7.5 Beslissingswetenschap en datagedreven cultuur

Overzicht en motivatie

Beslissingswetenschap is de praktijk van data verbinden met echte beslissingen, putten uit statistiek, gedragswetenschap en oordeel om mensen te helpen goed te kiezen onder onzekerheid. Een datagedreven cultuur is de organisatorische toestand waarin dit standaard gebeurt: mensen grijpen naar bewijs, redeneren zorgvuldig over oorzaak en gevolg, communiceren onzekerheid eerlijk en passen hun overtuigingen aan wanneer de data dat rechtvaardigt. Dit hoofdstuk is bewust de sluitsteen van de datareeks, omdat alle strategie, engineering, analytics en experimenten die eraan voorafgaan waardeloos zijn als ze beslissingen niet ten goede veranderen.

Voor grote teams is dit waar datainvesteringen het vaakst falen, niet in de pijplijnen maar op de laatste mijl van inzicht naar actie. Ondernemingen geven veel uit aan platformen en dashboards en nemen toch grote beslissingen op hiërarchie, gewoonte of de meest zelfverzekerde presentator. Een gangbaar faalpatroon is datatheater: uitgebreide dashboards en analyses geproduceerd om rigoureus te lijken terwijl de echte beslissing vooraf is genomen en de data selectief is gekozen om haar te rechtvaardigen. De overheid voegt hoge inzet en toetsing toe. Beleidsbeslissingen gerechtvaardigd met zwakke causale beweringen kunnen publiek geld verkeerd toewijzen en burgers schaden, en de vraag naar verantwoording maakt eerlijk redeneren over bewijs een burgerplicht, niet alleen goede praktijk.

De moeilijke problemen hier zijn cognitief en cultureel, niet technisch. Mensen verwarren correlatie met causaliteit, negeren verstorende variabelen (verborgen variabelen die zowel de vermeende oorzaak als het effect drijven), verankeren op het eerste getal dat ze zien en lezen puntschattingen als zekerheden. En in de drang datagedreven te worden kunnen organisaties afglijden naar surveillance: individuen zo indringend meten dat ze vertrouwen vernietigen en gaming uitlokken. Een echte meetcultuur bouwen betekent het redeneren goed krijgen, onzekerheid getrouw communiceren en systemen en uitkomsten meten zonder data een instrument van controle over mensen te maken.

Kernprincipes

Het doel van data is betere beslissingen, niet het produceren van rapporten.
Besluit wat je van mening zou doen veranderen voordat je naar de data kijkt.
Correlatie is geen causaliteit. Ondervraag verstorende variabelen voordat je handelt.
Communiceer onzekerheid eerlijk. Een puntschatting zonder bereik misleidt.
Wees datagedreven in de zin van geïnformeerd, niet data-slaaf. Oordeel en context blijven tellen.
Meet om systemen te leren en te verbeteren, niet om individuen te bewaken en te straffen.
Pas overtuigingen aan wanneer bewijs het rechtvaardigt. Van mening veranderen is een sterkte.
Psychologische veiligheid is een voorwaarde voor eerlijke analyse en tegenspraak.

Aanbevelingen

Verbind data met beslissingen en vermijd datatheater

Koppel analyse vanaf het begin aan een specifieke beslissing: wat gaan we anders doen afhankelijk van wat we vinden? Noem voordat je data verzamelt de beslissing, de opties en welk bewijs elk zou begunstigen, idealiter welk resultaat je van mening zou doen veranderen. Dit beschermt tegen datatheater, waar analyse slechts een al genomen beslissing versiert. Als geen realistische bevinding de keuze zou veranderen, besteed dan niet aan de analyse. Neem de beslissing eerlijk op oordeel en zeg dat. Sta erop dat presentaties beginnen met de beslissing en aanbeveling, niet met een rondleiding langs grafieken.

