Data Science: het wordt soms wel eens de meest ‘sexy job’ van de 21e eeuw genoemd. Predicitive analytics, Convolutional Neural Networks, Bayesian Statistics, Deep Learning: allemaal indrukwekkend moeilijke woorden waarmee je directe omgeving denkt dat je de volgende Willie Wortel bent. Echter is er mijns inziens iets onderbelicht wat binnen het vakgebied van cruciaal belang is: data storytelling. De kunst van het communiceren aan de hand van data. Iets wat volgens Analytics guru Tom Davenport nog steeds maar vrij weinig aandacht aan wordt besteed.
Storytelling al eeuwenoud
Nu is het vertellen van verhalen natuurlijk niks nieuws, aangezien het vertellen van een verhaal al van oudsher al middel is geweest om kennis te delen. Het voegt context, inzicht en interpretatie toe. Dit zijn cruciale elementen om data en analytics relevant en interessant te maken. Daarnaast wil je met je analyse ook je doelgroep aanzetten tot actie. Hoe goed je analyse ook mag zijn, het is een doodzonde wanneer je als data scientist niet in staat bent om je resultaten over te brengen aan de business.
Waarom data storytelling?
Maar je kan je afvragen waarom een lijst met bulletpoints niet voldoende is om mensen aan te zetten tot actie? Waarom moet het dan met data storytelling? Het is eigenlijk heel simpel. Wanneer wij naar een lijst met bulletpoints kijken, activeert een bepaald deel van ons brein (voor de liefhebbers: wetenschappers noemen dit het centrum van Broca & het centrum van Wernicke). Simpel gezegd: wij geven de woorden een betekenis. Wanneer wij verhalenderwijs onze resultaten presenteren, activeren er meerdere delen van ons brein. Wij kunnen bijvoorbeeld ook emoties, ervaringen en gedachtes overbrengen. Evolutie heeft ons brein geprogrammeerd om te communiceren aan de hand van verhalen.
3 verschillende situaties
Maar goed, terug naar data storytelling. Een cruciaal component binnen data storytelling is het gebruik van data visualisaties. Het is een goed idee om van tevoren te bedenken in welke omstandigheden jij je visualisatie wilt presenteren. De mate van complexiteit kan hier vervolgens op aangepast worden. Avinash Kaushik (Digital Marketing Evangelist bij Google) maakt onderscheid tussen drie type situaties:
- Gedetailleerde verhalen
- Strategische analyse: business resultaten die gepresenteerd worden aan het management
- Dagelijkse reporting: wordt gebruikt om operationele beslissingen te sturen
Je past de type visualisatie aan de context aan. Een complexe visualisatie is bijvoorbeeld geschikt wanneer je je analyse uitgebreid kan toelichten. Moet de visualisatie op zichzelf staan? Kies dan voor een simpele visualisatie. Deze visualisaties zijn geschikt wanneer je de dagelijkse werkzaamheden van mensen wil ondersteunen (zoals het geval is bij dagelijkse reporting).
Het is cruciaal om hierover na te denken, omdat je je resultaten presenteert om mensen tot actie over te laten gaan. Of zoals Avinash Kauskhik het noemt: het moet de ‘so what’ vraag beantwoorden. Gebeurt dit niet, dan heeft je visualisatie geen functie. Je kan bijvoorbeeld de visualisatie (en de bijbehorende conclusie) koppelen aan geld.
Een voorbeeld
Ik zal een simpel voorbeeld geven. Wij weten voor een bepaald subscriptieabonnement wat het verlooppercentage is. Dit zegt op zichzelf niet zoveel (en een visualisatie hiervan maken is wellicht overbodig). Het wordt interessanter wanneer je het vergelijkt met het verlooppercentage van de concurrenten. Wij zien nu dat dit verlooppercentage hoger is dan het gemiddelde verlooppercentage. Dit geeft al meer inzicht en een visualisatie kan hierbij ondersteunend zijn. Echter is de ‘so what’ vraag nog niet beantwoord. Wat betekent dit hoger verlooppercentage nou? Wanneer bijvoorbeeld blijkt dat dit hoger verlooppercentage leidt tot bijvoorbeeld twee ton verlies per jaar, beantwoord je de ‘so what’ vraag. En de visualisatie? Een simpele barchat met jouw verlooppercentage versus gemiddeld verlooppercentage met een bedrag voldoet om je verhaal te doen (en hopelijk ook om gedrag te beïnvloeden).
Gebruik geschikte visualisaties
Ik vind dat een data scientist best iets langer mag nadenken over hoe het de resultaten op een juiste manier kan presenteren. Het is daarbij ook belangrijk om te bedenken wat voor type visualisatie geschikt is en hoe dit je verhaal moet ondersteunen. Als wij hiermee de business sneller kunnen aanzetten tot een bepaalde actie, waarom zouden wij dat dan niet doen? Wordt beter in het presenteren van je resultaten. Alleen zo kan je een brug slaan tussen IT en Business.
➡ Sta jij ook te popelen om met data aan de slag te gaan? Of wil jij de ‘next data storyteller’ worden? Bekijk onze vacatures voor het traineeship Business Analytics & Data Science!
