Wanneer past een traineeship data science bij je: en wanneer niet?

Jeroen van der Made
Jeroen van der Made

Founder

07-08-2026
12 min. read

Het korte antwoord

Een traineeship data science passend noemen kan pas als drie dingen samenvallen: je vindt het leuk om met rommelige, onvolledige data te werken, je kunt een steile leercurve maanden volhouden, en je hebt er geen bezwaar tegen om je uitkomsten steeds aan niet-technische collega's uit te leggen. Ontbreekt een van die drie, dan is software development of de bredere IT-specialistenroute vaak een betere match.

Wanneer past een traineeship data science bij je: en wanneer niet?
  • Het traject bij Createment BV duurt in totaal veertien maanden: twee maanden opleiding, twaalf maanden traineeship bij de opdrachtgever
  • Het technisch assessment is streng: van alle geteste kandidaten valt in de praktijk zo'n 91 procent af
  • Je hoeft niet te kunnen programmeren bij de start, maar wel logisch en analytisch te kunnen denken
  • Data science werk is in de praktijk voor een groot deel data opschonen en beschikbaar maken, niet alleen modelleren
  • Twijfel je? Test eerst een dataset met vieze data in plaats van een cursus statistiek

Waarom de meeste twijfel over data science op het verkeerde ligt

Je leest een vacature voor junior data scientist. Machine learning, Python, SQL, statistiek, cloud. Je denkt: dat haal ik nooit zonder wiskundediploma. En dus schrijf je je niet in, terwijl de kandidaat naast je met exact dezelfde achtergrond wel wordt aangenomen.

De drempel die kandidaten zelf opwerpen zit bijna altijd op het verkeerde punt. Ze twijfelen aan hun rekenvaardigheid, hun opleiding, hun leeftijd. Ondertussen ligt de echte selectiegrens elders: bij tolerantie voor onduidelijkheid, bij doorzettingsvermogen en bij de bereidheid om je werk begrijpelijk te maken voor iemand die geen idee heeft wat een confusion matrix is.

Dat verschil is belangrijk, want het bepaalt of je twijfel terecht is. Iemand die statistiek nooit leuk vond maar wel graag puzzelt met onvolledige informatie, is vaak een sterkere kandidaat dan iemand met een cijfer 9 voor wiskunde die vastloopt zodra de opdracht niet helder is. Dit stuk zet op een rij welke signalen wél voorspellen of een traineeship data science passend is voor jouw hoofd en je situatie, en welke signalen juist richting een andere IT-richting wijzen.

Wat maakt een traineeship data science passend, en wat niet?

Een traineeship data science is een betaald leertraject waarin je zonder IT-diploma in ongeveer veertien maanden wordt omgeschoold tot junior data-professional, met een arbeidscontract en een opleidingscomponent in plaats van collegegeld. Dat is juridisch ook iets anders dan een stage. In de Nederlandse context is de term stagiair vooral voorbehouden aan stages zonder arbeidsovereenkomst, terwijl een trainee juist mét contract werkt. Je bouwt dus vanaf dag één salaris, pensioen en werkervaring op.

Waarom de meeste twijfel over data science op het verkeerde ligt

Waar de match wel of niet zit, blijkt in de praktijk uit vier concrete voorkeuren.

Hou je het vol als het antwoord er niet meteen uit komt?

Software development geeft snelle bevrediging: code werkt of werkt niet. Data science werkt anders. Een analyse kan dagen duren en dan uitkomen op de conclusie dat de data de vraag niet kan beantwoorden. Dat is een geldig resultaat, maar het voelt niet als winst. Kandidaten die energie halen uit zichtbare voortgang per uur, vinden dat frustrerend.

Vind je opschonen ook interessant, of alleen modelleren?

Dit is de meest onderschatte factor. Bij de meeste organisaties gaat het grootste deel van de tijd van een junior data-professional op aan het vinden, koppelen en corrigeren van data uit systemen die nooit voor analyse zijn ontworpen. Denk aan een pensioenuitvoerder met deelnemersgegevens in drie generaties software, of een netbeheerder met meetdata uit apparatuur van verschillende leeftijden. Wie dat sluipwerk saai vindt, redt het traject zelden.

Kun je je uitkomst verkopen aan iemand zonder technische achtergrond?

