Werken bij Den of Data

Datastrategie opzetten in 10 stappen

den of data — Tue, 22 Mar 2022 11:09:36 +0000

1. Definieer de bedrijfsstrategie

Zorg dat missie, visie, strategie helder zijn. Leg je langetermijnambities vast in een plan dat in lijn ligt met de bedrijfsdoelstellingen, capaciteit en data. Data-oplossingen moeten bijdragen aan de doelen van de organisatie. Daarom heb je eerst een bedrijfsstrategie nodig voordat je een goede datastrategie kunt opstellen. Brainstorm over de klanten, ideale producten, marktsegmenten, distributie, manier van contact, inrichting van jouw organisatie om de toekomst goed aan te kunnen. Zijn er wellicht betere manieren om business te genereren, klanten te bedienen of heb je wellicht een andere bedrijfsmodel nodig? Krijg dit scherp en handel er naar, want dat is cruciaal voor succes met data.

2. Verbind organisatiedoelstellingen

Verbind korte termijndoelen aan langetermijnambities. Elke doelstelling stel je op vanuit de strategie. Zo voorkom tijdverlies door inspanningen die er niet aan bijdragen. Het verzamelen, bewerken en analyseren van data zijn geen doelen op zich. Data krijgt pas waarde als die te relateren is aan de doelstellingen. De vragen die je beantwoordt zijn dus:

Wat wil je organisatie bereiken?
Wat zijn de lange en korte termijndoelen?
Welke data (detail en geaggregeerd: persoon/functie/proces/afdeling en in samenhang) zijn hiervoor cruciaal?

Voorbeeld
Een organisatie heeft als langetermijndoelstelling: uitgroeien tot de grootste dienstverlener in een bepaalde branche. De kortetermijndoelstellingen die hieraan ondersteunen:

vergroten van de omzet;
uitbreiden van het bestaande klantenbestand.

3. Leg datadoelstellingen vast

Leg vast welke data je nodig hebt om de doelen uit stap 2 te bereiken. Heb je de organisatiedoelstellingen scherp, dan vertaal je die naar datadoelstellingen. Hierin definieer je wat het doel is op het gebied van data. Zorg dat er een duidelijke link is met de organisatiedoelstellingen. Richt je op strategische keuzes en langetermijndoelen. Let op: een gedragsverandering is hierbij noodzakelijk.

Is de doelstelling om uit te groeien tot de grootste dienstverlener in een bepaalde branche, dan kan je denken aan de volgende datadoelstellingen:

Het meest complete beeld creëren van de doelgroep en het klantenbestand;
de volledige customer journey in kaart brengen;
(real-time) Inzicht in de acquisitie.

Communicatie vanuit, support van en voorbeeldgedrag door het topmanagement is cruciaal. Daarnaast is de juiste conversatie over de context van de organisatie belangrijk. De toenemende invloed van data, de bijdrage aan de samenleving en het werken met datatoepassingen (mobile, apps, selfservice) zijn relevant bij het onderzoeken van de toekomst.

4. Combineer en verken datawensen en -eisen

Zijn de datadoelstellingen bekend, dan leg je vast waar deze data vandaan moet komen en hoe je deze gaat verzamelen. Denk na over welke data specifiek voor jouw bedrijf interessant is. Dit is een uiterst belangrijke stap in de vervaardiging van je datastrategie.

Tip:
Visualiseer de huidige en toekomstige databronnen van de bedrijfsstrategie. Zo krijg je overzicht. Uit onze ervaring blijkt dat je dit het beste kan doen via samenwerking. Daarbij zijn zowel de experts op het gebied van data, business experts en managers van de organisatie betrokken.

De uitkomst van deze mapping is een lijst met mogelijkheden voor het gebruik van data, de manier waarop ze waarde toevoegen en om welke waarde het gaat.

Ga uit van de gewenste situatie en formuleer je antwoord aan de hand van onderstaande vragen:

Welke data moeten beschikbaar zijn om de doelstellingen (data- en organisatiedoelstellingen) te behalen?
Zijn er bepaalde metrieken en dimensies die belangrijk zijn voor je branche en/of bedrijf?
In welke data zit echte meerwaarde voor jouw organisatie? Of voor jullie klanten?
Zit er in bepaalde data extra commerciële waarde?

Privacywetgeving

Staan je belangrijkste datawensen op papier (ga uit van de 20/80 regel), dan is het noodzakelijk om ook nog de (non-functional) data-eisen vast te leggen. Hier leg je vast waar de data aan moet voldoen. Denk aan de cookie- en privacywetgeving GDPR (Nederlands: AVG). Heb je het antwoord op deze vragen, dan vul je de lijst aan met data die je wilt hebben.

5. Maak een Minimal Viable Product

Maak een minimal viable product (MVP). Bewijs daarmee de waarde; van de keuze tot en met de uitvoering. Werk kort cyclisch, met meerdere iteraties, om zo snel mogelijk te leren en écht verbeteren als doel. Pas als de waarde gelijk is aan de beoogde toegevoegde waarde kan je verder implementeren/industrialiseren.

6. Inventariseer huidige en toekomstige databronnen

In deze stap inventariseer je de databronnen die momenteel al aanwezig zijn. Onze ervaring leert dat het aantal databronnen vaak meer is dan gedacht.

