{count, plural, one {Cursus} other {Cursussen}}
Introductie tot Python
{hours} uur
7.1M
Ik ga ervan uit dat je weet hoe data op elk niveau een grote troef is voor een bedrijf, of iemand nu executive of directeur is: data speelt een sleutelrol. Maar een grote hoeveelheid data bezitten maakt een bedrijf niet succesvol, tenzij er waardevolle informatie uit wordt gehaald.
Die informatie beïnvloedt de omzet direct of indirect. Om informatie uit grote datapakketten te halen, is er een analyticsplatform nodig, en gelukkig zijn er tal van producten op de markt om de problemen van een organisatie aan te pakken op het gebied van beschrijvende, diagnostische en voorspellende rapportage.
Vanuit dataperspectief is de volwassenheid van data echt van belang, en het volwassenheidsniveau kan worden ingedeeld aan de hand van de aanwezigheid van de volgende aspecten:
- Consistente data binnen de huidige architectuur
- Een enterprise-tool
- Geen meerdere overlappende bronnen
- Cloudgebaseerde architectuur of on-premise datawarehouse
- Datastandaarden en specialisten
- Voorspellende analytics en de daarbij behorende use-cases
- Data behandelen als een financieel bezit en de integratie met AI-aspecten
De datavolwassenheid neemt toe naarmate bovenstaande punten in een organisatie van boven naar beneden worden opgenomen.
Datavolwassenheid gaat hand in hand met technologie, architectuur, organisatie en datastrategie.
-
Met technologie bedoel ik hoe een organisatie de aangeschafte technologie daadwerkelijk gaat benutten.
-
Architectuur voegt deze technologieën samen zodat data er moeiteloos doorheen stroomt.
-
Met organisatie doel ik op de mensen die met de data werken.
-
Verbeteringen in datastrategie: de "plumbing" van datamanagement is cruciaal voor de hoge prestaties van elke organisatie. De gekozen datamanagementpraktijken leveren relevante en gestructureerde data op voor analisten, waardoor zij minder tijd kwijt zijn aan datavoorbereiding. Dit helpt het hoger management om doelen te halen zoals winstgroei, hogere ROI via datavisualisaties en een begrijpelijke weergave van data. Het helpt de organisatie ook om dataperformance te verbeteren en opslag te optimaliseren.
Goed, dat was over data; laten we het nu hebben over analyticsplatforms. Zoals we weten zijn er talloze analyticsplatforms op de markt. Het is bijna onmogelijk om ze allemaal te behandelen, daarom kies ik vier grote namen die marktleider zijn:
-
Tableau geldt als de gouden standaard als het gaat om visual analytics. De varianten zijn Tableau Desktop, Prep, Online en Server. Elk maakt self-service BI op verschillende niveaus mogelijk. Tableau Desktop biedt een van de beste platforms voor visual analytics en business intelligence met self-service inzichten. Tableau Prep stelt meer mensen in staat om samen sneller data te analyseren. Tableau Online maakt delen en samenwerken mogelijk zonder een eigen server. Tableau Server deelt data met echte servers, on-premise of in de cloud. Voor details over het bouwen van dashboards in Tableau, kijk hier.
-
SAP SAP is een bekende naam op de markt voor enterprisetools en levert oplossingen aan bedrijven met uiteenlopende profielen. SAP heeft meerdere producten gelanceerd op het gebied van analytics; het eigen Business Warehouse-systeem integreert veel soepeler met enterprise-omgevingen en kan grote hoeveelheden data aan. Recente releases zijn SAP Analytics Cloud en SAP Lumira; eerder nam het BusinessObjects over en bood dat aan als eigen analyticsplatform.
-
Tibco Spotfire Tibco Spotfire is een van de producten die geavanceerde en voorspellende analytics op een zeer professionele en doordachte manier faciliteert. Vergeleken op het vlak van voorspellende analytics is het erg krachtig. Tibco biedt zijn diensten on-premise en in de cloud. Het levert ook een vooraf geconfigureerde, schaalbare architectuur met weinig IT-beheeroverhead.
-
Qlik staat bekend om de snelle creatie van begeleide analytics-applicaties die door gebruikersgestuurde data-exploratie tot op het laagste niveau van de data ondersteunen. Het heeft een eigen repository en in-memory verwerkingsmogelijkheden. Er zijn twee varianten: QlikView en Qlik Sense. QlikView is de BI-tool voor het bouwen van applicaties voor personal en enterprise. Qlik Sense is de end-to-end BI-dienst die in de cloud kan worden geïntegreerd.
