Geautomatiseerde dataverwerving onder de knie krijgen: Eindinzichten & best practices

Door Ken Gifford

Heeft u ooit iemand naar Baskin-Robbins meegenomen die echt van ijs houdt? Telkens als ik mijn vrouw meeneem, heeft ze een goed idee wat ze lust. Maar geconfronteerd met de overweldigende keuze, twijfelt ze. Dit heet vandaag "informatie-overbelasting". We weten wat we zoeken, maar onze zintuigen verzadigen door al het data dat gepresenteerd wordt. Alsof je probeert te drinken uit een brandslang.

De Amerikaanse internetdenker Clay Shirky stelt:

"Het is geen informatie-overbelasting. Het is filter-falen."

Wikipedia zegt: "Sommige cognitieve wetenschappers en grafische ontwerpers benadrukken het onderscheid tussen ruwe informatie en een vorm die we in denken kunnen gebruiken. In dit gezichtsveld is informatie-overbelasting beter te zien als 'organisatie-tekort'. Het probleem is niet het volume, maar dat we niet kunnen onderscheiden hoe we het goed kunnen gebruiken in de ruwe of bevooroordeelde vorm waarin het gepresenteerd wordt."

Ik maak zelf het onderscheid tussen data en informatie. Data is puur ruwe data in zijn eenvormigste vorm. Informatie is gedestilleerde data tot iets actioneerbaars.

In de industriële wereld wordt dit vertegenwoordigd in trends. Getrende data is een continue lijn die een datapunt over tijd weergeeft. Meesten kennen de afbeelding van een presentator voor een ezel met een rode lijn die omhoog of omlaag gaat. Dit is een eenvoudige trendlijn.

Bij analyse van tijdreeksdata wordt een trendgrafiek erg nuttig om plotselinge veranderingen te detecteren en precies te zien wanneer ze gebeurden. Dit stelt de analist in staat om snel in te zoomen op een tijdsbereik voor diepere analyse. Trends zijn daarom de primaire weergave in elk industriieel dataverzamelings-toolkit.

Maar wat over de vraag welke data te verzamelen? Dit is een geladen vraag. Bij elk nieuw dataverzamelingsproject vragen we: "Welke data wilt u verzamelen?" Het antwoord is bijna altijd: "Alles." Dit is uitdagend. Het duidt vaak op onbekendheid met welke data het meest nuttig is om procesprestaties te beoordelen. Voordat we dit verwerpen: er zijn vaak onzichtbare factoren die een proces beïnvloeden. "Alles" verzamelen geeft de kans om te begrijpen wat er gebeurt bij uitzonderlijke gebeurtenissen. Dit vereist wel erg goede "filters" om data te sorteren en te bekijken voor goede beslissingen.

Voordat men kiest voor een "diepe data-duik", moet men ook kosten overwegen. Een systeem dat duizenden bronnen verzamelt, kost meer. Een aanpak: bouw een systeem groot genoeg voor "high-value" datapunten, met overhead van ~100 extra bronnen. Deze overhead "tags" kunnen hergebruikt worden voor nieuwe specificaties of terugkerende problemen. Houdt kosten laag, maar geeft flexibiliteit voor diepere analyse wanneer nodig.

Ik hoop dat u deze serie over geautomatiseerde dataverzameling heeft gewaardeerd. Vragen? Of gewoon een gesprek over dataverzameling? Bel 800-844-8405.