download

Het rapporteren van gevolgde cursussen aan de hand van de STARR-methode

Als student Netwerkeconomie willen we steeds meer onze kennis verruimen door verschillende leerplatformen te raadplegen. Binnen de module ‘Data gebaseerde intelligentie’ kregen we de kans om gratis enkele online cursussen te volgen via het platform Coursera. Drie cursussen die steeds dezelfde brede vraag beantwoorden: “Wat te doen met verkregen data?” . We werden begeleid door twee zeer enthousiaste persoonlijkheden namelijk dhr. Daniel Egger  en mevr. Jana Borg. Beiden zijn ze experten in het vak en het was een eer om expertise te leren van hen. Achteraf bekeken ben ik zeer tevreden over de drie cursussen en hierover kan reflecteren in dit blogbericht.

Cursus 1: Business Metrics for Data-Driven Companies

De eerste cursus ‘Business Metrics for Data-Driven Companies’ concentreert zich vooral op 4 grote pijlers. Deze pijlers zijn enorm gegeerd op de arbeidsmarkt in België en zeker in de wereld. Daarom hebben deze begeleiders de cursus gemaakt om meer mensen aan te trekken richting die pijlers. Ikzelf lijstte telkens belangrijke informatie op die ik ordende onder de 4.

Welke pijlers juist?

  • Business Analysis

De eerste pijler is iemand die werkt als een schakel tussen de opdrachtgever (meestal de klant) en het ontwikkelingsteam die voor de oplossing zorgt. Hiervoor gaat de business analist als volgt te werk: hij identificeert, analyseert en specificeert de opdracht van zowel de business als de opdrachtgever en communiceert deze informatie naar het ontwikkelingsteam. Met andere woorden hij vertaalt de behoeftes van de opdrachtgever naar processen. Enkele specifieke taken kunnen zijn: het bouwen van datamodellen, business processen in kaart brengen en het presenteren van de mogelijke oplossing.

  • Business Data Analysis

De tweede pijler is sterk gerelateerd met de vorige. De skills die een Business Data Analist moet bezitten zal hem ook een Business analist maken. Alhoewel er toch twee verschillen zijn.  Er wordt verwacht van hem net dat tikkeltje flexibeler te denken over hoe de business momenteel de data verwerkt en eventueel beter combineert met andere zaken om nog meer de business onder de knie te krijgen. Ook zal hij de informatie moeten samenbrengen om meer relaties te zien doorheen het bedrijf.

  • Data Science

Data science of datawetenschap bevat opnieuw zeer specifieke taken. Zo moet een datawetenschapper grote hoeveelheden verwerkte data (meestal verkregen uit verschillende bronnen) omzetten naar informatie die zeer bruikbaar zijn voor bovenstaande pijlers. Deze informatie bevat soms bruikbare inzichten dat zelf een CEO van hetzelfde bedrijf nog niet wist. Na deze analyses kan de datawetenschapper toekomstige voorspellingen gaan doen. Deze voorspellingen worden tentoongesteld aan de hand van gebouwde datamodellen.

  • Senior software engineering

Als laatste heb je de Senior software engineering. Hun taak is om het bouwen en opmaken van geoptimaliseerde ‘gebruikservaringen’. Deze gebruikservaringen moeten een antwoord bieden op het opslaan, verwerken en ophalen van data. Met andere woorden, hij moet zorgen voor systemen die deze taken op zich kunnen nemen zonder er iets verloren gaat.

Verder in deze cursus komen verschillende business metrics of business gerelateerde statistieken aan bod waar er aandacht wordt gekeken op de verschillende valkuilen en negatieve invloeden. Ook krijg je een goede visie over hoe bepaalde bedrijven te werk gaan/gingen in USA en wat bijvoorbeeld hun valkuil was om ten onder te gaan doordat bepaalde zaken niet werden aangepakt. Nadien komen personen aan bod die in het werkveld zitten van de 4 pijlers om een beeld te creëren  voor de studenten wat men kan verwachten in die bepaalde pijler.

Cursus 2: Mastering Data Analysis in Excel

De tweede cursus ‘Mastering data analysis in Excel’ laat je inspireren over het opmaken en analyseren van databestanden in Excel. Het is zo dat je enkele belangrijke functies leert kennen en het gebruik er van. Persoonlijk had ik weinig kennis over Excel tot voor het aansluiten bij de studierichting Netwerkeconomie. Doorheen de modules van NE hebben we enkele basistechnieken geleerd die ons konden verder helpen met het opmaken van bijvoorbeeld een financieel plan.

