Stamdata. Nøgletal. Bestyrelsesposter. Alt sammen data, som for rigtig mange synes svært forståelige og – ja, tør vi sige det, selvom det er vores levebrød – kedelige. Så hvordan gør man nogle umiddelbart tøre data mere appetitlige? I blogindlægget her får du indblik i, hvordan rå data kan blive til læsbar tekst, og du får 3 eksempler på, hvordan vi I Lasso gør data lettere at forstå. Velbekomme.
Fra rå data til læsbar tekst
I Lasso arbejder vi med at gøre offentligt tilgængelig data om dansk erhvervsliv mere tilgængelige og brugbare. I den lille smagsprøve herunder kan du se, hvad der sker, når vi eksempelvis gør rå data fra CVR til forståelig tekst.
At anvende data behøver altså ikke at kræve en uddannelse i datalogi. De skal bare være sat op på en overskuelig og appetitlig måde – og det har vi har samlet tre eksempler på, hvordan man kan gøre:
Eksempel 1: Hvordan gør man en løves data appetitlig?
Nedenstående eksempel fortæller, hvor mange firmaer investeringsløven fra Løvens Hule, Jacob Risgaard, ejer. Data kommer fra Erhvervsstyrelsens virksomhedsregister, CVR, som har gjort denne information offentlig tilgængelig. Dertil har vi fodret vores algoritme med noget matematik, så den kan regne ud, at Jacob er i top-1 procent over de personer, som ejer flest danske virksomheder.
Eksempel 2: Når regnskaber bliver let fordøjelige
Regnskaber. Frygtet af mange, men også elsket af de fleste. Hvorfor? Fordi de giver et direkte indblik i en virksomhed og fortæller, hvordan det går og er gået gennem tiden. Men hvordan kan man gøre nøgletal forståelige for en, der ikke er cand.oecon. eller uddannet revisor?
Det har vi bl.a. gjort ved at tage de mest centrale nøgletal i et regnskab og ladet vores robot sammenligne dem med det forrige – så man får et hurtigt og overskueligt overblik over en virksomheds finansielle situation. Tilmed har vi forklaret, hvad nøgletallene betyder – så alle kan være med.
Direktionsposter og regnskaber er vigtige retter, men vil man have det fulde overblik over menuen, skal man naturligvis også kende til alle centrale personer i organisationen. Imidlertid kan ejerskabsstrukturen i et firma af og til være kompleks at få overblik over.
Derfor har vi bygget en algoritme, som regner ud, hvem der reelt ejer et givet firma (reelle ejerskaber). Samtidig viser den, hvor meget de enkelte personer eller virksomheder ejer hver især. Grafen her er et eksempel på, hvordan en ejerstruktur kan se ud:
Den danske fælles offentlige digitaliseringsstrategi fra Christiansborg har bl.a. ført til, at tonsvis af erhvervsdata løbende bliver offentligt tilgængelige.
De mange data giver en masse muligheder, men kan også være en stor mundfuld at gabe over. Vores mål i Lasso er at gøre den mundfuld mindre for dig, der bruger data i dit arbejde. Vi håber derfor, at de tre eksempler har gjort din appetit på data en smule større.
Synes du stadig, at bestemte typer af erhvervsdata er svære at gabe over? Eller savner du en anden måde at få dem præsenteret på, så de bliver mere overskuelige? Så tag fat i vores CTO og dataekspert, Jeppe Bech, og lad os vide, hvilke behov du har – så kan vi sammen arbejde på at gøre dataene lettere at fordøje.