Ga na waar de data vandaan komt (uit welke processen/afdelingen/bronnen/productowner). Noteer wie de eigenaar(s) zijn van de datakwaliteit en -inhoud en in welke vorm je de data opslaat. Maak ook inzichtelijk wie toegang heeft tot de data (ontsluiten, bewerken, administratie van gebruik)

Welke relevante data verzamelt jouw bedrijf al?
Welke data heb je al eerder verzameld?
Waar en hoe lang sla je al die data op?
Wie heeft toegang tot welke data?
Waar is welke data opgeslagen: in de cloud, op laptops; op papier, op lokale servers?

Toegevoegde waarde bepalenBeoordeel de data op noodzaak, toegankelijkheid, kwantiteit en kwaliteit. Dat is de basis om de (potentiële) toegevoegde waarde van de databronnen te bepalen. De kwaliteit en consistentie van de data beïnvloeden de kwaliteit en consistentie van de analyses en conclusies die je op basis van deze data trekt. Deel de bevindingen van deze stap binnen je organisatie.

7. Databewerking

Veel data die je verzamelt, vereisen bepaalde verwerkingen. Zowel voor als na opslag. Voor opslag wil je data wellicht filteren, anonimiseren, uitbreiden of combineren met een andere set. Na de initiële opslag wil je data misschien wel aggregeren voor bijvoorbeeld monitoring, dashboarding en reporting. Geaggregeerde data sla je altijd apart op.

Tip: maak de hele keten van dataverwerking inzichtelijk waarbij je data heen weer gaan tussen verwerking en opslag. Leg in dit onderdeel vast welke data welke bewerking ondergaat, wie of wat hiervoor verantwoordelijk is en hoe dit gebeurt. Hiermee leg je je keten van dataverwerking vast.

8. Definieer data-opslag en veiligheid

Definieer waar, hoe en hoelang je data gaat opslaan. De keuze van data-opslag is afhankelijk van de gevoeligheid van de data, frequentie van raadpleging, wie (en waar vandaan) deze data raadpleegt. De keuze voor een bepaalde opslaglocatie kan impact hebben op het eigenaarschap. De termijn van data-opslag is relevant voor bijvoorbeeld predictive analytics en machine learning.

9. Leg datarelaties vast

In stap 6 heb je de verschillende bronnen van herkomst vastgelegd. Bij veel bedrijven komt data vanuit verschillende bronnen in zogenaamde silo’s terecht. Dat is een groot probleem omdat juist de relatie tussen verschillende databronnen belangrijk is. Daar schuilt vaak veel meerwaarde in.

Als stelregel geldt: Hoe rijker de data, hoe nuttiger deze zijn. Koppel je bijvoorbeeld CRM-data aan je Google Analytics (web)data, dan krijg je direct veel meer inzicht in de gehele customer journey. Hierdoor weet je makkelijk wie je waardevolle klanten zijn en kan je op zoek naar nog meer waardevolle klanten. Leg daarom vast welke relaties er bestaan tussen je datasets en hoe deze te combineren zijn.

10. Leg context data-analyse vast

Als laatste stap leg je de context van de data-analyse vast. Maak inzichtelijk wie hieraan werkt en volgens welke spelregels. Dat kan aan de hand van onderstaande vragenlijst:

Is het toegestaan bepaalde data wel of niet te gebruiken?
Mag je data delen in vastlegging en rapportage?
Hoe garandeer je reproductie van analyse?
Mag je originele data aanpassen tijdens de analyse?
Wat is de kwaliteit/betrouwbaarheid van de data.
Zijn alle verzamelde data even betrouwbaar? En hoe ga je hiermee om?
Google Analytics data zijn in de regel minder betrouwbaar (want minder volledig) dan bijvoorbeeld data van je eigen kassa-systeem of CRM.
Leg ook vast welke data-tools en -middelen er beschikbaar zijn.

Advies nodig voor jouw organisatie?

Het gebruik van data kan veel toegevoegde waarde opleveren. Realiseer je wel dat de transitie naar datagedreven werken grote impact heeft op de processen, cultuur en ict-omgevingen binnen je organisatie. Daarom is het belangrijk om vooraf een goede analyse te maken van alle aspecten die hierin rol spelen. Zaken als security, privacy, datakwaliteit en organisatorische competenties zijn belangrijke onderdelen van je datastrategie.

Een goede datastrategie bestaat uit:

Een hands-on document waarin je data-ambities helder zijn geformuleerd. Het bevat een geprognotiseerde waarde/besparing vanuit je bedrijfsvoering. De datastrategie is een onderdeel van, in lijn met en ondersteunend aan je bedrijfsdoelstellingen.
Inzicht in de bestaande en benodigde databronnen, in de huidige versus gewenste datakwaliteit, de gebruiks- en toepassingsregels.
Een plan van aanpak met een roadmap voor concrete projecten en tijdslijnen, met implementatie/communicatie voor de data-verandering in je organisatie. Let op: een gedragsverandering is hierbij noodzakelijk voor iedereen binnen de organisatie. ‘Ja’ zeggen tegen datagedreven denken en doen betekent ‘nee’ zeggen tegen iets anders.