Redeneer zorgvuldig over causaliteit

De meeste bedrijfs- en beleidsvragen zijn causaal (zal deze actie deze uitkomst produceren), maar de meeste beschikbare data is observationeel en vol verstorende variabelen. Leer teams het verschil tussen correlatie en causaliteit en de valkuilen: verstorende variabelen, selectievooroordeel, omgekeerde causaliteit en schijncorrelatie. Geef de voorkeur aan gerandomiseerde experimenten voor causale beweringen waar haalbaar. Gebruik waar experimenten onmogelijk zijn zorgvuldige causale-inferentietechnieken en noem je aannames expliciet in plaats van van “geassocieerd met” naar “veroorzaakt” te glijden. Wees vooral sceptisch over een meeslepend verhaal gebouwd op één correlatie.

Communiceer onzekerheid aan belanghebbenden

Getallen gepresenteerd als precieze puntschattingen nodigen uit tot valse zekerheid. Communiceer bereiken, betrouwbaarheids- of geloofwaardigheidsintervallen en de sleutelaannames achter elk cijfer. Gebruik gewone taal en eerlijke visuals (foutbalken, bereiken, scenariobanden) zodat beslissers begrijpen wat bekend en onbekend is. Onderscheid wat de data toont, wat je afleidt en wat je aanneemt. Kalibreer zelfvertrouwen op bewijs: presenteer een voorspelling uit schaarse data als precies dat. Eerlijk gecommuniceerde onzekerheid bouwt meer vertrouwen dan valse precisie, omdat ze het contact met de werkelijkheid overleeft.

Bouw een meetcultuur zonder surveillance

Creëer een omgeving waarin teams routinematig successtatistieken definiëren, uitkomsten meten en ervan leren, maar richt meting op systemen, processen en uitkomsten in plaats van op individuen bewaken. Statistieken gebruikt om mensen te bewaken en te rangschikken worden gegamed, kweken angst en vernietigen de eerlijkheid die goede beslissingen vereisen (een dynamiek vastgelegd door de wet van Goodhart: een maat die een doel wordt houdt op een goede maat te zijn). Geef de voorkeur aan geaggregeerde, op uitkomsten gerichte statistieken. Betrek teams bij het kiezen van hun eigen maten en scheid leerstatistieken van prestatiebeoordeling. Bescherm psychologische veiligheid zodat mensen slecht nieuws en tegenspraak vroeg naar voren brengen.

Kweek gezonde datagewoonten en geletterdheid

Vergroot data-geletterdheid breed zodat mensen een grafiek kritisch kunnen lezen, de definitie van een statistiek in twijfel trekken en een misleidende bewering herkennen. Maak het normaal te vragen “hoe weten we dat?” en “wat zou ons van mening doen veranderen?” Beloon mensen voor hun inzichten bijstellen in het licht van bewijs en voor experimenten draaien die informatief falen. Maak het veilig te zeggen “de data vertelt het ons niet” in plaats van zekerheid te fabriceren. Leiders zetten de toon: wanneer zij beslissingen veranderen op basis van bewijs en onzekerheid toegeven, volgt de cultuur.

Bewaak tegen vooroordeel en misbruik

Let op de voorspelbare vooroordelen: bevestigingsvooroordeel bij het selecteren van ondersteunende data, overlevingsvooroordeel bij het negeren van wat ontbreekt, verankering op een eerste getal en achteraf-vooroordeel in nabeschouwingen. Bouw advocaat-van-de-duivelreview, vooraf vastleggen van wat je verwacht te vinden en diverse perspectieven in bij belangrijke analyses. Neem data-ethiek serieus (eerlijkheid, transparantie en schade vermijden), vooral wanneer beslissingen iemands levensonderhoud, uitkeringen of rechten raken.

