Data ontrafeld: de vier soorten analytics

Welkom bij het vierde deel van onze maandlange serie Data ontrafeld. Als onderdeel van Data Literacy Month verduidelijkt deze serie kernbegrippen uit de wereld van data, beantwoorden we vragen die je misschien niet durfde te stellen en hebben we onderweg ook nog wat plezier. Wil je bij het begin starten? Lees dan onze eerste aflevering: Wat is een dataset?

In deze aflevering verkennen we de verschillende soorten analytics, van descriptief tot prescriptief, identificeren we de verschillende soorten vragen waar data antwoord op kan geven, geven we voorbeelden en meer. 

Vier soorten vragen, vier soorten analytics

Data kan gebruikt worden om een bijna oneindig aantal vragen te beantwoorden, maar we kunnen die vragen onderverdelen in vier categorieën. Dit leidt vanzelf tot verschillende soorten data-analyse: elke vragencategorie heeft een bijbehorend analysetype.

Deze vier soorten analyse staan in oplopende volgorde van complexiteit. Afhankelijk van de scope van een dataproject kan een volledige analyse meerdere analysetypen combineren.

Voordat we dieper ingaan op de verschillende soorten analytics, kijken we naar een praktijkvoorbeeld: een patiënt die een arts bezoekt. Eerst onderzoekt de arts de patiënt om de symptomen te beschrijven. Vervolgens probeert de arts de medische oorzaak van de symptomen te diagnosticeren. Daarna probeert de arts te voorspellen hoe de symptomen zich in de tijd ontwikkelen (of de patiënt beter of slechter wordt). Tot slot schrijft de arts een behandeling voor.

Descriptieve analytics: begrijpen wat er is gebeurd

Descriptieve analytics beantwoordt vragen als "wat gebeurt er?" of "wat is er gebeurd?".

De belangrijkste technieken in descriptieve analytics zijn het berekenen van samenvattende statistieken en het maken van datavisualisaties. Samenvattende statistieken omvatten tellingen van data, gemiddelden zoals het rekenkundig gemiddelde en de mediaan, en spreidingsmaten zoals het bereik en de standaarddeviatie. 

Je kunt meer lezen over samenvattende statistieken in de volgende aflevering van Data ontrafeld over descriptieve statistiek.  Bekijk ook deze cheatsheet voor een deep dive in datavisualisaties. 

Voorbeeld van descriptieve analytics

Kijken we naar een voorbeeld. Stel, je wilt de omzetdrivers van je bedrijf begrijpen. Je voert descriptieve analytics uit op je verkoopdata en beantwoordt vragen zoals:

• Hoeveel verkopen zijn er vorige maand gedaan? (Het aantal verkopen.)
• Wat is de gemiddelde transactiewaarde? (De gemiddelde verkoopprijs.)
• Hoeveel variatie zit er tussen de totale verkoop per winkel? (De standaarddeviatie van de totale verkoop per winkel.)
• Wat waren de totale verkopen per dag? (Een lijngrafiek van totale verkopen tegen datum.)

Diagnostische analytics: begrijpen waarom

Descriptieve analytics levert vaak nieuwe vragen op. In het verkoopvoorbeeld zie je misschien dat de totale verkoop op een donderdag onverwacht laag was. Weten wat er is gebeurd, is een goed startpunt, maar geen bevredigende eindconclusie. De volgende voor de hand liggende vraag is: "waarom waren de verkopen die donderdag laag?".

Dit is een vraag die om een diagnostische analyse vraagt. In het algemeen beantwoorden diagnostische analyses vragen als "waarom is er iets gebeurd?". Meestal gaat het dan om een onverwacht hoge of onverwacht lage waarde, ook wel een uitschieter genoemd.

Diagnostische analytics omvat vaak deze stappen:

1. Hypothesen formuleren over waarom het ongebruikelijke is gebeurd.
2. Data ophalen die verband houdt met de mogelijke oorzaken.
3. Descriptieve analytics uitvoeren op subsets van je data ("data mining").
4. Statistische modellen fitten, zoals regressie, om de relatie tussen de oorzaken en het ongebruikelijke te onderzoeken.

Let wel: in veel gevallen kun je slechts een relatie vaststellen tussen wat je meet en de vermeende oorzaak. Je kunt niet bewijzen dat het daadwerkelijk de oorzaak is. In een komende aflevering van Data ontrafeld behandelen we de valkuil van correlatie versus causaliteit. 

