Een van de basisprincipes die elke consultant zou moeten beheersen is het MECE principe. MECE staat voor Mutually Exclusive, Collectively Exhaustive. Het is een allesomvattende, gestructureerde en effectieve aanpak voor dataproblemen. Hoe pas je het MECE principe toe? Wanneer is dit van belang? En wat levert het op? Lees verder en je voorkomt voortaan dubbel werk en presenteert je analyses duidelijker.
The goal is to turn data into information, and information into insight.
Carly Fiorina
Wat is MECE?
MECE staat voor Mutually Exclusive, Collectively Exhaustive en in het Nederlands betekent dat zoveel als wederzijds exclusief en gezamenlijk compleet. Laten we deze twee termen, wederzijds exclusief en gezamenlijk compleet, individueel bekijken.
Mutually Exclusive, of wederzijds exclusief, betekent dat de categorieën die je gebruikt voor het opdelen van data niet overlappen. Datapunten mogen niet in meerdere categorieën in te delen zijn.
Collectively Exhaustive, of gezamenlijk compleet, betekent dat de categorieën die je kiest alle data in de dataset omvatten.
Waarom is MECE van belang?
Wanneer je data analyseert en wilt opdelen in subgroepen, dan is het van belang dat je daarbij MECE als uitgangspunt hanteert. Zo voorkom je dat dezelfde datapunten meermaals worden meegenomen in je analyse of dat je data over het hoofd ziet.
Wat is het probleem als je data niet volgens dit principe verwerkt en presenteert? Neem als voorbeeld onderstaande categorieën voor het onderverdelen van een groep mensen naar leeftijd:
- Categorie 1: 0-20 jaar
- Categorie 2: 20-40 jaar
- Categorie 3: 40-60 jaar
- Categorie 4: 60-80 jaar
- Categorie 5: 80 jaar en ouder
Zie je het probleem met deze categorisering? Stel je wilt iemand van 40 jaar indelen, in welke categorie doe je dat dan? In categorie 2 of 3? Of in beiden? Doordat de laatste waarde in de ene categorie gelijk is aan de eerste waarde in de volgende categorie loop je het risico datapunten dubbel mee te nemen of één categorie te bevoordelen ten opzichte van een andere.
Bovenstaand voorbeeld illustreert waarom je categorieën wederzijds exclusief moeten zijn. Hoe zit dat met de noodzaak gezamenlijk compleet te zijn? Laten we ditmaal een groep mensen, bijvoorbeeld je collega’s, indelen op basis van de sporten die ze beoefenen. Stel dat je een overzicht maakt van alle mogelijke sporten die je kan bedenken, van voetbal tot parachutespringen en van schaken tot lacrosse. Dan is dat overzicht niet gezamenlijk compleet. Er zullen namelijk ook collega’s zijn die helemaal geen sport beoefenen.
Dit eenvoudige voorbeeld laat zien dat collective exhaustiveness, of gezamenlijke compleetheid, lastiger te toetsen is dan wederzijdse exclusiviteit. Het is lastig de blinde vlekken in je analyse te zien.
Wanneer pas je MECE toe?
De eerdere voorbeelden tonen het belang van MECE aan wanneer het gaat over data-analyse. Pa sit principe dus toe wanneer je een onderverdeling maakt in producten, markten, groepen mensen, of welke subcategorieën dan ook. Het principe is echter breder toepasbaar dan alleen voor pure data-analyse.
Maak je een mappenstructuur aan voor het bewaren van bestanden, werk je aan de menu-structuur op je website, wil je een projectgroep opdelen in kleinere teams of wil je boeken categoriseren? In al deze gevallen biedt MECE daar een goed uitgangspunt voor. Je voorkomt dubbel werk en zorgt dat aan alle onderwerpen wordt gedacht.
Het MECE principe is overigens niet heilig. Alleen als je doel is data eenduidig en gestructureerd weer te geven is MECE een belangrijk fundament. Is je doel bijvoorbeeld de vindbaarheid van je content, dan kan het juist goed zijn een component in meerdere categorieën terug te vinden. Een goed voorbeeld daarvan zijn de categorieën waarin ik artikel op deze website plaats. Het maakt mij niet uit in welke categorie een bezoeker het gewenste artikel vindt, zolang deze maar vindbaar is wanneer daarnaar wordt gezocht.
Aan de slag met dit principe
Dit principe helpt je dus om effectiever aan de slag te gaan met problemen waarbij data-analyse een belangrijke rol speelt. De structuur biedt houvast voor het volledig en efficiënt oplossen van complexe vraagstukken.
Initieel zal je nog regelmatig de fout in gaan. Je categorieën overlappen of de analyse is incompleet, waardoor je deze opnieuw moet uitvoeren. Het vergt enige oefening, maar wanneer je jezelf dit principe eigen hebt gemaakt, dan kan je complexe problemen sneller en beter oplossen.
Data is like garbage. You’d better know what you are going to do with it before you collect it.
Mark Twain