AOO BK - Economische Data Analyse ECONAN 2023/2024
Officiële beoordelingsstructuur volgens HAN richtlijnen. Beide methodologiepaden (AI-augmented en Conventional) worden op dezelfde criteria beoordeeld.
Vóór de Week 1 sessie vul je een korte self-assessment in om je startniveau te bepalen. Dit helpt jou én je team bij het kiezen van de juiste rol (Management of Analist) en tool path (AI-Augmented of Conventional).
⚠️ Belangrijk: Neem je ingevulde formulier (geprint of op laptop) mee naar de Week 1 sessie. Je hebt het nodig tijdens teamdiscussies over rolverdeling en methodologie keuzes.
Elke opdracht wordt beoordeeld op deze vier criteria:
Overzichtelijke tabel met alle minimumcriteria (niveau "Toepassen" 5.5) per CRISP-DM fase en opdracht. Perfect als snel naslagwerk tijdens het werken aan je opdrachten.
Bekijk Matrix →30%
IST Situatie Bepalen
Benchmark analyse: Waar staan we competitief gezien?
30%
Marktdynamieken Begrijpen
Welke factoren drijven prestatie in onze sector?
40%
Groeistrategieën Evalueren
Welke strategie creëert waarde? (Winstsprong/Groei/Risico)
🎯 Strategisch Framework
De drie opdrachten vormen een strategische rode draad: IST → Dynamieken → Groeistrategieën. Zie het Strategisch Framework voor de complete uitleg van deze aanpak.
Formele vereisten - moet aanwezig zijn
⚠️ Niet aan ontvankelijkheidseisen voldaan = eindcijfer 4,0
Voor alle drie opdrachten en alle vier criteria
| Niveau | Cijfer | Betekenis |
|---|---|---|
| Ontbreekt | 0,0 | Criterium is niet aanwezig of onvoldoende uitgewerkt |
| Begrijpen | 4,0 | Je begrijpt de concepten maar de uitvoering is onvoldoende |
| Toepassen | 5,5 | Je past de methodologie correct toe in voldoende mate |
| Analyseren | 8,0 | Je analyseert diepgaand en maakt goede verbindingen |
| Evalueren / Creëren | 10,0 | Je evalueert kritisch en doet gefundeerde aanbevelingen (vereisten = Analyseren + Evalueren) |
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • De vertaling van de opdracht in een datavraagstuk ontbreekt. |
| Begrijpen (4.0) | • Je begrijpt voldoende hoe de context van de opdracht is te vertalen naar een datavraagstuk binnen de gekozen rol maar de kwaliteit van de gekozen kentallen is onvoldoende en/of de vertaling van de kentallen naar de nodige data is onvoldoende. |
| Toepassen (5.5) |
• Je vertaalt de opdracht in voldoende mate naar een datavraagstuk binnen de gekozen rol. • De kwaliteit van gekozen kentallen is voldoende. |
| Analyseren (8.0) |
• Je vertaalt de opdracht goed door naar een datavraagstuk passend binnen de gekozen rol. • De kwaliteit van de gekozen kentallen met minimaal één branchespecifiek kental is goed. |
| Evalueren (10) |
• Je vertaalt de opdracht uitstekend door naar een datavraagstuk passend binnen de gekozen rol en vult de uitwerking ter versterking aan. • De kwaliteit van de gekozen kentallen met meerdere branchespecifieke kentallen is uitstekend. |
💡 Methodologie-agnostisch: AI-prompts of Python/R code kunnen beide bewijslast leveren voor begrip van business context en datavraagstuk.
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Het gereed maken van de data is niet benoemd. |
| Begrijpen (4.0) | • Je begrijpt voldoende hoe data gereed gemaakt moet worden maar past dit onvoldoende toe voor de volgende fase. |
| Toepassen (5.5) | • Je leest data uit verschillende bronnen in en maakt deze correct gereed voor de volgende fase. |
| Analyseren (8.0) | • Je onderwerpt de kwaliteit van de data aan een grondige analyse alvorens deze te prepareren en in te lezen. |
| Evalueren (10) | • Je formuleert gefundeerde aanbevelingen voor verbetering van de datakwaliteit en voert deze door alvorens de data te prepareren en in te lezen. |
💡 Bewijs: AI-prompts voor data cleaning + verificatie logs, of Python/R scripts + transformation logs, of Power Query stappen.
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Je benoemt niet hoe tot het model (formules en visualisatie) is gekomen en welke keuzes hierin zijn gemaakt. |
| Begrijpen (4.0) | • Je benoemt voldoende hoe tot het model (formules en visualisatie) is gekomen en welke keuzes hierin zijn gemaakt maar dit sluit onvoldoende aan op de opdracht, businesscontext en gekozen rol. |
| Toepassen (5.5) | • Je hebt voldoende benoemd hoe tot het model (formules en visualisatie) is gekomen en welke keuzes hierin zijn gemaakt in relatie tot de opdracht, businesscontext en gekozen rol. |
| Analyseren (8.0) | • Je presenteert het model (formules en visualisatie) en benoemt op overtuigende wijze welke keuzes hierin zijn gemaakt in relatie tot de opdracht, businesscontext en gekozen rol. |
| Evalueren (10) | • Je doet gefundeerde aanbevelingen over verbeteringen van het model (formules en visualisaties). |
💡 AI-pad: Prompts voor analyse + validatie van AI output. Conventional: Python/R code of Power BI models met uitleg.
