Altijd blijven door leren

Het is natuurlijk een open deur dat de mens zich altijd moet blijven door ontwikkelen. Stilstand is immers achteruitgang is een bekend gezegde. Wat vroeger erg actueel was kan zo maar weer achterhaald zijn. Denkt u daarbij vooral natuurlijk aan de technologische ontwikkelingen. We zien hier dat de robot oftewel de machines hier steeds meer werk van de mens overnemen. Desalniettemin lezen we in de kranten dat de vraag naar vooral technisch opgeleid personeel enorm hoog is.

Altijd doorgaan met leren

Het is dus van alle belang om te blijven doorleren. Zelfs professoren zeggen dat educatie eigenlijk iets permanents is. De bekende Amerikaanse belegger Charlie Munger zei ooit eens “If you are the smartest in the room then you are in the wrong room” . Helaas overleed Munger eerder dit jaar. Doorblijven gaan met leren is dus iets wat zelfs de allerslimsten onder ons blijven zeggen. De wereld van de data-analyse is een mega wereld dat eigenlijk alles dat dat met data te maken heeft omvat. Of het nu over natuur gaat, medische zaken of over computers, alles dat in getallen uitgedrukt kan worden is data En data kan op eindeloos veel manieren geanalyseerd worden. Denkt u bijvoorbeeld aan uw simpele rekenmachine of aan Microsoft Excel. Grotere programma’s zijn onder andere SPSS en Python. De 2 laatst genoemden zijn voor de massa helaas vrij complex en ook heel onbekend. Power BI is weer een hele mooie aanvulling op Excel want via dit programma kun je veel mooiere presentaties maken dan bijvoorbeeld met Powerpoint. Uiteraard zijn er voor Power BI diverse opleidingsmogelijkheden.

Eindeloze brei aan data

In alle sectoren is er dus een werkelijk eindeloze brei aan data dat geanalyseerd kan worden. Zaak is het uiteraard om hier wel het kaf van het koren te blijven onderscheiden. Zo is het laten tellen van het aantal zandkorrels in de woestijn een enorme tijdsverspilling (dit is natuurlijk een extreem voorbeeld). Maar in de praktijk zien we maar al te vaak dat er data wordt geanalyseerd puur om mensen bezig te houden. Het is dus zaak om de hele brei aan data van een hoger niveau af te bekijken en u dus niet te verliezen in de details. Via geavanceerde meer econometrische methoden is het al snel mogelijk om kaf van het koren te kunnen scheiden. Denkt u bijvoorbeeld aan de standaard regressie methode die verbonden tussen variabelen probeert te toetsen. Een bekend voorbeeld van een dergelijk onderzoek is te kijken naar de ontwikkeling van iemands lengte en een beurskoers. Dit zijn natuurlijk 2 totaal onafhankelijke variabelen. En toch kan er vast wel een bijna lineair verband gevonden worden. Uiteraard is dit klinkklare onzin maar statistisch gezien kan het verband 100% zijn.

Van boven de data kijken

Het is dus vooral waken voor doen geloven van theorieën over verbanden die er helemaal niet zijn Een ander treffend voorbeeld is de invloed van een voetbaltrainer en het succes van het team. Vaak wordt door de sportjournalisten gesteld dat het ‘de hand van de trainer’ is maar in de praktijk is dit echter nooit aantoonbaar. Stel dat een voetbaltrainer in 1 jaar alle wedstrijden wint dan zegt een buitenstaander dat het een goede trainer is. Dat klinkt uiteraard vrij logisch. Maar we zien nooit het hele verhaal. En sterker nog, in de praktijk zijn er geen voetbaltrainers die consistent goede resultaten laten zien. Dit zien we dagelijks op de televisie. Hier zien we de grote clubs zoals Bayern Munchen, Chelsea, Manchester City, Barcelona, Real Madrid en Paris Saint German steevast alles winnen. Hebben al deze teams dan allemaal super trainers? Het antwoord is echter nee. Want we zien juist een enorm sterk verband tussen het kapitaal van de clubs en hun successen. Hoe meer geld een club te besteden heeft hoe betere trainers ze kunnen kopen. De rijkere clubs worden door hun kapitaal dus beter en de invloed van hun trainers is toch echt statistisch marginaal.

Want als trainers wel consistent goede resultaten zouden kunnen laten zien, dan zouden de trainers van de grote clubs dus met een willekeurige vierde klasse amateurteam ieder weekend met straatlengtes hun wedstrijden winnen. In de praktijk zien we echter nooit de grote trainers terugkeren op het amateurniveau. Het is dus een fabeltje dat er een ‘hand van de trainer’ of iets dergelijks is.

Door goede data analyse is het dus mogelijk om een goed oordeel te vellen over wat wel een verband met iets heeft en wat het niet is. Er is namelijk enorm veel ruis en ons menselijke brein is allesbehalve rationeel en dus moeten we absoluut alles dat met data-analyse te maken heeft uitbesteden aan de pc. Een bekend voorbeeld is de stelling “In een sloot van gemiddeld 10 centimeter diep kun je niet verdrinken” . Een leek zo dit al gauw geloven want in 10 centimeter diep water kan een mens normaliter niet verdrinken. Het gaat echter om het woordje “gemiddeld”. Want op sommige stukken kan de sloot natuurlijk wel 50 meter of nog dieper zijn.

Samengevat: er is zoveel ruis en niet ter zake doende informatie dat rationele besluitvorming vaak al niet goed mogelijk is. Denkt u bijvoorbeeld ook nog eens aan de emoties van een mens en een mens heeft uiteraard nog veel eigen voorkeuren. Daarom is het dus cruciaal om data door de juiste data-analyse pakketten te laten onderzoeken zoals het complexe Python waar veel opleiding voor nodig is.