Afwegingen: voor- en nadelen

Keuze	Voordelen	Nadelen	Past het best bij
Datagedreven (data beslist)	Vermindert vooroordeel, consistent	Negeert context, wordt gegamed, broos	Goed begrepen domeinen
Data-geïnformeerd (data plus oordeel)	Balanceert bewijs en context	Langzamer, vraagt oordeel	Complexe of nieuwe beslissingen
Experimenteren voor causaliteit	Sterk causaal bewijs	Kostbaar, traag, niet altijd haalbaar	Omkeerbare keuzes met hoge inzet
Observationele inferentie	Gebruikt beschikbare data	Risico van verstoring, zwakkere beweringen	Als experimenten onmogelijk zijn
Uitkomst-/systeemstatistieken	Drijft verbetering, weinig gaming	Minder individuele verantwoording	Leerculturen
Individuele surveillance	Gedetailleerd zicht	Gaming, angst, geërodeerd vertrouwen	Zelden gerechtvaardigd

De bepalende spanning is rigueur tegenover snelheid en haalbaarheid. Gerandomiseerde experimenten geven het sterkste causale bewijs, maar kosten tijd en zijn vaak onmogelijk voor eenmalige strategische of beleidskeuzes, waar zorgvuldig oordeel over verstorende variabelen en expliciete aannames moet volstaan. De tweede spanning is tussen meting en vertrouwen: hoe gedetailleerder je individuen meet, hoe meer je kunt zien en hoe minder eerlijk gedrag je krijgt. Een volwassen cultuur neigt naar data-geïnformeerd oordeel en op uitkomsten gerichte, geaggregeerde meting. Ze accepteert iets minder schijnbare precisie in ruil voor beslissingen die standhouden en een personeelsbestand dat de waarheid vertelt.