Voorbeeld van diagnostische analytics

Terug naar ons verkoopvoorbeeld: nadat je ontdekt hebt dat de totale verkoop op een donderdag vorige maand onverwacht laag was, besluit je een diagnostische analyse op de verkoopdata uit te voeren.

• Hypothese formuleren: Je eerste hypothese is dat de verkoop lager was door een storing op je website, waardoor online verkopen geblokkeerd waren. 
• Data ophalen: Je haalt de prestatiegegevens van de website op.
• Descriptieve analytics: Je maakt een lijngrafiek van de prestaties in de tijd, maar ziet geen dip op die donderdag. Vervolgens bereken je de totale verkoop, opgesplitst in online en in de winkel, en zie je dat de lagere verkoop in de winkel plaatsvond in één landsregio.
• Nieuwe hypothese formuleren: Je herinnert je dat dat deel van het land die donderdag een zware storm had en veronderstelt dat dit klanten kan hebben weggehouden.
• Data ophalen: Je haalt weergegevens op voor elke winkellocatie.
• Statistische modellen fitten: Je fit een tijdreeksmodel op je totale verkoopdata, waarbij je het weer als input gebruikt. Dit laat zien dat slecht weer samenhangt met lagere verkoop.

Predictieve analytics: begrijpen wat er gaat gebeuren

Data-analyse helpt je niet alleen het verleden te begrijpen. Het derde type analytics draait om voorspellingen doen. Dat kunnen voorspellingen over de toekomst zijn, waarbij we spreken van forecasts, maar dat hoeft niet. Voorspellingen kunnen ook gaan over of klanten in bepaalde klantsegmenten passen of dat een transactie frauduleus is of niet. De belangrijkste technieken in predictieve analytics zijn statistische modellen, die in de context van voorspellen vaak machinelearningmodellen worden genoemd. 

Je kunt meer lezen over machine learning in de derde aflevering van Data ontrafeld, over het verschil tussen data science, artificial intelligence, machine learning en deep learning. 

Voorbeeld van predictieve analytics

Na het diagnosticeren van het probleem met lage verkoop maakt je baas zich nu zorgen over het volgende kwartaal en wil die weten hoe de omzet er de komende maanden uitziet. Daarom gebruik je hetzelfde tijdreeksmodel als eerder, dit keer om de verkoop in de toekomst te voorspellen. 

Je baas wil ook weten welke potentiële klanten ze het beste kunnen targeten op basis van wie het meest waarschijnlijk iets koopt. Daarom maak je een machinelearningmodel op basis van klanteigenschappen, zoals hun eerdere aankoopgeschiedenis en geschat inkomen, om de kans te voorspellen dat ze een aankoop doen. 

Prescriptieve analytics: hoe kunnen we het laten gebeuren? 

Een van de grote voordelen van data-analyse is dat je het kunt gebruiken om betere beslissingen te nemen. In plaats van op je onderbuikgevoel te vertrouwen, neem je datagedreven beslissingen. Prescriptieve analytics helpt je vragen te beantwoorden als "Wat zouden we moeten doen?".

De technieken in prescriptieve analytics bouwen voort op de machinelearningmodellen uit diagnostische en predictieve analytics, zodat je verschillende scenario’s kunt verkennen. Daarnaast omvat prescriptieve analytics optimalisatie om uit verschillende keuzes het best mogelijke scenario te vinden.

Voorbeeld van prescriptieve analytics

Je baas zit met de handen in het haar. De omzetvoorspellingen zijn niet zo hoog als het bestuur had gehoopt, dus staat je baas onder druk om ideeën te ontwikkelen om de omzet te verhogen. Ze kloppen bij jou aan voor een datagedreven oplossing.

• Jij en je baas bedenken mogelijke scenario’s om de mix tussen in de winkel en online verkopen te veranderen en om de prijs van sleutelproducten aan te passen.
• Je gebruikt predictieve analytics om voorspellingen te doen voor elk van deze scenario’s.
• Na het ontdekken van een paar veelbelovende scenario’s gebruik je optimalisatie om het scenario te verfijnen tot de best mogelijke uitkomst.

Meer leren?

We hopen dat je genoten hebt van deze korte introductie tot de verschillende soorten data-analyse. In de volgende aflevering gaan we dieper in op descriptieve analytics en richten we ons op de statistische technieken binnen descriptieve analytics. 

• Bekijk wat we gepland hebben voor Data Literacy Month
• Ga aan de slag met onze Understanding Data Topics Skill Track
• Abonneer je op de DataFramed Podcast
• Bekijk onze aankomende events
• Lees onze volgende aflevering van de Data ontrafeld-serie over descriptieve statistiek