Hoe overbruggen we de kloof tussen accountant en dataspecialist? Deel 1 van een drieluik over data-analyse. In dit eerste deel worden zes typen van data-analyse belicht.
DOCUMENT
In de accountancybranche heersen een aantal kenmerken die ervoor hebben gezorgd dat de adoptie van automatisering, digitalisering en data-analyse achterloopt. Dit heeft een aantal redenen: door de hoge werkdruk is er soms geen kans om te innoveren; de omzet is toereikend, waardoor de nut en noodzaak niet worden gezien; door het grote personeelstekort is er geen personeel voor een innovatietraject; MKB-accountants vinden het te risicovol om te investeren in digitalisering met het oog op pensionering en de verkoop van het eigen accountantskantoor. Onderzoekers van de Hogeschool van Amsterdam, Hogeschool Rotterdam en Hogeschool Utrecht hebben onderzocht hoe de mkb-accountant data-analyses kan inzetten in zijn beroepspraktijk, zodat beter aan de wensen van zijn mkb-klanten op het gebied van performance en directere sturing wordt voldaan, en de bedrijfsvoering en werkprocessen van de klanten efficiënter worden. De digitalisering biedt de accountant namelijk mogelijkheden om mkb-ondernemers op basis van data nog beter te adviseren. Het kan daarbij om financiële zaken gaan, maar ook over andere zaken die bij ondernemerschap horen. Denk bijvoorbeeld aan adviezen over voorraden, personeelszaken, procesverbeteringen, verkoopcijfers, duurzaamheid, etc. Op 6 oktober 2022 heeft de onderzoeksgroep de eindresultaten van het onderzoeksproject gepresenteerd op het mini-congres “Data science en mkb-accountants” bij de NBA in Amsterdam. Eén van de tools die het projectteam voor de mkb-accountantskantoren heeft ontwikkeld is een Data Analyse Protocol (hierna DAP). Het DAP geeft de accountant inzicht in vragen die bij mkb-ondernemers kunnen leven en waarbij de accountant kan helpen deze vragen te beantwoorden
DOCUMENT
Hoe overbruggen we de kloof tussen accountant en dataspecialist? Deel 2 van een drieluik over data-analyse. In een eerder artikel is de buitenste ring van het 'VTA-model toegelicht'. In dit vervolgartikel worden de twee binnenste ringen besproken.
DOCUMENT
Hoe overbruggen we de kloof tussen accountant en dataspecialist? Na ruim twee jaar is het tijd voor deel 3 van een serie artikelen over data-analyse. In het eerste artikel werd de buitenste ring van het 'VTAmodel' toegelicht en in het tweede artikel de twee binnenste ringen. Nu worden de toepassingen van het VTA-model besproken.
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
De meest gebruikte opbouw in business intelligence, predictive analitics en analytics modellen is de moeilijkheidsgraad: 1) descriptive, 2) diagnostic, 3) predictive en 4) prescriptive. Deze schaal vertelt iets over de volwassenheid van het gebruik van data door de organisatie. Een model dat niet op zichzelf staat en een achterliggende methode kent is de data driehoek van EDM (Figuur 1), welke in dit artikel zal worden toegelicht.