Excel: oplosser

Tijdens de eerste week van de cursus maakte ik voor het eerst kennis met de invoegtoepassing ‘oplosser’ van Excel. Deze toepassing kan je gebruiken voor een wat-als-analyse. Natuurlijk afhankelijk van de randvoorwaarden of limieten voor de waarden van de formulecellen in een werkblad, kan je een optimale waarde zoeken voor een formule in 1 cel. Niet bepaald gemakkelijk om te begrijpen als je er net als ik weinig kennis over hebt. Daarom leg ik het nog eens uit aan de hand van een voorbeeld.

Voorbeeld:

Café De kroon in Menen houdt de winst per maand voor 1 jaar lang bij in Excel. Deze winsten hebben ze niet zomaar bereikt, dit is het werk van een goede marketingstrategie die het bedrijf gedaan heeft. Ook hielden ze telkens de kosten van die marketingstrategie per maand voor 1 jaar lang bij.

Na 1 jaar willen de eigenaars van het café natuurlijk berekenen hoeveel winst ze extra kunnen maken als ze het marketingbudget omhoog trekken. Via de invoegtoepassing oplosser van Excel kunnen ze hun wat-als-analyse uitvoeren om te bekijken wat hun extra winstmarge kan zijn op termijn. Een ander effect kan zijn dat de marketingkosten te hoog worden in verhouding met de winstmarge. Waardoor ze besluiten het vorig budget nog behouden.

De Oplosser van Excel is natuurlijk veel beter dan de duikplanktechniek (gewoon doen en we zien dan wel) toe te passen. Al vraagt Excel wel voldoende kennis van zake, kan je deze toepassing toch niet links laten liggen om enkele berekeningen te doen op voorhand of je al dan niet meer progressie kunt maken met je bedrijf

Binaire classificatie

In de tweede week van de cursus Mastering Data Analysis in Excel maak je kennis met binaire classificatie. Je kan het gebruiken om zaken te gaan meten, met als doeleind bijvoorbeeld prestaties te voorspellen. Maar de functie van binaire classificatie die vooral voor ons belangrijk is, is hoe vaak iets voor komt binnen een populatie. Dit kan je dan op zijn beurt toewijzen onder 4 combinaties van datacategorie (zie tabel). Dit zijn de 4 combinaties:

  • True positive    
  • False positive
  • False negative 
  • True negative

De binaire classificatie kan je heel snel onder de knie krijgen omdat het enkel werkt op waar of onwaar. Dit wordt onderscheiden door de binaire taal die maar twee nummers heeft: ‘0’ en ‘1’.

Met de oplosser van Excel en binaire classificatie heb ik opnieuw weer mijn kennis over de overkoepelende term data een duwtje gegeven. Nu ik weet hoe beiden werken kan ik al goede linken leggen tussen bepaalde zaken. Al is het wel handig om doorheen de cursus bepaalde termen op te zoeken. Hierdoor moet ik mijn rol als student aanpassen naar een onderzoeker. Al ondervond ik dat het niveau van de taal Engels hoog ligt, dat hoor ik aan bepaalde termen die ze gebruiken in de cursus. Het kan ook zijn dat mijn weinige kennis over het vak een invloed heeft hier op. Aan mij om me te verdiepen zodat ik er nog meer kan over leren. Toch ben ik blij met de kennis die ik nu al op zak heb.

Cursus 3: Data Visualization and Communication with Tableau

In de derde en laatste cursus leer je een grondige basis over Tableau. Het datavisualisatieprogramma biedt voor vele data analisten oplossingen. Al is het zeer gemakkelijk om het programma te gebruiken en het meer mogelijkheden biedt op het vlak van visualisatieopmaak dan bijvoorbeeld Excel.

In het vorige semester leerden we Tableau voor het eerst kennen. Ik vond dat we enorm veel bijleerden over het programma zelf. Het was wel jammer dat we weinig data van ons project ter beschikking hadden. Daarvoor konden we publieke data gebruiken die online beschikbaar was.

