Organisaties verzamelen steeds meer data: vragenlijsten over gedrag, leiderschap, cultuur, betrokkenheid en prestaties. Die data bevatten waardevolle informatie, maar zijn vaak ook complex. Losse cijfers of gemiddelden vertellen zelden het hele verhaal. De echte uitdaging is om te begrijpen welke patronen betekenisvol zijn en hoe die helpen bij het nemen van betere beslissingen.
Data-analyse helpt om orde aan te brengen in die complexiteit. Niet door mensen te reduceren tot cijfers, maar door te ontdekken welke samenhangende patronen groepen van elkaar onderscheiden. Dat is precies waar LASSO voor wordt ingezet.
Wat doet LASSO?
LASSO (Least Absolute Shrinkage and Selection Operator) is een analysemethode die helpt om uit veel mogelijke kenmerken precies die combinatie te selecteren die samen het best onderscheid maakt tussen groepen mensen. Denk bijvoorbeeld aan verschillen tussen teams, typen leidinggevenden of groepen medewerkers in verschillende contexten.
In plaats van te kijken naar losse kenmerken één voor één, bekijkt LASSO alle kenmerken tegelijkertijd. De methode doet daarbij twee dingen tegelijk:
- LASSO selecteert automatisch de kenmerken die daadwerkelijk bijdragen aan het herkennen van een patroon.
- Tegelijk voorkomt de methode dat het model te complex wordt of zich laat leiden door toevallige details in de data.
Kenmerken die weinig extra informatie toevoegen, worden afgezwakt of niet meegenomen. Het resultaat is een compact en overzichtelijk profiel dat laat zien welke kenmerken samen typerend zijn voor een groep.
Van losse verschillen naar samenhang
In klassieke analyses ligt de nadruk vaak op de vraag of er een statistisch significant verschil bestaat tussen groepen. LASSO stelt een andere vraag: welke combinatie van kenmerken helpt om groepen betrouwbaar van elkaar te onderscheiden?
Dat betekent dat een kenmerk wel kan verschillen tussen groepen, maar toch geen onderdeel wordt van het profiel als het weinig extra informatie toevoegt. Omgekeerd kan een kenmerk dat op zichzelf geen groot verschil laat zien, juist wél belangrijk zijn in combinatie met andere kenmerken. Zo maakt LASSO samenhang zichtbaar die in traditionele analyses vaak verborgen blijft.
Belangrijk daarbij is dat LASSO geen uitspraken doet over oorzaken of individuele personen. Het profiel is altijd een beschrijving op groepsniveau: het laat zien wat groepen typeert, niet waarom dat zo is of hoe individuen zich zouden moeten gedragen.
Hoe goed is het profiel? De rol van fit
Naast de inhoud van het profiel wordt ook gekeken naar hoe goed het profiel past bij de data. Dit noemen we de fit. Voor elk individu wordt berekend in hoeverre diens kenmerken overeenkomen met het profiel. Deze overeenkomsten worden vervolgens gemiddeld over de hele groep. De fit wordt uitgedrukt als een percentage tussen 0 en 100. Een fit van ongeveer 50 tot 60 procent wijst al op een duidelijk herkenbaar patroon; een fit boven de 60 procent duidt op een sterk profiel.
Deze manier van beoordelen sluit aan bij moderne data-analyse, waarin de kwaliteit van een model vooral wordt bepaald door de mate waarin het betrouwbare en generaliseerbare patronen herkent (Farayola et al., 20241).
Wat levert dit op in de praktijk?
LASSO helpt om complexe data terug te brengen tot profielen die:
- overzichtelijk en uitlegbaar zijn;
- gebaseerd zijn op samenhang in plaats van losse verschillen;
- richting geven aan reflectie, dialoog en advies.
Daarmee is LASSO geen vervanging van inhoudelijke expertise, maar een hulpmiddel dat focus aanbrengt en helpt om data betekenisvol te benutten in organisatievraagstukken.
Voorbeelden uit de praktijk
LASSO wordt ingezet bij uiteenlopende organisatievraagstukken waarbij inzicht in samenhangende patronen centraal staat. Zo kan de methode helpen om te begrijpen welk type leiderschap het best past bij een specifieke organisatiecultuur, door kenmerken van zeer succesvolle leidinggevenden te vergelijken met een bredere groep medewerkers.
In andere trajecten wordt LASSO gebruikt om risicoprofielen te ontwikkelen, bijvoorbeeld rondom verzuim. Door niet te focussen op één verklarende factor, maar op het geheel van samenhangende kenmerken, ontstaan handvatten om preventief en gericht te ondersteunen.
Ook bij vraagstukken rondom behoud en uitstroom biedt LASSO waarde. Door groepen medewerkers die blijven te vergelijken met medewerkers die eerder vertrekken, wordt zichtbaar welk profiel samenhangt met duurzame inzetbaarheid in specifieke functies of contexten.
Benieuwd wat LASSO kan betekenen voor jouw organisatievraag?
Bespreek je vraag met je accountmanager bij LTP of met een van onze data scientists via onderstaand contactformulier. Samen verkennen we hoe data kan helpen om patronen zichtbaar te maken en gerichte keuzes te ondersteunen.
1 Farayola, O. A., Adaga, E. M., Egieya, Z. E., Ewuga, S. K., Abdul, A. A., & Abrahams, T. O. (2024). Advancements in predictive analytics: A philosophical and practical overview. World Journal of Advanced Research and Reviews, 21(03), 240–252. https://doi.org/10.30574/wjarr.2024.21.3.2706
