Waarom is datageletterdheid binnen management zo moeilijk te ontwikkelen?

Datageletterdheid binnen management is zo moeilijk te ontwikkelen omdat het een fundamenteel andere vaardigheid vraagt dan technische data-expertise. Managers hoeven geen data te bouwen of te analyseren, maar moeten wel leren welke vragen ze aan data kunnen stellen, wat betrouwbare informatie onderscheidt van misleidende informatie, en hoe ze op basis van cijfers beslissingen nemen en verantwoorden. Dat vraagt om een combinatie van kritisch denken, domeinkennis en vertrouwen in de informatie die voor hen beschikbaar is. De vragen hieronder werken dit verder uit.

Wat maakt datageletterdheid bij managers anders dan bij analisten?

Datageletterdheid bij managers gaat niet over het kunnen bouwen van modellen of het uitvoeren van analyses. Het gaat over het vermogen om de juiste vragen te stellen, de uitkomsten van analyses te interpreteren en beslissingen te nemen op basis van betrouwbare informatie. Dat is wezenlijk anders dan wat van een data-analist wordt verwacht.

Een analist werkt met ruwe data, schrijft queries, bouwt transformaties en zorgt dat informatie klopt. Een manager werkt met de uitkomst van dat werk. Toch zijn er situaties waarin een manager moet kunnen beoordelen of een dashboard de goede definitie hanteert, of een trend significant genoeg is om op te handelen, of twee rapporten die elkaar tegenspreken allebei kloppen. Dat vraagt om een specifieke vorm van geletterdheid die niet gaat over techniek, maar over begrip.

Precies omdat deze vaardigheden zo anders zijn, schieten generieke datatrainingen voor management vaak tekort. Ze richten zich te veel op tools of statistieken, terwijl managers juist behoefte hebben aan praktische interpretatievaardigheden binnen hun eigen werkcontext.

Waarom schieten traditionele datatrainingen tekort voor management?

Traditionele datatrainingen voor managers schieten tekort omdat ze zijn ontworpen vanuit een technisch perspectief, niet vanuit de beslissingspraktijk van een manager. Ze leren deelnemers hoe data werkt, maar niet hoe ze data moeten gebruiken om een specifieke operationele of bestuurlijke vraag te beantwoorden.

Herkenbare tekortkomingen van gangbare trainingsaanpakken zijn:

Te veel focus op toolkennis in plaats van op informatiegebruik
Oefeningen met fictieve datasets die niets lijken op de complexe, versnipperde data in de eigen organisatie
Geen aansluiting op de specifieke KPI’s, processen of verantwoordelijkheden van de deelnemer
Eenmalige sessies zonder opvolging in de dagelijkse werkpraktijk
Te weinig aandacht voor het herkennen van onbetrouwbare of tegenstrijdige informatie

Het gevolg is dat managers na een training weliswaar weten wat een gemiddelde of een trendlijn is, maar nog steeds niet goed weten wat ze moeten doen als twee afdelingen met andere cijfers over dezelfde KPI komen. Datageletterdheid ontwikkelen vraagt om leren in context, niet in een klaslokaal.

Welke organisatorische barrières remmen de groei van datageletterdheid?

De groei van datageletterdheid binnen management wordt het sterkst geremd door organisatorische barrières, niet door een gebrek aan intelligentie of motivatie. De meest voorkomende zijn versnipperde informatie, inconsistente definities en een structurele kloof tussen de business en de data- of IT-teams.

Wanneer data verspreid is over meerdere systemen, afdelingen en spreadsheets, is het voor een manager bijna onmogelijk om een betrouwbaar beeld te vormen. Als daar ook nog eens verschillende definities bovenop komen, bijvoorbeeld twee afdelingen die allebei “bezettingsgraad” meten maar met een andere teller en noemer, dan leidt meer datageletterdheid niet tot betere beslissingen. Het leidt tot meer discussie over welke cijfers kloppen.

Andere organisatorische barrières zijn:

Capaciteitsgebrek bij interne data- en IT-teams: managers kunnen geen vragen stellen als er niemand is die ze beantwoordt
Gebrek aan een gedeeld informatiemodel: zonder eenduidige definities is elk dashboard een eiland
Cultuur van rapportage in plaats van sturing: data wordt gepresenteerd, niet gebruikt om te beslissen
Onvoldoende vertrouwen in de data: als managers eerder slechte ervaringen hebben gehad met onjuiste rapportages, vermijden ze data liever dan dat ze erop vertrouwen

Hoe weet je of het probleem bij de data ligt of bij de geletterdheid?