Een model dat niemand begrijpt, wordt niet gebruikt. Junior data scientists die snel groeien, zijn bijna altijd de mensen die een dashboard of voorspelling in twee minuten kunnen uitleggen aan een teamleider. Als je dat leuk vindt, is dat een sterk signaal. Vind je vergaderen met de business een noodzakelijk kwaad, dan past software development of de beheerkant vaak beter, zoals ook blijkt uit de manier waarop de vier IT-werkvelden bij grote werkgevers van elkaar verschillen.

Zelf aan de slag:

  • Pak een openbare dataset met bekende fouten (dubbele records, ontbrekende velden) en probeer één vraag te beantwoorden. Duurt het opschonen je te lang? Dan is dat informatie, niet falen.
  • Leg je uitkomst in vijf zinnen uit aan iemand buiten de IT. Begrijpt die persoon de conclusie niet? Oefen dat eerst, het weegt zwaarder dan een extra cursus.
  • Zet drie momenten uit je huidige werk op papier waarop je met onvolledige informatie een besluit moest nemen. Vond je dat vervelend of juist interessant?
  • Test je uithoudingsvermogen: werk zes weken lang twee avonden per week aan hetzelfde onderwerp. Haal je dat niet, dan is een veertienmaands traject riskant.

Waarom het gebrek aan IT'ers je niet automatisch binnenhelpt

De krapte op de ICT-arbeidsmarkt is echt. Volgens CBS werken er meer dan een half miljoen ICT'ers in de Nederlandse economie, terwijl bedrijven moeite hebben hun vacatures te vullen. Dat klinkt als een open deur voor omschakelaars.

Maar dat is precies de denkfout. Het UWV constateert dat werkgevers in informatie en communicatie hun functie-eisen minder vaak aanpassen dan werkgevers in andere sectoren, en ook minder vaak zij-instromers aannemen. Een tekort betekent dus niet dat de deur openstaat. Het betekent dat de deur klemt en dat iemand hem voor je moet openhouden.

Waar bootcamps, deeltijdstudies en zelfstudie tekortschieten

Vier routes naar data science circuleren onder omschakelaars, en drie ervan lopen structureel vast op hetzelfde punt.

Wat maakt een traineeship data science passend, en wat niet?

Zelfstudie levert kennis zonder bewijslast. Je kunt online alles leren over regressie en Python. Wat je niet krijgt, is een werkgever die jouw niveau kan inschatten. Voor een recruiter die op doorlooptijd wordt afgerekend, is een zelfstudieprofiel zonder werkervaring een risico dat hij niet hoeft te nemen.

Bootcamps leveren certificaten zonder plaatsing. Een intensieve cursus van enkele maanden geeft je een portfolio, maar je zoekt daarna zelf een werkgever, in dezelfde markt die volgens het UWV nauwelijks van zijn eisen afwijkt. Bovendien betaal je vooraf en verdien je tijdens de opleiding niets.

Een deeltijdopleiding kost jaren. Het landelijk opleidingsprofiel Applied Data Science & AI van de Vereniging Hogescholen koppelt de kwalificaties aan hbo-bachelorniveau, met kwalificaties 1 tot en met 7 direct gerelateerd aan de data science life cycle. Inhoudelijk gedegen, maar je zit jaren aan een studieschema vast voordat je betaald aan de slag bent.

Intern doorstromen bij je huidige werkgever klinkt logisch, maar strandt vaak op begeleiding. De afdelingsmanager die je wil hebben, moet intern budget en tijd verantwoorden voor iemand die het eerste half jaar netto oplevert. Zonder externe structuur wordt zo'n toezegging bij drukte als eerste ingetrokken.

RouteKosten voor jouInkomen tijdens trajectDoorlooptijd tot betaald werkWerkgever bekend bij start
ZelfstudieLaagHuidige baanOnbepaaldNee
BootcampVaak duizenden euro'sGeenEnkele maanden plus zoektijdNee
Deeltijd hboCollegegeldHuidige baanDoorgaans meerdere jarenNee
Traineeship (Createment BV)Geen collegegeldSalaris vanaf startOngeveer 14 maanden tot vast contractJa, voor de opleiding begint

Hoe een streng assessment jouw twijfel eerder wegneemt dan versterkt

Hier komt het contra-intuïtieve deel. Kandidaten schrikken van een zwaar toelatingstraject, maar juist die strengheid is wat een traineeship data science passend maakt of niet: het neemt de gok bij jou weg en legt hem bij de organisatie die je test.