Houvast voor effectief gebruik van data

Beginnen en leren is de beste manier om als organisatie te ontwikkelen en te groeien. Het stappenplan uit deze nieuwsbrief geeft je handvatten om een plan en werkwijze voor je organisatie te bedenken. Met je geformuleerde datastrategie voor jouw bedrijf heb je samenhang in de doelstellingen met het gebruik en spelregels van data. De datastrategie biedt houvast voor effectief gebruik van data en goede dialoog over jullie uniforme stuurinformatie (realtime en misschien zelfs voorspellend). En een goede balans tussen data-strategie-mens zorgt voor een versnelling van bedrijfsresultaten.

In 5 duidelijke stappen naar een succesvolle Machine Learning implementatie

den of data — Thu, 17 Mar 2022 10:08:17 +0000

85% van alle AI (Artificial Intelligence) projecten in 2022 haalt de productie fase niet en wordt dus niet geïmplementeerd, voorspelde Gartner al In 2018. Recenter onderzoek door Pactera Technologies bevestigt dit beeld. Gezien de investeringen die ermee gemoeid gaan zijn dit schokkende cijfers – maar er is hoop.

In de praktijk zien we dat ML (Machine Learning) projecten vaak falen omdat:

Het model geen antwoord geeft op een relevante business vraag
Het model te weinig oplevert of de ontwikkelingstijd is te lang
Er geen vertrouwen is in het model

Door schade en schande wordt men wijs, maar nog veel waardevoller zijn de patronen die te ontdekken zijn in de succesvolle AI/ML projecten. Deze patronen zijn te vertalen in 5 stappen, waarbij de samenwerking tussen de Business (Project Manager) en Data Scientist centraal staat.
1 – De Business Case

Een businesscase is cruciaal voor de onderbouwing van de strategische relevantie (waarde toevoeging: omzet, kwaliteit, bedrijfskosten) en zakelijke rechtvaardiging (projectkosten en waarde: beiden liefst zo financieel mogelijk) om dit project te starten. Begin je project met een duidelijk en concreet einddoel met realistische planning en zorg ervoor dat het hele team op één lijn zit: van Project Manager als vertegenwoordiger van de business tot Data Scientist en Front-/Backend Application Developer. Bedenk samen van te voren al welke variabelen zich goed laten voorspellen ten behoeve van jouw einddoel en bouw sterke hypotheses die de scherp gedefinieerde onderzoeksvraag onderbouwen. De beste modellen zijn immers gebaseerd op sterke hypotheses – nog niet bewezen veronderstellingen – gevoed vanuit de expertise van de business. Vervolgens kun je het eindproduct al schetsen, ondersteund door een conceptueel model als grafische weergave van de werkelijkheid.

Door in een vroeg stadium al een goed beeld te hebben van de uitkomst voorkom je verspilde tijd en energie in latere stappen, of in het ergste geval een model dat uiteindelijk niet binnen de praktijk past. Op deze manier ontstaat er toewijding vanuit het management team en is de basis gelegd voor daadwerkelijke gedragsverandering binnen de organisatie, met een verzilverde business case als resultaat.

2–Data Selectie en Manipulatie

Het doel in de volgende stap is een bruikbare dataset te creëren met duidelijke definities, vrij van outliers en missende waarden, want ook bij het modeleringsproces geldt: Garbage in = garbage out. De prestaties van je model kunnen sterk gelimiteerd worden door data problemen. Neem voldoende tijd om de juiste data te verzamelen, de kwaliteit te controleren en data problemen op te lossen.

Dit kan ook betekenen dat er binnen de organisatie geïnvesteerd dient te worden in structurele verbeteringen omtrent de continue datastromen om de schaalbaarheid en data gedreven toekomst te waarborgen. De Data Scientist en de Business Project Manager dienen samen te werken op het gebied van data ontsluiting en interpretatie van eventueel nieuwe data bronnen en data definities. De Data Scientist doet er goed aan een datakwaliteitsrapport bij te houden en problemen te rapporteren.

3 – Analyse

Met de zojuist gerealiseerde dataset worden in de analyse fase de initiële hypotheses getest en nieuwe hypotheses gevormd op basis van nieuw verworven inzichten. Het resultaat is een lijst van hypotheses, waar en onwaar, welke als recept dient voor een sterk presterend model. Technisch betekent dit het plotten van de variabelen, combineren van variabelen en maken van een correlatiematrix om uiteindelijk het model op de juiste manier vorm te geven met de juiste ingrediënten.

In de praktijk komt dit proces het beste tot haar recht wanneer de Business Project Manager en Data Scientist samen alle relevante resultaten interpreteren en met behulp van business expertise tot nieuwe hypotheses wordt gekomen. Van cruciaal belang is hierbij de business case en het oorspronkelijke einddoel in het vizier te houden zodat de praktische relevantie van het eindresultaat niet in het geding komen en de steun van het management team onverminderd blijft.

4 – Model keuze
Nu het einddoel, de juiste data en relevante variabelen voor het model bekend zijn is het zaak het juiste model te kiezen voor een optimale prestatie. Er zijn honderden modellen beschikbaar en daarnaast nog vele verschillende te kiezen evaluatiecriteria om deze modellen te beoordelen. De evaluatiecriteria, en daarmee de keuze voor het model, hangen sterk af van het eerder gedefinieerde doel van het model omdat er vaak een trade-off moet worden gemaakt:

In het geval van tumor detectie wil je zoveel mogelijk gevallen herkennen, ook wel de sensitivity score, ook al betekent dat in een aantal gevallen een onterechte verdenking.
Terwijl bij de spam filter voor een mailbox de precision score meer van belang is: alleen wanneer het zeker spam betreft mag deze in de spam folder verdwijnen.

