[Translate to Nederlands:]

[Translate to Nederlands:]

Data interpreteren – zonder context ben je nergens!

We zeiden het al eerder; data is het nieuwe goud. In de nieuwe digitale wereld zijn we continu bezig met het genereren- of juist beschermen van data. De huidige technologie stelt je in staat werkelijk álles te kunnen meten. Van je hartslag tot je slaapritme en van je zoekmachinegedrag tot netflixvoorkeuren, je kunt het allemaal monitoren. Meten is weten! Maar, is het eigenlijk wel nodig om alles te meten? En is meten alleen voldoende om te weten?

Waarom wil je iets meten?

Het begint allemaal bij deze vraag. Het genereren van data om het genereren van data is eigenlijk compleet zinloos. Alleen ruwe data zegt namelijk niet zoveel. Het is vooraf dus belangrijk om na te gaan wat je te weten wilt komen via die data. Bedenk je goed wat je wilt dat de data jou vertelt en – misschien nog wel belangrijker – in welke context je deze data gaat plaatsen.

Context is key

We geven je een voorbeeld: stel, jouw hartslagmeter geeft vijfentachtig slagen per minuut aan. Dan weet je op dat moment alleen maar dat jouw hart vijfentachtig keer klopt binnen de tijdspanne van een minuut. Dit gegeven alleen zegt niets over jouw gezondheid, of je conditie. Je zou er zelfs van kunnen schrikken; is dit niet veel te hoog?

Het wordt pas interessant als je context toevoegt aan dit gegeven: ben je in rust, of span je jezelf in? Hoe oud ben je? Wat is je geslacht? Zo kom je al wat verder, maar eigenlijk kun je nog steeds geen conclusies trekken.
Er is nog één ingrediënt nodig; peer groups, vergelijkingsmateriaal. Wat is de hartslag van mensen van hetzelfde geslacht, met dezelfde leeftijd, die dezelfde inspanning verrichten als jij? Vergelijk daar jouw data mee en pas dan kom je iets te weten over je conditie; dan heeft je data waarde.

Data + context + peer group = waarde

Hoe kun je data het beste interpreteren?

Naast context en vergelijkingsmateriaal is er meer nodig om data op de juiste manier te kunnen interpreteren. Als eerste is het belangrijk om na te gaan hoe betrouwbaar deze data is; vraag jezelf hierbij af hoe de data gemeten is, hoe precies deze is en of er kansen zijn op afwijkingen. In het voorbeeld van de hartslagmeter; is deze op de juiste plek op je lichaam bevestigd en heb je hem lang genoeg gedragen om een betrouwbare hartslag te kunnen meten?

Verder is het belangrijk dat je selecteert op relevantie. Je hoeft lang niet alles te meten om een conclusie te kunnen trekken. Metingen geven soms veel meer informatie dan relevant en noodzakelijk. Door het selecteren van relevante data onderscheid je hoofd- en bijzaken. Hiermee voorkom je ruis op de lijn. Als we willen weten hoe snel de deuren van een lift slijten is het vooral belangrijk om het aantal deurbewegingen te meten. Hoe vaak de lift op en neer beweegt in de liftschacht is hierbij niet relevant.

‘Ik plaats een liftsensor en ik ben klaar voor predictive maintenance’

Hoewel velen een liftsensor zien als een interessante gadget, werkt het dus niet helemaal op die manier. Er is meer nodig voor het werken met predictive maintenance. Het werkt precies hetzelfde als de hartslagmeter. Een sensor is nodig om data te genereren, maar het is vervolgens aan jou wat je met die data gaat doen. Door vooraf te bepalen wat je te weten wilt komen met de gegenereerde data, deze in context te plaatsen én te vergelijken met de data van andere liften. Op deze manier zijn er patronen te herkennen en voorspellingen te doen op het gebied van storingen en onderhoud. Onze software helpt met het in de context plaatsen én vergelijken van de data die onze sensor meet.

Meer weten over liftdata of predictive maintenance? Neem vooral contact met ons op!

Dit bericht delen: