Data zijn niet meer weg te denken uit onze samenleving, economie, onderzoek en onderwijs. HAN University of Applied Sciences heeft applied datascience opgenomen in onderwijs en onderzoek en is al actief op dit vlak. Zo ontwikkelde de HAN de nieuwe master Applied Data Science en minoren datascience, en werken studenten en docenten samen met het bedrijfsleven aan datascience-projecten. Vanwege het belang en de toenemende vraag uit de markt, was een geactualiseerde organisatiebrede strategische visie op datascience wenselijk. Birch is gevraagd om dit proces te begeleiden.

Het thema data wordt steeds belangrijker in onze maatschappij en economie. Dit vertaalt zich naar een forse waarde van data. Eerder berekende het CBS de waarde van data, gemeten in jaarlijkse uitgaven. In 2017 kwam dit uit op een bedrag tussen de 17 en 20 miljard euro. De afgelopen 5 jaar nam deze waarde substantieel toe. Ook onderzoeks- en toepassingsgebieden ontwikkelden zich snel, zoals big data, deep data,  artificiële intelligentie (AI), datascience en data analytics. Maar hoe verhouden zich deze tot elkaar en hoe vertaal je dit naar een het onderwijs- en een onderzoeksprogramma?

Eén van de speerpunten in het HAN koersbeeld 2022-2028 is dat studenten en medewerkers digi- en datavaardig worden. In lijn hiermee was het een natuurlijk moment voor de Academie IT en Mediadesign van de HAN om te kijken of het thema datascience breed in de organisatie belegd kan worden. De HAN vindt het belangrijk dat datascience bij alle opleidingen wordt ingezet en dat studenten en docenten weten wat het is en hoe je ermee omgaat.

Data en datascience worden breed toegepast. Daarom kozen we voor een heldere begripsbepaling. Betrokken lectoren en inhoudelijk specialisten leverden hier een belangrijke bijdrage aan. Ook deden we deskresearch. Een academiebrede (deels digitale) uitvraag gaf inzicht in hoeverre datascience in het huidige onderwijs aanwezig is, de associaties, en het belang van een onderzoeksprogramma. Al deze input zorgde binnen de HAN voor extra (positieve) aandacht voor het thema. De bevindingen leidden tot een eerste versie van een meerjarenplan Datascience voor de HAN. In een aantal gespreksronden met stakeholders werd het concept verfijnd.

Het traject leidde tot een aantal belangrijke conclusies:

1. Het is duidelijk welke academies specifieke datascience-behoeften hebben voor onderwijs en onderzoek.
2. Informele structuren kunnen worden omgezet in geborgde processen en formele structuren zodat datascience structureel onderdeel is van onderwijs- en onderzoek.
3. Naast de bestaande basismodule Datascience wil de HAN datascience, of specifieke onderdelen ervan, breder aanbieden – op verschillende niveaus passend bij de betreffende academie.
4. Er zijn nieuwe gewenste expertises naar voren gekomen binnen de organisatie die vertaald kunnen worden naar een bestaand of toekomstig lectoraat.

De bevindingen en ambities hebben we verwoord in het meerjarenplan Datascience. Hiermee kan de organisatie richting geven aan datascience, zodat dit goed kan landen bij de verschillende academies van de HAN.