In het Scripts-venster van RStudio kun je code typen en bewerken. Wanneer je op Ctrl+Enter (of Command+Enter op de Mac) drukt, wordt de code uitgevoerd in het Console-venster. Ook kun je specifieke regels code in het Scripts-venster selecteren en via het menu Code ➪ Run Selected Line(s) uitvoeren. Dit biedt een eenvoudige manier om fragmenten van je code te testen zonder het hele script te draaien.

Werken met R en het Workspace

Voordat je begint, is het raadzaam om je sessie op te slaan door naar Bestanden ➪ Opslaan Als te gaan in het menu van RStudio en de sessie op te slaan als "My First R Session". Dit zorgt ervoor dat de naam van het bestand en de extensie .R zichtbaar worden in het tabblad Scripts, en ook in het tabblad Bestanden. Wanneer je een bestand opslaat, wordt de zogeheten 'workspace' opgeslagen. De workspace is de omgeving waarin je werkt en wordt bewaard in de werkmap van je systeem. Standaard is dit in Windows C:\Users\Documents. Als je ooit de locatie van je werkmap vergeet, kun je eenvoudig het commando getwd() in de Console typen om de padnaam op te vragen.

In R is de werkmap een belangrijk concept. De werkmap is de locatie waar alle gegevens en variabelen van je huidige sessie worden opgeslagen. Als je bijvoorbeeld de opdracht getwd() uitvoert, zie je het pad naar je werkmap. R gebruikt standaard een andere slashrichting dan Windows om bestandspaden aan te geven, namelijk de schuine streep (/) in plaats van de omgekeerde schuine streep (). Dit heeft te maken met de manier waarop R speciale tekens behandelt, zoals bijvoorbeeld de escape-sequentie voor een tab ( \t ).

Beginnen met R-code

Eenmaal bekend met je werkmap, kun je beginnen met het schrijven van R-code. Typ bijvoorbeeld de volgende regel in het Scripts-venster:
x <- c(5,10,15,20,25,30,35,40)
Wanneer je deze regel uitvoert, krijg je in de Console het volgende resultaat te zien:
> x <- c(5,10,15,20,25,30,35,40)
Wat R hier doet, is het toewijzen van een vector van getallen aan de variabele x. In de taal van R wordt een reeks getallen zoals deze een vector genoemd. De functie c() creëert deze vector. De waarde van x kan later worden opgevraagd door simpelweg x te typen in de Scripts- of Console-venster. Bij uitvoering krijg je het resultaat:
> x [1] 5 10 15 20 25 30 35 40
Het getal tussen de vierkante haakjes, in dit geval [1], is de index van de eerste waarde in de vector. Dit helpt bij het begrijpen van de volgorde van de waarden als R een lange lijst van getallen teruggeeft.

De vector x verschijnt ook in het tabblad Omgeving van RStudio. Hier kun je de objecten zien die je hebt gecreëerd, zoals de vector x. Door ls() in te typen in de Scripts of Console, kun je een lijst zien van alle objecten in de huidige omgeving.

Basisbewerkingen met R

Nu je een vector hebt gecreëerd, kun je er berekeningen mee uitvoeren. Typ bijvoorbeeld sum(x) in het Scripts-venster om de som van de elementen in de vector te berekenen. Het resultaat dat je ontvangt in de Console is:
> sum(x) [1] 180
Het gemiddelde van de getallen in de vector kun je berekenen met de functie mean(x), wat in dit geval 22.5 oplevert:
> mean(x) [1] 22.5

Evenzo kan de variantie van de getallen in de vector worden berekend met de functie var(x):
> var(x) [1] 150

De geschiedenis en sessies afsluiten

R biedt de mogelijkheid om je werk bij te houden in de Geschiedenis-tab. Hier zie je de commando's die je hebt uitgevoerd tijdens de sessie. Het afsluiten van een R-sessie kan eenvoudig door naar Bestanden ➪ Sessie Afsluiten te gaan of door Ctrl+Q te drukken. R vraagt dan of je je werk wilt opslaan. Het is belangrijk te weten dat R de inhoud van de Console niet opslaat bij het afsluiten van een sessie, maar wel de objecten en variabelen die je hebt gecreëerd, afhankelijk van je keuze.

