwaliteit? Denk hierbij aan compleetheid, juistheid, integriteit, maar ook aan metadata, gekoppelde data, geaggregeerde data, big data, et cetera. Welke zaken moet je juist in jouw situatie in de gaten houden?
• Ongestructureerde data: je leert hoe je de datakwaliteit van ongestructureerde (sensor) data kan verbeteren en welke succesverhalen er zijn. Wat kun je er van leren? Hoe zorg je er voor dat de kwaliteit goed is en dat AI toepassingen hier succesvol gebruik van kunnen maken?
• Oplossingen voor datakwaliteit: welke oplossingen zijn er op de markt beschikbaar om de datakwaliteit te monitoren, te analyseren en de data op te schonen, te markeren of af te wijzen? Zijn datakwaliteitssystemen met artificial intelligence hierin de gouden graal of zorgen ze juist voor meer problemen dan dat ze oplossen?
• Succesfactoren: welke valkuilen en succesfactoren spelen daarbij een rol? Wat zijn je eigen ervaringen en wat valt daaruit te leren?

Het gestructureerde proces om te komen tot een structureel hogere datakwaliteit in jouw organisatie krijgt tijdens dit onderdeel van de Data Science-training vorm. Je leert hoe je een continu verbeterproces op kan zetten rondom datakwaliteit. Wat zijn de best practices om dataresultaten te borgen zodat je niet steeds weer met dezelfde slechte data zit opgescheept? Kan je met de komst van AI in dit traject van continu data verbeteren het proces volledig overnemen en weghalen bij de organisatie?

• Verbetercirkels: de docent geeft je praktisch inzicht in de manier waarop je de datakwaliteit kunt verbeteren onder andere door de verbetercirkel PDCA van dr. William Edwards Deming.
• Bewustwording en cultuur: hoe zorg je voor bewustwording bij het management? Hoe neem je medewerkers mee? Hoe wijs je ze op het belang van de kwaliteit van gegevens en wat kan dit hen opleveren? Welke culturele aspecten spelen een rol en welke vaardigheden zijn noodzakelijk? Welke cultuur is nodig als je hier algoritmes bij inzet?
• Gedrag en draagvlak: hoe moet je omgaan met bepaald gedrag van medewerkers en hoe kun je zorgen voor groot draagvlak?
• Borgen van verbeteringen: je leert hoe je de PDCA-cirkel elke keer weer (dagelijks, wekelijks) doorloopt en rondmaakt en de resultaten kunt borgen.

Tijdens deze module leer je precies wat AI & Data Science inhoudt en uit welke onderdelen dit bestaat. Tevens maak je kennis met de twee belangrijkste onderdelen: machine learning en statistiek.

• Verdiepingskader AI en begrippen: wat is AI en hoe verhoudt zich dit tot andere veelgebruikte begrippen als big data, predictive analytics, data science, tekst mining, generatieve AI en data mining? Wat is machine learning en welke rol vervult dit concept in het data science proces? Hoe verhoudt Artificial Intelligence zich tot Business Intelligence?
• Data science proces: waar houdt een data scientist zich mee bezig en uit welke stappen bestaat het data science proces? Welke rol speelt machine learning hierin en hoe kun je de stappen implementeren in jouw organisatie?
• Statistische kennis: de juiste statistiek toepassen is cruciaal. Welke statistische kennis heb je nodig in jouw data science project?

Er is heel veel geld gemoeid met AI gerelateerde initiatieven. De totale wereldwijde markt voor big data analytics (AI) wordt door Statista geschat op meer dan 650 miljard dollar in 2029. Maar ook de opbrengsten kunnen gigantisch zijn, zoals blijkt uit het succes van bijvoorbeeld House of Cards (Netflix) en Lemonade Insurance. De docent presenteert ook vele andere best practices waar je van kunt leren.

• Integraal denken & business case: welke relatie moet je leggen tussen algoritmes, big data, innovatie en procesverbetering? Wat zijn de belangrijkste onderdelen uit de big data business case? Hoe moet je omgaan met experimenten en proeftuinen die buiten je gezichtsveld of verantwoordelijkheid plaatsvinden?
• Overtuigen van het management: op welke wijze neem je het management bij de hand en overtuig je ze van het nut en de noodzaak van AI & Data Science? Wat voor leiderschap heb je daarvoor nodig in jouw organisatie?
• Stappen en valkuilen: welke stappen moet je zetten in je big data-project en welke valkuilen en risico’s kun je onderkennen bij het implementeren van algoritmes?

Hoe verhoudt een AI architectuur zich tot de klassieke BI en DWH architectuur? Hoe laat je de AI tools aansluiten op je bestaande architectuur en infrastructuur. Onderwerpen die aan de orde komen zijn:

• Data science technologie: Wat zijn de belangrijkste tools die gebruikt worden en welke impact hebben die op je (staande) architectuur? Hoe ga je om met de meest voorkomende dilemma’s op dit vlak die je tijdens de AI-transitie gaat tegenkomen?
• Data science referentie architectuur: de docent presenteert een data science referentie architectuur en neemt je mee in de meest cruciale principes die daarin naar voren komen.
• Nieuwe ontwikkelingen: denk aan (hybrid) cloud, Docker containers, automated machine learning, sensoren, gespecialiseerde hardware (zoals GPU’s), SPARK, Hadoop, GPT, GAN’s en REST API’s.

