De fundamentele vraag die alle wetenschappers – van elementaire bètastudenten tot NASA-ingenieurs en PhD’s – proberen te beantwoorden, is weinig geëvolueerd sinds de vroege filosofen de wereld om hen heen in twijfel begonnen te trekken. Duidelijk in het voortdurende gebabbel van peuters die hun omgeving met nieuwe ogen verkennen, is het de menselijke natuur om te willen weten ‘waarom’.
Deze nieuwsgierigheid verlaat ons niet als we opgroeien; het verandert eerder en evolueert naarmate de reikwijdte van onze problemen verandert. In het bedrijfsleven vragen we onze teams niet waarom de lucht blauw is, maar wel waarom een bepaalde combinatie van strategieën de beste aanpak is om onze gewenste doelen te bereiken. We beginnen met ‘waarom’, stippelen de beste handelwijze uit, volgen en analyseren KPI’s en sturen bij op basis van de inzichten die we vinden, voordat we het allemaal opnieuw doen. In onze steeds sneller evoluerende zakelijke omgeving streven executive leiders naar een duidelijk begrip van hun bedrijfsgegevens, en om deze snel te verwerken en strategieën uit te voeren zonder innovatie te vertragen. Maar dit proces kan niet plaatsvinden zonder ondersteuning van data-savvy teams.
Naarmate bedrijven volwassener worden in hun analysetrajecten, moeten hun teams evolueren om gegevens op een beknopte manier te presenteren die zinvol zijn voor de context en de boodschap van de informatie die wordt overgebracht. Om bedrijfsprofessionals te helpen begrijpen wanneer het gepast is om welk type datavisualisatie te gebruiken, zullen we elk type datavisualisatie opsplitsen. We zullen ook uitleggen wanneer het de beste tijd is om het te implementeren terwijl u een dashboard bouwt en uw visuele vocabulaire versterkt – allemaal in de context van het onderscheid tussen beslissingsborden en dashboards.
Deze praktijk is niet beperkt tot data science-zware industrieën en branches. CIO’s, CFO’s, CMO’s en zelfs Chief Data Officers kunnen profiteren van het verbeteren van de manier waarop hun teams presenteren en hoe ze data interpreteren.
Om te begrijpen hoe we moeten werken aan het implementeren van beslissingsborden, moeten we begrijpen waar we zijn begonnen: dashboards. Inmiddels zijn we maar al te bekend met analysedashboards, die de standaard geïntegreerde rapportageplatforms bevatten van de digitale tools die we kennen en waar we van houden, zoals Google Analytics en Hubspot. Ze zijn effectief in het bieden van een momentopname op hoog niveau van de prestaties, uitgesplitst naar categorie (dag van de week, locatie, leeftijd, geslacht), en ze zijn visueel aantrekkelijk, maar vereisen een presentator die de gegevens in context plaatst om de fundamentele vraag te beantwoorden: Waarom is dit van belang?
Beslisborden daarentegen zijn vloeiend. Ze voegen de gegevens van organisatieoverschrijdende kanalen samen om een duidelijk, gemakkelijk te volgen beeld te schetsen dat verder gaat dan beschrijvende statistieken. Dit zijn vaak op maat gemaakte builds die zijn ontworpen voor de specifieke behoeften van een organisatie. Afhankelijk van het niveau van analytische volwassenheid en ontwerpbronnen, kunnen beslissingsborden ook diagnostische statistieken illustreren, of waarom iets is gebeurd; voorspellende statistieken, of wat waarschijnlijk gaat gebeuren; en prescriptieve statistieken, of wat er daarna moet gebeuren. Om de sprong te maken van dashboards naar beslissingsborden, is basiskennis van ontwerpdenken vereist, die, wanneer geïntegreerd in de cultuur van een organisatie, de analyse- en rapportagemogelijkheden kan verbeteren.