Zo zijn er nog veel meer evaluatie criteria om uit te kiezen. De rol van Business Project Manager is essentieel door te helpen bij het maken van de juiste afwegingen voor het optimaliseren van de praktische toepasbaarheid van het model en de interpretatie van de evaluatie criteria. Het moet helder zijn waarom een bepaald model is gekozen, waarom bepaalde evaluatie criteria zijn geselecteerd en wat deze nou daadwerkelijk betekenen.

Er kan heel veel tijd zitten in het optimaliseren en juist afstellen van de parameters van een model en het is eenvoudig jezelf hierin te verliezen. Daarom is het altijd van belang een goede inschatting te maken van de nog mogelijk te verwachten optimalisatie, de tijd die daarvoor nodig is en in hoeverre dit past binnen de gedefinieerde business case.

5 – Implementatie in dagelijkse bedrijfsvoering

In de laatste fase is het tijd om daadwerkelijk waarde te creëren door het model te integreren met de dagelijkse bedrijfsvoering en positieve verandering tot stand te brengen. Daarnaast dienen de prestaties van het model gemonitord te worden.
Verschillende specialisten komen hier van pas zoals de Data Engineer die de geautomatiseerde data stromen faciliteert of de Front- en Backend Developers die voor een applicatie zorgen waarmee real-time met de data en het model geïnteracteerd kan worden. Daarnaast zal kennis van data visualisatie (bijv. Tableau of PowerBI) van pas komen voor het dagelijks inzichtelijk maken van de prestaties van het model. Zeker wanneer er meerdere modellen draaien binnen de organisatie helpt dit om overzicht en controle te creëren.

Het duidelijk in kaart brengen van de resultaten van het project kan helpen bij de opzet van een volgende business case en om het management team volledig achter het project te krijgen. Alleen met een toegewijd management team, de juiste data professionals en een sterke business case kunnen we het percentage gefaalde ML projecten significant laten dalen.

Deze 5 essentiële stappen en de cruciale samenwerking tussen de business en data professional verhogen de slagingskans van je ML project aanzienlijk. Overweeg je ook Machine Learning in te zetten om kostenbesparingen, kwaliteitsverbeteringen of verhoogde inkomsten te realiseren? Den of Data begeleidt je graag in dit proces.

Excel eruit Kennissessie

den of data — Thu, 10 Mar 2022 14:38:57 +0000

Het doel van Business Intelligence is om sneller en beter te kunnen sturen op basis van feiten, over alle silo’s heen. Een enorme potentiële waarde, waarvan nog veel potentieel onbenut blijft.
Onder andere door de verkeerde inzet van Excel en het achterblijven van NO/LOW-CODE.

Daarom vrijdag 22.04.22 van 9.00-11.00u een kennis sessie: Excel eruit! LOW/NO-CODE ER IN!

>> SCHRIJF JE HIER IN <<<

Excel is 35 jaar oud is en in 95% van de gevallen staan er een fouten in (KPMG). Zeker niet in alle gevallen fout, maar wel met een risico!

Werk je met meerdere mensen in een complexer proces met Excel? Dan is al snel een NO/LOW-CODE oplossing beter dan Excel. Zo gaan wij dieper in op Power Apps & Power Automate in de BI-keten als kans om jouw waarde te vergoten voor de organisatie.

Inhoud kennissessie:

Case Excel Versus NO/LOW-CODE toepassingen
Model Wanneer Excel / NO-CODE / LOW-CODE / PRO CODE ?
Break out Pas het zelf toe in een groep samen met nieuwe professionals
Take away Acties om meer waarde toe te voegen

>> SCHRIJF JE HIER IN <<<

*Let op: de kennissessie focust zich op Data / BI Professionals

Een scraper die elke week 26.000 Google resultaten verzamelt over Truck Theft

den of data — Wed, 23 Feb 2022 20:09:04 +0000

Voor SensiTech, een global supply chain bedrijf gefocust op digital transformation zijn we druk bezig met het automatiseren van een proces. Bij dit proces wordt er door meerdere medewerkers elke week duizenden Google zoekresultaten handmatig afgestruind op zoek naar artikelen over vrachtwagen overvallen/diefstal/etc. Dit moet toch anders kunnen?

Wat hebben we gedaan?

Om te zorgen dat dit proces zoveel mogelijk geautomatiseerd wordt hebben we een Google Scraper gebouwd. Deze scraper struint elke week de eerste 10 zoekpagina’s van Google af voor een groot scala aan zoekwoorden voor 13 landen om zo relevante artikelen te vinden. Hierna wordt aan de hand van de artikeltekst ook nog automatisch bepaald waar het incident heeft plaatsgevonden, wat er gestolen is, wat de manier van overval was en meer!