Zoals je ziet zijn al deze platforms verschillend en hebben ze hun eigen features. Daarom doe ik een vergelijkende analyse op vier primaire parameters:
- Data-acquisitie
- Datavoorbereiding
- Visualisaties
- Voorspellend modelleren
De parameter data-acquisitie omvat data-import, data-extractie, dataverbinding en data-toegang. Simpel gezegd: het vermogen om data te verkrijgen uit verschillende bronnen of semantische diensten zoals SQL, big data en clouddiensten.
Laten we de tools nu vergelijken op hun functionaliteit voor data-acquisitie:
Tableau
Als we het over Tableau hebben, een krachtig BI-tool, denk je meteen aan indrukwekkende visualisaties die in een oogwenk worden gemaakt, inclusief complexe data-exploraties.
Tableau heeft geen eigen datarepository; het haalt data uit verschillende bronnen en zet die om in betekenisvolle en begrijpelijke visualisaties.
Daarvoor zijn connectors nodig naar verschillende bronnen, en die zijn er gelukkig. Tableau heeft meer dan 100 verschillende databronconnecties en biedt ook live verbindingen met transactionele data.
Op de parameter data-acquisitie heeft het de overhand.
SAP
SAP heeft meerdere producten om data-acquisitie te ondersteunen, die fungeren als middenlaag om data te leveren aan de uiteindelijke visualisaties. Maar als we het over Lumira en Analytics Cloud hebben, ondersteunt het op dit moment meer dan 60 databronnen, een aantal dat ongetwijfeld in de tijd zal toenemen.
Voor data uit het eigen ecosysteem heeft SAP geen enkel probleem; dat werkt juist het soepelst. Voor het verkrijgen van data uit een ander ecosysteem zijn er wel tools om data te verplaatsen, maar dat brengt extra werk en vaardigheden met zich mee.
Tibco Spotfire
Spotfire is een van de krachtigste en soms complexe tools; voor data-acquisitie heeft het 40+ databronconnectors en met JDBC- en ODBC-connectors kom je altijd een eind. Het ondersteunt big data- en cloudconnectors die data efficiënt aanleveren.
Problemen bij data-acquisitie ontstaan wanneer data eerst opgeschoond moet worden voordat je die kunt binnenhalen.
Qlik
Qlik is een van de snelgroeiende marktleiders in BI. Voor data-acquisitie heeft Qlik een groot aantal databronconnectors, verdeeld in verschillende groepen. Qlik heeft een eigen repository voor het binnenhalen van data en het uitvoeren van ETL (Extraction, Transformation en Loading). Dat lost in praktijksituaties een hoop problemen op. De datamanipulatiemogelijkheden van Qlik maken de presentatie van data een stuk eenvoudiger.
Na data-acquisitie volgt de stap van voorbereiding. Het is het vuile werk dat niemand wil doen, maar je kunt het echt niet overslaan. Het omvat het samenvoegen van data, opschonen en modelleren tot een niveau waarop we met een simpele select-query een beschrijvend rapport kunnen maken.
Tableau
Tableau heeft een behoorlijk arsenaal aan datavoorbereidingstechnieken om data om te zetten in een presenteerbaar rapport. Je vindt alle details in sectie 2 en 3 van deze tutorial.
SAP
SAP heeft opnieuw verschillende tools voor datavoorbereiding. Het beschikt over een BW-systeem dat krachtig genoeg is om datavoorbereiding in hoge mate aan te kunnen. Met de komst van HANA kreeg het enorme kracht bij voor het verwerken van grote data via in-memory engines.
Maar dat is een aparte tool met een apart vaardigheidsprofiel. Bezoek hier voor een indruk van het BI-aspect van SAP.
Tibco Spotfire
De data-wranglingcapaciteiten van Spotfire zijn zeer goed, en met automatisering van modellen wordt incrementele datavoorbereiding eenvoudig met minder IT-interventie.
Met incrementele datavoorbereiding bedoel ik het vastleggen van wijzigingen in data uit verschillende bronnen en daarop gebaseerde voorbereiding. Bezoek hier voor een gedetailleerd overzicht.