Als eerste gaat de docent dieper in op de verschillende hoofdgroepen van algoritmes. Hij presenteert de toepassing, werking en de voor- en nadelen. Onderwerpen die aan de orde komen zijn:

• Betekenis en gebruik van algoritmes: wat is een algoritme en aanverwante terminologie? Hoe worden algoritmes gebruikt door data scientists?
• Supervised, unsupervised learning en reinforcement learning: tijdens dit onderdeel ga je leren wat supervised learning, unsupervised learning en reinforcement learning is en in welke situatie je deze manieren van leren kan toepassen. De docent geeft je inzicht in de verschillende typen algoritmes zoals classificatie, regressie, clusteren, beslisbomen en neurale netwerken.
• Wat is deep learning: je gaat hier inzicht verkrijgen in hoe algoritmes deep learning kunnen toepassen en wat daarbij komt kijken. Bij dit onderdeel geeft de docent je uitleg aan de hand van het machine learning platform TensorFlow.
• Validatie van algoritmes: hoe meet je de performance van een gebruikt algoritme en hoe voorkom je de belangrijkste valkuilen zoals overfitting en underfitting?

In deze module ga je aan de slag met diverse data science tools die in de praktijk door data scientists gebruikt worden. De docent begint met een overview van de tools die veel gebruikt worden:

• Open source tools voor data science: wat is het en waarom zijn de meeste data science tools open source? Hier krijg je een overzicht van veel gebruikte (open source) tools zoals bijvoorbeeld Python, R, SCALA, scikit-learn, Pandas en NumPy.
• Commerciële data science tools: welke commerciële data science tools worden veel gebruikt en waar passen zij in het data science proces? Een aantal commerciële data science tools zoals Rapidminer, SAS, Dataiku en IBM Cloud Pak for Data passeren de revu.

In deze workshop ga je kennismaken met veelgebruikte programmeertalen als Python, maar ook de verschillende ‘interfaces’ waarmee data scientists werken. Tijdens de workshops zal de nadruk liggen op het werken met de taal Python omdat dit de meest gebruikte taal door data scientists is. Maar je gaat ook kennismaken met de taal R.

• Introductie: hoe moet je Python en R positioneren, waar komen deze talen vandaan en hoe ga je ze gebruiken? Hoe ga je interfacen met de cloud of andere platformen, of ga je een standalone tool gebruiken? Welke zijn er zoal?
• Notebooks: wat is een notebook en hoe werken deze?
• Python basics: wat zijn de basiselementen om te kunnen werken met Python? Denk bijvoorbeeld aan het gebruik van variabelen, lists, functies en help. Packages zijn soort ‘plug-ins’ die je in Python (of R) kunt laden. Wat zijn veelgebruikte packages en hoe laad je deze in Python?

Aan de hand van diverse datasets ga je alle stappen van het data science proces doorlopen. Dat ga je doen met Python, R en een visuele modelleeromgeving. Elke gedeelte zal uit de volgende stappen bestaan:

• Importeren van data
• Exploratory Data Analysis (EDA)
• Data wrangling: opschonen en bewerken van de data
• Splitsen van de data set in trainings- en test dataset
• Machine learning model trainen middels meerdere algoritmes
• Validatie machine learning model: hoe goed presteert het machine learning model?
• Visualisatie: hoe visualiseert een data scientist de data?

Daarnaast ga je een workshop doen met text analytics waarbij je een sentimentanalyse gaat doen op basis van Twitter data.

Data Science praktiseren zonder in te gaan op privacy en ethiek is tegenwoordig uitgesloten. De grote hoeveelheid te koppelen data stelt je voor een belangrijk vraagstuk: hoe om te gaan met privacy en AI-ethiek?

• Kaders en frameworks: welke (juridische) kaders en frameworks zijn er op dit moment beschikbaar om ethisch te toetsen of je dataplannen wel door de beugel kunnen?
• Wet- en regelgeving: wat zegt de relevante wet- en regelgeving over het gebruik van identiteitsgebonden data? Wat kun je doen om in te spelen op de publieke opinie en hoe voorkom je imagoschade?
• Technieken en privacyoplossingen: welke technieken en oplossingen zijn voorhanden om persoonsdata toch te gebruiken en te analyseren en tegelijk de privacy te respecteren? Denk dan onder andere aan data masking in combinatie met data-aggregatie of toestemming vragen aan de desbetreffende personen.

Data Science is hard op weg om een zeer professioneel vakgebied te worden. In hoog tempo komt nieuwe kennis en technologie beschikbaar. Hoe houd je daar grip op? En hoe breng je jouw BI of data science team op een hoger plan? Statistiek, data blending, analytics en datavisualisatie behoren tot de kerncompetenties van een goede data scientist, maar ook ervaring met het ontwikkelen van machine learning modellen en programmeren is bijna altijd gewenst. En tegenwoording moet je als data scientist ook het nodige afweten van prompt engineering voor ChatGPT/Bard. Daarnaast behoren goede communicatieve en consultancy-vaardigheden, kennis van Business Intelligence & KPI’s, privacy en data governance tot de standaardbagage van een professionele data scientist.

• Drie basisvaardigheden: welke drie basisvaardigheden heeft een data scientist zelf absoluut nodig en hoe ontwikkelt hij of zij die bij de teamleden? Hoe om te gaan met het tekort aan data scientists en data analisten?
• Data Science team: de belangrijkste Data Science-vaardigheden – soft & hard skills – passeren de revue. Hoe bouw je een Data Science-team dat jouw organisatie klaarstoomt voor een nieuwe fase van ontwikkeling? Welke rollen en competenties kun je dan daarbij onderkennen?