Alles over Splunk, verkeerde aannames over A/B-testen en 7 data visualisatie tips

Nieuws van webanalisten (deel: 145)

Analytics expert Arend Zwaneveld vertelt alles over Splunk, zijn eigen ervaringen er mee en hoe je zelf aan de slag kunt. We bespreken 7 verkeerde aannames in A/B-test tegenargumenten, zodat je A/B-testen goed op waarde kunt schatten, en we delen 7 data visualisatie tips voor beginners.

Splunk: de toekomst van data-analyse en web-analytics

Splunk is een tool ontwikkeld in 2004, van oorsprong bedoeld om IT back-office professionals machine-gegenereerde data te laten analyseren: voornamelijk weblogfiles en sensors. De basisgedachte: gebruik een soort Google zoekbalk (een interface die iedereen kent) om grote hoeveelheden data te doorzoeken.

In 2010 begint Big Data echt op te komen en Splunk realiseert zich op tijd dat hun tool – tot dan toe voornamelijk gebruikt door IT’ers voor het bestuderen van logfiles om de achtergrond van technische storingen te vinden – met een uitbreiding van functionaliteiten en wat marketinginspanningen uitstekend te gebruiken (en promoten) is als een Big Data tool.

In dit drieluik

Splunk: de toekomst van data-analyse en web-analytics

• Splunk's basisgedachte: Google voor data-sets
• Noodzaak voor Splunk: Big Data analyses zijn silo-overstijgende analyses
• Waarom is Splunk is een échte Big Data tool?

Wat heb ik zelf al gedaan met Splunk?

• Tweet visualisatie: aantal tweets per sentiment per week
• Trendplot (timechart) van CSV’s
• Wat ik nog meer heb gedaan met Splunk

Zelf aan de slag met Splunk

• Getting started with Splunk: aan de slag!
• Meer weten over (het gebruik van) Splunk?
• Nuttige links
• Boekentips

7 verkeerde aannames in A/B-test tegenargumenten

A/B-testen is geen wondermiddel, maar het is wel fantastisch in wat het hoort te doen. Sommige mensen hebben valide kritiek over verschillende onderdelen van A/B-testen, maar het risico is dat sommige van de slechtere omschrijvingen van de limieten, mensen motiveren om het kind met het badwater weg te gooien. Daarom: 7 verkeerde aannames in A/B-test tegenargumenten.

1. A/B-testen is een slecht alternatief voor product visie: aandacht besteden aan de resultaten van je beslissingen betekent niet dat je de strategie op autopiloot moet zetten.
2. A/B-testen zorgt voor een steriele, saaie gebruikerservaring: A/B-testen staat juist effectief design voor, en het raken van het hart van mensen is een van de beste manieren om effectief te zijn.
3. A/B-testen is alleen voor triviale dingen als achtergrondkleur en knoptekst: het is incorrect om A/B-testen neer te zetten als iets dat alleen toepasbaar is op individuele elementen.
4. A/B-testen betekent dat je een tamme, passieloze set features krijgt: A/B-testen biedt een framework voor experimenten, waar gewaagde en gedurfde alternatieven de mogelijkheid krijgen om hun waarde te bewijzen.
5. A/B-testen kan je vertellen wat, maar niet waarom: de aanname is correct, maar A/B-testen is ook niet bedoeld als tool hier voor. A/B-testen doet wel waar het wél voor ontworpen is.
6. A/B-testen betekent dat je moet stoppen met innoveren: je hoeft niet te stoppen met herhalen om innoverend te zijn. Kwalitatief onderzoek is waar een goede designer hun ‘B’ concept op baseert!
7. A/B-testen brengt je in verlegenheid als het de verwachtingen niet waar maakt: Iedereen is mens. Maar denk aan het alternatief: als iets niet goed presteert, hoe onverantwoordelijk is het dan om hier niet achter te komen alleen maar omdat je ego in de weg staat?

Lees meer over de 7 verkeerde aannames in A/B-test tegenargumenten op Webanalisten.nl

7 data visualisatie tips voor beginners

Organisaties kunnen veel voordeel halen uit het analyseren van data over hun producten, verkopen en klanten. Data visualisatie is een goede manier om duidelijk te maken wat je ontdekt hebt in de verzamelde data, en het helpt om dit goed te verteren. Sommige data visualisaties zijn echter beter dan andere. Daarom: 7 data visualisatie tips voor beginners.

Vermijd 3D

Drie-dimensionale grafieken kunnen onnodig verwarrend zijn als het op data aankomt. Door het perspectief lijkt het misschien dat informatie op de achterste as minder belangrijk is dan die op de voorgrond, terwijl dit zelden het geval is. Je kunt dit soort grafieken het beste gewoon vermijden om dit soort misverstanden te voorkomen.

Lijngrafieken zijn een indicatie van verandering over tijd

Als je veranderingen over een bepaalde tijd bijhoudt, gebruik dan altijd een lijngrafiek om aan te geven wat er gemeten wordt. Andere types grafieken lijken onsamenhangend en het zal niet direct duidelijk zijn voor anderen waar ze nu naar kijken. De stippen die met elkaar verbonden zijn geven nogmaals aan dat de enige verandering tijd is, in plaats van nog andere variabelen.

Lees de overige data visualisatie tips voor beginners op Webanalisten.nl.

Afbeelding: Jer Thorp (cc)