Vragen om met je team te bespreken

Noem je wat je van mening zou doen veranderen voordat je naar de data kijkt, en staat die vraag in je beslisdocumenten? De sterkste bescherming van het hoofdstuk tegen datatheater is de beslissing, de opties en het bewijs dat elk zou begunstigen te noemen, idealiter het resultaat dat je keuze zou omdraaien, voordat je data verzamelt. Als geen realistische bevinding de beslissing zou veranderen, is de eerlijke zet de analyse over te slaan en het oordeel openlijk te nemen. Voor ondernemingen en instanties waar één strategische of beleidskeuze meer kan verspillen dan een heel analyticsprogramma kost is deze discipline een hefboom met hoge opbrengst. Neem een recente beslissing mee en vraag of enige bevinding haar had kunnen veranderen, of dat de grafieken slechts een al bereikte conclusie versierden. Als “wat zou ons van mening doen veranderen?” geen standaardvraag is in je beslisdocumenten, maak haar dat dan, en sta erop dat presentaties beginnen met de aanbeveling, niet met een rondleiding langs grafieken.
Wanneer een meeslepende correlatie opduikt, hoe ondervraag je verstorende variabelen voordat je handelt, en geef je de voorkeur aan een experiment waar er een haalbaar is? Het hoofdstuk waarschuwt dat de meeste bedrijfs- en beleidsvragen causaal zijn terwijl de meeste beschikbare data observationeel is en vol verstorende variabelen, selectievooroordeel en omgekeerde causaliteit. De eigen voorbeelden herhalen één valkuil: betrokken klanten selecteren zichzelf in een functie of programma, dus de ruwe correlatie met lager verloop of hogere baanvinding verdwijnt onder een gecontroleerde vergelijking. Op die correlatie handelen betekent een kostbare, verkeerd gerichte campagne of beleid. Neem een recente beslissing mee die op één correlatie rustte en vraag welke verborgen variabele beide kanten kon drijven. Geef waar een experiment haalbaar is daaraan de voorkeur. Gebruik waar dat niet kan zorgvuldige causale-inferentiemethoden en noem je aannames expliciet in plaats van van “geassocieerd met” naar “veroorzaakt” te glijden.
Zijn je statistieken gericht op het verbeteren van systemen en uitkomsten, of op individuen bewaken, en heb je leerstatistieken gescheiden van prestatiebeoordeling? Het hoofdstuk trekt een scherpe lijn: meting gericht op mensen wordt gegamed, kweekt angst en vernietigt de eerlijkheid die goede beslissingen vereisen, een dynamiek die de wet van Goodhart voorspelt zodra een maat een doel wordt. Het geeft de voorkeur aan geaggregeerde, op uitkomsten gerichte statistieken, teams betrekken bij het kiezen van hun eigen maten en psychologische veiligheid beschermen zodat mensen slecht nieuws vroeg naar voren brengen. In overheids- en ondernemingsomgevingen eroderen frontlinemedewerkers bewaken het vertrouwen dat accurate data überhaupt mogelijk maakt. Neem de concrete vraag mee: welke van je statistieken kunnen worden gebruikt om individuen te rangschikken of te straffen, en zouden mensen ze onder druk gamen? Als leerstatistieken en prestatiebeoordeling met elkaar verward zijn, scheid ze dan, zodat meting verbetering drijft in plaats van defensief gedrag.
Wanneer een getal een beslisser bereikt, komt het dan aan als bereik met zijn aannames eraan, of als puntschatting die valse zekerheid uitnodigt? Het hoofdstuk betoogt dat eerlijk gecommuniceerde onzekerheid meer vertrouwen bouwt dan valse precisie, omdat ze het contact met de werkelijkheid overleeft, maar de trek naar één zelfverzekerd cijfer is sterk wanneer een leider een schoon antwoord wil. Voor een groot team is de concurrerende druk echt: bereiken en foutbalken kunnen ontwijkend lezen voor bestuurders die daadkracht belonen, dus analisten leren de kanttekeningen weg te halen om gehoord te worden. Neem een recent rapport mee en controleer of het onderscheid maakte tussen wat de data toont, wat je afleidde en wat je aannam, en of een voorspelling gebouwd op schaarse data als precies dat was gelabeld. Een cijfer kan in omgevingen van onderneming en overheid in een bestuurspakket, een begrotingsindiening of publieke getuigenis belanden, en een puntschatting gepresenteerd als zekerheid is dan een verplichting, dus spreek een huisstandaard af dat ingrijpende getallen een bereik dragen, de sleutelaannames en een heldere uitspraak over zekerheid.
Is het hier werkelijk veilig te zeggen “de data vertelt het ons niet”, en wie mag uitdagen hoe een statistiek wordt gedefinieerd? Het hoofdstuk behandelt data-geletterdheid en psychologische veiligheid als voorwaarden: mensen moeten een grafiek kritisch kunnen lezen, vragen “hoe weten we dat?” en onzekerheid kunnen toegeven zonder straf, anders fabriceert de cultuur standaard valse zekerheid. De spanning voor een grote organisatie is dat brede geletterdheid echte opleidingstijd en budget kost, en de favoriete statistiek van een senior persoon in twijfel trekken carrièrebeperkend kan voelen, dus niet-onderzochte getallen reizen onbetwist omhoog. Neem bewijs mee van wie in de kamer werkelijk de definitie en herkomst van een statistiek kan ondervragen, en herinner je de laatste keer dat iemand werd beloond in plaats van gestraft voor zijn inzicht bijstellen of een informatief falen melden. Noem voor organen van onderneming en overheid, waar een slecht gedefinieerde maat financiering of publieke rapportage kan drijven, expliciet wie het recht heeft een statistiek in twijfel te trekken en bescherm hen wanneer ze dat doen.
Hoe bescherm je belangrijke analyses tegen voorspelbaar vooroordeel, en bouw je tegenspraak in vóór een beslissing in plaats van erna? Het hoofdstuk somt de valkuilen op die bewijs stilletjes corrumperen: bevestigingsvooroordeel bij het selecteren van ondersteunende data, overlevingsvooroordeel bij het negeren van wat ontbreekt, verankering op een eerste getal en achteraf-vooroordeel in nabeschouwingen. De concurrerende overweging is snelheid, aangezien advocaat-van-de-duivelreview, vooraf vastleggen van wat je verwacht te vinden en diverse perspectieven allemaal een beslissing vertragen en het eerste zijn dat onder deadlinedruk wordt geschrapt. Neem een recente analyse met hoge inzet mee en vraag wat er zou zijn bovengekomen als iemand was aangewezen om het tegenovergestelde geval te bepleiten, en of het team zijn verwachtingen opschreef voordat het de resultaten zag. Behandel in contexten van onderneming en vooral overheid, waar beslissingen iemands levensonderhoud, uitkeringen of rechten raken, data-ethiek en gestructureerde tegenspraak als vaste eisen aan ingrijpende analyses, niet extra’s die een drukke periode stilletjes kan laten vallen.