Het onderscheid is cruciaal: als de data zelf onbetrouwbaar, onvolledig of inconsistent is, helpt het niet om managers te trainen in datageletterdheid. Dan ligt het probleem bij het datafundament, niet bij de gebruiker. Omgekeerd geldt: als de data klopt maar managers er niets mee doen, is geletterdheid het knelpunt.

Een praktische manier om dit te toetsen is door te kijken wat er gebeurt als een manager een vraag stelt aan het data- of BI-team. Duurt het lang voordat er een antwoord komt? Zijn er meerdere versies van hetzelfde rapport in omloop? Worden dashboards nauwelijks gebruikt of juist genegeerd bij belangrijke vergaderingen? Dan is het probleem waarschijnlijk structureel van aard en ligt het in de informatievoorziening zelf.

Als dashboards en rapportages wel beschikbaar zijn en intern als betrouwbaar worden beschouwd, maar managers er desondanks weinig mee doen, dan is de kans groter dat het aan geletterdheid of vertrouwen ligt. In de meeste organisaties spelen beide factoren tegelijkertijd een rol, wat de uitdaging extra complex maakt.

Wat werkt wél om datageletterdheid bij management te versterken?

Wat werkt is leren in de eigen werkcontext, met de eigen data, rondom concrete beslissingen die de manager daadwerkelijk moet nemen. Niet een generieke training, maar een aanpak die aansluit op de informatiebehoefte en verantwoordelijkheden van de specifieke rol.

Effectieve aanpakken combineren doorgaans meerdere elementen:

Werken met dashboards en rapportages die zijn gebouwd rondom de KPI’s die de manager al kent en gebruikt
Begeleiding bij het interpreteren van uitkomsten, inclusief het herkennen van uitzonderingen, trends en onzekerheden
Nauwe samenwerking tussen de manager en het interne data- of BI-team, zodat vragen snel beantwoord worden
Een gedeeld begrippenkader met eenduidige definities, zodat iedereen over hetzelfde praat
Ruimte om te experimenteren met data zonder dat fouten direct consequenties hebben

Datageletterdheid groeit het snelst als managers merken dat data hen daadwerkelijk helpt om betere beslissingen te nemen en die beslissingen beter te verantwoorden. Dat vertrouwen bouw je op door te beginnen bij de informatiebehoefte, niet bij de technologie. Meer over deze aanpak is te vinden in onze praktijkartikelen en cases.

Wanneer is externe ondersteuning nodig bij het opbouwen van datageletterdheid?

Externe ondersteuning is nodig wanneer de organisatie intern niet de capaciteit of de verbinding heeft om de kloof tussen de businessvraag en de beschikbare data te overbruggen. Dat is vaker het geval dan het lijkt: interne data- en IT-teams zijn vaak goed in het beheren van systemen, maar hebben niet altijd de domeinkennis of tijd om informatie te vertalen naar wat een manager nodig heeft om te sturen.

Signalen dat externe ondersteuning meerwaarde biedt zijn onder meer: managers die structureel werken met informatie buiten de officiële systemen om, tegenstrijdige cijfers die terugkerende discussies veroorzaken, dashboards die zijn gebouwd maar nauwelijks worden gebruikt, of een intern team dat de capaciteit niet heeft om businessvragen snel en goed te beantwoorden.

Externe ondersteuning is dan niet bedoeld om interne teams te vervangen, maar om te verbinden: de informatiebehoefte van de business koppelen aan de technische omgeving en zo een fundament leggen waarop datageletterdheid daadwerkelijk kan groeien. Meer over onze expertise op dit gebied lees je op onze expertisepagina.

Hoe DataGrow helpt bij het versterken van datageletterdheid binnen management

DataGrow helpt organisaties niet door trainingen te geven, maar door de informatieomgeving te bouwen waarop datageletterdheid kan groeien. Wij verbinden de businessvraag van managers met de data die al aanwezig is in de organisatie, en zorgen dat die informatie betrouwbaar, eenduidig en bruikbaar is voor de beslissingen die er daadwerkelijk toe doen.

Concreet betekent dat:

Samen met de business bepalen welke KPI’s relevant zijn en wat de eenduidige definitie daarvan is
Data uit verschillende systemen en afdelingen samenvoegen tot één gedeeld informatiebeeld
Rapportages en dashboards bouwen die aansluiten op de manier waarop managers beslissingen nemen en verantwoorden
Werken binnen de bestaande technische omgeving van de organisatie, samen met interne data- en IT-teams
Zorgen dat managers kunnen sturen op feiten, niet op aannames of verouderde spreadsheets

Wil je weten hoe dit er in de praktijk uitziet voor jouw organisatie? Neem contact op en we denken graag met je mee.

Veelgestelde vragen

Hoe lang duurt het voordat een manager merkbare vooruitgang boekt in datageletterdheid?