Natuurlijk komt dit niet zonder uitdagingen. Wat doe je bijvoorbeeld als één gebeurtenis op meerdere bronnen besproken wordt? Of als een Google link je leidt naar een website waarop meerdere artikelen gevonden worden? Om dit soort problemen te verhelpen is het essentieel om de applicatie zo ‘streng’ te maken dat hij alleen relevante artikelen doorlaat, maar ook niet te ‘streng’ dat je artikelen weggooit die wel relevant zijn. Het is dan ook essentieel om samen met de klant en onze applicatiebouwer om de tafel te zitten en samen tot de juiste balans te komen.

Welke technieken zijn er gebruikt?

Technieken die we gebruiken zijn Python als codeertaal voor de scraper. De volledige applicatie werkt vanuit een Azure Container instantie (in de Cloud) en de data wordt automatisch ontsloten in een datawarehouse als ook een Azure Blob Container, waar ook verschillende input bestanden aanwezig zijn om de applicatie op een no-code manier te fine-tunen.

Wat hebben we opgelost en opgeleverd?

Het zoeken naar relevante artikelen is erg tijdsintensief als dit met de hand moet gebeuren. Tevens is deze applicatie schaalbaar om gemakkelijk uit te breiden naar andere landen (zonder dat medewerkers de lokale taal hoeven te spreken).

Nu wordt er wekelijks een overzicht van gevonden relevante artikelen als ook tientallen categorisaties over bijvoorbeeld het type event, en de gestolen producten.

Hoe worden de data gepresenteerd?

Alle verzamelde data worden gedisplayd in een PowerBI rapport. Overzichtelijk en efficiënt.

Gebruikte applicaties;

Balkenende en Datalon, samen verder!

den of data — Tue, 01 Feb 2022 08:37:27 +0000

Door Balkenende en Datalon te fuseren, biedt Den of Data een compleet pakket aan diensten aan. Bij Balkenende lag de focus op Data Advies en Data Interim Management. Bij Datalon lag deze bij Business Intelligence projecten en automatisering. Beiden partijen vullen elkaar naadloos aan om de maximale waarde voor organisaties en professionals te realiseren. In 2021 werden samen al meermaals succesvolle projecten opgeleverd. Goede resultaten, gedeelde passie en plezier gaven de doorslag om samen te werken.

Den of Data heeft een unieke meerwaarde door ambitieuze en toonaangevende organisaties samen te brengen met ervaren data professionals.
Door de inzet van data, strategie en mens wordt de potentie ontgrendeld. Een data gedreven werkwijze, die bedrijven (en afdelingen) ondersteunt om data geautomatiseerd inzichtelijk te krijgen. Den of Data verbetert resultaat door de inzet van digitalisering en data gedreven werken. Oftewel: minder werk, sneller inzicht en betere besluiten, met een enorme potentiële waarde.
Of zoals Den of Data het zegt: ‘Unlock your data potential’

Wie wat te vieren heeft, deelt uit!

Schrijf je in en maak kans op 32 uur gratis BI Development door een van onze collega’s.

Ambities
De potentiële waarde van data is enorm, maar die waarde blijft vaak nog onbenut. Hier brengt Den of Data verandering in. Door Data, Strategie en Mens samen te brengen, zorgen we dat data gedreven werken zorgt voor betere resultaten bij organisaties.
Een data autoriteit, die innovatie omzet in waarde!
Zo zijn we partner van wereldwijde ERP leverancier om data gedreven werken bij te laten dragen aan de waarde voor hun klanten.
In verschillende branches realiseren we (Cloud) Data Warehouses met geautomatiseerde rapportages voor sturing van directie, management en operatie, zoals:

Productie en industrie
IT en ERP
Professional services (Uitzend / Consultancy)
Overheid

Meer weten over onze ambitie? Kijk dan op www.denofdata.com/overons

Rolverdeling
Om klaar te zijn voor de toekomst hebben we een hecht team neergezet, met duidelijke rollen. Samen helpen we organisaties en professionals om hun (data) potentieel te realiseren!

Douwe van Dijk – Head of Operations
Pieter de Graaf – Head of Solutions
Sam Balkenende – Head of Clients
Hans Balkenende – Directie Adviseur

Salaris check

den of data — Fri, 28 Jan 2022 13:51:48 +0000

Wil jij jouw potentiele waarde weten? Vul onze Salaris Checker in in 2 minuten en ontvang direct een salaris advies.

Data Maturity Scan

den of data — Fri, 28 Jan 2022 08:39:42 +0000

Veel data potentieel blijft onbenut door complexiteit en de onduidelijkheid waar te beginnen. De afgelopen jaren hebben we hebben we een data maturity model...

KCS sluit BI-partnership met Den of Data

den of data — Wed, 19 May 2021 09:43:55 +0000

Hiermee wil Kerridge Commercial Systems de vervolgstap zetten in hun data en BI strategie en meer focus creëren op de ERP oplossingen. Dankzij de nieuwe samenwerking met Den of Data kunnen de klanten al hun vragen op het gebied van data, processen en BI software kwijt bij een specialist in data gedreven werken. Voor meer informatie kan u terecht op de website van Den of Data.

Den of Data zal, gezien hun kennis, onze huidige en toekomstige klanten ondersteunen bij de data vraagstukken die er zijn rondom hun BI software en de verschillende KCS producten in de Benelux zoals bijvoorbeeld K8, inspHire, Wholesale, Dimasys, AGP en aanverwante databronnen.

