Wat is data-analyse en hoe pas je de technieken toe?

Wat is data-analyse?

Met data-analyse begrijp je beter wat er is gebeurd, wat er nu gebeurt, waarom het gebeurt en wat er morgen zou kunnen gebeuren, zodat je zaken kunt verbeteren, processen kunt optimaliseren en beslissingen kunt onderbouwen. Data-analyse valt onder de paraplu van data analytics en vormt de kern van business intelligence en kunstmatige intelligentie. Een definitie:

Data-analyse bestaat in de kern uit het grondig analyseren van gegevens, maar daar hoort ook het verzamelen, opschonen, combineren en interpreteren van data bij.

Het begrip afbakenen is niet eenvoudig, omdat in de praktijk de termen data-analyse, data analysis, data analytics, business analytics en business intelligence door elkaar worden gebruikt. Het Nederlandse data-analyse is de letterlijke vertaling van het Engelse data analysis. Hieronder zetten we de begrippen uit elkaar.

De 5 stappen van data-analyse

Het data-analyseproces begint meestal met een scherp afgebakende onderzoeksvraag. Bezint eer ge begint.

1. Bepaal het onderwerp: denk na over de reden van je analyse, de onderzoeksvraag.
2. Onderzoek de databronnen: bepaal de relevante databronnen en combineer ze.
3. Filter de data: bepaal welke informatie relevant is voor jouw analyse.
4. Analyseer de data: keer je data binnenstebuiten met de juiste tools.
5. Interpreteer de resultaten: beoordeel de resultaten en trek conclusies.

Het doel is een dataset met nuttige informatie voor een rapport, een analyse of een dashboard. Je kunt ook data analyseren zonder specifieke onderzoeksvraag, gewoon om de data te verkennen. Dat heet exploratieve data-analyse (EDA).

Wat is data analytics? En business analytics?

Data analytics is het brede vakgebied dat tools en dashboards gebruikt om besluitvormingsprocessen in organisaties te ondersteunen, met de aanwezige data als grondstof. Idealiter brengt het nieuwe trends, inzichten en patronen aan het licht die bedrijfskritische beslissingen aanzienlijk eenvoudiger maken.

Business analytics richt zich op inzichten in specifieke bedrijfsprestaties: je analyseert de eigen prestaties met het oog op doelrealisatie, inclusief het monitoren van kritieke prestatie-indicatoren (KPI’s). In de praktijk wordt business analytics gebruikt als synoniem voor business intelligence.

Data-analyse versus data analytics

De twee begrippen liggen dicht bij elkaar, maar zijn niet hetzelfde. In de tabel hieronder staan ze naast elkaar.

Betekenis en impact van data-analyse

Vreemd genoeg worden nog steeds veel besluiten op onderbuikgevoel genomen. Er valt dus nog een wereld te winnen. Sinds de opkomst van big data staat de vraag waarom je data zou analyseren niet meer ter discussie. Wel plaatsen mensen vraagtekens bij de toenemende automatisering en een algoritmegedreven samenleving. Een geruststelling is op zijn plaats: machinedata analyseren met AI gebeurt automatisch, maar het menselijke beoordelingsvermogen en het gezonde verstand spelen nog altijd een rol.

De 4 soorten data-analyse

Data-analyses heb je in allerlei soorten en maten. Een van de bekendste indelingen is het groeimodel van Gartner, dat vier typen onderscheidt:

• Beschrijvend: wat is er gebeurd?
• Diagnostisch: waarom is het gebeurd?
• Voorspellend: wat gaat er gebeuren? Zie predictive analytics.
• Voorschrijvend: wat moeten we doen?

Het model veronderstelt een groei naar volwassenheid: elk stadium is moeilijker, en levert meer waarde op, dan het vorige.

25 data-analysetechnieken

Naast de vier soorten bestaan er tientallen meer specifieke technieken, gericht op bepaalde thema’s, disciplines of sectoren. Elke zichzelf respecterende data-analist kent ze en kan ze toepassen. De 25 belangrijkste in het kort:

1. Ad-hocanalyse (ad hoc query): een analyse op basis van een eenmalige onderzoeksvraag, in tegenstelling tot een terugkerend verzoek of een rapportagecyclus.
2. Advertentieanalyse: het effect van een campagne meten met ratio’s zoals bereik, conversie, merkbekendheid, click-through rate (CTR) en cost per click (CPC).
3. Basketanalyse (winkelmandanalyse): een dataminingsanalyse uit de retail waarbij historisch aankoopgedrag grootschalig wordt geanalyseerd, gericht op cross-selling: welke producten worden bijna altijd samen gekocht?
4. Churnanalyse: voorspellen welke klanten weglopen naar een concurrent. De churn rate is een belangrijke voorspeller van de totale klantwaarde.
5. Clusteranalyse: objecten groeperen in clusters op grond van hun kenmerken, zodat elke deelverzameling eigen gedeelde karakteristieken heeft. Zie clusteranalyse.
6. Cohortanalyse: een cohort is een groep personen die in een bepaalde periode dezelfde gebeurtenis heeft meegemaakt. Met cohortanalyse ontdek je patronen in verschillende gebruikersgroepen.
7. Correlatieanalyse: een statistische techniek die het verband tussen twee variabelen uitdrukt in een getal tussen -1 en +1. Bij 0 is er geen verband.
8. Customer profitability analysis: vaststellen hoeveel winst een bepaalde klant de organisatie oplevert.
9. Customer lifetime value (CLV)-analyse: een voorspelling van de totale winstbijdrage van een klant gedurende de hele klantrelatie.
10. Diepteanalyse (drill-down): je analyseert de informatie eerst op globaal niveau en gaat daarna per onderdeel de diepte in, bijvoorbeeld van provincie naar stad naar postcode.
11. Discriminantanalyse: een statistische techniek om te bepalen bij welke van de vooraf gedefinieerde groepen een nieuwe waarneming het best past.
12. Financiële data-analyse: een onderzoek naar de rentabiliteit, solvabiliteit, liquiditeit en stabiliteit van de organisatie. Zie financiële indicatoren.
13. Funnelanalyse (trechteranalyse): brengt in kaart welke stappen een potentiële klant doorloopt, bijvoorbeeld in een webshop, voordat hij converteert. De funnel visualiseert de klantreis.
14. Fuzzy logic: een techniek die is gebaseerd op waarschijnlijkheden in plaats van absolute waarden als waar en onwaar.
15. Geospatiale analyse (geo-analyse): maakt gebruik van locatiedata. Een geografisch informatiesysteem (GIS) kent vele toepassingen, van marketingsegmentatie tot meteorologie en rampenbestrijding.
16. Kritiekepadanalyse: een methode om de voortgang van een project te bewaken. Uitloop van een activiteit op het kritieke pad verschuift de einddatum van het project.
17. Multivariate analyse: een statistische methode die de relatie tussen meer dan twee variabelen tegelijk toetst.
18. Retentieanalyse: laat zien in welke mate je erin slaagt bestaand personeel of bestaande klanten vast te houden, meestal uitgedrukt in een percentage.
19. Root cause analysis (RCA): de zoektocht naar de hoofdoorzaak van een specifiek probleem: waarom treedt het op, of waarom levert een proces niet het gewenste resultaat?
20. Sentimentanalyse: berichten, bijvoorbeeld op sociale media, classificeren als positief, negatief of neutraal, om het sentiment rond een merk, organisatie of persoon in de tijd te meten.
21. Simulatie: de werkelijkheid nabootsen met een model, zoals bij digital twins. Bij een Monte-Carlosimulatie wordt de simulatie vele malen herhaald.
22. Spendanalyse: alle uitgaven van een organisatie verzamelen, rubriceren en analyseren, om het inkoopbeleid te toetsen en te evalueren.
23. Tekstanalyse (text mining): grote hoeveelheden ongestructureerde tekst analyseren om patronen en sentimenten op te sporen. Zie datamining.
24. Web scraping: met speciale software geautomatiseerd data van andere websites ophalen, analyseren en hergebruiken voor een specifiek doel.
25. Wittevlekkenanalyse: mogelijkheden voor omzetgroei in kaart brengen, zoals een stad waar een keten nog geen filiaal heeft, of producten die klanten niet kochten maar gezien het bestelpatroon van vergelijkbare klanten wel hadden kunnen kopen.

Data-analyse als concurrentiewapen

Organisaties die hun klantdata consequent analyseren hebben een streepje voor. Een degelijke analyse kan productmanagers behoeden voor marketingflaters. Automatische analyse van machinedata in fabrieken, in de luchtvaart en op olieplatforms voorkomt kostbare uitval. Overheden gebruiken geavanceerde analyses om te toetsen of hun beleid effect heeft, en accountants en controllers gebruiken statistische analyses om fraude op te sporen.

Ook het midden- en kleinbedrijf kan hiervan profiteren. Je hoeft niet altijd hoog van de toren te blazen: laagdrempelige, gestandaardiseerde analyses, zoals een analyse van het bezoekersgedrag in een winkel of op een website, kunnen al heel interessante nieuwe inzichten opleveren.

Data-analysesoftware en -tools

Bekende data-analyticstools zijn bijvoorbeeld Tableau, Google Analytics en Microsoft Power BI. Vergelijk leveranciers op de selectiecriteria die voor jouw organisatie relevant zijn, niet alleen op de look-and-feel. En de tool komt als laatste: bepaal eerst welke vragen je wilt beantwoorden en of de onderliggende datakwaliteit op orde is.

Ruim baan voor data-analyse, maar vergeet je mensen niet

Investeren in data-analysesoftware en -tools heeft alleen zin als je tegelijkertijd investeert in de datageletterdheid van je mensen. Reserveer een deel van je budget voor opleiding en training on the job, zodat je medewerkers altijd over de juiste vaardigheden beschikken.

Verder lezen

• Data science en datamining: patronen vinden in grote datasets.
• Predictive analytics en machine learning: van terugkijken naar voorspellen.
• Datageletterdheid: de vaardigheden om data te lezen, te analyseren en erover te communiceren.
• Datavisualisatie: de resultaten van een analyse presenteren.

Over de auteur

Thomas Abramse

Thomas heeft een rijke achtergrond in data-analyse en datagedreven werken, als analist en als manager. Binnen het team is hij de verbinder: hij luistert goed naar klanten en zet enen en nullen om in iets persoonlijks dat daadwerkelijk tot verbetering leidt.

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.