During the past two decades the implementation and adoption of information technology has rapidly increased. As a consequence the way businesses operate has changed dramatically. For example, the amount of data has grown exponentially. Companies are looking for ways to use this data to add value to their business. This has implications for the manner in which (financial) governance needs to be organized. The main purpose of this study is to obtain insight in the changing role of controllers in order to add value to the business by means of data analytics. To answer the research question a literature study was performed to establish a theoretical foundation concerning data analytics and its potential use. Second, nineteen interviews were conducted with controllers, data scientists and academics in the financial domain. Thirdly, a focus group with experts was organized in which additional data were gathered. Based on the literature study and the participants responses it is clear that the challenge of the data explosion consist of converting data into information, knowledge and meaningful insights to support decision-making processes. Performing data analyses enables the controller to support rational decision making to complement the intuitive decision making by (senior) management. In this way, the controller has the opportunity to be in the lead of the information provision within an organization. However, controllers need to have more advanced data science and statistic competences to be able to provide management with effective analysis. Specifically, we found that an important skill regarding statistics is the visualization and communication of statistical analysis. This is needed for controllers in order to grow in their role as business partner..
DOCUMENT
Hoe meer data er beschikbaar komt, des te meer de beslissing verbeterd kan worden. Hoe beter (slimmer) de beslissing wordt gemaakt, des te meer waarde de beslissing heeft voor uw organisatie. Dit wordt het data-netwerk-effect genoemd. Vaak wordt het data-netwerk-effect gerealiseerd door het gebruik van data van onbewuste data-donoren. In dit artikel wordt een ander soort data-donor belicht: de bewuste data-donor.
LINK
De Peer Support Group Kwalitatief Onderzoek van de HU is een groeiende, zelfsturende, HU-brede groep die is ontstaan uit de behoefte van onderzoekers en docenten om als ‘peers’ onderling kennis en ervaring te delen met betrekking tot kwalitatief onderzoek. De logistiek en organisatie van deze groep heeft een zeer fluïde karakter. Zij vormt zich naar de inhoudelijke en organisatorische behoeften van de groep. Deze behoeften zijn continu in beweging door onder andere veranderingen binnen de organisatie van de HU en de verschillende werkvelden en onderzoeksdomeinen waaruit de deelnemers afkomstig zijn. Maar ook door de ontwikkelingen die plaatsvinden op het terrein van kwalitatief onderzoek, binnen de eigen Peer Support Group (PSG) zelf en van de individuen die deel uitmaken van de PSG. In deze bijdrage zal ik nader uiteenzetten hoe complexiteit een rol speelt in het ontstaan en functioneren van de PSG.
DOCUMENT
Dit project poogt een bijdrage te leveren aan het versterken van “de kennisketen van de gastvrijheidseconomie” middels de volgende projectdoelstellingen: • SWOT-analyse van huidige situatie, vanuit verschillende stakeholderperspectieven: kijkend vanuit de ontwikkelopgaves die men ziet, aan welke data over de customer journey is behoefte (inventarisatie)? Wat zijn de bijbehorende sterktes, zwaktes, kansen en bedreigingen (analyse)? • Versterken van de kennisketen via: hoe kunnen we kennisketen versterken met nieuwe technieken en door slim organiseren? • Een overzicht van strategische opties: welke strategische opties zijn er om 1.) sterktes te benutten om kansen te pakken en bedreigingen af te wenden en 2.) zwaktes op te lossen door kansen te pakken en gevaren te voorkomen die met bedreigingen meekomen • Input leveren voor 2.0 versie van het manifest van Gastvrij Overijssel en de beoogde oprichting van een “Data Hub” (waarvoor nog geen officiële werktitel) In de opvolgende hoofdstukken en paragrafen gaan we in op de aanpak (hoofdstuk 2) en de uitkomsten (hoofdstuk 3).
DOCUMENT
Vanuit Fontys Hogescholen wordt veel onderzoek gedaan, met name door onderzoekers van de verschillende lectoraten. Vanzelfsprekend worden er binnen deze onderzoeken veel data verzameld en verwerkt. Fontys onderschrijft het belang van zorgvuldige omgang met onderzoeksdata en vraagt daarom van onderzoekers dat zij hun Research Data Management (RDM) op orde hebben. Denk hierbij aan veilige opslag en duurzame toegankelijkheid van data. Maar ook (open access) publiceren en archiveren van onderzoeksdata maken onderdeel uit van RDM. Hoe je hier als onderzoeker invulling aan geeft kan soms best een zoektocht zijn, mede doordat nog niet iedereen even bekend is met het onderwerp RDM. Met dit boek hopen we onderzoekers binnen Fontys de belangrijkste informatie te bieden die nodig is om goed invulling te geven aan Research Data Management en daarbij ook te wijzen op de ondersteuning die op dit gebied voorhanden is.
DOCUMENT
Recent years have seen a massive growth in ethical and legal frameworks to govern data science practices. Yet one of the core questions associated with ethical and legal frameworks is the extent to which they are implemented in practice. A particularly interesting case in this context comes to public officials, for whom higher standards typically exist. We are thus trying to understand how ethical and legal frameworks influence the everyday practices on data and algorithms of public sector data professionals. The following paper looks at two cases: public sector data professionals (1) at municipalities in the Netherlands and (2) at the Netherlands Police. We compare these two cases based on an analytical research framework we develop in this article to help understanding of everyday professional practices. We conclude that there is a wide gap between legal and ethical governance rules and the everyday practices.
MULTIFILE
Analyzing historical decision-related data can help support actual operational decision-making processes. Decision mining can be employed for such analysis. This paper proposes the Decision Discovery Framework (DDF) designed to develop, adapt, or select a decision discovery algorithm by outlining specific guidelines for input data usage, classifier handling, and decision model representation. This framework incorporates the use of Decision Model and Notation (DMN) for enhanced comprehensibility and normalization to simplify decision tables. The framework’s efficacy was tested by adapting the C4.5 algorithm to the DM45 algorithm. The proposed adaptations include (1) the utilization of a decision log, (2) ensure an unpruned decision tree, (3) the generation DMN, and (4) normalize decision table. Future research can focus on supporting on practitioners in modeling decisions, ensuring their decision-making is compliant, and suggesting improvements to the modeled decisions. Another future research direction is to explore the ability to process unstructured data as input for the discovery of decisions.
MULTIFILE
In deze presentatie wordt het volgende besproken: 1. Wat kun je als docent op dit moment met studiedata: data en datagebruik. 2. Het project DASH: kunnen we een uitkomst op een resultaat voorspellen en beïnvloeden? 3. Eerste resultaten project. 4. Conclusie & discussie.
DOCUMENT
This matrix is generic. It is a tool for data stewards or other research supporters to assist researchers in taking appropriate measures for the safe use and protection of data about people in scientific research. It is a template that you can adjust to the context of your own institution, faculty and / or department by taking into consideration your setting’s own policies, guidelines, infrastructure and technical solutions. In this way you can more effectively determine the appropriate technical and organizational measures to protect the data based on the context of the research and the risks associated with the data.
DOCUMENT
Over the past few years, there has been an explosion of data science as a profession and an academic field. The increasing impact and societal relevance of data science is accompanied by important questions that reflect this development: how can data science become more responsible and accountable while also responding to key challenges such as bias, fairness, and transparency in a rigorous and systematic manner? This Patterns special collection has brought together research and perspective from academia, the public and the private sector, showcasing original research articles and perspectives pertaining to responsible and accountable data science.
MULTIFILE