Sectorperspectief

Startup. Zonder analisten en met slechts enkele weken runway per weddenschap is je beslissingswetenschap één gewoonte in plaats van een functie: vraag vóór een grote verbintenis welk resultaat je van mening zou doen veranderen en of een goedkoop experiment het sneller kan beantwoorden dan een vergadering. Hoed je ervoor het kwartaal te wedden op één opzichtige correlatie, want een piepklein team kan niet herstellen van een verkeerd gerichte roadmap. Houd het licht, een geschreven regel in het beslisdocument die het signaal noemt dat je zou doen stoppen, geen formele review die je nooit zult draaien.

Kleinbedrijf. Je hebt waarschijnlijk geen dataspecialist en koopt analytics binnen tools die je al gebruikt, dus het risico is een leverancierdashboard vertrouwen zonder te vragen hoe een statistiek is gedefinieerd of of haar vergelijking eerlijk is. Besteed je schaarse aandacht aan het redeneren in plaats van de tooling: scheid correlatie van causaliteit bij de een of twee beslissingen die het bedrijf werkelijk bewegen en noem het eerlijke bereik tegen jezelf voordat je geld vastlegt dat je niet terug kunt krijgen. Houd, wanneer een tool aanbiedt een beslissing te automatiseren, een persoon in de lus waar een foute beslissing je een klant zou kosten.

Grote onderneming. Over veel teams zijn consistentie en governance het probleem: een gedeelde verwachting dat analyses de beslissing en de stopcriteria vooraf noemen, dat causale beweringen hun aannames noemen en dat ingrijpende getallen bereiken meedragen naar bestuurspakketten en audits. Scheid leerstatistieken van prestatiebeoordeling organisatiebreed zodat meting niet verzuurt tot surveillance en gaming. Investeer in brede data-geletterdheid en in reviewpraktijken als advocaat-van-de-duivel en vooraf vastleggen, zodat een zelfverzekerde presentator op schaal bewijs niet kan vervangen.

Overheid. Aanbestedingsregels, transparantie en publieke verantwoording verhogen de inzet van elke causale bewering, omdat beleid gerechtvaardigd met een schijncorrelatie publiek geld verkeerd toewijst en burgers kan schaden. Geef de voorkeur aan rigoureuze vergelijkingsontwerpen voor programma-evaluatie, communiceer effecten als bereiken met genoemde aannames aan toezichtsorganen en documenteer het redeneren zodat een audit het kan volgen. Richt meting op programma-uitkomsten in plaats van op dossierbehandelaars bewaken, en geef het publiek een helder verslag van hoe het bewijs de beslissing vormde.

Voorbeelden

Startup. Een startup vóór Series A merkte dat gebruikers die zich bij het communityforum aansloten veel minder verliepen, en de oprichters waren klaar de hele roadmap op forumfuncties te richten. Voordat ze zich vastlegden vroeg één wat hen van mening zou doen veranderen, en een snelle blik toonde dat al toegewijde klanten gewoon degenen waren die de moeite namen zich bij het forum aan te sluiten. Ze draaiden een klein experiment in plaats van het kwartaal te wedden op een correlatie, en maakten “wat zou ons van mening doen veranderen?” een standaardvraag in hun beslisdocumenten.