De aanpak van Createment BV werkt daarom in een vaste orde, met de zwaarste horde vroeg:

  1. Gerichte werving voor één specifieke opdrachtgever, niet voor een algemene pool. Je weet dus vroeg voor welk type organisatie je zou werken.
  2. Een online test van ongeveer een tot anderhalf uur als eerste screening.
  3. Een technisch assessment van een hele dag op locatie. Van alle kandidaten die deze fase doorlopen, valt in de praktijk rond de 91 procent af. Voor iedere trainee die wordt voorgesteld, worden er dus ongeveer elf getest.
  4. Gesprekken met de partners van Createment BV over motivatie, situatie en werkstijl.
  5. Presentatie aan de opdrachtgever via een persoonlijk dossier en een korte video, gevolgd door een gesprek daar.
  6. Twee maanden opleiding op locatie, daarna twaalf maanden traineeship bij de opdrachtgever, met indiensttreding na afloop.

Waarom is dat gunstig voor een twijfelaar? Omdat de kans dat je halverwege ontdekt dat je het niet kunt, daarmee flink kleiner wordt. Je krijgt vóór je opzegt te horen of je aanleg past bij het vak. Dat is precies de informatie die je met een online cursus nooit krijgt.

Een tweede effect ziet men bij de opdrachtgevers. Organisaties waar IT het fundament van de processen is, denk aan energie- en netbeheerders, pensioenuitvoerders en uitvoeringsorganisaties bij de rijksoverheid, hebben zelden een imago waarmee ze ervaren data scientists vanzelf binnenhalen. Dat de selectie zo grondig gebeurt, is voor hen de reden om iemand zonder IT-diploma toch aan te nemen. Beide kanten van de tafel profiteren dus van dezelfde strengheid.

Stel, iemand met een sociaalwetenschappelijke wo-achtergrond werkt als beleidsmedewerker en maakt al twee jaar de rapportages voor de afdeling, met bestanden van tienduizenden regels in spreadsheets. Die persoon programmeert niet, maar denkt wel in verbanden en heeft geduld met slechte data. In het assessment blijkt dat sterker te voorspellen dan het cijferlijstje. Zie ook de bredere analyse over waarom het diploma niet het selectiecriterium is.

Wanneer kies je juist géén data science?

Drie situaties waarin een ander traject verstandiger is. Je wil resultaat per dag zien: kies software development. Je haalt energie uit systemen die blijven draaien en uit incidenten oplossen: dan past de brede IT-specialistenroute beter. En als je vooral aangetrokken wordt door het woord data science zonder dat je ooit met een dataset hebt gerommeld, is dat een waarschuwing, niet een roeping.

Waarom het gebrek aan IT'ers je niet automatisch binnenhelpt

Hoe voorkom je dat je halverwege vastloopt?

Het zwaarste moment in een veertienmaands traject zit doorgaans niet aan het begin. Kandidaten komen enthousiast de opleidingsfase door en lopen vast in maand vier of vijf bij de opdrachtgever, wanneer de nieuwigheid eraf is en het werk echt begint te tellen.

Drie dingen bepalen of je daar doorheen komt. Het eerste is je thuisfront: bespreek vooraf hoeveel avonden per week je nodig hebt en check dat expliciet met wie je samenwoont. Het tweede is een vast aanspreekpunt buiten je team. In de opzet van Createment BV is dat de performance coach, die met trainees concrete doelen stelt en bijstuurt zodra iemand vastloopt, in plaats van pas bij een halfjaargesprek te informeren hoe het gaat. Het derde is de groep waarmee je start: medetrainees die dezelfde stof op hetzelfde moment doorworstelen, zijn in de praktijk de belangrijkste reden dat mensen doorzetten. Wie tijdens de opleiding structureel in zijn eentje leert, valt vaker af.

Let ook op het verschil tussen inhoudelijk vastlopen en mentaal vastlopen. Inhoudelijke problemen los je op met uitleg en oefenen. De mentale kant, het gevoel dat je achterloopt op mensen die vijf jaar eerder begonnen, vraagt iets anders. Daar helpt het om je voortgang te meten tegen jezelf van drie maanden eerder, niet tegen de senior in je team. Wie daar meer over wil lezen, vindt in het stuk over de mentale drempels bij een carrièreswitch naar IT een uitgebreidere behandeling.

