I ulike sammenhenger henter vi inn data, og bruker disse for å ta beslutninger basert på resultatene vi får inn eller de trendene vi ser. Det er mange ulike måter å innhente data på - enten at vi aktivt innhenter informasjon gjennom f.eks. spørreskjemaer, at vi bruker data som ligger i systemer (f.eks. at vi kan få ut oversikt over karakterene som er gitt i et studium) eller vi kan bruke kunstig intelligens til å prøve å finne et mønster i de datapunktene vi har.

Vi henter inn data for å kunne ta beslutninger basert på data og bevis, ikke på synsing og magefølelse. Det er ikke alltid like lett å tolke data, i den forstand at vi ikke alltid helt vet hva dataene forteller - noe som kan føre til at vi trekker helt feil konklusjoner. Begrepene korrelasjon, kausalitet, reliabilitet og validitet er derfor tre viktige begreper å kjenne til. Disse blir forklart på neste side.

Læringsanalyse er et stort område som handler om at vi skal prøve å identifisere læring basert på data vi har. Den mest vanlige formen som blir presentert er å vise resultatene av undervisning. Men det er veldig vanskelig ut fra dette å si at på grunn av den formen undervisningen hadde så fikk man de gode resultatene. Dette avhenger også av en hel rekke andre faktorer. Hvis ikke ville vi kunne komme med et utsagn av typen; for å få god karakter i dette studiet skal du gjøre akkurat disse aktivitetene. Det vi derimot ser er at selv om undervisningen er lik for alle - som i dette studiet - så vil karakterene variere mellom deltakere. Vi må derfor heller stille spørsmål som; hva er det som gjør at noen lykkes og noen ikke lykkes med den undervisningen vi utfører?

Datadrevet beslutningstaking

Noe av det første vi må finne ut når vi skal begynne å innhente data er hva vi egentlig ønsker å finne svar på. Å kunne utforme gode spørsmål - som faktisk gir oss de svarene som vi kan bruke i analysen - er svært viktig, og er del av et stort fagområde som vi ikke kan gå inn i detaljer på i dette kurset. Tenk f.eks. et begrep som "god lønn" - det er en formulering som kan bli oppfattet ulikt av ulike mennesker. Her må det ofte både testes ut og gjøres beregninger før man finner spørsmålsett som fungerer.

Deretter må vi hente inn data, f.eks. gjennom spørreskjemaer o.l. Som nevnt over er det mange måter å hente inn data på - enten aktivt gå ut og spørre eller hente data som allerede er generert gjennom hva deltakeren har gjort (svart på prøver, hvor lang tid man har brukt, hvor mange forsøk osv). I et nettkurs vil man ofte hente inn data gjennom å sende ut et spørreskjema, men når det gjelder andre datainnhentinger - f.eks. i forbindelse med valgdagsmålinger - beregner man hvor mange svar man trenger for at dataene skal være gode nok til at man skal kunne se en trend. Man spør ikke alle med stemmerett i Norge hva de har tenkt å stemme ved valget, men beregner hva som er et representativt utvalg. Et representativt utvalg betyr at man har et gjennomsnitt av de stemmeberettigede slik at fordelingen på politiske partier i denne gruppen gjenspeiles i hele befolkningen. Man må derfor ta hensyn til demografiske data (kjønn, alder, geografi) og kanskje også sosioøkonomiske forhold (f.eks. inntekt, utdanningsnivå) for å få godt nok datagrunnlag.

Tenk over; hvis man skulle spørre om hva som var viktige politiske spørsmål i en slik gruppe - hvordan tror du svarene ville vært hvis man bare spurte kvinner eller bare menn, bare de som var i arbeid, kun pensjonister - eller bare visse yrkesgrupper (buss-sjåfører) eller noen med bestemt religiøs tro (kristen, muslim). Det er derfor man må ha et representativt utvalg for at man skal kunne bruke/analysere de dataene man samler inn.

Analyse eller tolkning av data er også et stort fagfelt. Her skal man prøve å framstille de funnene man har gjort, og ofte gjør man dette i form av ulike former for visualiseringer. Du har nok ofte sett dette i form av søylediagrammer, grafer/trendlinjer, sektordiagrammer eller som andre former for visualiseringer (mennsker fargelagt i rødt og sort for å vise antall mennesker dette gjelder - som i 2 av 10 har opplevd dette). Som du vil se på neste side kan det av og til være vanskelig å avgjøre om faktorer henger sammen eller om dette bare er tilfeldigheter. Man kan tenke seg at det spises mer is om sommeren enn om vinteren fordi det er varmere om sommeren, så her kan man tenke seg at dette henger sammen. Hvis man derimot ser at økning av den globale temperaturen ser ut til å samvariere med at befolkningen i Norge i snitt blir høyere eller omvendt proposjonal med antall sjørøvere i verden - så er dette en sammenheng vi skaper selv, og som dataene ikke underbygger. Her må man derfor ha "tunga rett i munnen".

Framstilling av data er derfor vanskelig, og det heter seg jo at statistikk lyver - ikke helt uten grunn. Man kan enten feiltolke de datapunktene man har og se samvariasjoner som skyldes tilfeldigheter eller at det faktisk ikke er et årsak-effektforhold som ligger til grunn. Mye grafikk kan også framstilles på måter som gjør at den som blir presentert for den tolker den på en annen måte enn hva dataene faktisk viser. Det er utallige eksempler på denne type manipulerte framstillinger av data. Typisk er at man viser bare et utsnitt av en graf framfor å vise hele (zoomer inn) - da kan man lett tro at det er store variasjoner, mens fakta egentlig viser veldig små variasjoner.

Analysen og presentasjonen av data skal danne grunnlag for at man skal kunne ta veloverveide beslutninger. Siste del av en slik prosess er å evaluere beslutningene - var de avgjørelsene vi tok eller konklusjonene vi dro korrekte når vi ser på dem i ettertid?