Werken met R-functies

R beschikt over ingebouwde functies zoals c(), sum() en var(), die je kunt gebruiken om eenvoudige bewerkingen uit te voeren. Elke functie wordt aangeroepen door de naam van de functie gevolgd door haakjes. In de haakjes staan de argumenten waarop de functie werkt. Een functie kan één of meerdere argumenten hebben. Bijvoorbeeld, de functie seq() wordt gebruikt om een reeks getallen te genereren:
y <- seq(5,40,5)
Dit creëert een vector van getallen van 5 tot 40, met een stapgrootte van 5:
[1] 5 10 15 20 25 30 35 40

Je kunt de argumenten van een functie op twee manieren invoeren. Als je de argumenten in de juiste volgorde zet, gebruikt R de zogenaamde "positional mapping". Het is echter ook mogelijk om de argumenten in een willekeurige volgorde in te voeren, zolang je de naam van het argument specificeert, wat R "keyword matching" noemt:
z <- seq(to=40,by=5,from=5)

Dit maakt het gemakkelijker om met functies met meerdere argumenten te werken, vooral als je de volgorde van de argumenten niet kunt onthouden.

Wat nog meer te begrijpen?

Het is essentieel te begrijpen dat R een rijke omgeving biedt voor data-analyse, maar de kracht ervan komt pas echt naar voren als je vertrouwd raakt met het gebruik van verschillende objecten en functies. Het juiste begrip van de werkmap en hoe je objecten in R beheert, is cruciaal voor het effectief gebruiken van R voor meer geavanceerde analyses. Terwijl je verder werkt, zul je ontdekken dat R je in staat stelt om snel en efficiënt met grote hoeveelheden data te werken, variabelen en objecten te manipuleren, en complexe berekeningen uit te voeren.

Hoe Kunstmatige Intelligentie en Data-analyse de Toekomst Vormgeven: De Rol van AI in de Databeheer en Visualisatie

Kunstmatige intelligentie (AI) speelt een steeds grotere rol in de wereld van data-analyse, vooral als het gaat om de integratie en visualisatie van grote hoeveelheden gegevens. De combinatie van AI en big data biedt nieuwe inzichten en maakt de besluitvorming efficiënter. Bedrijven kunnen profiteren van AI om patronen in gegevens te herkennen die voorheen onopgemerkt bleven. Dit gebeurt niet alleen in de vorm van analytische modellen, maar ook door de implementatie van geavanceerde AI-technieken zoals machine learning en diepgaande neurale netwerken.

In Tableau, bijvoorbeeld, worden AI-tools steeds meer geïntegreerd in de interface, waarbij gebruikers van de software kunnen profiteren van de nieuwe Q&A-functie die werkt op basis van AI. Deze functie maakt het mogelijk om natuurlijke taal in te voeren en direct antwoord te krijgen op complexe datavragen. Dit soort hulpmiddelen maken de software toegankelijker voor gebruikers die geen diepgaande technische kennis van gegevensanalyse hebben, maar toch gedetailleerde inzichten willen verkrijgen. Het resultaat is een versnelde besluitvorming, gebaseerd op data, wat organisaties helpt sneller en efficiënter te reageren op veranderende marktomstandigheden.

Daarnaast zijn er tal van toepassingen die data-analyse ondersteunen via AI, zoals het gebruik van geautomatiseerde voorspellende modellen. Met behulp van historische gegevens kunnen bedrijven trends voorspellen en daarop anticiperen. Een voorbeeld hiervan is de ARIMA (AutoRegressive Integrated Moving Average) techniek, die in staat is om tijdreeksen te analyseren en toekomstige waarden te voorspellen op basis van eerdere gegevens. Dit wordt steeds relevanter in sectoren zoals financiën en gezondheidszorg, waar het vermogen om toekomstige gebeurtenissen te voorspellen van cruciaal belang is.

De rol van AI in de visualisatie van gegevens is echter niet beperkt tot voorspellingen. Het helpt ook bij het verbeteren van de kwaliteit van grafieken en diagrammen door automatisch de meest relevante visualisatievorm te selecteren op basis van de aard van de gegevens. In veel gevallen zorgt AI ervoor dat de gegevens op de juiste manier worden gepresenteerd, wat leidt tot snellere inzichten en betere besluitvorming. Dit kan bijvoorbeeld gaan om het automatisch detecteren van trends en patronen in de gegevens en het voorstellen van visualisaties zoals lijn-, staaf- of spreidingsdiagrammen, afhankelijk van de aard van de gegevensset.