In deze cursus werd in het begin nog eens de volledige basis uitgelegd van Tableau, die basis was doorheen het semester voor mezelf nog niet volledig duidelijk. Daarom ben ik blij dat we samen met de curusbegeleider een volledig afgewerkt werkboek hebben kunnen afleveren. Vele zaken werden grondig uitgelegd, nadien kan ik toch wel spreken van een succes. Als ik mij het goed herinner hebben we zeker gebruik gemaakt van (zo goed als) alle visualisaties die mogelijk waren in Tableau. Ook werd bij iedere visualisatie een woordje uitleg gegeven. Zo weet ik nu dat je nooit een 3D-visualisatie mag gebruiken. Het geeft jezelf en het doelpubliek een volledig verkeerd beeld en kan absoluut niet onderling data analisten. Oordeel zelf maar:

SPAP Graphic

Het volgende waar ik zeer veel uit leerde in de cursus is een stappenplan voor wat je moet doen als je een opdracht krijgt van een klant om bijvoorbeeld de sales in kaart te brengen en mogelijke oplossingen om de sales op te trekken. Dit stappenplan wordt ook wel de SPAP Graphic (zie onderstaande pyramide) genoemd en wordt gebruikt door iedere data en business analist, al werken ze vaak samen hier aan.

  1. Vragen stellen aan de klant.

Bij de eerste meeting met de klant moet je vragen stellen om de business onder de knie te krijgen. Je stelt vragen over welke zaken goed lopen en welke niet, wat de doelen zijn van het bedrijf en nog zoveel meer. Je moet zogezegd het gevoel krijgen dat je mee wilt en kunt draaien in het bedrijf zelf.

2. SMART-analyse

Na de eerste meeting met de klant, heb je nu een beter beeld van de business en zijn alle zaken duidelijk die je moest weten. De volgende stap is om alle info die je nu verzameld hebt te gaan gieten in de SMART analyse. Zo stel je de doelstelling in vraag en is de verkregen info voor jezelf en je teamgenoten duidelijk zodat ook iedereen op eenzelfde lijn zit. SMART staat voor specifiek, meetbaar, acceptabel, realistisch en tijdgebonden. De reden waarom je deze Smart-analyse moet maken is door dat je hierdoor je afhankelijke variabelen te weten komt. Dit overzicht helpt je bij verdere stappen nemen wanneer je de nodige datasets in handen hebt.

  • 3. Onafhankelijke variabelen

De volgende stap is je onafhankelijke variabelen uitwerken. Je noteert de die tot je uiteindelijk bekijkt dat je niet meer verder kunt. Net zoals in de SPAP Graphic worden deze onafhankelijke variabelen verder en verder uitgewerkt. Dit is zeer belangrijk omdat je hierdoor voorspellingen kunt baseren en toepassen op het project.

4. De ‘echte’ analyses maken en visualisaties realiseren

Het volgende kan je noemen als het echte werk. Je gaat aan de slag om de datasets uit te pluizen. Je past daarvoor alle info toe die de vorige stappen aan het licht kwamen. Na de analyse op de datasets kan je 1 of meerdere visualisaties maken. Die op hun beurt dan weer worden voorgelegd aan de klant.

Ik zou mezelf zeker kunnen vinden in dit soort stappenplan en manier van werken. Ik heb namelijk ontdekt dat ik een controlefreak ben en graag op voorhand weet hoe het moet en wat we waarschijnlijk zullen gaan bereiken. Daarom kan ik me volledig vinden in de werking van de SPAP Graphic.

Calculation fields

Zoals ik al eerder vermelde was het goed om nog eens alle termen duidelijk opgelijst te zien. We maakten namelijk ook gebruik van calculation fields. Een functie binnen tableau om aan het werk te gaan met formules die op hun buurt met de data opnieuw andere zaken gaat berekenen. Tijdens de lessen in het semester zag ik calculation fields enkele keren terugkomen. Jammer dat ik er niet goed mee om kon dat ik het daardoor niet heb kunnen gebruiken voor het persoonlijk project. Het is namelijk wel zo dat je die verbanden moet zien, op dat moment zag ik ze dus niet. Tijdens de cursus leer je een aantal keer rond het werken met die calculation fields. Dit werd ook meteen duidelijk omdat de vraagstelling op voorhand werd vermeld, wat ook de bedoeling is.

Een visualisatieanalyse  

Het grappige aan data is dat vaak sommige grafieken geen correlatie hebben onderling maar toch zo goed als exact dezelfde grafiek vertonen. Dit onderwerp kwam ook ter sprake in de cursus zelf. In feite hebben ze effectief wel een achterliggende correlatie. Dat kan je bijvoorbeeld ontdekken bij de volgende grafieken:

Denk je zelf eerst na wat de mogelijke correlatie kan zijn? Ik verklap het onder de grafiek.

