Leer zelf vereenvoudigde data-analyses maken

Waarom zou je zelf data-analyses maken? Simpel: het stelt je in staat om beter datagedreven te ondernemen.

Leestijd

10 min

Maturity

Beginner

Thema

De middelen, De vaardigheden

Doel

Bedrijfsvoering verbeteren

In het begin zul je zien dat je pas achteraf beter kunt begrijpen waarom gebeurtenissen hebben plaatsgevonden. Naarmate je meer ervaring opbouwt in datagedreven werken, merk je dat je begrijpt waarom gebeurtenissen nú plaatsvinden. En nog verder in het proces zul je kunnen duiden waarom bepaalde gebeurtenissen gáán plaatsvinden.

Het goede nieuws is dat je daar geen volleerd data-analist of big data specialist voor hoeft te zijn. Denk maar aan de ijssalon uit het artikel ‘Handvatten om relevante data te vangen Daar zagen we de mogelijkheden om uit schone data verkoopcijfers te filteren, en deze te combineren met bijvoorbeeld mooi-weer-data. Zo kan de duurzame ijssalon terugkijken en begrijpen waarom de verkoop zo goed was op die dagen.

Doe-het-zelf

Je kunt zelf eenvoudige data-analyses maken in enkele stappen.

Wie: 1 tot 3 personen
Doel: Data-analyse maken
Moeilijkheidsgraad: Moeilijk (maar voor de beginner maken we het makkelijker)
Duur: 3 tot 5 uur (gaat steeds sneller na eerste keer)
Benodigdheden: Tooling (zie stap 2) en toegang tot data (zie stap 3)

Om zelf data-analyses te maken, raden we aan om eerst te zorgen voor het juiste gereedschap, oftewel de tooling. Ook hier gaan we weer uit van de beginnende datagedreven sociaal ondernemer en niet van een door de wol geverfde data-analist.

Stap 1: het plan

Schrijf voor jezelf een analyseplan. In dit plan schrijf je op waarom je de data-analyse gaat uitvoeren, hoe je dit wilt gaan aanpakken en wat je met de verzamelde gegevens wilt gaan doen. Beschrijf ook welke databronnen je wilt raadplegen en op welk tijdsframe de dataset van toepassing is. Zorg ervoor dat je de belangrijkste onderzoeksvragen voor jezelf formuleert.

Tip: dit hoeft geen hoogdravend academisch stuk te zijn. Het is een handvat dat jou helpt bij de uitvoering. Je hoeft het met niemand te delen, dus zorg dat het vooral voor jezelf zinvol is.

Stap 2: de tooling

Selecteer de tooling die het best aansluit bij jouw kennis, beschikbaarheid en doelstellingen.

Je eerste stappen in data-analyse kunnen al worden gezet in een Excelsheet. Je kunt Excel gebruiken om dagelijks een aantal parameters bij te houden. De ijssalon kan prima in een Excelsheet bijhouden wat de verkoop is geweest, om welke dag het ging en hoe hoog de temperatuur was die dag.

Tip: wees consequent en reserveer elke dag 10 minuten om de sheet bij te werken.

Iets geavanceerder – en vaak tegelijkertijd eenvoudiger – is het om gebruik te maken van de data-analyse in de tools die je tot je beschikking hebt. Deze hebben vaak uitstekende en eenvoudig te bedienen functionaliteiten om data-analyses te maken. Denk aan je online boekhoudsysteem, je CRM-systeem of je HR-systeem. Hieruit kun je met enkele muisklikken rapportages halen via verschillende filters.

Tot slot kun je nog aan de slag met tooling die speciaal ontworpen is voor data-analyse en datavisualisatie. De twee meest praktische voorbeelden hiervan zijn Tableau en Power BI. Beide vereisen wel enige technische kennis voordat je ermee aan de slag kunt. Het meest toegankelijk is Tableau. Leuk om daar de gratis proefversie van te proberen en wat te spelen met de gratis dataset om te leren hoe je data uit verschillende bronnen kunt visualiseren.

