Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors
Search in posts
Search in pages
dslc_downloads
events_agenda
klanten
dslc_projects
vacature
Header image e-paper de juiste definitie in de juiste context

e-paper: De juiste definitie in de juiste context

  • 4 oktober 2022

Collega Fred Dijk, Kennis Modelleur & Data Management specialist bij Scamander, schreef een e-paper over de noodzaak van begripsdefinitie en -duiding voor datagedreven werken. Hieronder vind je het eerste gedeelte van dit e-paper en de link om het hele e-paper te downloaden.

De noodzaak van begripsdefinitie en -duiding voor datagedreven werken

In de keten van data naar waarde is solide begripsdefinitie en -duiding een voorwaardelijk onderdeel. Data zonder heldere definitie en duiding is slechts data en geen informatie. Laat staan dat het kennis is. Uiteraard is dit voor de hand liggend. Maar passen we dit ook toe?

Hebben we een probleem?

Ja, we hebben een probleem. Al is het vaak onbewust. We zijn er inmiddels aan gewend om de verborgen last van onbegrip te dragen.

Menselijk taal en begrip is niet hetzelfde als computertaal. Daarom komt in de overdracht van menselijke taal naar computertaal en het weer terug leveren aan de mens begripsduiding onder druk te staan.

Door zorgvuldig te modelleren trachten wij dit te vermijden. Waarom bestaan de voornoemde problemen dan nog steeds? Dat is omdat we vaak als eerste uitgaan van de bestaande digitale datastromen die we vervolgens proberen te mappen op de bedrijfskennis in mensentaal die veelal vastzit in de hoofden van de medewerkers. We gaan uit van de beschikbare data en niet van de aanwezige kennis, de daadwerkelijke Business Intelligence. En het is juist dat wat je dient te vangen, te ontsluiten en breed en efficiënt toegankelijk te maken.

Voortschrijdende begripsvervaging

Het breed en efficiënt toegankelijk maken van de daadwerkelijke Business Intelligence lukt niet met de traditionele modelleerstappen: conceptueel, logisch en fysiek opwerkend vanuit een dataperspectief. Bottom-up zeg maar. Van techniek naar semantiek.

Die bottom-up manier is de weg van voortschrijdende begripsvervaging. Waarom?
Eenieder zal herkennen dat indien een data mart live gaat en de eerste rapporten eruit rollen, er altijd wel iemand is die vraagt: “Wat bedoel je precies met begrip XYZ?” of “Wat betekent code 9 in dat veld want ik zie geen beschrijving ervan” en “Onder Verzamelinkomen versta ik (..) heel iets anders”.

Voor het publiek dat de vruchten van onze organisaties en bedrijven hoort te plukken is het nog veel zorgelijker. Want wél worden we als burger of bedrijf spijkerhard afgestraft als we ons niet aan de lettertjes en de juiste cijfertjes houden. De media staan er vol mee. Maar wat is dan precies ‘juist’?

Kortom, zowel naar binnen als naar buiten kijkend zien we een toename van onbegrip op basis van rammelende definities en aannames van wat het dan wel zal zijn.

Hoe kunnen we dit, wellicht te ambitieus, vermijden maar in ieder geval reduceren? Het is simpeler dan u denkt.

Deel dit met uw volgers

Collega Fred Dijk, Kennis Modelleur & Data Management specialist bij Scamander, schreef een e-paper over de noodzaak van begripsdefinitie en -duiding voor datagedreven werken. Hieronder vind je het eerste gedeelte van dit e-paper en de link om het hele e-paper te downloaden.

De noodzaak van begripsdefinitie en -duiding voor datagedreven werken

In de keten van data naar waarde is solide begripsdefinitie en -duiding een voorwaardelijk onderdeel. Data zonder heldere definitie en duiding is slechts data en geen informatie. Laat staan dat het kennis is. Uiteraard is dit voor de hand liggend. Maar passen we dit ook toe?

Hebben we een probleem?

Ja, we hebben een probleem. Al is het vaak onbewust. We zijn er inmiddels aan gewend om de verborgen last van onbegrip te dragen.

Menselijk taal en begrip is niet hetzelfde als computertaal. Daarom komt in de overdracht van menselijke taal naar computertaal en het weer terug leveren aan de mens begripsduiding onder druk te staan.

Door zorgvuldig te modelleren trachten wij dit te vermijden. Waarom bestaan de voornoemde problemen dan nog steeds? Dat is omdat we vaak als eerste uitgaan van de bestaande digitale datastromen die we vervolgens proberen te mappen op de bedrijfskennis in mensentaal die veelal vastzit in de hoofden van de medewerkers. We gaan uit van de beschikbare data en niet van de aanwezige kennis, de daadwerkelijke Business Intelligence. En het is juist dat wat je dient te vangen, te ontsluiten en breed en efficiënt toegankelijk te maken.

Voortschrijdende begripsvervaging

Het breed en efficiënt toegankelijk maken van de daadwerkelijke Business Intelligence lukt niet met de traditionele modelleerstappen: conceptueel, logisch en fysiek opwerkend vanuit een dataperspectief. Bottom-up zeg maar. Van techniek naar semantiek.

Die bottom-up manier is de weg van voortschrijdende begripsvervaging. Waarom?
Eenieder zal herkennen dat indien een data mart live gaat en de eerste rapporten eruit rollen, er altijd wel iemand is die vraagt: “Wat bedoel je precies met begrip XYZ?” of “Wat betekent code 9 in dat veld want ik zie geen beschrijving ervan” en “Onder Verzamelinkomen versta ik (..) heel iets anders”.

Voor het publiek dat de vruchten van onze organisaties en bedrijven hoort te plukken is het nog veel zorgelijker. Want wél worden we als burger of bedrijf spijkerhard afgestraft als we ons niet aan de lettertjes en de juiste cijfertjes houden. De media staan er vol mee. Maar wat is dan precies ‘juist’?

Kortom, zowel naar binnen als naar buiten kijkend zien we een toename van onbegrip op basis van rammelende definities en aannames van wat het dan wel zal zijn.

Hoe kunnen we dit, wellicht te ambitieus, vermijden maar in ieder geval reduceren? Het is simpeler dan u denkt.