Zoals je inderdaad al ziet is dat er een correlatie is. Het is niet zo dat een film van Nicholas Cage een stijging van drenkelingen veroorzaakt. Maar het is wel zo dat de grafieken zo goed als hetzelfde zijn. De mogelijke correlatie is dat de films met Nicholas Cage vaker vertoont worden in de zomer. Dat is zoals iedereen ook weet het moment wanneer mensen gaan zwemmen, wat ook voor meer drenkelingen zorgt. Dus, wanneer 2 variabelen lijken alsof ze gelinkt zijn met elkaar wil het niet zeggen dat het ene het andere veroorzaakt. De misvatting is dat correlaties niet gelijk is aan de causaliteit.   

Ik wil afsluiten dat ik veel heb bijgeleerd rond analyses voor business. Ik ben ook blij dat het mij gelukt is om alle modules te volgen die verplicht waren. Het is nu aan mij om deze kennis te delen met de mensen rondom mij. Ik ben er zeker van dat dit het ultieme doel is van Netwerkeconomie. Enkel en alleen zal het me zo lukken om de perfecte job te vinden na mijn studies. Hieronder kunt u ook nog eens mijn leerdoelen vinden die ik gekoppeld heb aan deze 3 cursussen.

Leerdoelen

0206 De student kan op basis van een probleemstelling de juiste keuzes maken omtrent de noodzakelijk te voorzien datastructuren en database vormen.

Voor de opdracht van Tableau werden enkele keuzes gemaakt om uiteindelijk de juiste visualisatie te voorzien. De eerste probleemstelling was dat enkele kolommen in de database nog niet correct gebruikt konden worden. Hiermee bedoel ik dat bepaalde data moest veranderen van ‘dimension’ naar ‘maesure’ en omgekeerd. Een tweede voorbeeld is dat we een vraagstelling eerst niet konden beantwoorden omdat de data nog niet geschikt was. Na het gebruik van de calculation field verkregen we wel de beschikbare data en was het mogelijk om een visualisatie te maken.

0306 De student begrijpt het nut van versiebeheer en kan gebruik maken van tools die dit vlot mogelijk maken.

Onder versiebeheer zie ik de evolutie van een project bijhouden en eventueel een tool toepassen om de verdere evolutie te voorspellen. In de eerste cursus zagen we het voorbeeld van ‘Egger’s Roast Coffee’ waarbij de cash flow van het bedrijf werd bijgehouden in Excel. Zo analyseerde Daniel (de cursusbegeleider) de cash flow en maakte enkele berekeningen met de wat-als-analyse. Hij gebruikte de oplosser om de toekomst van het bedrijf te voorspellen. Het nut van die versiebeheer is dus om ten eerste die toekomst de bekijken en ten tweede de cash flow van het afgelopen jaar te bekijken. Zo kon hij zien welke maanden het bedrijf het sterkst in de schoenen stond.

0307 36 De student maakt vlot gebruik van digitale tools die communicatie mogelijk maken tussen een diverse set gebruikers, zowel synchroon als asynchroon.

Door het schrijven van dit blogbericht gebruik ik mijn portfoliosite asynchrone communicatietool. Bij een reactie van een lezer zal ik deze natuurlijk beantwoorden, maar verandert de asynchrone communicatie naar synchrone communicatie.

0405 20 De student analyseert met behulp van statistiek data om deze te helpen verklaren.

Door het gebruik te maken van calculation fields in Tableau bewijs ik dat je de beschikbare data samen kunt voegen in een formule die daardoor voor meer data zorgt. Met die extra data kan je weer extra visualisaties opmaken die op hun beurt antwoorden bieden op de gevraagde stelling.

0406 20 De student kan uit een dataset de essentiële kenmerken halen die een visualisatie mogelijk maken die het begrip van de dataset aanschouwelijk maakt.

Doorheen de taak in Tableau haalde ik tal van kenmerken uit de visualisaties die telkens uit de verkregen datasets kwamen. Ik bewees ook de essentiële kenmerken uit een dataset te halen, want die opdracht kregen we tijdens de quizzen de data te bekijken om dan nadien te besluiten hoeveel gegevens iedere kolom bevatte. Dat was belangrijk doordat het ging over gegevens van mensen in bepaalde staten van de USA. Bij te weinig data kan een dataset wel eens onbetrouwbaar gezien worden. Daardoor werden sommige kolommen dus niet gebruikt.