Grote onderneming. Een financiëledienstenbedrijf merkte dat klanten die een bepaalde functie gebruikten veel minder verliepen en lanceerde bijna een kostbare campagne om iedereen erop te duwen. Een beslissingswetenschapsreview markeerde de voor de hand liggende verstorende variabele: al betrokken klanten selecteerden zichzelf in de functie. Een gecontroleerd experiment toonde toen dat de functie zelf weinig causaal effect had op verloop. Het bedrijf vermeed een grote verkeerd gerichte investering, en het leiderschap nam “wat zou ons van mening doen veranderen?” over als standaardvraag vóór grote uitgaven.

Overheid. Een publieke instantie die een werkgelegenheidsprogramma evalueerde weerstond succes te claimen uit de ruwe statistiek dat deelnemers in hoog tempo banen vonden, erkennend dat gemotiveerde mensen zichzelf in zulke programma’s selecteren. Ze gebruikte een rigoureus vergelijkingsontwerp en communiceerde het geschatte effect als bereik met genoemde aannames aan toezichtsorganen. Meting richtte zich op programma-uitkomsten in plaats van op dossierbehandelaars bewaken, wat het vertrouwen aan de frontlinie behield terwijl het toch verantwoording en verbetering dreef.

Zakelijke onderbouwing: motivatie, ROI en TCO

Het ROI van beslissingswetenschap is de vermeden kosten van zelfverzekerde foute beslissingen en de verbeterde kwaliteit van de beslissingen die een organisatie duizenden keren neemt. Eén grote strategische of beleidskeuze gerechtvaardigd door een schijncorrelatie kan veel meer verspillen dan de totale kosten van goede beslispraktijken bouwen. Betere kalibratie (weten wat je wel en niet weet) laat je weddenschappen passend dimensioneren en zowel roekeloze verbintenissen als verlamming vermijden. In totaal stapelt een datagedreven cultuur zich op: elk team dat iets betere, beter beredeneerde beslissingen neemt is enorme hefboom.

De adoptiekosten zijn vooral cultureel en educatief: training in data-geletterdheid, tijd voor zorgvuldige analyse en review en bereidheid van leiderschap beslissingen te veranderen en onzekerheid toe te geven. Het is goedkoper in euro’s dan de platformen van eerdere hoofdstukken maar moeilijker te installeren, omdat het machtige mensen vraagt zich door bewijs te laten besturen. Weeg het af tegen de kosten van niet adopteren: datatheater dat analytische inspanning verspilt, beslissingen gedreven door de zelfverzekerdste stem, causale beweringen die instorten bij contact met de werkelijkheid en, waar surveillance wortel schiet, een personeelsbestand dat statistieken gamet en slecht nieuws verbergt. Het verhaal voor het bestuur is eenvoudig. Alle eerdere datainvestering betaalt zich alleen terug als de laatste mijl van inzicht naar beslissing degelijk is, en beslissingswetenschap is die laatste mijl.

Antipatronen en valkuilen

Datatheater: analyse geproduceerd om een al genomen beslissing te rechtvaardigen.
Van “gecorreleerd met” naar “veroorzaakt” glijden zonder verstorende variabelen te ondervragen.
Puntschattingen presenteren als zekerheden en het bereik van onzekerheid verbergen.
Bevestigingsvooroordeel: alleen data zoeken die een voorkeursconclusie ondersteunt.
HiPPO-beslissingen waar de mening van de best betaalde persoon bewijs overrulet.
Statistieken omzetten in individuele surveillance, wat gaming en angst uitlokt.
De wet van Goodhart in actie: een doelstatistiek die ophoudt te meten wat ertoe doet.
Mensen straffen voor informatieve falen, wat eerlijkheid en experimenteren doodt.

