Aan de basis van een goed online dashboard ligt een goede structuur. Als onderzoeksbureau zijn we goed in het vormgeven van dashboards aan de hand van onderzoeksvragen en een beleidstheorie. Daarnaast voeren we gebruikersonderzoek uit om te bepalen aan welke inzichten de gebruikers van een dashboard behoefte hebben. Maar niet alle behoefte is vooraf te bepalen – en veelal roepen inzichten ook weer nieuwe vragen op.
Met de Insight Builder voorzien we in een mogelijkheid om veel meer informatie en kennis te ontsluiten op een dashboard. De gebruiker wordt in staat gesteld om nieuwe vragen te stellen op basis van de gegevens, en dus in feite eigen analyses kan uitvoeren. Zo kan een gebruiker een analyse tot een specifieke doorsnede van een dataset specificeren. Ook zaken als het aanpassen van de weergave (een staaf- in plaats van een lijngrafiek, een andere weergaveperiode, et cetera). Een uitdaging daarbij is dat moet worden voorkomen dat dergelijke nieuwe analyses leiden tot onjuiste of onvolledige resultaten. Daarnaast is het niet de bedoeling de gebruiker te overladen met keuzes en informatie.
Een voorbeeld van een catalogusgebaseerde Insight Builder is te vinden op pr-edict.nl. Gebruikers kunnen hier grasduinen in een groot aantal analyses op het gebied van ICT en arbeidsmarkt, waarbij eenvoudig gefilterd kan worden.
We bieden twee varianten aan van de Insight Builder. In de eerste variant worden door onze onderzoekers een groot aantal analyses ‘klaargezet’ in een catalogus. De gebruiker kan deze catalogus eenvoudig doorzoeken en filters toepassen op de analyses. Het zoeken gebeurt op basis van natuurlijke taal en een vleugje AI. Wanneer een gebruiker zoekt op een woord dat niet exact overeenkomt met een zoekterm op het dashboard, kan het systeem toch de juiste inhoud laten zien door slimme matching.
Een andere variant van de Insight Builder is de vrije analyse: een gebruiker kan een vrije analysevraag stellen in normale mensentaal. Het dashboard produceert daarna zo mogelijk een analyse(grafiek) die de vraag beantwoordt. Om dit te kunnen doen voeden we een AI met gedetaileerde informatie over de dataset, onderliggende methodes en aannames. De AI vertaalt de vraag naar een query (databasevraag), een voorstel voor een visualisatievorm, en een toelichting. Met de AI kunnen we ook randvoorwaarden controleren en limitaties van de analyse aangeven. Daarnaast kunnen ook harde randvoorwaarden worden ingebouwd, zoals minimale celvulling.
