KEMs

Data voor Verkenning & Onderbouwing

DOEL

Verandering vormgeven met data
Data inzetten om (veranderings)vraagstukken te verkennen en te voorzien van inspiratie en onderbouwing.

FASE IN ONTWIKKELINGSPROCES

  • Discover
  • Define
  • Develop
  • Deliver

TOEPASSING

  • Data inzetten in het ontwerpproces en in de daaruit voortvloeiende ontworpen producten, systemen of diensten.
  • Data genereren, analyseren of valideren (ter ondersteuning van missiegedreven innovatie).
  • De juiste typen data verzamelen om de juiste vragen te kunnen beantwoorden.
  • Data inzetten om te verkennen (divergeren) binnen een ontwerpproces.
  • Data inzetten om keuzes te maken en onzekerheid te verminderen binnen een ontwerpproces (bepalen, onderbouwen, convergeren).

Wat houdt het in?

Wat houdt deze categorie in?
KEM’s binnen de categorie Data voor Verkenning en Onderbouwing helpen met het genereren en toepassen van inzichten uit data binnen (complexe) vraagstukken. Daarbij ligt de nadruk op de specifieke context en de verhalen achter de data.

De categorie omvat een overzicht van data-geïnspireerde tot datagedreven aanpakken. Deze kunnen toegepast worden in het ontwerpproces en in de daaruit voortvloeiende ontworpen producten, systemen of diensten. Als volgende stap kunnen deze methoden worden gebruikt voor het genereren, analyseren of valideren van data ter ondersteuning van missiegedreven innovatie.

Waarom is dat belangrijk?
Ontwerpvraagstukken en maatschappelijke transities vragen om voortdurende bevraging en onderbouwing. Tijdens transities komt telkens nieuwe informatie beschikbaar die voor verandering van koers kan zorgen. Ook de mate waarin de gemaakte keuzes invloed hebben op de maatschappij en individuen vraagt continu onderbouwing en verfijning. Data kan, wanneer op een juiste manier ingezet, veel houvast geven en ondersteuning bieden bij deze vraagstukken en processen.

Wanneer pas je deze KEM’s toe?
Bij vragen zoals:

  • Hoe gebruik je data in het ontwerpproces en in de daaruit voortvloeiende ontworpen producten, systemen of diensten?
  • Hoe kan je data genereren, analyseren of valideren (ter ondersteuning van missiegedreven innovatie)?
  • Hoe verzamel je de juiste typen data waarmee je de juiste vragen kan beantwoorden?
  • Hoe zet je data direct of indirect in om geleidelijk naar meer informatie en mogelijkheden te zoeken binnen een ontwerpproces (verkennen, divergeren)?
  • Hoe zet je data direct of indirect in om keuzes te maken en onzekerheid te verminderen binnen een ontwerpproces (bepalen, onderbouwen, convergeren)?
  • Hoe selecteer en verbind je geschikte methoden? Methoden kunnen, indien weloverwogen gecombineerd, data van hoge kwaliteit genereren en zinvolle interventies faciliteren.

Welke methoden bestaan er?

Het veld van Data voor Verkenning en Onderbouwing kan weergeven worden in een ruimte die verdeeld is door de product- en probe-as, en de as van verkennen versus onderbouwen.

  • De methoden aan de linkerkant van de figuur zorgen voor een divergente beweging in een ontwerpproces, waarbij er geleidelijk naar meer informatie en mogelijkheden wordt gezocht. De methoden aan de rechterkant zorgen voor een convergente beweging, waarbij data direct of indirect gebruikt wordt om keuzes te maken en onzekerheid te verminderen.
  • De linker- en rechterzijde komen respectievelijk overeen met meer verkennende en onderbouwende ontwerpfases. Waar Data-Driven Design bijvoorbeeld meer bepalend is voor productontwerpkeuzes, is Data-Aware of Data-Inspired Design creatiever en verkennender. Dat wil zeggen dat ontwerpbeslissingen niet alleen op basis van data moeten worden genomen, maar ook op basis van manieren voor dataverzameling, en dat de juiste typen data moeten worden verzameld om de juiste vragen te beantwoorden.
  • De bovenste helft van de figuur toont methoden die zich richten op data in relatie tot een product, hetzij door middel van een onderzoeksproduct in Data-Centric Design of door te itereren op data-driven producten. De onderste helft toont benaderingen die zich richten op het betrekken van data in het ontwerpproces, in plaats van in de uitkomsten ervan. Hier wordt gebruikgemaakt van probing en van bestaande datasets om mogelijkheden te verkennen of ontwerpbeslissingen te onderbouwen. In Figuur 2 wordt de benadering voor Data-Enabled Design getoond.