Volwassenheidsmodel

Initiëren. Beslissingen draaien op hiërarchie en intuïtie, en de luidste of meest senior stem wint. Correlatie wordt vrij als causaliteit behandeld, onzekerheid wordt genegeerd en de weinige gebruikte statistieken bewaken individuen en worden gegamed.
Ontwikkelen. Sommige teams raadplegen data en tonen bewustzijn van causale valkuilen, maar analyse is vaak selectief, geproduceerd om een al genomen beslissing te rechtvaardigen. Onzekerheid wordt zelden gecommuniceerd en meetpraktijken zijn inconsistent van team tot team.
Standaardiseren. De organisatie documenteert en dwingt gedeelde praktijk af: analyses zijn gekoppeld aan een benoemde beslissing met vooraf gedefinieerde criteria, teams onderscheiden correlatie van causaliteit en geven voor causale beweringen de voorkeur aan experimenten, getallen dragen bereiken en genoemde aannames en meting is op uitkomsten gericht in plaats van op individuen, met psychologische veiligheid beschermd.
Beheersen. Beslissingskwaliteit wordt gemeten en beheerst aan de hand van uitgangswaarden. De organisatie volgt hoe vaak analyses een stopsignaal noemden voordat de data aankwam, het aandeel ingrijpende cijfers dat met een gecommuniceerd bereik werd opgeleverd, hoeveel causale beweringen op experimenten rustten tegenover kale correlatie en of beslissingen op bewijs werden teruggedraaid. Praktijken tegen vooroordeel als vooraf vastleggen en advocaat-van-de-duivelreview worden geaudit, en statistieken die gegamed beginnen te worden worden gevangen en afgeschaft.
Orkestreren. Degelijk redeneren wordt continu verbeterd en over de organisatie geïntegreerd. “Wat zou ons van mening doen veranderen?” is routine vóór elke grote beslissing, causale rigueur en eerlijke onzekerheid zijn culturele normen en leiders passen zichtbaar aan op bewijs en geven toe wat onbekend is. Meting drijft leren zonder surveillance, beslispraktijken passen zich aan naarmate de organisatie en haar risico’s verschuiven, en elk niveau beslist daardoor beter.

Ideeën voor discussie

Waar in je organisatie wordt data gebruikt om al genomen beslissingen te versieren?
Welke recente beslissing rustte op een correlatie die mogelijk niet causaal is?
Hoe eerlijk communiceren je rapporten onzekerheid, en wie verzet zich tegen bereiken?
Zijn je statistieken gericht op het verbeteren van systemen of op individuen bewaken?
Wanneer veranderde een leider voor het laatst zichtbaar een beslissing vanwege de data?
Hoe voorkom je dat de drang naar meting omslaat in surveillance?

Belangrijkste inzichten

Het punt van data is betere beslissingen. Bescherm tegen datatheater.
Noem wat je van mening zou doen veranderen voordat je naar de data kijkt.
Verwar nooit correlatie met causaliteit. Ondervraag verstorende variabelen en geef de voorkeur aan experimenten.
Communiceer onzekerheid eerlijk. Valse precisie vernietigt vertrouwen wanneer ze faalt.
Wees data-geïnformeerd, niet data-slaaf. Oordeel en context blijven tellen.
Meet systemen en uitkomsten om te leren, niet individuen om te bewaken.
Bescherm psychologische veiligheid zodat mensen overtuigingen bijstellen en slecht nieuws naar voren brengen.

Referenties en verder lezen

Daniel Kahneman, “Thinking, Fast and Slow.”
Judea Pearl and Dana Mackenzie, “The Book of Why.”
Douglas W. Hubbard, “How to Measure Anything.”
Nate Silver, “The Signal and the Noise.”
Cathy O’Neil, “Weapons of Maths Destruction.”
Darrell Huff, “How to Lie with Statistics.”
Philip Tetlock and Dan Gardner, “Superforecasting.”
Charles Wheelan, “Naked Statistics.”