Dat verschilt sterk per persoon en context, maar in de praktijk zien we dat managers al na enkele weken merkbare vooruitgang boeken als ze leren werken met dashboards die zijn afgestemd op hun eigen KPI’s en verantwoordelijkheden. De sleutel is niet de hoeveelheid tijd die je investeert, maar de relevantie van de context: wie dagelijks met betrouwbare, herkenbare data werkt en daarin wordt begeleid, ontwikkelt geletterdheid aanzienlijk sneller dan wie een eenmalige training volgt. Structurele groei vraagt doorgaans drie tot zes maanden van consistent gebruik in de eigen werkpraktijk.

Wat zijn de eerste concrete stappen die een organisatie kan zetten om datageletterdheid bij management te verbeteren?

Begin niet met een training, maar met een audit van de informatieomgeving: welke data is beschikbaar, welke definities worden gebruikt en in hoeverre vertrouwen managers de huidige rapportages? Pas als duidelijk is waar het knelpunt zit — bij het datafundament, bij de geletterdheid of bij beide — kun je gerichte stappen zetten. Een praktische eerste stap is het kiezen van één concrete beslissing of KPI en samen met managers én het data-team te bepalen hoe die informatie betrouwbaar en eenduidig beschikbaar kan worden gemaakt.

Wat als managers weerstand tonen tegen het gebruik van data in hun besluitvorming?

Weerstand bij managers is zelden irrationeel: vaak is het een logisch gevolg van eerdere ervaringen met onjuiste rapportages, tegenstrijdige cijfers of dashboards die geen antwoord gaven op de vragen die er echt toe deden. De meest effectieve aanpak is dan ook niet overtuigen met argumenten, maar vertrouwen opbouwen door te laten zien dat data daadwerkelijk helpt bij een beslissing die de manager zelf relevant vindt. Één concrete, succesvolle ervaring waarbij data een betere of beter verantwoorde beslissing mogelijk maakte, doet meer dan tien sessies over het belang van datagedreven werken.

Hoe ga je om met situaties waarin twee afdelingen met verschillende cijfers over dezelfde KPI komen?

Dit is een van de meest voorkomende en onderschatte problemen in datagedreven organisaties, en het is in de eerste plaats een definitieprobleem, geen dataprobleem. De oplossing begint bij het expliciet maken van de verschillende definities: wat meet afdeling A precies, en wat meet afdeling B? Zodra dat helder is, kan op bestuurlijk niveau worden besloten welke definitie leidend is en voor welk doel. Het vastleggen van eenduidige KPI-definities in een gedeeld begrippenkader — ook wel een data dictionary of businessglossary genoemd — voorkomt dat dezelfde discussie zich blijft herhalen.

Is datageletterdheid iets dat je kunt meten binnen een organisatie?

Ja, maar niet via een standaardtoets. Zinvollere indicatoren zijn: hoe vaak worden dashboards daadwerkelijk gebruikt in vergaderingen en beslismomenten, hoe snel en zelfstandig kunnen managers vragen beantwoorden met beschikbare rapportages, en in hoeverre worden beslissingen onderbouwd met data in plaats van met aannames of intuïtie. Ook het aantal terugkerende discussies over welke cijfers kloppen is een bruikbare maatstaf: minder discussie over de data en meer discussie over wat de data betekent, is een teken van groeiende geletterdheid.

Welke veelgemaakte fout zien jullie het meest bij organisaties die datageletterdheid willen verbeteren?

De meest gemaakte fout is beginnen bij de technologie in plaats van bij de informatiebehoefte. Organisaties investeren in nieuwe BI-tools, dataplatforms of dashboardsoftware, zonder eerst te bepalen welke vragen managers daarmee moeten kunnen beantwoorden. Het resultaat is een technisch indrukwekkende omgeving die in de praktijk nauwelijks wordt gebruikt. Effectiever is de omgekeerde volgorde: start met de beslissingen die managers moeten nemen, bepaal welke informatie daarvoor nodig is, en bouw de technische oplossing daar omheen.

Moeten alle managers in een organisatie hetzelfde niveau van datageletterdheid hebben?

Nee, en dat is ook niet realistisch of noodzakelijk. De informatiebehoefte van een operationeel teamleider verschilt wezenlijk van die van een directeur of een afdelingshoofd. Wat wél voor iedereen geldt, is een basisniveau: begrijpen welke KPI’s relevant zijn voor de eigen rol, kunnen herkennen of informatie betrouwbaar is, en weten waar je terecht kunt met vragen over de data. Verdieping in specifieke analytische vaardigheden is alleen zinvol voor managers wier rol dat daadwerkelijk vraagt.