Human-Data Interaction
Human-Data Interaction (HDI) omvat de principes van leesbaarheid, onderhandelbaarheid en keuzevrijheid. Leesbaarheid richt zich op het begrijpelijk en toegankelijk maken van data voor gebruikers door middel van visualisaties en interfaces. Onderhandelbaarheid houdt in dat gebruikers worden betrokken bij besluitvormingsprocessen met betrekking tot het verzamelen en gebruiken van gegevens, waardoor ze over de algemene voorwaarden kunnen onderhandelen. Keuzevrijheid benadrukt de controle en autonomie van gebruikers over hun persoonlijke data, waardoor ze controle kunnen uitoefenen op toegankelijkheid en gebruik. Haddadi et al. (2016) verdiepen zich verder in deze concepten en bespreken het belang van transparantie, interactieve toestemmingsprocessen en user empowerment binnen mens-data-interacties. Gerelateerd aan HDI kan er verder onderscheid gemaakt worden tussen methoden en hulpmiddelen om data op creatieve manieren te gebruiken.

  • Data Physicalisation maakt gebruik van de tastbare eigenschappen van materialen. Zo combineert het haptische en visuele zintuigen om speelse en verkennende activiteiten met data te bevorderen. Data physicalisation kan een dieper gevoel van betrokkenheid faciliteren door middel van onbekende en aantrekkelijke materialen (Nissen et al., 2015, Desjardins et al. 2020), waardoor de fysieke constructie van visualisatie mogelijk wordt gemaakt (Huron et al., 2014) of door middel van responsieve tastbaarheid die de input van de gebruiker waarneemt en daarop reageert.
  • Data Fiction, bijvoorbeeld in de vorm van Epics (Desjardin & Biggs, 2021), is ook een belangrijke benadering om te combineren en te contrasteren met op datawetenschap gerichte benaderingen. Het kan een manier zijn om een actief perspectief in te nemen en dialogen op de voorgrond te plaatsen. Dourish en Gómez Cruz (2018) ontrafelen en relateren de dataficatietrend aan datafictie, waarbij narratieven als de gemeenschappelijke kern van beide benaderingen worden benadrukt.
  • Het tijdselement staat centraal in alle gevallen van dataverzameling. Dit heeft geleid tot een opkomende onderzoekslijn over het bewustzijn en de perceptie van deze temporaliteit als een kernaspect van Data Interaction.
  • Nu de soma ontwerpbenadering steeds vaker wordt gebruikt in mens-computer-interactie, biedt Somatische Data (Alfaras et al., 2020) een nieuwe manier om creatief om te gaan met biometrische technologie en de biodata die het genereert, namelijk interactie met de gedigitaliseerde respons van het lichaam.

Data-Driven Design
Het kernidee achter Data-Driven Design is het benutten van gebruikersdata en -inzichten om het ontwerpproces te onderbouwen en te begeleiden, wat uiteindelijk moet leiden tot verbeterde gebruikerservaringen (King et al., 2017). Ook wordt de waarde van het combineren van verschillende gegevensbronnen om een holistisch inzicht in gebruikerservaringen te krijgen benadrukt.

  • A/B-testen is een methode waarbij twee verschillende versies van een ontwerp worden vergeleken om te zien welke beter presteert. Hierdoor kunnen ontwerpers op bewijs gebaseerde beslissingen nemen in plaats van uitsluitend op intuïtie of aannames te vertrouwen. Data-Driven Design houdt ook in dat je nauw samenwerkt met andere teams, zoals data-analisten en onderzoekers, om kwantitatieve en kwalitatieve data te integreren.
  • Een andere vorm van Data-Driven Design is het gebruik van Digital Twins, zowel bij industriële toepassing als bij maatschappelijk bewustzijn en participatieve besluitvorming. Digital twins zijn datagedreven en bieden hun gebruikers een sterke interactie met de data.

