Cijfers liegen niet?!
Dit artikel is oorspronkelijk gepubliceerd op CHRO.
Ik geloof in de kracht van data. Cijfers zijn onpartijdig en spreken de waarheid. Toch kan het nog steeds zo zijn dat we onjuiste conclusies trekken. Het is namelijk niet altijd even makkelijk om data op de juiste manier te interpreteren.
Onlangs publiceerde het VN-klimaatpanel IPCC hun nieuwe rapport met als (neutrale) titel ‘Climate Change 2023’. Het is interessant hoe dit vervolgens is opgepakt in de diverse media.
- AD: Als we doen wat we beloven, warmt de aarde eind deze eeuw slechts 2 graden op
- Volkskrant: Alarmerend IPCC-rapport: natuur kan veranderende klimaat niet meer bijbenen, impact nóg groter
- Telegraaf: Klimaatpanel milder: ’Gevolgen opwarming met technologie te bestrijden’
Ondanks dat alle journalisten hetzelfde rapport met dezelfde data hebben ontvangen, is de eindconclusie toch heel verschillend.
Dat gebeurde ook in januari1 toen er op een en dezelfde dag twee artikelen verschenen over de huizenprijzen. Het ene artikel meldde een stijging van de prijzen, terwijl het andere juist een daling beschreef. Het gekke is dat beide artikelen niet gelogen zijn. Het ene artikel vergelijkt de prijzen jaar op jaar, terwijl in het andere artikel het verschil tussen twee opeenvolgende maanden wordt weergegeven.
1In februari zijn de huizenprijzen voor het eerst sinds jaren overigens wel gedaald ten opzichte van het jaar ervoor.
Meer informatie?
Neem vrijblijvend contact met ons op.
Cherry Picking
Dit fenomeen, Cherry Picking genaamd, is een van de valkuilen waarop iedereen die met data werkt, kans maakt om in te trappen. Dit gebeurt vaak onbewust, zoals wanneer we een sollicitant spreken en na 20 seconden denken ‘dit wordt ‘m niet’. Onze hersenen gaan dan op zoek naar bevestiging van die overtuiging en negeren alles wat dit buikgevoel tegenspreekt.
Ook zijn we vaak gewoon onbedoeld lui. Het is eenvoudigweg gemakkelijker om een paar stukjes informatie te kiezen en daar je standpunt op te baseren, dan om alle beschikbare informatie zorgvuldig te analyseren. Ga maar eens na voor jezelf hoe jij in een restaurant je eten uitkiest. Scroll je door het menu tot je iets lekkers tegenkomt? Of lees je altijd eerst het hele menu door voordat je je keuze maakt?
Het is echter ook een valkuil die regelmatig bewust misbruikt wordt. Zoals wanneer we alleen de laatste twee maanden presenteren om een verbetering van de resultaten te laten zien, bijvoorbeeld een stijging van het aantal sollicitanten per vacature. Terwijl als we de langere trend zouden meenemen we misschien wel nog steeds 20% lager zitten dan in de maanden ervoor.
Wat doe je eraan?
Het is belangrijk om te beseffen dat Cherry Picking niet altijd bewust is, maar bijvoorbeeld ook kan afhangen van de hoeveelheid data die je beschikbaar hebt. Zo zou de dip in het aantal sollicitanten in de betreffende maanden ook ieder jaar opnieuw kunnen gebeuren; een gevolg van een seizoenspatroon. Dit kan je conclusie opnieuw beïnvloeden. Wat als het resultaat weliswaar lager is dan in de zes maanden ervoor, maar wellicht toch weer 5% hoger dan het jaar ervoor in dezelfde periode?
Bedenk altijd: ‘Is het vraagstuk van alle kanten bekeken? Is er aanvullende informatie die ik zou moeten gebruiken in mijn analyse?’. Bekijk de data altijd vanuit verschillende kanten en over verschillende perioden. Denk ook aan het gebruik van selecties. Zorg dat altijd duidelijk is welke selecties je hebt gebruikt.
En een van de dingen die ik zeker kan aanraden, is om vooraf af te stemmen wanneer het resultaat goed of fout is. Dit vragen we bijvoorbeeld ook altijd vooraf bij een Equal Pay analyse. Wanneer is het gat klein, groot en/of te groot? Op die manier wordt de ruimte om (bewust of onbewust) te cherry picken aanzienlijk kleiner.
Benieuwd hoe je meer uit je HR data kan halen en betere conclusies kan trekken? Wij bieden diverse trainingen aan op het gebied van HR Analytics, bekijk het aanbod in onze HR Academy.
Dit artikel is geschreven door