Daarnaast worden AI-algoritmes ook ingezet om anomalieën in de gegevens te detecteren. Het automatisch herkennen van ongebruikelijke patronen is essentieel voor het voorkomen van fraude of voor het ontdekken van problemen die anders wellicht onopgemerkt zouden blijven. Dit type monitoring helpt niet alleen bij het verbeteren van de datakwaliteit, maar kan ook bijdragen aan het nemen van preventieve maatregelen voordat een probleem zich volledig ontwikkelt.

Wat betreft de implementatie van AI in big data-omgevingen zijn cloudplatforms zoals Amazon Web Services (AWS) en Microsoft Azure niet meer weg te denken. Deze platforms bieden schaalbare oplossingen voor data-opslag en -verwerking, wat essentieel is voor het verwerken van enorme hoeveelheden gegevens. Door AI-mogelijkheden te integreren in hun infrastructuur, stellen deze platforms organisaties in staat om sneller waarde uit hun gegevens te halen. Dit is een belangrijke stap richting het volledig benutten van de potentie van big data en AI in de bedrijfsvoering.

Naast de technische aspecten zijn er ook belangrijke overwegingen met betrekking tot de ethiek en het gebruik van AI in de gegevensanalyse. Er is een groeiende bezorgdheid over de privacy en de transparantie van de algoritmen die gebruikt worden om beslissingen te nemen. Het is van cruciaal belang dat organisaties duidelijke richtlijnen volgen over hoe ze AI gebruiken en ervoor zorgen dat de data die wordt verzameld op een ethische en verantwoorde manier wordt behandeld. In veel gevallen wordt het gebruik van AI in de besluitvorming gepaard met de noodzaak van menselijke supervisie om ervoor te zorgen dat de resultaten eerlijk en gerechtvaardigd zijn.

Naast de toepassingen in data-analyse en -visualisatie is het ook belangrijk om de bredere impact van AI op de industrie en de samenleving in overweging te nemen. De verschuiving naar data-gedreven besluitvorming heeft grote implicaties voor de werkplek, waarbij nieuwe vaardigheden vereist zijn om te werken met geavanceerde analysetools. Organisaties zullen moeten investeren in training en ontwikkeling van personeel om hen voor te bereiden op deze nieuwe technologieën.

In de toekomst zal de integratie van AI en data-analyse naar verwachting nog verder toenemen, waarbij de technologie niet alleen wordt gebruikt voor het analyseren van gegevens, maar ook voor het creëren van nieuwe zakelijke kansen. AI kan bedrijven helpen om hun processen te optimaliseren, de klanttevredenheid te verbeteren en nieuwe markten te verkennen.

Het is van essentieel belang om te begrijpen dat AI niet zonder risico’s is. De implementatie van AI in data-analyse vereist voortdurende evaluatie en optimalisatie van de algoritmen en de resultaten. Het begrijpen van de beperkingen van AI, het handhaven van ethische normen en het waarborgen van databeveiliging zijn de belangrijkste pijlers voor een succesvolle toepassing van AI in het gegevensbeheer. AI mag nooit de menselijke controle volledig vervangen, maar moet een hulpmiddel zijn om de besluitvorming te ondersteunen en te verbeteren.

Wat zijn de belangrijkste concepten bij het ontwerpen van een relationele database?

Bij het ontwerpen van een relationele database draait alles om het goed structureren van gegevens, zodat deze snel en efficiënt verwerkt kunnen worden. De primaire sleutel van een tabel is een kolom met waarden die elke rij in de tabel uniek identificeert. Een goed voorbeeld hiervan zijn ISBN-nummers voor een boekenlijst of medewerkers-ID's voor een medewerkerslijst. Een vreemde sleutel, daarentegen, is een kolom in de ene tabel die overeenkomt met de primaire sleutel van een andere tabel en wordt gebruikt om tabellen met elkaar te verbinden. Dit concept is van essentieel belang voor het behouden van de integriteit van de gegevens.