Een ander perspectief op Data-Driven Design benadrukt de integratie van data-analyse en ontwerpprocessen om gebruikersgedrag te begrijpen door data te verzamelen en te analyseren (Van Steenbergen et al., 2019). Door gebruikersinteracties en voorkeuren te onderzoeken, kunnen ontwerpers waardevolle inzichten verwerven over hoe een ontwerp wordt gebruikt en over de effectiviteit van verschillende elementen in het ontwerp. Deze data-driven benadering stelt ontwerpers in staat weloverwogen beslissingen te nemen over ontwerpverbeteringen en -optimalisaties. Door een ontwerp voortdurend te evalueren en te verfijnen op basis van gebruikersdata, kunnen ontwerpers meer gebruikersgerichte en op maat gemaakte ervaringen creëren. Dit iteratieve proces maakt het mogelijk om voortdurend te blijven leren en verbeteren, waardoor een ontwerp kan blijven voldoen aan de veranderende behoeften van de gebruikers. De integratie van verschillende soorten data, zoals kwantitatieve en kwalitatieve data, helpt om een uitgebreid inzicht te krijgen in de gebruikerservaring. Door gegevens uit enquêtes, interviews en gebruikersfeedback te combineren met kwantitatieve gegevens uit analysetools kunnen ontwerpers de motivaties, emoties en behoeften van de gebruiker beter begrijpen, wat ontwerpbeslissingen kan ondersteunen.

Data-Informed Design
Data-Informed Design is een benadering die data gebruikt om convergentie te ondersteunen, maar nog niet op besluitvorming aanstuurt. Deze benadering ondersteunt de manier waarop ontwerpers en ontwerponderzoekers nadenken over het probleem en de context (King, 2017). Het vindt zijn grondslag in iteratieve dataprototyping en interventies, waarbij data wordt gebruikt om de vele wegen van de oplossingsruimte aan te geven.

  • Zo wordt Entangled Ethnography gedefinieerd als een algemene praktijk die gebruikers, objecten en machine learning samenbrengt ter ondersteuning van ontwerpprocessen.
  • Real Time Contextual Inquiry gebruikt datastromen om discussie uit te lokken en om materiaal voor diepgaande analyse te creëren (Gorkovenko et al., 2019).
  • Data-Driven Ethnography gebruikt data van interacties om rijke contexten op te bouwen (Anderson et al., 2009).
  • Data Probes, voortbouwend op cultureel en technologisch onderzoek, zijn prototypes die ons helpen om mensen te bevragen en onder te dompelen in de mogelijkheden die data bieden en hun reacties te observeren en daarvan te leren (Bourgeois et al. 2014a).
Data-Centric Design Data-Centric Design is een opkomende mindset die kansen benut uit de vele datasporen die voortkomen uit bestaande producten, diensten en infrastructuur. In tegenstelling tot de data-driven benadering wordt data hergebruikt vanuit een operationeel en deterministisch proces naar een verkennend en divergerend ontwerpproces. Het draait om drie principes die bruggen slaan naar open science en datafeminisme:
  • Circulariteit richt zich op het minimaliseren van extra dataverzameling en moedigt in plaats daarvan datahergebruik en -herbestemming aan door toegang te krijgen tot en gebruik te maken van bestaande data via mechanismen waarin de mensen die in de data vertegenwoordigd zijn adequaat te informeren en toestemming te vragen.
  • Participatie richt zich op het aangaan van actief partnerschap met mensen om gezamenlijk betekenis en verrijking te geven aan hun data.
  • Reflexiviteit richt zich op het bevorderen van de reflectie van mensen op hun data en de reflexiviteit van ontwerpers op hun ontwerpproces.
  • The Designerly Data Donation (Gomez Ortega et al., 2022) en de tastbare representatie ervan DataSlip (Gomez Ortega, 2024) is een platform dat ontwerpers in staat stelt een oproep te doen voor participatie in de vorm van data en actieve betrokkenheid bij participatieve betekenisgeving. Het maakt gebruik van de Data-Centric Design mindset, zoekt alternatieve manieren van deelname en demonstreert hoe data een middel kan zijn voor contextueel onderzoek en een weg naar begrip van wat verantwoord datagebruik in de praktijk kan betekenen.
  • Telemetry-Informed Design (Zhang et al., 2016) toont hoe naturalistische 360-graden video’s benut kunnen worden in het ontwerpproces door de camerasensoren een nieuw doel te geven.
  • Participatory Data Analysis (Bourgeois et al., 2014b) een voorbeeld van actieve samenwerking met mensen die in de data vertegenwoordigd zijn om na te denken over de betekenis van data en manieren om dit te verrijken