Effectief communiceren met data door de kracht van storytelling (3/3)

den of data — Mon, 17 May 2021 14:17:07 +0000

In het eerste deel van dit driedelig blog hebben we stilgestaan bij het belang van begrip van de context om een bepaalde actie of gewenst effect te realiseren: je publiek, het doel en de vorm. Vervolgens is het cruciaal om een gepast type visualisatie te kiezen, welke de boodschap onderbouwt en eenvoudig is te begrijpen (Blog 1) In deel twee hebben we besproken hoe bepaalde visuele elementen onnodige verwerkingscapaciteit voor de hersenen innemen en vervolgens hoe de aandacht en focus op de juiste manier gestuurd kan worden (Blog 2).

Denk als een ontwerper en vertel een verhaal

De data bevat altijd een verhaal maar de software die je gebruikt ziet dit verhaal niet. Daarom is het belangrijk voordat je begint met het bouwen van je dashboard of andere vorm van communicatie een duidelijke structuur vast te stellen. Een handige manier om dit praktisch aan te pakken is het gebruik van een Story Board waarbij je low-tech, bijvoorbeeld met pen en papier, uittekent hoe je dashboard of presentatie opgebouwd dient te worden.Een algemene waarheid binnen de design wereld is dat vorm altijd volgt na functie. In andere woorden: Het is in eerste instantie belangrijk dat je nadenkt over wat de eindgebruiker uit een dashboard zou moeten kunnen halen (functie) en vervolgens nadenkt over welke visualisatie dit het eenvoudigst helpt te realiseren (vorm). Daarnaast zijn er een aantal concepten uit de design wereld waar we rekening mee kunnen houden om het gebruik en de effectiviteit van je dashboard te vergroten.

1. Bruikbaar en intuïtief design:

Zorg voor een intuïtief ontwerp waarbij je creatie als het ware ingebouwde aanwijzingen geeft voor het gebruik ervan. Als je nog nooit een mok hebt gezien is het gebruik van de mok voor de hand liggend; je pakt het object bij het oor. Op eenzelfde wijze moet het duidelijk zijn hoe het dashboard gebruikt dient te worden door bijvoorbeeld klikbare elementen als button weer te geven.

In het vorige blog bespraken we “pre-attentive attributes”, visuele aspecten die we als eerste waarnemen zonder erbij na te denken, welke zich uitstekend lenen om de aandacht en interactie met de visualisatie te sturen en zijn dus erg belangrijk voor effectief ontwerp. In het verlengde hiervan is het belangrijk niet te vergeten om zoveel mogelijk afleidingen of ruis te elimineren en stel jezelf de vraag: “Als ik dit element weghaal, verandert dit dan de boodschap?”. Niet alle data is even belangrijk. Daarom is het aan te raden hiërarchie aan te brengen in je dashboard door bepaalde elementen naar voren te halen (bijv. kleur, dikte) en andere de achtergrond in te drukken (bijv. grijstinten) zodat er een volgorde van verwerking ontstaat.

2. Toegankelijkheid:

Zorg dat je dashboard of visualisatie voor iedereen te begrijpen is. Hou het zo simpel mogelijk, compliceer niet onnodig, gebruik niet te veel of moeilijke woorden en hou het clean. Denk aan het gebruik van eenvoudig te lezen lettertype en blijf hierin consistent. Het zijn details die essentieel zijn om het gebruik van je dashboard te stimuleren en data gedreven bedrijfsvoering mogelijk te maken.

3. Estethiek:
Het oog wil ook wat en dit geldt zeker ook voor dashboard design. Uit respect voor je data en je eindgebruiker is het echt nodig om je visualisatie zo mooi mogelijk te maken door slim om te gaan met kleur, uitlijning en witte ruimtes. Je doet het goed wanneer het niet opvalt en gewoon comfortabel is om naar je werk te kijken. Dit verhoogt het geduld bij de gebruiker en de kans om je boodschap te doen landen.

4. Acceptatie:
Hou de conversatie met de eindgebruiker of klant altijd gaande want alleen wanneer het ontwerp door het publiek geaccepteerd wordt kan hier maximale waarde uit geoogst worden. Door klanten of eindgebruikers te betrekken bij het ontwerp en verschillende opties voor te leggen en bepaalde voor- en nadelen duidelijk te articuleren wordt het gebruik en acceptatie van het dashboard gestimuleerd.

De magie van een goed verhaal

Zou het niet mooi zijn, om net als bij een film, alle aandacht van het publiek te grijpen bij het communiceren met data waarbij ze halverwege alleen maar willen weten hoe het afloopt? En na maanden het verhaal of de boodschap moeiteloos kunnen reproduceren?

De mensheid communiceert al sinds jaar en dag door middel van verhalen en de Griekse filosoof Aristoteles kwam uiteindelijk met het idee dat elk verhaal een duidelijk begin, midden en eind moest hebben: context, probleem en oplossing. Dit idee is door de jaren heen verder uitgediept en verfijnd en kunnen we toepassen wanneer we communiceren met data.