In relationele databases worden de volgende termen vaak gebruikt: kolommen, die ook wel velden, sleutels of attributen worden genoemd; rijen, die ook records worden genoemd; en cellen, die waarden bevatten. Deze terminologie helpt bij het begrijpen van de structuur van een database en het efficiënt beheren van de data.

De voordelen van relationele databasebeheersystemen (RDBMS) zijn talrijk: ze zijn snel, hebben een grote opslagcapaciteit in vergelijking met spreadsheetapplicaties zoals Excel, en zijn ideale hulpmiddelen voor het onderhouden van de gegevensintegriteit. De gegevensintegriteit verwijst naar de consistentie en nauwkeurigheid van de gegevens in een database. Als je snel en accuraat wijzigingen of updates wilt aanbrengen in datasets, kun je SQL gebruiken in combinatie met een RDBMS.

Stel je voor dat je een tabel hebt die films beschrijft en beoordelingen van kijkers bevat. In een eenvoudige spreadsheet zou je de gegevens handmatig moeten doorzoeken en aanpassen als je bijvoorbeeld ontdekt dat de film All About Adam eigenlijk een komedie is in plaats van een drama. Zelfs als je maar twee records van deze film hebt, kan het gemakkelijk gebeuren dat je één record vergeet bij te werken, wat resulteert in inconsistente gegevens. Dit kan leiden tot verlies van gegevensintegriteit en later onvoorspelbare problemen veroorzaken.

In tegenstelling tot dit scenario biedt een relationele database een elegante oplossing. In plaats van één tabel zou je drie tabellen hebben: een voor de films, een voor de genres en een voor de beoordelingen. De primaire sleutel van de Film- en Genre-tabellen zou id zijn, terwijl de primaire sleutel van de Rating-tabel de timestamp is, omdat een film meerdere beoordelingen kan hebben. Door het gebruik van deze sleutels kun je eenvoudig de genre-informatie voor All About Adam bijwerken zonder het risico van vergissingen.

Een belangrijk aspect van het effectief ontwerpen van een database is het investeren van tijd in het plannen van de structuur. Een goed ontworpen database zorgt ervoor dat deze snel presteert en foutloze resultaten oplevert, zelfs als de database miljoenen records bevat. Slecht geplande databases kunnen zich ontwikkelen tot trage en foutgevoelige systemen die moeilijk te onderhouden zijn.

Wanneer je een database ontwerpt, moet je zorgvuldig nadenken over de tabellen en kolommen die je wilt opnemen, de soorten gegevens die ze zullen bevatten en de relaties tussen de tabellen. Het is belangrijk om drie concepten in gedachten te houden bij het ontwerpen van een database: gegevenstypen, beperkingen (constraints) en normalisatie.

Gegevenstypen

Bij het maken van een datatabel is het essentieel om de gegevenstypen van elke kolom te definiëren. Er zijn verschillende gegevenstype-opties, afhankelijk van de aard van de gegevens:

  • Tekst: Kolommen die tekst bevatten, kunnen worden geclassificeerd als een karaktergegevenstype met een vaste lengte of als een tekstgegevenstype van onbepaalde lengte.

  • Numeriek: Kolommen die numerieke waarden bevatten, kunnen worden geclassificeerd als numerieke gegevenstypen, zoals gehele getallen of floats.

  • Datum: Kolommen die datum- of tijdgerelateerde waarden bevatten, kunnen worden aangeduid als datum- of datumtijdgegevenstypen.

Hoewel tekstgegevenstypen handig zijn voor het opslaan van tekst, kunnen ze problematisch zijn voor zoekopdrachten. Bij het uitvoeren van een zoekopdracht op een tekstveld, zal de computer de gegevens één voor één opzoeken in plaats van de gegevens in het geheugen te verwerken, wat de snelheid van de database kan verminderen.

Beperkingen (Constraints)

In de context van SQL kunnen beperkingen worden gezien als regels die bepalen welk type gegevens in een tabel kan worden ingevoerd. Dit is cruciaal voor het waarborgen van de integriteit van de database. Bij het toevoegen van beperkingen moet je beslissen of een kolom NULL-waarden mag bevatten. Een NULL-waarde verschilt van een lege waarde of nul, aangezien deze de totale afwezigheid van gegevens in een cel aangeeft.

