De data-analist speelt vandaag een cruciale rol in veel organisaties. Hij verzamelt, verwerkt, analyseert en interpreteert gegevens om beslissingen te onderbouwen met heldere inzichten. Hiervoor gebruikt hij data uit diverse bronnen zoals databases, Excel-bestanden, CRM-systemen, ERP-software en enquêtes. Naast het opschonen en voorbereiden van die data, is hij dé expert in het blootleggen van trends, patronen en afwijkingen via verschillende tools of programmeertalen als Excel, Power BI, Tableau, Python, R.
Waarom elke data-analist van Python houdt
Onder data-analisten is Python de populairste programmeertaal. En dat is logisch, het is open-source (geen licentiekost), het leest bijna als engels, en er bestaan talloze bibliotheken voor zowat alle functionaliteiten die een data analist zou kunnen nodig hebben. Daardoor is de leercurve voor Python veel minder steil dan voor klassieke programmeertalen. In de meeste gevallen kunnen data analisten hun data verwerken door een aantal functies uit bestaande bibliotheken aan elkaar te kleven en hoeven ze zelden nieuwe functionaliteit te programmeren. Python geeft de data analist ongekende flexibiliteit, en is bijzonder geschikt voor ad-hoc data analyses of data verwerking. Om snel dashboards, grafieken en rapporten op te stellen gebruiken data analisten vaak Python in combinatie met visualisatie tools als PowerBI of Tableau.
De limieten van Python
Vaak leidt het werk van data analisten tot nieuwe inzichten en bijhorende automatisatienoden voor de organisatie. Bij het vervullen van die automatisatienoden botst de data analist echter op de beperkingen van Python. Want hoewel Python ideaal is om data te analyseren of te bewerken, is het veel minder geschikt om gebruiksvriendelijke applicaties te maken voor de collega’s in andere delen van de organisatie. Python is bovendien inherent traag en inefficiënt.
Wanneer een data analist een AI-model heeft getraind met behulp van Python stelt zich een gelijkaardig probleem. Men kan immers niet verwachten dat mensen in andere afdelingen zoals Marketing, Finance of Productie zich bekwamen in Python om met dat model te gaan werken. Python biedt met andere woorden meestal geen oplossing voor procesoptimalisaties die volgen uit de analyses van de data analist.
Gebruiksvriendelijkheid is de sleutel
Daarom doen bedrijven met een data analist meestal beroep op een externe partner om gebruiksvriendelijke tools te ontwikkelen die operationeel bruikbaar zijn door niet-technische profielen. Denk daarbij aan op maat gemaakte applicaties die intuïtief werken, afgestemd zijn op de bedrijfsspecifieke processen, en waarin de benodigde data automatisch worden opgehaald en verwerkt vanuit verschillende bronnen. Alleen dan wordt de optimalisatie effectief gedragen door de organisatie en rendeert de investering in analyse écht.
Een mooi voorbeeld is de planningstool van offshore windmolenparkbeheerder Otary. Daar heeft de data-analist met Python een AI model getraind dat de verwachtte energieproductie per windmolen voorspelt op basis van de weersvoorspellingen. Die informatie laat de planner toe het onderhoudsplan te optimaliseren naar minimaal productieverlies. Het onderhoudsplan is echter ook afhankelijk van vele andere factoren (beschikbaarheid technici en materiaal, vaartijden, enzovoort). Door het model te integreren in een planningstool die alle benodigde data in real time verzamelt en visualiseert, kan de planner op een eenvoudige manier scenario’s simuleren en optimaliseren. Een oplossing die gebruiksvriendelijk is én geschikt voor dagelijks gebruik. Lees hier meer over deze use case: https://coteng.com/nl/usecase/#useCaseOtary
Python als startpunt, niet als eindstation
De data-analisten gebruiken Python voor analyse en concepttesten. Softwareontwikkelaars gebruiken andere programmeertalen om een gebruiksvriendelijke applicatie te maken die écht het verschil maakt op de werkvloer. Zo vormen ze samen een sterk duo.