Stel je voor, de eindverantwoordelijke voor de verkoop van een specifieke dienst of product maakt zich zorgen over de recente trend in conversies. Na het raadplegen van de juiste data kun je de volgende grafiek presenteren:

Na het rustig bestuderen van bovenstaande grafiek kun je constateren dat sinds juli de conversies via het Social Media kanaal enorm zijn gedaald. Om bovenstaande data daadwerkelijk effectief over te brengen gaan we de zes lessen toepassen die we inmiddels geleerd hebben. Denk na over de context (wie, wat, hoe), kies een passende visualisatie, verwijder onnodige afleidingen, creëer de juiste focus, denk als een ontwerper en zorg voor een verhaal met een duidelijk einde of aanzet tot actie. De volgorde in je verhaal kan wisselen; in veel gevallen is het binnen de bedrijfswereld gewenst te beginnen met de oplossing of de aanzet tot actie. Vergelijk nu onderstaande visualisatie met de vorige en ga voor jezelf na op welke manieren de lessen zijn toegepast om de boodschap effectief over te brengen.

Begrijp de context: De commercieel verantwoordelijke (wie) wil inzicht in de conversies en begrijpen waarom deze teruglopen (wat). Dit wordt gerealiseerd door de trend in conversies per acquisitie kanaal weer te geven (hoe).

Kies de juiste visualisatie: Wanneer data over tijd wordt getoond is de lijngrafiek gepast.

Elimineer overbodige afleidingen: rasterlijnen zijn hier overbodig. Principe van verbondenheid toegepast tussen horizontale as en tekstuele toevoeging en de twee relevante data punten. Principe van sluiting toegepast door kader te verwijderen. Door alle elementen uit te lijnen wordt het principe van continuïteit benut. Het kleurenpallet gebruikt voor de maanden is afleidend. Daarnaast is principe van gelijkheid toegepast door het gebruik van kleur, waarbij de in dit geval niet relevante kanalen tot een groep horen en naar de achtergrond worden gedrukt (grijstint).

Creëer de juiste focus: Door kleur en dikte aan te passen van de Social Media lijn springt deze eruit. Vervolgens worden de belangrijke data punten getoond en het procentuele verschil benadrukt. Belangrijke cijfers krijgen vervolgens ook door kleur de aandacht en functioneren in dit geval ook als signaalkleur.

Denk als een ontwerper: Handig gebruik van uitlijning, witte ruimtes, consistent lettertype en kleur voor een esthetisch verantwoord resultaat welke prettig is om naar te kijken.

Vertel een verhaal: Het begint in dit geval met het slot, de oplossing, welke aanzet tot actie. Hierna volgt de status quo (voorgaande maanden) en het zwangerschapsverlof als context welke hebben geleid tot het probleem: de daling in conversies gedreven door het Social Media kanaal. Over de oplossing valt altijd te twisten, het zou kunnen dat het aannemen van een extra werknemer overbodig is wanneer bijvoorbeeld de efficiëntie van de huidige content marketeer verhoogd kan worden door verbetering van de tooling of meer data gedreven en geautomatiseerde bedrijfsvoering.

Voortaan ben je in staat niet simpelweg wat grafieken te tonen maar juist een verhaal te vertellen met data welke aanzet tot actie omdat je de context begrijpt, gepaste visualisaties hebt gekozen, onnodige ruis hebt geïdentificeerd en geëlimineerd, denkt vanuit de mind-set van een ontwerper en de aandacht hebt gestuurd naar waar de gebruiker op moet focussen in een duidelijke verhaallijn.

Haal jij al voldoende waarde uit je data? Wacht niet langer af en vertaal je kostbare data naar de gewenste kostenbesparing, omzetkansen of kwaliteitsverbeteringen.

Bron:
Knaflic, C. N. (2015). Storytelling with Data (1ste editie). Hoboken, NJ, Verenigde Staten: Wiley.

Effectief communiceren met data door de kracht van storytelling (2/3)

den of data — Mon, 17 May 2021 13:55:15 +0000

Elimineer overbodige afleidingen en creëer de juiste focus

Cognitieve overbelasting is een van de dingen die ons flink van de rails kunnen brengen. Een meesteroplichter is zich hier van zeer bewust. Hij zal de aandacht willen wegtrekken van waar het kwaad geschiedt, genoeg afleiding en prikkels creëren, wat vervolgens ten koste gaat van het nemen van weloverwogen rationele beslissingen door de doelgroep. Juist het tegenovergestelde willen we bereiken wanneer we communiceren met data waar vervolgens op gestuurd dient te worden. Daarom is het van groot belang de belasting op het denkvermogen zo laag mogelijk te houden en de aandacht de juiste richting in te sturen. De overdaad aan cognitieve belasting kun je zien als ruis: de visuele aspecten die vooral ruimte in beslag nemen, afleiden en niet helpen de boodschap te begrijpen.

Wat helpt bij het ontwerpen van visualisaties zonder ruis zijn de zogeheten “Gestalt” principes van visuele waarneming. De Gestaltpsychologie is rond 1930 ontstaan in Duitsland en hield zich bezig met het begrijpen van hoe individuen ordelijkheid waarnemen in de wereld. Het komt er op neer dat mensen de wereld waarnemen in gehelen en patronen, waarbij ons brein alle afzonderlijke elementen reduceert tot iets begrijpelijks; In plaats van een losse voorruit, ruitenwissers, dak, spiegels en deuren zien we als geheel een auto. Door gebruik te maken van de volgende zes principes wordt de waargenomen complexiteit van een visualisatie of geheel dashboard geminimaliseerd en de aandacht op de gewenste manier gestuurd.