Bijvoorbeeld, als je een tabel hebt voor de producten die je verkoopt, wil je waarschijnlijk geen NULL-waarde in de kolom voor de prijs. In de kolom voor productomschrijvingen kunnen sommige producten echter lange beschrijvingen hebben, waardoor je misschien NULL-waarden toestaat.

Beperkingen kunnen ook worden gebruikt om te definiëren welk type invoer een kolom accepteert. Stel je bijvoorbeeld voor dat je een tekstveld hebt voor een medewerker-ID, dat precies twee letters gevolgd door zeven cijfers moet bevatten, zoals SD0154919. Door een beperking in te stellen, kun je ervoor zorgen dat de database geen typfouten accepteert.

Normalisatie

Normalisatie is een belangrijk proces bij het ontwerpen van een database. Het gaat om het structureren van de database zodat alle wijzigingen, toevoegingen of verwijderingen van gegevens op slechts één plaats moeten worden doorgevoerd, wat anomalieën en inconsistente gegevens voorkomt. Er zijn verschillende niveaus van normalisatie, maar een goed genormaliseerde database moet de volgende eigenschappen bevatten:

  • Primaire sleutels: Elke tabel heeft een primaire sleutel die een unieke waarde heeft voor elke rij in de tabel.

  • Niet-duplicatie van kolommen: Geen enkele tabel mag dezelfde kolom bevatten, tenzij het de primaire sleutel van de ene en de vreemde sleutel van de andere tabel is.

  • Geen meervoudige afhankelijkheden: De waarde van elke kolom mag alleen afhankelijk zijn van één andere kolom, waarvan de waarde op zijn beurt niet afhankelijk is van een andere kolom.

Gegevens die kunnen worden berekend, zoals het totaalbedrag van een factuur, moeten niet direct in de database worden opgeslagen, maar moeten bij elke zoekopdracht dynamisch worden berekend. Dit voorkomt redundanties en vergroot de efficiëntie van de database.

Hoe kan Power BI de datavisualisatie en samenwerking verbeteren?

Power BI biedt gebruikers tal van mogelijkheden voor het visualiseren en analyseren van gegevens, met als doel om complexe datastromen begrijpelijker en interactiever te maken. Het gebruik van de Power Map-functionaliteit stelt gebruikers in staat om de dimensies van hun gegevens te verrijken. Dit kan door bijvoorbeeld de hoogte en breedte van een kolom te meten of de kleur van een element te baseren op statistische referenties. Wanneer geospatiale informatie aan de visualisaties wordt toegevoegd via de Microsoft Bing-technologie, kunnen gegevens gepresenteerd worden met behulp van geografische coördinaten, van het detailniveau van een specifiek adres tot dat van een heel land.

Een ander krachtig hulpmiddel in Power BI is Power Q&A, waarmee gebruikers via natuurlijke taal vragen kunnen stellen over hun data. Dit maakt het mogelijk om snel antwoorden te krijgen zonder diepgaande technische kennis van de onderliggende data. Bijvoorbeeld, wanneer je wilt weten hoeveel gebruikers een specifiek product in een winkel hebben gekocht, kan Power Q&A dit eenvoudig voor je berekenen, ongeacht hoe groot de dataset is. Als je verder wilt graven, kun je vragen naar specifieke variabelen zoals de kleur of maat van het product, of zelfs welke dag van de week het meeste verkocht werd. Het potentieel is praktisch onbeperkt, mits je data goed is gestructureerd en het model deze vragen ondersteunt.

Met Power BI Desktop kunnen gebruikers hun volledige business intelligence-activiteiten samenbrengen onder één dak. Het biedt een complete oplossing voor data-analyse, vanaf het importeren van gegevens tot het creëren van visuele rapporten. Het voordeel van Power BI Desktop ligt in de integratie van Power Query, Power Pivot, Power View en Power Q&A. Dankzij maandelijkse updates van Microsoft blijft de applicatie continu evolueren, wat het een van de meest dynamische tools in de wereld van data-analyse maakt.

