Search
  • Daniel Buchner

Het data-interpretatie complex


Voor veel bedrijven is data-analyse (nog steeds) een groots en ingewikkeld proces. Een complex netwerk met vele aftakkingen, losse eindjes en weinig houvast. Een fenomeen wat zichzelf vaak in stand houdt door processen binnen een bedrijf die 'nou eenmaal zo zijn’. Een situatieschets: de gespecialiseerde afdeling ontsluit de data, zet het netjes in dashboards en powerpoint decks en distribueert deze naar de afdelingen. Min of meer met de boodschap: “hier is de data, zie maar wat je ermee doet.” Maar waar ligt de volgende stap? Wie interpreteert de data naar bruikbare informatie en naar werkbare acties? En waarom schrikt het woord data nog steeds zo af?


Ik ben groot fan van deductie. Een van de grondbeginselen van de logica, waarbij een gevolgtrekking wordt gemaakt uit het algemene naar het bijzondere. Het is een als-dan premisse. Je moet het zien als een stroomschema dat je vroeger bij natuurkundeles moest maken: een systematische voorspelling van een proces. Sherlock Holmes loste er zijn zaken mee op. Dit is voor mij data-interpretatie in een notendop.


Een andere filosofische theorie die hier in mijn optiek mooi bij aansluit is Ockhams Scheermes (Occam’s Razor). Ook wel de wet der spaarzaamheid genoemd. Het 'scheermes' symboliseert het wegscheren van alle onnodige ingewikkeldheden om bij de eenvoudigste verklaring uit te komen. Dus dat de meest simpele verklaring vaak de juiste is. Een groot aanhanger van deze filosofie is Google data-goeroe Avinash Kaushik. Hij heeft zelfs zijn blog ernaar vernoemd.


Je snapt het, ik houd ervan om data-interpretatie niet te groots en meeslepend te maken. Als ik samenwerk met bedrijven probeer ik de afschrikkende ongrijpbaarheid van alles wat met data-analyse en data-interpretatie te maken heeft te vatten in simpele handvatten en werkbare processen.


Een kritische lezer zou kunnen stellen dat oversimplificatie op de loer ligt. Dat niet alles ‘afgeschoren’ kan worden tot op het bot. Dan blijft er niets te interpreteren meer over. Dat is absoluut een gevaar. Ik wil ook niet stellen dat ik alles deduceer tot Jip & Janneke niveau. Maar het helpt mijzelf en daarmee mijn klanten als een soort geheugensteun om niet te verzanden in nodeloos ingewikkelde analyserondes en interpretatiediscussies. Dat de kern van een data-vraagstuk vaak sneller is gevonden door te zoeken naar de meest logische verklaring en te streven naar de minst ingewikkelde oplossing.


Op het gebied van social (video) data-analyse valt hier nog veel te winnen. De grote social partijen lijken bijna te genieten van het zo ondoorzichtig en uitgebreid mogelijk maken van hun analytics systemen. Systemen die hun eigen engineers prima kunnen lezen, maar de gemiddelde gebruiker veel minder. Laten we zeggen dat de User Experience (UX) hierbij in mindere mate belangrijk was. Dit is de reden waarom analytics en dashboarding tussenpartijen als Tubular Labs en Paladin Software zoveel klanten hebben weten binnen te halen met hun - dare I say - dataversimpelingsproducten.


YouTube is pas een jaar geleden begonnen met het visueel duiden van enkele onderdelen van YouTube Analytics (YTA). En pas zeer recentelijk met meer UX design door de Snapshot Card en Smart Headlines. Waarin de kanaaleigenaar gepersonaliseerde, uitgeschreven notificaties over de performance van het kanaal en video’s krijgt. Dit jaar volgt er eindelijk een tool die laat zien naar welke andere video’s, op andere kanalen jouw kijkers ook kijken. Weer een stapje dichterbij het in kaart brengen van de Watch Journey van de kijker.


Met dergelijke maatregelen proberen nu ook de grote spelers data meer inzichtelijk te maken voor hun gebruikers. Niet meer enkel weergeven, maar ook duiden. Het data-interpretatieproces versimpelen en versnellen. Een stap in de goede richting. Maar we zijn er nog niet. Tot die tijd kan je nog bij mij terecht voor een lesje ‘scheren’. ;-)

3 views

©2020 tubelift. | tubelift. is registered in The Netherlands | KvK: 73853267 | BTW: NL001665677B39