0407 35 De student maakt op een kritische manier een analyse van een gegeven statistische voorstelling, inclusief de dataset en de gevisualiseerde selectie.

Ik maakte een analyse op de visualisatie die het verband tussen films van Nicholas Cage en drenkelingen in kaart brengen. Ik zag enkele verbanden en haalde de correlatie er uit die eerder niet voor de hand liggend was maar na verdere research wel duidelijk werd.

Bij het gebruik van bepaalde datasets voor het ruggengraadproject kwam ik tot de veronderstelling dat deze veel nulwaarden bevatten, daarna heb ik besloten of ik die datasets al dan niet ging gebruiken.

startup

ICT-Start-ups geraken minder snel aan personeel: “Freelancers aannemen dan maar.”

Het is zeker niet makkelijk om als ICT- bedrijf vandaag de dag personeel te vinden die beschikt over de juiste set aan skills. Ook Start-ups lijden hieronder, hun personeel loopt vaak weg naar andere grotere bedrijven omdat ze daar meer kunnen verdienen. Voor dit probleem lijkt nu een oplossing in de maak voor die Start-ups.

Rapport in het kader van de VIONA-leerstoel dynamiek van de arbeidsmarkt

In dit rapport worden alle technologiebedrijven die opgestart zijn tussen 2010 en 2017 in België opgelijst. In het rapport richten ze zich enkel op jonge en frisse tech-bedrijven die nieuwe innovaties in de maatschappij brengen. Daarna worden alle loontrekkenden uit die bedrijven bekeken en hieruit blijkt dat steeds meer freelancers kiezen om bij een Start-up te werken. De reden hiervoor is dat freelancers vaak minder gaan voor ‘het grote geld’ en liever kiezen om hun kennis en vaardigheden te delen met deze Start-ups.

 

Vast of flexi-job

Wat dus ondertussen gekend is dat ICT-freelancers kiezen voor Start-ups. Deze freelancers hebben ook vaak meerdere connecties met andere Start-ups, waardoor ze worden gezien als een variant op flexi-jobs. Het kan dus perfect zijn dat als je een freelancer hebt deze 1 dag per week komt om zijn kennis en vaardigheden te delen en de andere 4 dagen ergens anders aan de slag is. Moest deze nu 5 dagen per week aan de slag zijn bij de Start-up dan zou de kost om hem te betalen torenhoog zijn. Dit is de reden dus waarom die freelancer vaak overstapt naar verschillende bedrijven.

 

Waarom minder personeel = schaarste?

Voor ICT-Start-ups is het moeilijk om binnen de regio de geschikte mensen te vinden, die dan ook nog eens willen werken voor je. Het probleem is dus de schaarste in de buurt,  plus ook nog de bereikbaarheid van het bedrijf zelf.

Een andere trend die zorgt voor de schaarste op het vlak van vast personeel op de werkvloer is dat meer en meer mensen kiezen voor de zelfstandigheid binnen hun job. Zo staat in het rapport dat in verschillende Scandinavische landen uitvoerende profielen plots freelance-jobs worden. Deze trend komt alsmaar meer voor in België. Men spreekt van :‘De uberisatie van onze arbeidsmarkt’. Uit dat rapport blijkt dan ook weer dat die jobs vaak naar het buitenland stappen, waar dus dat extraatje kan verdient worden.

 

Voordelen als freelancer

 Indien je dan toch kiest met je Start-up voor een freelancer dan hebben beiden wel enkele voordelen. Zoals al eerder vermeld komen deze mensen vaak maar enkele dagen in de week, maar je kan er zeker van zijn dat deze de productiefste dagen zijn in de week. Freelancers zijn vaak gedreven en zien zaken met een andere bril op.

Je kan met je Start-up vaker beroep doen op internationals die enkele weken blijven en daarna weer vertrekken. Dit zorgt ervoor dat het bedrijf zeer flexibel is en de mensen het gewend zijn om op korte periodes vaak goed en snel te presteren. Plus de beste ICT-specialist over de hele wereld kan je niet aanwerven tot personeel, maar het is wel mogelijk om hem of haar aan te nemen als freelancer.

 

Kortom, freelancers die komen en gaan, vandaag de dag komt het vaker voor. Het is positief dat velen toch nog eerder kiezen om Start-ups te helpen en hen niet te negeren. Eenmaal dat je het rapport bekijkt klaart toch wel veel uit en zorgt voor verschillende nieuwe inzichten.