Naast Power BI Desktop, is er Power BI Services, dat ook wel bekendstaat als Power BI Online. Dit platform maakt het mogelijk om dashboards, rapporten en datasets te delen en samen te werken met andere gebruikers. Afhankelijk van het type licentie dat je hebt, kun je de data delen en bewerken. De "Power BI Pro" en "Premium" licenties stellen gebruikers in staat om samen te werken binnen teams, terwijl een gratis licentie je beperkt tot het werken binnen je eigen persoonlijke werkruimte. In de omgeving van Power BI Services wordt alles georganiseerd in werkruimtes, die fungeren als containers voor dashboards, rapporten, werkboeken, datasets en dataflows.

Het concept van werkruimtes is cruciaal voor effectief teamwork in Power BI. Of je nu werkt aan je eigen persoonlijke dashboard of samenwerkt aan een project, werkruimtes bieden de structuur en middelen om het databeheer soepel te laten verlopen. Binnen een werkruimte kunnen gegevens worden bewerkt, geanalyseerd en gedeeld. Power BI maakt hierbij gebruik van geavanceerde technologieën zoals de Azure Data Lake, die helpt bij het snel verwerken en opschonen van grote hoeveelheden data, waardoor analyses efficiënt kunnen worden uitgevoerd, zelfs bij enorme datasets.

In Power BI zijn er ook termen zoals "capaciteit", die fundamenteel zijn voor de werking van het platform. Capaciteit verwijst naar de totale middelen die nodig zijn om een Power BI-project te draaien, inclusief opslag, verwerkingskracht en geheugen. Er zijn twee soorten capaciteiten: gedeelde capaciteiten en dedicated capaciteiten. Gedeelde capaciteiten worden gedeeld met andere gebruikers, terwijl dedicated capaciteiten uitsluitend voor één gebruiker zijn, wat vooral relevant is voor gebruikers met de "Power BI Premium"-licentie.

Een ander belangrijk concept is de "dataflow". Dit is een verzameling van tabellen die worden ingevoerd in Power BI en beheerd binnen een werkruimte. Dataflows helpen bij het transformeren van ruwe gegevens naar bruikbare inzichten en kunnen automatisch worden vernieuwd op een vooraf ingesteld schema. In dit proces speelt de Azure Data Lake een sleutelrol in het snel verwerken en opschonen van gegevens, wat essentieel is bij het werken met grote hoeveelheden data.

Naast dataflows zijn er ook datasets, die kunnen worden beschouwd als de specifieke gegevensverzamelingen die nodig zijn voor het genereren van rapporten of analyses. Deze datasets kunnen zowel losstaand als gekoppeld aan dataflows zijn en worden vaak opgeslagen in een Azure Data Lake. Het gebruik van datasets maakt het mogelijk om gegevens met verschillende granulariteit te analyseren, afhankelijk van de schaal en snelheid van de data.

Het is belangrijk te begrijpen dat Power BI niet alleen een tool is voor het visualiseren van gegevens, maar een krachtig ecosysteem voor het beheren van de gehele levenscyclus van data-analyse. Van de import van gegevens tot de uitvoering van complexe analyses, Power BI biedt een uitgebreide set van tools en mogelijkheden die het voor zowel kleine als grote organisaties mogelijk maken om datagestuurde beslissingen te nemen. Het platform maakt data toegankelijker, door gebruikers in staat te stellen deze te visualiseren, te analyseren en te delen op manieren die eenvoudig zijn, maar toch geavanceerd genoeg voor de meest complexe dataproblemen.

Wat is de waarde van verschillende datavisualisaties in Power BI voor bedrijven?

In de wereld van gegevensanalyse is visualisatie van cruciaal belang om inzichten uit gegevens effectief te communiceren. Power BI biedt verschillende visualisatieopties die bedrijven helpen om gegevens te begrijpen, te analyseren en strategische beslissingen te nemen. Door middel van grafieken, kaarten en indicatoren kunnen gebruikers gegevens visualiseren op manieren die de impact en trends van specifieke variabelen duidelijk maken.

