Wat is data analyse

Data analyse is letterlijk het onderzoeken en modelleren van data, om hier belangrijke informatie uit te halen, en hier conclusies uit trekken. Deze conclusies kunnen je weer verder helpen met de besluitvorming. Je kan alleen wel te maken hebben met erg veel verschillende soorten gegevens, zoals: cijfers, statistieken, foto’s en video’s. Hoe lastig het is om een goede data analyse te doen hangt heel erg af van de complexiteit van de data. Zo kan je bijvoorbeeld een analyse doen met financiële data of operationele data.

Waarom is data analyse zo belangrijk geworden?

We verzamelen met z’n allen steeds meer data. Daar ontstaat dan ook een probleem: het kan zo veel data woorden dat je door de bomen het bos niet meer kan zien. Maar naar welke data moet je kijken? Klopt de data nog wel? Wanneer is de data voor het laatst vernieuwd? Dit zijn allemaal vragen die mogelijk in je op kunnen komen wanneer je bezig ben met data analyse.

Als je deze data goed kan verwerken, je zeker weet dat de data klopt en dat de data duidelijk te lezen is, kan dit je bedrijf enorm helpen bij het nemen van datagedreven beslissingen. Het gaat er dus om dat deze data je kan helpen om je bedrijfsprestaties in te zien en hierop bij te sturen.

Verschillende soorten analyse

Data analyse kan worden onderscheiden in de volgende vier soorten: Beschrijvende analyses, diagnostische analyses, voorspellende analyses en prescriptieve analyse. Elke soort analyse werkt uiteraard weer op z’n eigen manier. Om het duidelijker te maken lichten we zie hieronder toe.

Beschrijvende analyse richt zich op het begrijpen en samenvatten van historische data. Dit kan worden gebruikt om patronen en trends te ontdekken, waardoor je een beter overzicht kan krijgen van het verleden. Hier kan je van leren en het maakt het makkelijker om betere beslissingen te maken voor de toekomst. Dit soort data analyse zie je bijvoorbeeld veel terug in Business Intelligence.

Diagnostische analyse gaat een stap dieper en probeert te achterhalen waarom bepaalde gebeurtenissen plaats vinden. Het gaat meer om het identificeren van verbanden en kan je dus helpen om inzicht te geven in de factoren die hebben bijgedragen aan bepaalde gebeurtenissen. In de tuinbouwsector kan dit bijvoorbeeld helpen om kwaliteitsproblemen van de teelt vast te stellen.

Voorspellende analyse is een vorm die we waarschijnlijk veel meer gaan zien. Met de toepassing van AI zijn er namelijk steeds meer mogelijkheden om voorspellende analyses te doen. Het gaat er dan vooral om dat er voorspellingen worden gedaan op basis van historische data. In de uitzendbranche zou dit gebruikt kunnen worden om de leegstand van huizen en de personeelsplanning te voorspellen op basis van verschillende factoren.

Prescriptieve analyse is eigenlijk de laatste stap en gaat verder dan de andere drie soorten data analyse. Het is het doel hier om aanbevelingen te doen over de stappen die genomen moeten worden om een bepaald resultaat te behalen. Denk hierbij aan simulatiemodellen. In de logistiek zou dit kunnen worden ingezet om de meeste efficiënte routes en voorraadniveaus te bepalen.

De 4 stappen voor een complete data analyse

We kunnen data analyse eigenlijk het beste in vier stappen onderverdelen, namelijk: het verzamelen van gegevens, het opschonen van gegevens, het analyseren van gegevens om vervolgens conclusies te trekken uit deze gegevens.

In de eerste stap is het verstandig om te bepalen welke data je allemaal wilt verzamelen. Denk hierbij aan je financiële gegevens, verkoopcijfers of je personeelsplanning.

Vervolgens moet je deze data opschonen en visualiseren, zodat je alleen met relevantie dat overblijft. Je zou hierbij ook data van verschillende databronnen samen kunnen voegen.

Wanneer je de gewenste data hebt verzameld, kan je grafieken en diagrammen in dashboards gebruiken om eenvoudig de patronen te ontdekken.

Je hebt nu alles staan om op basis van deze data conclusies te trekken en beslissingen te maken. Wanneer je dit proces goed ingericht hebt kom je hopelijk tot inzichten die je bedrijfsprestaties kunnen verbeteren.

Dashboard analyse

Natuurlijk zijn er veel verschillende tools om data analyse mee te doen. Het kan gaan om simpele sheets in Excel of Google Sheets. Maar er zijn ook tools die veel meer kunnen, zoals: Power BI, Tableau en Qlik. Zelf gebruiken wij Power BI al meerdere jaren als data analyse en data visualisatie tool. Waarom Power BI? Power BI is namelijk volgens Gartner de beste tool om data dashboards te maken.

Hieronder vind je een voorbeeld van een dashboard over projecten en uren met demo data vanuit Teamleader (selecteer pagina 2) waarbij je direct de belangrijkste cijfers en rapporten in kan zien. Met een dashboard kan je dus op een veel snellere manier goede analyses doen om te kijken naar de resultaten en kan je sneller zien waar je mogelijk bij moet gaan sturen.

Zelf aan de slag met data analyse?

We bieden mogelijkheden om zelf heel het data analyse proces te leren met de Power BI cursus, maar we bieden ook een dashboard op veel verschillende databronnen. Deze dashboards kan je 30 dagen gratis testen data vanuit je eigen data bronnen. Bekijk hier alle databronnen die je direct kan koppelen, waarbij je een dashboard kan gebruiken met je eigen data.