LINK
Whitepaper in een serie over HR Analytics Elke organisatie neemt voortdurend HRM-beslissingen, zoals over het aannamebeleid, de beloning en talentmanagement. Wanneer ze daarbij gebruik maken van predictive analytics, oftewel voorspellende analyse, kunnen organisaties de kans berekenen dat een individuele medewerker bepaald gedrag gaat vertonen. Voorspellende analyse leidt daardoor tot betere besluiten en maakt het mogelijk om gericht actie te ondernemen. Inhoud: • Inleiding 1. Zorg voor kwalitatief hoogwaardige data 2. Maak de stap van dataverzameling naar rapportage 3. Ontwikkel voorspellende modellen op basis van historische data 4. Gebruik voorspellende modellen om inzicht te krijgen 5. Baseer HRM-maatregelen op inzichten uit voorspellende analyses • Conclusie
MULTIFILE
De balans tussen de belastbaarheid van sporters en de belasting moeten zo goed mogelijk afgestemd zijn om optimale trainingseffecten te realizeren. Er wordt onderscheid gemaakt tussen externe en interne trainingsbelasting, wat duidt op de belasting die extern of intern door de sporter wordt ervaren. Het sturen en bewaken van de balans wordt bij professionele sporters doorgaans verzorgd door (para)medische professionals en/of sportwetenschappers. Doordat er tegenwoordig vele manieren van test- en meettechnologie zijn om o.a. interne en externe belasting te meten is er een grote hoeveelheid aan data beschikbaar in de praktijk, waarvan het verwerken en analyseren arbeidsintensief is. Daarom is er vanuit de praktijk de behoefte om deze data snel inzichtelijk te maken. Vanuit het project is daarom een belastingsmonitor ontwikkeld o.b.v. big data technologieën. Het doel van dit rapport is een praktijkvalidatie van de belastingmonitor. Hierbij wordt enerzijds gekeken naar de verzamelde data door de praktijkpartners en anderzijds wordt onderzocht of veranderingen in ratio's tussen interne:externe belasting een valide manier is om veranderingen in fysieke fitheid te meten?Data door de praktijkpartners zijn op diverse manieren en voor diverse variabelen verzameld. De variabelen zijn onder te delen in de kopjes: (I) individuele kenmerken, (II) externe belasting, (III) interne belasting, (IV) herstel en (V) psychosociale stress. Doordat de diverse sportclubs variabelen verzamelen die zij van belang achten is het niet mogelijk geweest om 1 database op te stellen welke alle variabelen bevat. Hierin zou immers duidelijk moeten zijn wat per variabelen de definitie is, welke per sportclub kan verschillen. Voor toekomstige projecten is het wenselijk om hier uniformiteit in aan te brengen voor aanvang van het project. Dit zal eenvoudiger zijn naarmate ruwe data beschikbaar is, omdat het onwaarschijnlijk is dat de sportclubs hun definities aanpassen. De gebruikte meetinstrumenten en -methodes zijn voor het overgrote deel overeenkomstig uit de wetenschappelijke literatuur en tevens overeenkomstig met de wetenschappelijke standaard. Kanttekening is dat er voor dit rapport geen zicht is op de daadwerkelijke uitvoering van de betreffende metingen.De vraag of de veranderingen in ratio's tussen interne:externe belasting een valide manier is om veranderingen in fysieke fitheid te meten is beantwoord door gebruik te maken van een dataset van 1 voetbalclub (van 3 teams) over 2 seizoenen. Er gekeken of veranderingen in ratio's opgesteld uit diverse maten voor interne belasting (ervaren mate van inspanning en load) en externe belasting (totaal gelopen afstand en totaal gelopen afstand op hoge snelheid) met diverse tijdsintervallen een relatie vertoonden met veranderingen in fysieke fitheid, gemeten met gestandaardiseerde submaximale inspanningstesten. Uit de resultaten bleek dat er geen relatie is gevonden tussen vooraf genoemde variabelen. Er blijken diverse obstakels te zijn waardoor de verandering in ratio’s mogelijk niet correleren met de verandering in interne belasting tijdens fysieke testen. De belastingsmonitor kan dus niet gebruikt worden om fysieke fitheid van sporters inzichtelijk te maken wanneer gekeken wordt naar de opgestelde ratio’s tussen interne en externe belasting. Fysieke testen blijven hiervoor nog steeds noodzakelijk, omdat deze het beste beeld geven van de huidige fysieke fitheid van de sporters. De belastingsmonitor is daarom, voor nu, alleen geschikt voor het afzonderlijk inzichtelijk maken van de diverse variabelen uit de dataset.
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
In de agro-chemie industrie wordt tegenwoordig een grote hoeveelheid data gegenereerd. De inzet van sensoren voor het monitoren van productieprocessen, het sequensen van gewassen en het karakteriseren van bodemmonsters zijn voorbeelden van activiteiten die veel data opleveren. Tegelijkertijd dalen de kosten voor dataopslag en -verwerking sterk. Bedrijven die hier gebruik van weten te maken, hebben goud in handen.
LINK