Een van de basisvisualisaties in Power BI is de taartdiagram, die in veel gevallen wordt gebruikt om procentuele verdelingen weer te geven. In figuur 6-23 wordt een voorbeeld van een taartdiagram getoond, waarbij de verschillende biedstatussen worden weergegeven. Dit type visualisatie is bijzonder nuttig om snel een overzicht te krijgen van de verhoudingen tussen verschillende onderdelen van een geheel. In een vergelijkbare categorie bevindt zich het donutdiagram (figuur 6-24), dat visueel dezelfde informatie weergeeft, maar met een 'gat' in het midden, waardoor de focus op de gegevens wordt versterkt.

Voor een meer gedetailleerd en hiërarchisch overzicht is de treemap een uitstekende keuze. In figuur 6-25 wordt een voorbeeld van een treemap weergegeven waarin de COVID-19-uitgaven door de Amerikaanse overheid voor IT-projecten per staat worden getoond. Hoe groter het rechthoekige blok, hoe meer bedrijven in die staat hebben geprofiteerd van de toegewezen middelen. Dit type visualisatie maakt het mogelijk om snel te zien waar de meeste activiteit plaatsvond, wat essentieel is voor het identificeren van trends en het nemen van datagestuurde beslissingen.

Naast grafieken en treemaps biedt Power BI ook de mogelijkheid om geospatiale gegevens te visualiseren met kaarten. Figuur 6-26 toont een kaart die de verdeling van COVID-19 gerelateerde uitgaven per staat in de VS weergeeft. Het gebruik van kaarten in Power BI maakt het mogelijk om geografische verdelingen te analyseren en te begrijpen hoe middelen over verschillende regio’s zijn verspreid. Voor een nog gedetailleerder overzicht kan de "Filled Map"-visualisatie (figuur 6-27) worden gebruikt, die de gegevens per staat visualiseert op basis van de waarde van de uitgaven, met een toegevoegde filter voor specifieke bedragen.

Om de effectiviteit van bedrijfsdoelen te meten, maakt Power BI gebruik van indicatoren zoals KPI’s (Key Performance Indicators). Een KPI-visualisatie vergelijkt bijvoorbeeld de werkelijke prestaties met een vooraf bepaalde doelstelling. Figuur 6-31 toont een KPI-voorbeeld waarin de gemiddelde beloning van individuen die contracten met de federale overheid hebben gewonnen, wordt vergeleken met een vooraf ingesteld doel. Het gebruik van KPI’s in Power BI maakt het eenvoudig om te zien of een bedrijf op koers ligt om zijn doelen te behalen, wat van vitaal belang is voor besluitvorming.

Naast de standaard KPI-visualisaties kunnen bedrijven ook gebruik maken van kaarten en multi-cards om meerdere gegevenspunten in één weergave te combineren. In figuur 6-30 worden meerdere indicatoren weergegeven, zoals de totale verplichtingen per staat en het totale bedrag van de toezeggingen. Dit type visualisatie is nuttig voor organisaties die meerdere variabelen tegelijk willen volgen, zoals uitgaven per regio en sector.

Hoewel de visualisaties die Power BI biedt krachtig zijn, moeten ze altijd in de juiste context worden gebruikt. Het is belangrijk om te begrijpen dat de keuze van de visualisatie afhankelijk is van de aard van de gegevens en het doel van de analyse. Een goed gekozen visualisatie kan niet alleen het verhaal achter de cijfers duidelijk maken, maar ook belangrijke inzichten bieden die anders moeilijk te achterhalen zouden zijn.

Voor bedrijven die werken met grote hoeveelheden gegevens, kan het gebruik van geavanceerde visualisatietechnieken zoals die in Power BI een enorme meerwaarde bieden. Echter, het is belangrijk om te onthouden dat visualisatie alleen effectief is als de juiste gegevens worden geselecteerd en gepresenteerd op een manier die de kern van de informatie benadrukt.

Hoe Verbeteren We Clustering Resultaten door Contrasterende Leerprincipes en Multiview Netwerken?
Waarom spreekt Donald Trump zo succesvol tot een deel van het electoraat?
Hoe draagt nanotechnologie bij aan ultrasensitieve detectie en sanering van waterverontreiniging?
Hoe verklaart populisme de uitkomst van de presidentsverkiezingen van 2016 in Iowa?
Wat zijn de belangrijkste aspecten van het Sturge-Weber-syndroom en hoe moet het beheerd worden?
Hoe Communicatie de Grens Tussen Respect en Misverstanden Overschrijdt