Data-Enabled Design
Data-Enabled Design (DED) is een nieuwe benadering die tracht te innoveren door betrouwbare, contextuele inzichten te gebruiken en adaptieve systemen te ontwerpen die voldoen aan de individuele gebruikersbehoeften (Van Kollenburg & Bogers, 2019; Funk et al., 2024). Data-Enabled Design beschouwt data als een actieve component in het ontwerpproces, verkregen van de omgeving en echte eindgebruikers door middel van creatieve methoden. Het doel is om complexe producten en diensten te creëren die zijn ingebed in intelligente ecosystemen, die gebruikers binnen hun context begrijpen en zich aanpassen op basis van dataverzameling en -verwerking. Het Data-Enabled ontwerpproces bestaat uit zes stappen:

1. prototypes situeren in het dagelijks leven;
2. dataverzameling
3. analyse om inzichten te verkrijgen
4. ontwerpsynthese
5. data gebruiken als creatief ontwerpmateriaal
6. aanpassen van prototypes op afstand.

Deze stappen zorgen ervoor dat de ontwikkelde oplossingen datagericht zijn en in staat zijn om te leren en zich aan te passen aan de behoeften van de gebruiker binnen een intelligent ecosysteem. Het Data-Enabled ontwerpproces faciliteert twee soorten verkenningen: onderzoeksgerichte contextuele verkenning en oplossingsgerichte onderbouwde verkenning. Op deze manier zorgt Data-Enabled Design voor flexibiliteit en aanpassingsvermogen binnen het ontwerpproces. Samenvattend maakt Data-Enabled Design gebruik van data als creatief ontwerpmateriaal om de ontwikkeling van adaptieve systemen te ondersteunen die aansluiten bij de gebruikersbehoeften en contextuele inzichten (zie Figuur 3).

Via een Iterative Data-Enabled Design Loop kunnen ontwerpers voortdurend met gebruikers communiceren, gegevens verzamelen en analyseren en hun oplossingen verfijnen om gepersonaliseerde en effectieve ontwerpresultaten te creëren. Deze benadering overbrugt de kloof tussen creatieve, Data-Inspired of Data-Centric verkenningen en Data-Driven ontwerpprocessen. Hierdoor kunnen ontwerpers innovatieve en gebruikersgerichte producten en diensten kunnen creëren binnen intelligente ecosystemen.

Data voor Verkenning & Onderbouwing in de praktijk

Cases

Medeoprichter van (digital) designstudio Fabrique en voormalig professor concept design (2015-2021) Jeroen van Erp stond aan de basis van het VR-project ‘Alsof ik je al ken…’ – om sociale cohesie in de Eindhovense wijk Meerhoven te creëren. En het werkte. ‘De onderzoeksresultaten bevestigen dat het stappen in elkaars wereld door middel van VR leidt tot meer empathie voor de ander.’

Videos

Gert Franke is medeoprichter van CLEVER°FRANKE, een ontwerpbureau dat zich specialiseert in het visualiseren van data. Zo wil hij mensen in staat stellen om de wereld om hen heen op een andere manier te bestuderen.

Videos

Sabine Niederer doet onderzoek naar de beeldtaal op social media-platforms, bijvoorbeeld door te vergelijken hoe die platforms op verschillende manieren urgente maatschappelijke thema’s zoals klimaatverandering in beeld brengen.