Data-analyse uitbesteden

Je legt een vraag die je met je eigen data wilt beantwoorden bij een externe partij neer, die de analyse doet en de uitkomst toelicht. Dat kan een eenmalig onderzoek zijn, zoals waarom klanten opzeggen, of een analyse die je team daarna zelf herhaalt.

Het hoort bij de AI-toepassingen die we bouwen. Wil je eerst aanbieders naast elkaar zetten, bekijk dan ons overzicht van data analytics bureaus.

Bij uitbesteden koop je een antwoord op een afgebakende vraag. Bij inhuren koop je capaciteit: iemand die in je team meewerkt en zich naar jullie prioriteiten voegt. Een gedetacheerde specialist van Data Science Lab is bij ons in dienst.

Huur je zelf een freelance analist in, let dan op de Wet DBA. Sinds 1 januari 2025 handhaaft de Belastingdienst weer volledig op schijnzelfstandigheid, en de beoordeling hangt af van hoe er in de praktijk wordt gewerkt.

Alleen wat de vraag nodig heeft: een export uit het ERP, het CRM of een Excel-lijst, of leesrechten op je dataplatform. Toegang tot productiesystemen is zelden nodig. Even belangrijk is iemand die de bron kent en kan uitleggen wat een veld betekent.

Weet niemand meer hoe een kolom is gevuld, dan staat dat in de toelichting als aanname. Zo zie je later waar de uitkomst op rust.

Als wij persoonsgegevens voor je analyseren, zijn wij verwerker. Het Europees Comité voor gegevensbescherming zegt dat een verwerker uitsluitend in opdracht van de verwerkingsverantwoordelijke handelt en dat die relatie in een contract moet zijn vastgelegd. Jij blijft verantwoordelijk, ook voor de naleving door de verwerker.

We vragen alleen de velden die de vraag nodig heeft. Gepseudonimiseerde gegevens blijven volgens de Autoriteit Persoonsgegevens meestal persoonsgegevens. Of je de analyse mag doen, beoordeelt je privacyfunctionaris of jurist.

We beginnen met verkennende data-analyse, in het Engels exploratory data analysis: de data bekijken voordat je conclusies trekt, uitschieters en afwijkingen opsporen en aannames toetsen. Daarna kiezen we wat de vraag nodig heeft, van een vergelijking tussen groepen tot regressie of een model dat afwijkingen opspoort, zoals voor GVB bij de gelogde uren.

We werken in Python en SQL, in notebooks op je eigen platform als dat kan, bijvoorbeeld Databricks of Microsoft Fabric.

Vaak weet je dat niet, en dat zeggen we dan ook. Twee cijfers die samen bewegen, kunnen allebei door een derde factor komen, zoals seizoen, regio of klantgroep. Een bekende valkuil is de paradox van Simpson: een verband in de hele groep kan verdwijnen of omdraaien als je hem opsplitst.

Daarom splitsen we uitkomsten op en noemen we wat we niet konden uitsluiten. Wil je een oorzaak aantonen, dan helpt een proef met een vergelijkingsgroep.

Een toelichting op de uitkomst in gewone taal, met de onderbouwing, de definities die we gebruikten en wat we niet konden vaststellen. De code staat in je eigen repository, zodat je team de analyse met nieuwe data kan herhalen.

Moet de analyse vaker draaien, dan maken we er een vaste pipeline van via data engineering of een rapportage via business intelligence.

Als de vraag nog niet scherp is, of als niemand klaarstaat om iets met de uitkomst te doen. Begin dan met een volwassenheidsscan. Staat je data zo verspreid dat elke analyse begint met handwerk, los dat dan eerst op in het data fundament.

Komt dezelfde vraag steeds terug, dan is een vaste rapportage via business intelligence handiger. Gaat je vraag over wie je klanten zijn en wat ze opleveren, kijk dan bij klantanalyse.