Nabijheid:
Wanneer objecten fysiek dicht bij elkaar staan worden deze gezien als groep of behorend binnen een bepaalde context. Dit principe kan worden toegepast wanneer we de eindgebruiker van een dashboard een bepaalde richting in willen laten kijken; van links naar rechts of juist verticaal.

Gelijkheid:
Vergelijkbaar met het principe van nabijheid is die van gelijkheid waarbij objecten met een gelijke kleur, vorm, grootte of richting worden gezien als behorend tot een groep. Kleur heeft hierbij het sterkste onderscheidend vermogen. Een voor de hand liggende toepassing van dit principe is het gebruik van kleur om categorische data te onderscheiden in een grafiek of gelijksoortige data te linken in verschillende visualisaties binnen een dashboard.

Sluiting:
We zien zaken graag simpel en passend in constructen die ons al bekend zijn. Neem het voorbeeld hieronder waarin duidelijk een driehoek zichtbaar is, terwijl het beeld eigenlijk bestaat uit drie zwarte Pac-Man poppetjes. Bij het creëren van een dashboard of grafiek kun je hiermee rekening houden door bijvoorbeeld geen kaders te gebruiken rondom een grafiek wanneer de assen al zorgen voor een waargenomen kader.

Omsluiting:
In andere situaties kan een kader juist helpen wanneer deze niet overbodig is maar juist op subtiele wijze (achtergrondschaduw) voor een helder onderscheid zorgt. Op deze manier zou je een kritieke regio binnen een visualisatie met een schaduw kunnen vullen en de datapunten die hierin vallen als groep aanduiden.

Continuïteit:
Onze ogen zoeken het pad met de minste weerstand en creëren automatisch continuïteit in wat we zien, ook al bestaat deze in werkelijkheid niet. We zien elementen met onderbrekingen als een geheel wanneer deze op een lijn met elkaar staan. In het voorbeeld hieronder werkt het continuïteitsprincipe zelfs sterker dan die van gelijkheid in kleur. Met dit principe in het achterhoofd is het mogelijk ruis te verwijderen door elementen uit te lijnen en op gelijke lijn met elkaar te plaatsen waardoor rasters en assen overbodig worden.

Verbondenheid:
Tot slot is er nog het principe van verbondenheid: wanneer objecten fysiek met elkaar verbonden zijn zien we deze als behorend tot een groep. Dit is na omsluiting de sterkste van de zes principes en wint het in onderstaand voorbeeld van het nabijheidsprincipe. Dit principe komt goed tot zijn recht wanneer een bepaalde volgorde moet worden aangebracht of bij het linken van niet-kwantitatieve data zoals de stappen in een proces en de onderlinge relatie tussen objecten.

Creëer de juiste focus: Pre-attentive attributes

Wanneer zoveel mogelijk ruis van de boodschap gescheiden is wordt het tijd voor de volgende fase: het creëren van de juiste focus. Met de zogeheten “pre-attentive attributes”, visuele aspecten die we als eerste waarnemen zonder erbij na te denken, kan de aandacht en interactie met de visualisatie worden gestuurd. Er zijn verschillende pre-attentive attributes op te sommen:

Lengte, breedte, richting, grootte, vorm, kromming, kadering, vervaging
Kleurtint, kleurintensiteit
Positie, groepering
Beweging

Om beter te begrijpen hoe dit werkt eerst een klein stukje theorie over het geheugen. Allereerst hebben we het iconisch geheugen, ook wel beeldgeheugen genoemd, welke zeer snel is maar ook binnen een fractie van een seconde verdwenen is. Evolutionair gezien is dit geheugen ontwikkeld op een manier om veranderingen in de omgeving te detecteren en hier snel op te reageren. Belangrijk aspect van het iconisch geheugen is dat het afgestemd is op de pre-attentive attributes. Vervolgens is er nog het korte termijn geheugen: mensen kunnen ongeveer vier verschillende brokken aan visuele informatie tegelijk kwijt. Wanneer een eindgebruiker wordt blootgesteld aan een visualisatie met bijvoorbeeld tien verschillende data series zal deze cognitief overbelast raken, de aandacht verliezen en de boodschap gaat verloren. Vanuit het korte termijn geheugen wordt het lange termijn geheugen bereikt of de informatie gaat voor altijd verloren. Het lange termijngeheugen bestaat uit een verbaal en visueel deel. Wanneer deze in combinatie geprikkeld worden heb je de meeste kans dat je boodschap blijft hangen.

Door visuele aspecten strategisch in te zetten en een beperkt aantal brokken aan informatie te benadrukken voor minimale cognitieve belasting kunnen we de boodschap of het verhaal dus definitief in het geheugen griffen. Welke visuele aspecten je inzet om je verhaal en de aandacht van de gebruiker te sturen is voor iedere situatie verschillend. Er zijn vaak meerdere antwoorden goed en de keuze kan afhankelijk zijn van je persoonlijke voorkeur. Om bovenstaande maar meteen in de praktijk te brengen hieronder een voorbeeld met betrekking tot de verhouding tussen de verschillende bronnen van website verkeer. Welke visualisatie zal de impact van een verbeterde e-mail campagne het best vertellen?

De volgende keer sluiten we het drieluik, brengen we alles samen en zijn we in staat op effectieve wijze een verhaal te vertellen met data.

Lees deel 3