Data! Det sande, det gode og det skønne

Hvad er data? Og hvilken slags data er den rigtige?

En dataekspert spurgte mig for nylig, om jeg ikke ville komme med et par filosofiske linjer til spørgsmålet: Hvad er data? De linjer kommer her ­– efterfulgt af nogle betragtninger om, hvordan vi konkret arbejder med forskellige typer data, og hvorfor du også bør gøre det.

Vi begynder altså i det filosofiske og videnskabsteoretiske luftlag – men ender i det konkrete.

Data er det givne perspektiv

Data betyder slet og ret ”det givne”. Det givne kan tælles eller opleves – eller med andre ord kvantificeres eller kvalificeres.

Men findes der så rene kvantitative data? Næ, data skal være potentielt og principielt givet for nogen, hvis data betyder ”det givne”. ”Det givne” løsrevet fra nogen at være givet for er jo ikke noget givent.

Vi kan ikke anskue data fra evighedens synsvinkel eller et God’s eye view, hvorfra data fremtræder rent, objektivt og abstrakt. Ej heller er databehandlende algoritmer i en computer objektive og interesseløse; den data de behandler er jo givet som konkrete input af mennesker. Og som man siger: Shit in – shit out.  

Data er ikke et ”view from nowhere”. Data er ”now, here.” Det betyder dog ikke, at data er rent kvalitative eller subjektive sansedata. For hvis det var tilfældet, ville jeg jo kun have adgang til mine egne sansedata og dermed ikke en bagvedliggende intersubjektiv omverden med andre mennesker og ting, da de jo bare er mine sansedata, og jeg ville kunne have adgang til virkeligheden bag om mine sansedata.

Kan vi så overhovedet benytte data-begrebet – uden at nå en skepticistisk eller solipsistisk konklusion?

Det korte svar er ja. Men det kræver, at vi, så vidt det er muligt, angiver vores ”betingelser for beskrivelser”, når vi henfører til bestemte datasæt:

Hvad beskriver vores data? Hvilke hypoteser skal data verificere eller falsificere? Hvorfor og under hvilke omstændigheder er vores data indsamlet og processeret? Hvilke interesser og bias er der i spil? Hvilke metodologiske, sensoriske, psykologiske, sociale, teknologiske (etc.) betingelser er med til at farve den beskrivelse af virkeligheden, som vores data skal repræsentere?

Data er således ikke objektiv og interesseløs – ej heller blot subjektiv fremtræden. Data er perspektivisk. Data er givet for nogen, hvilket i sig selv ikke implicerer vidensrelativisme, men som dog maner til forsigtighed, når nogen råber ”data!” og dermed mener ”absolut sandhed!”

Data er altså det givne perspektiv.

Platon peger på ideerne – Aristoteles peger på tingene selv.

Data i praksis

Lad os prøve at blive konkrete – uden at forlade det filosofiske blik. Det kan vi gøre sammen med Aristoteles, som var kritisk overfor Platons idelære, hvor ideerne er uforanderlige sandheder med uafhængig eksistens. Aristoteles havde en empirisk tilgang, og betragtes da også som ”videnskabens fader.” 

I stedet for ideernes evige eksistens, talte Aristoteles om materie, former, taksonomier og observationer. Altså dataindsamling!

Læs også: Etiske principper for kunstig intelligens

Tre slags viden

Aristoteles skelnede mellem tre slags viden.

De er ekstremt nyttige at kende, når man som vi skaber digitale brugeroplevelser, der både bygger på teknologiske, kreative og adfærdspsykologiske indsigter.

#1: Er det sandt eller falsk (episteme)?

HVAD: Her er tale om erkendelse, der kan systematiseres objektivt og kvantitativt. Fx en kvantitativ analyse af en hjemmesides performance: tid på siden, bounce rate, mest besøgte artikler etc.

Alt sammen metrics som kan måles og tælles – og som er binære: Enten er det tilfældet eller ikke tilfældet.

#2: Er det godt eller skidt? (fronesis)

HVORFOR: Hvilken praktisk værdi eller visdom har vi? Her er tale om kvalitativ og kontekstbundet forholden sig til et givent forhold. Hvorfor gør brugere af en hjemmeside, som de gør? Hvorfor kan de ikke finde ud af at gøre det, som vi synes, de skal gøre?

Det giver mere mening at tale om hensigtsmæssighed og forklarlighed frem for binære udsagn, der kan være sande eller falske.

#3 Virker det eller virker det ikke? (techne)

HVORDAN: Hvilke færdigheder og metoder skal der til? If this, then that! Hvis du vil have en hjemmeside, der skal kunne X, så skal betingelserne X og Z være opfyldt.

Her benytter man både “Hvad”-data“ og ”Hvorfor”-data. Hvorfor vil du gerne have en hjemmeside? Hvorfor tror du at brugerne vil synes om det? Og hvad skal den ”kunne” – både teknologisk og æstetisk?

Kvantitative vs. kvalitative data?

Den kvikke læser har nok luret, at jeg gerne vil slå at slag for vigtigheden af at benytte både kvalitativ og kvantitativ data. En indsats, som er enten-eller er ikke så nøjagtig og indsigtsfuld som en indsats, der er både-og.

Husmandsempiri, hvor man blot kigger på konkurrenterne, har sine begrænsninger. Selvfølgelig kan man lade sig inspirere og lære noget, men da man typisk ikke har adgang til konkurrenters data ved man reelt ikke, om man bare reproducerer deres fejl. Derfor er det en god ide at skabe sit eget datagrundlag.

Med den kvantitative data får vi et indblik i, hvad brugerne gør. De kan afdækkes med diverse brugeradfærdsanalyser, som Google Analytics, heatmap-optagelser, spørgeskemaer etc. Men for at forstå hvorfor brugerne gør som de gør, så er man nødt til at spørge dem, fx i brugerinterviews og diary studies.

Når vi forener kvantitativ og kvalitativ data får vi mere nøjagtige og brugbare indsigter i forhold den indsats, det kræver. Vi får et overblik og et informeret grundlag til at træffe datadrevne beslutninger, så vi i videst mulige omfang undgår tunnelsyn.  

Læs også: Lær dine brugere at kende og understøt den gode user experience

Listen. Create. Refine.

Data-indsigter er et ”moving target”. Hvad der gælder for ét brand til et givent tidspunkt, er ikke nødvendigvis gældende for et andet brand til et andet tidspunkt. Derfor en det en kontinuerlig proces at indsamle data til at forfine det kreative output.

Data er jo det givne perspektiv.