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Je bespreekt de inhoudelijke uitkomsten van het model niet en/of evalueert niet in welke mate het model oplevert wat het op had moeten leveren. |
| Begrijpen (4.0) | • Je toont aan de uitkomsten van de analyse te begrijpen maar brengt het onvoldoende in verband met de opdracht, businesscontext en gekozen rol en/of benoemt onvoldoende in welke mate het model oplevert wat het op had moeten leveren. |
| Toepassen (5.5) | • Je geeft een inhoudelijke uiteenzetting van de analyseresultaten, bespreekt in voldoende mate de inhoudelijke betekenis van de analyseresultaten en/of evalueert in voldoende mate. |
| Analyseren (8.0) | • Je analyseert de inhoudelijke betekenis van de analyseresultaten, legt de koppeling met de businessvraag en evalueert het model diepgaand. |
| Evalueren (10) | • Je evalueert in welke mate het model volstaat om de businessvraag te beantwoorden en doet aanbevelingen voor vervolgonderzoek met als doel het model te verbeteren. |
💡 Focus op business vertaling: Beide paden moeten analyseresultaten vertalen naar actionable recommendations.
Specifieke focus op regressieanalyse
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • De data om lineaire regressie toe te kunnen passen ontbreekt. |
| Begrijpen (4.0) | • Je begrijpt welke data benodigd is om een regressieanalyse uit te voeren, maar verzamelt dit niet correct. |
| Toepassen (5.5) | • Je vertaalt de hoofdvraag correct naar een datavraagstuk en je verzamelt deze data. |
| Analyseren (8.0) | • Je vertaalt de hoofdvraag correct naar een datavraagstuk, verzamelt de data correct en onderneemt stappen om de regressieanalyse te versterken. |
| Evalueren (10) | • Je geeft een kritische beschouwing over de kwaliteit van de data. |
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Het gereedmaken van de data is niet benoemd. |
| Begrijpen (4.0) | • Je begrijpt voldoende hoe data gereed gemaakt moet worden maar past dit onvoldoende toe voor de volgende fase. |
| Toepassen (5.5) | • Je leest data uit verschillende bronnen in en maakt deze correct gereed voor de volgende fase. |
| Analyseren (8.0) | • Je onderwerpt de kwaliteit van de data aan een grondige analyse alvorens deze te prepareren en in te lezen. |
| Evalueren (10) | • Je formuleert gefundeerde aanbevelingen voor verbetering van de datakwaliteit en voert deze door alvorens de data te prepareren en in te lezen. Bijvoorbeeld het zoeken naar een beursgenoteerd bedrijf binnen de sector om als benchmark te fungeren. |
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Je hebt niet benoemd welke keuzes in het tot stand komen van het regressiemodel zijn gemaakt. |
| Begrijpen (4.0) | • Je benoemt welke keuzes in het tot stand komen van het regressiemodel zijn gemaakt, maar interpreteert het regressiemodel niet goed in de context van de businessvraag. |
| Toepassen (5.5) | • Je benoemt welke keuzes in het tot stand komen van het regressiemodel zijn gemaakt en interpreteert het regressiemodel voldoende in de context van de businessvraag. |
| Analyseren (8.0) | • Je benoemt op overtuigende wijze welke keuzes bij het tot stand komen van het regressiemodel zijn gemaakt en interpreteert het regressiemodel goed in de context van de businessvraag. |
| Evalueren (10) | • Je doet gefundeerde aanbevelingen over verbeteringen van het regressiemodel (regressievergelijking en visualisaties). |
💡 AI-pad: Prompt "Perform regression analysis on X and Y..." + interpretatie. Conventional: sklearn, statsmodels, of Power BI analytics.