Qlik
Qlik heeft vergelijkbare datavoorbereidingsmogelijkheden als Tableau, aangevuld met de in-memory engine. Er kunnen aparte scripts worden geschreven op basis van de behoefte en op verschillende niveaus worden geïmplementeerd. Voor een indruk van scripting voor datatransformatie, kijk hier.
Nu komen we aan bij het leukste deel, althans voor mij. We hebben de data binnen en voorbereid, maar om zoveel data te analyseren hebben we visualisaties nodig om veel tijd te besparen en sneller tot de kern te komen. Een groot deel van data-exploratie gebeurt via visualisaties en de rest met statistische methoden. Laten we zien hoe de tools op deze parameter presteren.
Tableau
Tableau heeft een van de meest veelzijdige sets van datavisualisatiecomponenten: vergelijkingen, verdelingen, composities, kaarten, enzovoort. Het bevat vrijwel alle componenten en staat wereldwijd bekend om de ondersteunende community.
Het heeft ook unieke ideeën en veel hulp bij het leerproces. Je vindt de benodigde grafiek, zelfs maatwerk, in de uitgebreide gallery. Bezoek die pagina om enkele uitstekende grafieken en verhalen te bekijken.
Tableau is een van de tools die is gecertificeerd door IBCS (International Business Communication Standards) voor het toepassen van best practices in datavisualisatie om zakelijke communicatie te verbeteren.
SAP
SAP Lumira is het meest gebruikte visualisatietool in het arsenaal van SAP. Het dekt alle basischartingbehoeften en biedt extensies om aan te passen aan de vereisten.
SAP Analytics Cloud is recent gecertificeerd door IBCS en zal hopelijk alle visualisatiebehoeften blijven afdekken.
Tibco Spotfire
Spotfire biedt alle noodzakelijke chartingfunctionaliteit, waarbij alle chartinggroepen voor visuele data-analyse worden gedekt. Dankzij geavanceerde analytics kun je grafieken voor statistische analyses en wetenschappelijke formats toevoegen.
Qlik
Qlik presteert goed op het vlak van charting en dekt bijna alle groepen grafieken. Het biedt extensies om aanpassingen en uitbreidingen te realiseren.
De one-clickfunctionaliteit om elk datapunt te benaderen onderscheidt het van andere tools.
Laten we nu naar het onderdeel gaan waar alle analyticsplatforms induiken: het integreren van machinelearningfunctionaliteit in hun tool. Sommigen zijn daar al behoorlijk succesvol in, anderen hebben een goede start gemaakt.
Laten we zien wat we op deze parameter aantreffen.
Tableau
Wat voorspellende analytics betreft is Tableau hiermee begonnen. Basisfunctionaliteiten voor forecasting zijn toegevoegd in Tableau.
Naast basisfunctionaliteit kan het worden geïntegreerd met R en Python; de details daarvan komen aan bod in de laatste secties van deze tutorial.
SAP
Ook hier levert SAP een aparte tool uit het eigen arsenaal om een platform voor voorspellende analytics te bieden. Deze tool dekt basis voorspellende modellen met goede functionaliteit voor tijdreeksanalyse. SAP koos primair voor R voor het toevoegen van custom scripts die in het model van het platform moeten worden opgenomen.
Voor details over het platform, ga hierheen.
Tibco Spotfire
Op het gebied van voorspellende analytics zou Spotfire voorop lopen; de manier waarop het de data science-architectuur integreert is duidelijk zichtbaar.
Het vereist wel vaardigheden en kennis om de technologie te begrijpen en te implementeren. Het combineert methodologieën uit data science en statistiek tot een tool die voorspellende analytics kan uitvoeren met een passend rendement op de investering.
Lees meer, bezoek de site.
Qlik
Qlik werkt ook aan het implementeren van voorspellende analytics tot een redelijk niveau. Het heeft enkele basisalgoritmen voor modellering in het systeem geïmplementeerd, maar de vaardigheidskloof om ze te gebruiken is er nog steeds. De integratie-inspanningen met R en Python zijn echter zeer te waarderen. Het staat data-uitwisseling toe met tools van derden zoals R en Python, samen met het gebruik van de Associative Engine, die dataoverdracht snel en efficiënt maakt.
Er is ook een open-source analytic connection op GitHub voor integratie met R en Python.
Dat was het van mijn kant; uiteindelijk hangt het af van het individu of de organisatie welke parameter het belangrijkst is bij het kiezen van een platform.
Wil je meer leren over Python, R of SQL? Volg de introductiecursussen van DataCamp.
Onderwerpen
