Når det handler om avancerede metoder til at analysere data - hvad enten det er såkaldt big data eller i småtingsafdelingen - taler vi ofte om et "skill-gap":
Der er simpelthen ikke tilstrækkeligt mange på arbejdsmarkedet med de rette kompetencer til at anvende de komplekse metoder til at afkode de mønstre og sammenhænge, der ligger i data.
Der er der ikke noget at sige til, at det er svært at finde de rette kompetencer.
For indsigt i avancerede machine learning-algoritmer som neurale netværk, support vector machines eller stochastic gradient boosting kræver matematisk indsigt på et niveau, der hører hjemme på overbygningen af universitetsuddannelser som for eksempel matematik, fysik eller statistik - det vil sige nicheuddannelser med et stærkt matematisk fundament.
Det er sandt, at det er svært at skaffe de rigtige personer - og særligt de reelt kompetente, der ikke bare har en uddannelse, men også evner at omsætte den til praksis.
Organisationer, der lover for meget
Men der er også en problematik, der tilsyneladende trækker den modsatte vej.
En stor andel af de, der har kompetencerne, har meget vanskeligt ved at finde en organisation, hvor de kan arbejde analytisk på et så tilstrækkeligt højt niveau, som de går og ønsker sig.
Denne gruppe har lært om random forests, bagging og K-means clustering, men de har svært ved at finde projekter, opgaver og problemstillinger, hvor de kan få lov til at anvende disse metoder.
Derfor ender de ofte med korte ansættelser.
De bliver ansat i organisationer, der lover dem guld og grønne skove (avancerede projekter) for blot at skuffe, når hverdagen melder sig, og de igen sidder og laver krydstabeller med tælletal.
Det lyder som et paradoks, men der er en forklaring, der falder i to dele.
Teknologi-inkompetence i hjørnekontorerne
Den første del handler om, at organisationer ofte ikke er særligt gode til at skaffe eller identificere analytiske projekter.
Rundt omkring i hjørnekontorer og bestyrelseslokaler sidder nogle af landets mest teknologi-inkompetente personer, der i det analytiske mest ser en blanding af mumbo-jumbo og forretningsrisiko.
I den anden ende af bygningen hos it- og data warehouse-afdelingen sidder der et nøjsomt destilleret koncentrat af medarbejdere, der i årevis er blevet målt og vejet ud fra oppetider, back-up, datakvalitet og driftssikkerhed frem for forretningsudvikling og forsøg med data.
Resultatet af denne uhellige kombination er, at arbejdet med avanceret dataanalyse hindres både af besvær med at skaffe data og uhensigtsmæssige projektrammer fra topledelsen.
En ledelse, der føler, at det dér med dataanalyse er lidt uklart, har en længere rejse foran sig.
Folkene i ledelsen kan og bør naturligvis købe sig kvalificeret rådgivning fra folk med reel erfaring inden for avanceret dataanalyse.
Men det kræver også meget af dem selv, fordi en ægte personlig investering i at forstå muligheder og begrænsninger i teknologien er forudsætningen for, at de kan komme ud af bullshit-fasen, hvor de læser noget i et blad købt i en lufthavn, men ikke kan forbinde indholdet til deres egen virkelighed.
Stadig flere steder tilbydes kursusforløb til ledelsen om big data, dataanalyse og lignende - en vej, der kan være en god start hvis tilbuddet indeholder reel erfaring med avanceret dataanalyse.
Løsningen i forhold til datawarehouse-bemandingen er mere ligetil.
Der skal ansættes en person, hvis faste og primære job er at trække data, lægge dem klar til en analysegruppe og tale med forretningen om, hvad data egentlig betyder.
Keine hexerei.
Analytikere med manglende lyst til forretning
Den anden del af det tilsyneladende paradoks handler om de avancerede analytikere selv.
Alt for mange af dem holder dybest set mere af de avancerede analysemetoder end af at løse forretningsproblemer.
Samtidig har de ikke altid tilstrækkelige kompetencer i forhold til at kommunikere med folk uden for deres eget fagområde, eller også har de ikke indsigt i, hvilken rolle eller inden for hvilke realistiske rammer en eventuel analytisk løsning skal implementeres.
Dette er, hvad man kunne kalde det omvendte skill-gap: At de med den tekniske kompetence ikke har de tilstrækkelige kommunikative og forretningsmæssige kompetencer.
Sådan bliver det ikke ved med at være - dels fordi denne gruppe efterhånden vil dygtiggøre sig inden for kommunikation og forretningsindsigt, dels fordi problemstillingen først og fremmest siger noget om, hvor markedet for avanceret dataanalyse er i dag.
Markedet er nemlig et sted, hvor den mest efterspurgte kompetence er at kunne samle organisationen omkring de rigtige analytiske projekter - lige fra hjørnekontoret til serverrummet.
For at kunne det, skal man både kunne lytte, forklare og jonglere med avanceret matematik. Og det er en sjælden kombination på arbejdsmarkedet.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os noget tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.