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Je bespreekt de inhoudelijke uitkomsten van het model niet en/of de evaluatie in welke mate het model oplevert wat het op had moeten leveren ontbreekt. |
| Begrijpen (4.0) | • Je bespreekt de inhoudelijke uitkomsten van het regressiemodel maar de inhoudelijke interpretatie is onvoldoende en/of evalueert onvoldoende in welke mate het model oplevert wat het op had moeten leveren. |
| Toepassen (5.5) | • Je geeft een inhoudelijke uiteenzetting van de analyseresultaten, bespreekt in voldoende mate de inhoudelijke betekenis van de analyseresultaten en/of evalueert in voldoende mate. |
| Analyseren (8.0) | • Je analyseert de inhoudelijke betekenis van de analyseresultaten, legt de koppeling met de businessvraag en evalueert het model diepgaand. |
| Evalueren (10) | • Je evalueert in welke mate het model volstaat om de businessvraag te beantwoorden en doet aanbevelingen voor vervolgonderzoek met als doel het model te verbeteren. |
Specifieke focus op scenarioanalyse
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • De data om een scenarioanalyse toe te kunnen passen ontbreekt. |
| Begrijpen (4.0) | • Je begrijpt voldoende hoe de op te zetten scenarioanalyse is te vertalen naar een datavraagstuk maar de kwaliteit van de gekozen variabelen en factoren aansluitend op het kental is onvoldoende en/of de vertaling naar de nodige data is onvoldoende. |
| Toepassen (5.5) |
• De vertaling van het kental naar variabelen en factoren is voldoende. • Je vertaalt de factoren in voldoende mate naar een datavraagstuk ten behoeve van de scenarioanalyse. |
| Analyseren (8.0) |
• De vertaling van het kental naar variabelen en factoren is goed. • Je vertaalt de factoren goed naar een datavraagstuk ten behoeve van de scenarioanalyse waarbij de impact van de factoren op het uiteindelijke kental goed is uitgewerkt. |
| Evalueren (10) | • Je onderneemt stappen om de vertaling van kental naar variabelen en factoren en de vertaling van de factoren naar nodige data verdergaand te versterken. |
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Het gereed maken van de data is niet benoemd. |
| Begrijpen (4.0) | • Je begrijpt voldoende hoe data gereed gemaakt moet worden maar past dit onvoldoende toe voor de volgende fase. |
| Toepassen (5.5) | • Je leest data uit verschillende bronnen in en maakt deze correct gereed voor de volgende fase. |
| Analyseren (8.0) | • Je onderwerpt de kwaliteit van de data aan een grondige analyse alvorens deze te prepareren en in te lezen. |
| Evalueren (10) | • Je formuleert gefundeerde aanbevelingen voor verbetering van de datakwaliteit en voert deze door alvorens de data te prepareren en in te lezen. |
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Je benoemt niet hoe tot het model (formules en visualisatie) is gekomen en welke keuzes hierin zijn gemaakt. |
| Begrijpen (4.0) | • Je benoemt voldoende hoe tot het model (formules en visualisatie) is gekomen en welke keuzes hierin zijn gemaakt maar dit sluit onvoldoende aan op de vereiste scenarioanalyse. |
| Toepassen (5.5) | • Je hebt voldoende benoemd hoe tot het model (formules en visualisatie) is gekomen en welke keuzes hierin zijn gemaakt in relatie tot de vereiste scenarioanalyse. |
| Analyseren (8.0) | • Je presenteert het model (formules en visualisatie) en benoemt op overtuigende wijze welke keuzes hierin zijn gemaakt in relatie tot de vereiste scenarioanalyse. |
| Evalueren (10) | • Je doet gefundeerde aanbevelingen over verbeteringen van het model (formules en visualisaties). |
💡 Scenarioanalyse: What-if scenarios met variabele manipulatie. Beide paden kunnen verschillende scenario's doorrekenen.
| Niveau | Criteria |
|---|---|
| Ontbreekt (0) | • Je bespreekt de inhoudelijke uitkomsten van het model niet en/of evalueert niet in welke mate het model oplevert wat het op had moeten leveren. |
| Begrijpen (4.0) | • Je toont aan de uitkomsten van de analyse te begrijpen maar brengt het onvoldoende in verband met de opdracht en businesscontext en/of benoemt onvoldoende in welke mate het model oplevert wat het op had moeten leveren. |
| Toepassen (5.5) | • Je geeft een inhoudelijke uiteenzetting van de analyseresultaten, bespreekt in voldoende mate de inhoudelijke betekenis van de analyseresultaten en/of evalueert in voldoende mate. |
| Analyseren (8.0) | • Je analyseert de inhoudelijke betekenis van de analyseresultaten, legt de koppeling met de businessvraag en evalueert het model diepgaand. |
| Evalueren (10) | • Je evalueert in welke mate het model volstaat om de businessvraag te beantwoorden en doet aanbevelingen voor vervolgonderzoek met als doel het model te verbeteren. |
Voor programma kwaliteitsmeting - NIET voor studentbeoordeling
⚠️ Belangrijk: PAM is GEEN beoordelingscriterium voor studenten. PAM wordt gebruikt voor kwaliteitsmeting van het onderwijsprogramma (PDCA cyclus).
PAM (Purpose, Autonomy, Mastery) is een framework uit Daniel Pink's Drive theorie voor het meten van intrinsieke motivatie. In ECONAN gebruiken we PAM om te meten of het programma voldoende Purpose, Autonomy en Mastery biedt aan studenten.
Ervaren studenten waarom deze module ertoe doet? Zien ze de relevantie voor hun toekomstige carrière?
Hebben studenten voldoende keuzevrijheid in sector, rol, methodologie en complexiteit?
Ervaren studenten groei in hun competenties? Is de uitdaging optimaal (niet te makkelijk, niet te moeilijk)?
Het hybride ECONAN model (AI-augmented vs. Conventional) is ontworpen om 5/5 scores op alle drie PAM dimensies te bereiken. Door PAM wekelijks te meten, kunnen we het programma continu verbeteren en zorgen dat studenten intrinsiek gemotiveerd blijven.