Lees meer over: Datagedreven werken


Informatiegestuurd werken: kies je tooling bewust!

Bij het inrichten van informatiegestuurd werken is de juiste inzet van tooling[1] essentieel. Zonder juiste tooling lopen projecten het risico om vast te lopen: de tool kan niet produceren daar waar echt de behoefte ligt. Voor jouw specifieke informatiegestuurd werken behoefte is een goede toolselectie daarom essentieel!

Hebben alle informatiegestuurd werken projecten niet dezelfde behoefte?

Nee, de behoefte is sterk afhankelijk van het soort analyse die je wilt uitvoeren. Gaat het bijvoorbeeld om verklaren met data (diagnostic) of wil je voorspellingen (predictive) maken.

Voor verklarende voorzieningen zijn er veel ‘drag and drop’ tools op de markt, zoals Tableau en PowerBI. De kracht van deze tools zit met name in het duidelijk visualiseren met grafieken, dashboards en het relatief makkelijke gebruik. De beperking zit met name in de flexibiliteit: complexere situaties, zoals uitgebreid data cleanen of het toepassen van machine learning algoritmes, worden beperkt ondersteund door dit soort tools.

Om voorspellend te kunnen werken heb je een geschikt datamodel nodig. Tools die de realisatie van zo’n datamodel ondersteunen zijn bijvoorbeeld R en Python. De kracht van deze tools zit in de flexibiliteit. Zo is het bij R & Python mogelijk om gedetailleerde aanpassingen te maken, waardoor data bijvoorbeeld op een bepaalde manier bewerkt wordt. Daarnaast zijn er veel open source libraries online te vinden die de gebruiker helpen om snel functionaliteiten te bouwen: of het nu gaat om geografische toepassingen of machine learning toepassingen: dergelijke libraries maken dit mogelijk. De beperking zit met name in de vereiste vaardigheden van medewerkers om daadwerkelijk met deze tools aan de slag te gaan. Het gebruik van deze tools vergt namelijk medewerkers met statistische en programmeer vaardigheden.

Je zult dus enerzijds bewust moeten zijn met hetgeen je met de tool wilt: ‘wil je verklaren of voorspellen met informatiegestuurd werken?’ en anderzijds kun je je afvragen: ‘wat voor vaardigheden hebben onze medewerkers?’.

Waar moet ik verder op letten bij het kiezen voor een tool?

Tja, dit maakt helder dat je goed moet nadenken over het soort analyse die je wilt uitvoeren. Wil je verklaren of voorspellen? Dit levert een eerste selectie in tools op. Daarnaast moet de tool overeenkomen met de vaardigheden van medewerkers, waardoor er al een eerste selectie van tools gemaakt kan worden.

Maar dan nog zijn er tal van mogelijke tools… daarom een aantal praktische tips waar je op moet letten bij de keuze voor je tool:

  • De online community: een grote community bepaalt de ontwikkeling van de tool en zorgt ervoor dat codes, bugs en kennis beter uitwisselbaar zijn met de wereld. Met name bij open source tools (in dit geval programmeertalen) is dit essentieel.
  • De mate van deelbaarheid: dashboards en visualisaties moeten eenvoudig binnen de organisatie gedeeld kunnen worden. Ook als je collega’s geen diepgaande kennis van de tool hebben.
  • De gebruikersvriendelijkheid: veel ‘drag and drop’ tools zijn relatief eenvoudig aan te leren terwijl programmeren een drempel kan vormen.
  • De mogelijkheden: programmeertalen zoals R en Python bieden aanzienlijk meer functionaliteiten op het gebied van data cleaning en machine learning dan de “drag and drop” tools. De vele ‘packages’ die ontwikkeld worden dragen hier aan bij.
  • Niet- functionele eisen en wensen, waaronder: beveiliging, integratiemogelijkheden, performance, en dergelijke.

Deze blog helpt je wellicht om de keuze voor tooling bewuster te maken. In de onderstaande afbeelding kun je een aantal tools vinden bij de vooruitkijkende-, verklarende- en terugkijkende organisaties.

[1] In verband met de leesbaarheid omvat het woord “tool” ook programmeertalen.