Data, data-analyse, machine learning en andere van deze veel voorkomende termen hoor je tegenwoordig in alle sectoren. Waar ze eerst vooral veel voorkwamen in de fintech (Financiële tech bedrijven) en bij softwarebedrijven hoor je het nu ook bij overheidsinstanties, grote supermarkten en natuurlijk ook bibliotheken. Iedereen is bezig met data, alleen voor velen is het nog lastig te begrijpen waarom je het moet gebruiken en vooral ook hoe.
Soms kan je afvragen: waarom is iedereen zo geïnteresseerd in al die data [1]? De reden hiervoor is vrij simpel. Data geeft een zee van nieuwe mogelijkheden en innovaties.
Dit kan iets simpels zijn als meer inzicht krijgen in je bezoekers. Wie zijn ze, waar komen ze vandaan of wat zijn hun interesses? Deze inzichten kan je gebruiken om betere programmering of aanbiedingen te realiseren voor je doelgroep. Je kan ook een stapje verder gaan. Denk hierbij aan data-gedreven boeken aanbevelingen op basis van iemands leesgeschiedenis. Dit zijn twee bekende voorbeelden in de bibliotheekbranche en helpen goed bij toelichten waarom data zo belangrijk is. Toch is zowel je leden leren kennen als aanbevelingen doen is ook goed mogelijk zonder data. Waarom is het dan zo belangrijk?
Data en de technieken eromheen maken het mogelijk om de eerdergenoemde voorbeelden op te schalen en soms zelfs te verbeteren. Een aanbeveling voor een lid op basis van zijn leengeschiedenis kan voor een bibliotheekmedewerker soms veel werk zijn. Je moet iemands interesses uit de gelezen boeken halen, weten wat hij/zij al gelezen heeft en dan een bijpassend boek geven. Een machine learning algoritme zoekt patronen tussen duizenden gebruikers en genereert een advies in minder dan een seconde. Nu is het wel belangrijk om te weten dat een algoritme niet perfect is en anders naar een aanbeveling kijkt dan een bibliothecaris. De schaalbaarheid van een machine brengt vooral extra mogelijkheden zoals geautomatiseerde, maar toch persoonlijke nieuwsbrieven.
Dit is slechts één voorbeeld van de vele innovaties die data en machine learning mogelijk maken. Hier ligt daardoor ook een van de grote uitdagingen. Als je niet bekend bent met alle data innovaties, hoe moet je dan de goede oplossing voor jou organisatie vinden?
Het lastige aan werken met data is dat er nog geen duidelijk pad is door de vele mogelijkheden Als je niet weet wat de de mogelijkheden zijn met data is het lastig de innovatie te vinden die past bij jou organisatie. Hierdoor zie je vaak dat dezelfde ideeën opnieuw worden hergebruikt.
Als je enkel data gaat inzetten voor toepassingen die bij andere bibliotheken ook worden gebruikt, dan beperk je je tot een kleine set van mogelijkheden. Hierom is het belangrijk dat je “out of the box” kan denken als je een data-gedreven innovatie gaat opzetten. Alleen hoe kan je iets bedenken wat je nog niet kent?
Kijk af bij andere sectoren. Dit is één van de makkelijkste manieren om te leren wat er allemaal mogelijk is met data. Er zijn vele sectoren die stappen verder zijn met data gedreven werken die al prachtige innovaties en oplossingen hebben opgezet. Denk hierbij aan de Fintech, marketing of misschien zelfs de zorg. Zoek op wat voor innovaties zij maken en bedenk hoe diezelfde oplossing zou passen in je eigen organisatie. In de Fintech maken ze bijvoorbeeld al jaren gebruik van verschillende profielen gebaseerd op data om sneller mensen in te delen in groepen. Ditzelfde concept kan gebruikt worden voor bibliotheken.
Betrek iemand met meer kennis over data. Als je niet alle mogelijkheden voor ogen kan zien is het verstandig om in een vroeg stadium al iemand met data kennis erbij te betrekken. Deze persoon kan je helpen om aan de hand van jouw vraagstuk de verschillende mogelijkheden te ontdekken.
In beide gevallen is één punt van groot belang. Denk vanuit het probleem, niet de oplossing. Je kan het meest met data als je vanuit een specifiek probleem of vraagstuk werkt en dit stap voor stap gaat uitwerken naar de geschikte oplossing. Als je vanuit de oplossing gaat werken dan is de kans groot dat de oplossing uiteindelijk niet bij je doelgroep aansluit of niet genoeg toegevoegde waarde heeft.
Als je eenmaal je probleem of vraagstuk hebt gedefinieerd en hiervan de eerste details hebt uitgewerkt kan je de volgende stap nemen. Helaas spreekt dit ook niet altijd voor zich. Moet je data gaan verzamelen, de nodige partners vinden, of eerst een nulmeting doen? Het verloop van een data-traject staat nooit vast. Om toch wat structuur te krijgen kan je gebruik maken van “The Social Data Canvas”. Dit is een canvas die Tau Omega heeft ontwikkeld om structuur te geven in de start van een dataproject. Lees er hier meer over: https://tauomega.nl/blog/social-data-canvas
Concluderend is het het beste om te beginnen met het uitwerken van ene probleem of vraagstuk. Als dit eenmaal duidelijk is kan je gaan kijken naar een passende oplossing. Probeer hierbij jezelf niet te limiteren tot je eigen visie maar zoek hulp bij andere professional en sectoren. Als je eenmaal klaar bent om van start te gaan kan je nog gebruik maken van The Social Data Canvas om een goed overzicht te krijgen voor het project.
[1] Als je nog niet bekend bent met data en de termen eromheen dan kan je hier snel en veel over leren via de data poster van Cubbis. Hier staan de meest voorkomende termen kort en duidelijk uitgelegd. https://www.cubiss.nl/sites/default/files/afbeeldingen/Data%20poster.pdf
Rijnstraat 3A - 5215 EA 's-Hertogenbosch
Copyright © Tau Omega
Design door Studio Waaghals