Stap 3: de data

In ‘Handvatten om relevante data te vangen’ leerden we al het nut van schone data en hoe je dat ook schoon hoúdt. Selecteer in de door jou gekozen tooling de data die je wilt analyseren. Dit begint door in stap 1 (het plan) goed na te denken over wat je wilt bereiken.

Indien de data niet al in de tooling zit (bijvoorbeeld in je CRM-systeem), zul je deze ernaartoe moeten importeren. Dit kan door de data bijvoorbeeld naar je Excelsheet te kopiëren of door de importfunctionaliteit van je systeem te gebruiken.

Tip: Begin klein. Start met 1 of 2 datasets, bijvoorbeeld de productiecijfers en de personeelsbezetting, voordat je doorgaat naar meerdere datasets.

Stap 4: De analyse

Allereerst: we gaan in deze stap uit van kwantitatieve data en niet van kwalitatieve data. Zie ‘Stappenplan: data verzamelen’ voor het verschil tussen beide.

Ook al ben je geen academisch geschoold data-analist, er zijn wel een paar uitgangspunten die je in acht dient te nemen. Het opstellen van een kort plan, de juiste tooling, en accurate, relevante data hebben we al besproken.

In deze laatste fase dien je 5 stappen te doorlopen:

  1. Bekijk je belangrijkste onderzoeksvragen
    Neem je plan erbij en kijk of je de juiste databronnen hebt om je belangrijkste onderzoeksvragen te beantwoorden.
  2. Filter de resultaten
    Filteren is een handig hulpmiddel om tot de juiste gegevens te komen. Het betekent dat je je richt op een bepaalde subgroep van de data en andere groepen uitsluit in de data-analyse van je onderzoek. Je vergelijkt dus geen data met elkaar, maar bekijkt de resultaten van die ene subgroep.
  3. Vergelijk de resultaten
    De gefilterde sets (bij meer dan 1) kun je nu vergelijken met elkaar. Dit kan door een benchmark te nemen uit een eerdere periode (bijvoorbeeld het aantal bezoekers van een openluchtevenement vorig jaar, ten opzichte van dit jaar). Je kunt een trendvergelijking doen (de tevredenheid van de bezoekers ten opzichte van vorig jaar). En je kunt de verschillende sets met elkaar vergelijken (het aantal bezoekers van het openluchtevenement vergelijken met het weer of met andere evenementen op diezelfde dag).
  4. Ontcijfer de resultaten
    Een lastig onderdeel. Wat betekenen de resultaten en hoe betrouwbaar zijn ze? Vandaar dat ‘schone data’ zo belangrijk is. Je hebt bijvoorbeeld een probleem als 90 procent van de respondenten bij een enquête mannen zijn, terwijl het evenement slechts 15 procent mannen telde (bron: SurveyMonkey). De eenvoudigste manier om te beginnen met datagedreven werken, is door eerst te kijken naar de gemiddelden. Dit doe je door de gegevens bij elkaar op te tellen en dit vervolgens te delen door het aantal gegevens dat je hebt opgeteld.
  5. Trek conclusies
    Conclusies trekken gaat eigenlijk over het verhaal dat de data-analyse vertelt. Het eerder genoemde voorbeeld van de duurzame ijssalon vertelt het verhaal dat bij mooi weer meer ijs wordt verkocht (duh). Maar ook dat als dat mooie weer valt in een vakantieperiode, en precies op het moment dat de studiefinanciering is gestort, de verkoop door het dak heen gaat. Het verhaal vertelt nog meer, namelijk dat studenten (de ontvangers van studiefinanciering) veel eerder bereid zijn ijs te kopen bij een duidelijk duurzame ijssalon, dan bijvoorbeeld bejaarden. Die worden niet beïnvloed door het (niet) ontvangen van studiefinanciering. De duurzame ijssalon kan haar marketingpijlen nu dus veel gerichter op studenten gaan mikken.

Relevante links:

  1. Artikel mt/sprout in samenwerking met Tableau – Hoe slimme software data steeds inzichtelijker maakt – https://mtsprout.nl/partners/data-analyse/hoe-slimme-software-data-steeds-inzichtelijker-maakt-en-wat-jij-ermee-kunt-doen

Dit artikel is een bijdrage van The Next Lab