Zelf aan de slag:

  • Plan vooraf twee vaste leeravonden per week in en zet ze in de agenda van je huishouden, niet alleen in de jouwe.
  • Spreek in de eerste week bij je opdrachtgever af met wie je wekelijks je voortgang bespreekt. Geen naam na twee weken? Vraag er dan actief om.
  • Houd een logboek bij van wat je aan het eind van elke maand kunt en de maand ervoor niet kon. Dat is je enige eerlijke maatstaf.
  • Merk je dat je drie weken achter elkaar dezelfde stof niet snapt? Meld dat direct, niet bij het volgende evaluatiemoment.

Veelgestelde vragen

Moet je kunnen programmeren voordat je aan een traineeship data science begint?

Nee. Wat in de selectie zwaar weegt is logisch denken, patronen herkennen en de discipline om een steile leercurve maanden vol te houden. Programmeren leer je in de opleidingsfase van twee maanden en daarna in de praktijk. Wel helpt het als je ooit met formules of grote bestanden hebt gewerkt, bijvoorbeeld als gevorderd gebruiker van een softwarepakket. Meer hierover staat in het artikel over omscholing naar data science zonder programmeerkennis.

Wat is het verschil tussen een data-analist en een data scientist voor een starter?

Analyseren versus voorspellen. Een data-analist beantwoordt vooral vragen over wat er is gebeurd, via rapportages en dashboards. Een data scientist bouwt daarnaast modellen die iets voorspellen of classificeren en werkt vaker met programmeercode. Als starter begin je in de praktijk bijna altijd met analysewerk en groei je door naarmate je meer wiskundige en technische bagage opbouwt.

Hoe streng is de selectie voor een data science-traineeship?

Strenger dan de meeste kandidaten verwachten. In het traject van Createment BV valt na het technisch assessment van een dag doorgaans rond de 91 procent van de geteste kandidaten af. Dat betekent dat er per geplaatste trainee ongeveer elf kandidaten worden getest. Zie het als voordeel: je weet vóór je je baan opzegt of je aanleg past.

Is een traineeship na je dertigste nog een reëel plan?

Ja, en werkervaring werkt vaak in je voordeel. De kerngroep trainees ligt doorgaans tussen 24 en 35 jaar. Wie al jaren in een organisatie heeft gewerkt, brengt overleg-, planning- en communicatievaardigheden mee die een pas afgestudeerde nog moet leren. Het artikel over instappen na je dertigste gaat in op de financiële en praktische afwegingen.

Bij wat voor werkgevers kom je na een data science-traineeship terecht?

Bij organisaties waar IT het fundament van de processen vormt. In de praktijk zijn dat energie- en netbeheerders, financiële dienstverleners en pensioenuitvoerders, uitvoeringsorganisaties bij de rijksoverheid en softwarebedrijven. De ICT-sector zelf is breed: volgens CBS bestond die eind 2023 uit bijna 100.000 bedrijven, ruim vier procent van alle Nederlandse bedrijven. Na afloop van de twaalf maanden treed je in dienst bij de opdrachtgever waar je hebt gewerkt.

Conclusie

Of een traineeship data science passend is, hangt niet af van je diploma of je wiskundecijfer. Het hangt af van drie dingen: of je het rommelige voorwerk interessant vindt, of je een half jaar zonder zichtbare vooruitgang kunt doorbijten, en of je je conclusies aan niet-technische collega's kunt uitleggen. Ontbreekt een van die drie, kijk dan serieus naar software development of de brede IT-specialistenroute.

De volgende stap is klein en concreet: pak een dataset met fouten erin, beantwoord één vraag en let vooral op hoe je je voelt bij het opschoonwerk. Wie daarna verder wil, vindt bij het data science-traject van Createment BV een assessment dat de vraag beantwoordt die je zelf niet kunt beantwoorden: of je aanleg past. Liever eerst het volledige overzicht van praktische vragen? Dan geeft de vragenlijst over IT-traineeships uitsluitsel over contract, salaris en doorloop.

Ben je klaar om je IT-carrière te starten zonder diploma?

Stel je vraag

Bronnen

Deel bericht

GERELATEERDE
BLOGS