Data is tegenwoordig in overvloed en organisaties verzamelen meer dan ooit tevoren, van enquête- en paneldata tot klikgedrag, CRM-gegevens, aankooptransacties, mediabereikcijfers en campagneresultaten. Toch blijft een groot deel ongebruikt. Onderzoekers van de Universiteit van Amsterdam (UvA) en praktijkvoorbeelden uit de life sciences laten hetzelfde terugkerende beeld zien: de uitdaging ligt niet in méér data, maar in het beter benutten van wat al beschikbaar is.
▼
Wetenschap: verborgen lagen in bestaande datasets
Aan de UvA onderzoekt Lise Stork, universitair docent in het Intelligent Data Engineering Lab, hoe complexe wetenschappelijke datasets beter bruikbaar en toegankelijk kunnen worden gemaakt. De kern van dit werk is eenvoudig: in veel datasets zit meer dan op het eerste gezicht zichtbaar is.
Wanneer data opnieuw wordt geordend, gecombineerd met andere bronnen of geanalyseerd met modernere analysetechnieken, komen verbanden naar voren die eerder verborgen bleven. Niet omdat er nieuwe data is verzameld, maar omdat bestaande informatie vanuit een ander perspectief wordt bekeken.
Daarbij wordt duidelijk dat technologie niet alles oplost. Zonder goede datakwaliteit, heldere documentatie en herhaalbare analyses blijft hergebruik lastig. Juist die basis bepaalt of data later opnieuw inzichten kan opleveren.
Life sciences: kritieke informatie blijft liggen
Ook in de praktijk is dit zichtbaar. Organisaties genereren tegenwoordig meer data dan zij realistisch kunnen analyseren of benutten. Een aanzienlijk deel van die informatie blijft verspreid over uiteenlopende systemen, rapportages en databronnen.
Het probleem zit dus niet in een tekort aan data, maar in overvloed en versnippering. Teams werken met verschillende tools, datasets worden niet altijd gekoppeld en context gaat verloren. Een groot deel van de beschikbare informatie blijft daardoor buiten beeld.
Dat heeft gevolgen. Wanneer analyses slechts een deel van de beschikbare data meenemen, ontstaat sneller bias en een beperkt perspectief. Besluiten worden dan genomen op basis van wat zichtbaar is, niet op basis van wat daadwerkelijk beschikbaar is.
De parallel met academisch onderzoek is duidelijk. In beide gevallen draait het om dezelfde uitdaging: hoe zorg je dat bestaande data volledig en zorgvuldig wordt benut, zodat inzichten breder, dieper en betrouwbaarder worden?
Wat kun je doen met data die al op de plank ligt?
Ook buiten de wetenschap en life sciences liggen er bakken met historische data op de plank. Rapportages, dashboards, onderzoeksbestanden en campagnedata worden vaak één keer grondig geanalyseerd en verdwijnen daarna in een archief.
Daar zit juist potentie. Veel organisaties kijken vooral vooruit en starten nieuwe metingen, terwijl eerdere datasets nog niet volledig zijn benut. Door bestaande bronnen opnieuw te koppelen, analyses met verbeterde modellen te herhalen of oude data in een andere context te plaatsen, kan onverwacht veel extra inzicht ontstaan zonder nieuwe meetkosten.
In een tijd waarin AI-analyses steeds sneller en goedkoper worden, ligt de echte uitdaging ergens anders. Niet nóg meer verzamelen, maar beter kijken naar wat er al beschikbaar is.