Bijlagen

Bijlage 1. Gebruik van data door bedrijven naar bedrijfsgroep, 2017

		% van bedrijven maakt gebruik van big data	% van bedrijven maakt gebruik van data van bedrijf zelf	% van bedrijven maakt gebruik van data over geografische locaties	% van bedrijven maakt gebruik van data van sociale media	% van bedrijven maakt gebruik van andere bronnen	% van bedrijven mnalyse uitgevoerd door eigen bedrijf	% van bedrijven analyse uitgevoerd door ander bedrijf
Bedrijfstakken C-N en Q	Totaal	22	10	6	12	8	18	8
Bedrijfstakken C-N en Q	10-12 Voedings-, genotmiddelenindustrie	21	14	7	12	10	19	5
Bedrijfstakken C-N en Q	13-15 Textiel-, kleding-, lederindustrie	14	5	2	7	3	10	5
Bedrijfstakken C-N en Q	16-18 Hout-, papier-, grafische industrie	17	7	3	10	3	15	5
Bedrijfstakken C-N en Q	19-21 Raffinaderijen en chemie	30	27	2	7	10	26	13
Bedrijfstakken C-N en Q	22-23 Kunststof- en bouwmateriaalindustrie	19	14	3	6	2	18	4
Bedrijfstakken C-N en Q	24-25 Basismetaal, metaalproduktenindustrie	12	9	1	4	3	11	2
Bedrijfstakken C-N en Q	26-27 Elektrische en elektronische industrie	22	17	6	6	5	22	6
Bedrijfstakken C-N en Q	28 Machine-industrie	18	11	7	6	10	13	10
Bedrijfstakken C-N en Q	29-30 Transportmiddelenindustrie	19	7	7	13	4	15	9
Bedrijfstakken C-N en Q	31-33 Overige industrie en reparatie	19	9	6	9	6	17	6
Bedrijfstakken C-N en Q	D-E Energie, water, afvalbeheer	38	29	20	13	14	34	15
Bedrijfstakken C-N en Q	41-42 B&U en wegenbouw	19	7	10	6	3	15	9
Bedrijfstakken C-N en Q	43 Gespecialiseerde bouw	16	6	9	5	3	13	4
Bedrijfstakken C-N en Q	45 Autohandel en -reparatie	18	6	9	14	6	13	11
Bedrijfstakken C-N en Q	46 Groothandel en handelsbemiddeling	22	13	6	10	8	20	7
Bedrijfstakken C-N en Q	47 Detailhandel (niet in auto's)	29	12	7	22	13	22	15
Bedrijfstakken C-N en Q	55 Logiesverstrekking	17	6	3	13	5	14	7
Bedrijfstakken C-N en Q	56 Eet- en drinkgelegenheden	18	5	2	15	3	12	7
Bedrijfstakken C-N en Q	58-60 Uitgeverijen, film,radio en t.v.	46	10	8	40	21	39	21
Bedrijfstakken C-N en Q	61 Telecommunicatie	44	27	21	17	18	37	13
Bedrijfstakken C-N en Q	62-63 IT- en informatiedienstverlening	37	20	13	23	23	36	7
Bedrijfstakken C-N en Q	6419-6492 Banken	32	20	8	19	14	32	4
Bedrijfstakken C-N en Q	651-652 Verzekeringen	51	18	7	16	44	46	30
Bedrijfstakken C-N en Q	6612-6619 Financiële advisering	32	24	7	21	22	28	12
Bedrijfstakken C-N en Q	68 Verhuur en handel van onroerend goed	12	3	1	4	9	8	5
Bedrijfstakken C-N en Q	69-70 Juridisch en managementadvies	22	9	3	10	11	20	8
Bedrijfstakken C-N en Q	71 Architecten-, ingenieursbureaus e.d.	26	18	9	9	13	24	9
Bedrijfstakken C-N en Q	72 Research	33	21	6	12	21	30	13
Bedrijfstakken C-N en Q	73 Reclamewezen en marktonderzoek	33	10	10	25	20	26	11
Bedrijfstakken C-N en Q	74-75 Overige professionele diensten	35	15	7	21	14	33	12
Bedrijfstakken C-N en Q	77 Verhuur van roerende goederen	30	12	17	21	11	26	12
Bedrijfstakken C-N en Q	78 Uitzendbureaus en arbeidsbemiddeling	18	5	4	15	5	17	6
Bedrijfstakken C-N en Q	79 Reisbureaus, reisorganisatie en -info	33	14	11	22	20	32	20
Bedrijfstakken C-N en Q	80-82 Overige zakelijke dienstverlening	18	7	8	10	3	15	6
Bedrijfstakken C-N en Q	86 Gezondheidszorg	16	6	1	5	10	11	8
Bedrijfstakken C-N en Q	87-88 Verzorging en welzijn	14	3	2	8	5	10	6
Bron: CBS

Download CSV

Bijlage 1 Vraagstelling enquête ICT-gebruik bedrijven

De module over het gebruik van big data uit de enquêtes ICT-gebruik bedrijven 2016, 2017 en 2018

Big data analyse
Met 'big data'1 bedoelen we hier informatie die wordt gegenereerd uit elektronische activiteiten van gebruikers, en uit onderlinge communicatie tussen apparaten (machine-to-machine). Het gaat bijvoorbeeld om gegevens die voortkomen uit het gebruik van sociale media, en uit productieprocessen in een bedrijf. Big data analyse is het gebruik van technieken, technologieën en software-tools voor analyse van big data uit het eigen bedrijf, of uit andere gegevensbronnen.

1. Heeft uw bedrijf in 2015 big data geanalyseerd uit de volgende bronnen:
Analyses die andere bedrijven hebben uitgevoerd voor uw bedrijf tellen ook mee

• data van het bedrijf zelf, uit apparaten of sensoren? Ja/Nee
  (bijv. uit onderlinge communicatie tussen apparaten (machine-to-machine), digitale sensoren,

Radio Frequency Identification tags (RFID)

• data over geografische locaties uit het gebruik van draagbare apparaten? Ja/Nee
  (bijv. apparaten die mobiele-telefoonnetwerken, draadloze verbindingen of GPS gebruiken)

• data afkomstig van sociale media? Ja/Nee
  (bijv. sociale netwerken zoals Facebook, blogs en microblogs zoals Twitter, en websites die multimedia delen zoals YouTube)

• andere bronnen van big data? Ja/Nee

2. Wie heeft in 2015 voor uw bedrijf big data geanalyseerd?

• Medewerkers van uw eigen bedrijf Ja/Nee

Inclusief medewerkers van moeder-, dochter- of zustermaatschappijen

• Een ander bedrijf Ja/Nee

Toelichting

1Big data
Big data hebben meestal kenmerken zoals:

• grote hoeveelheden gegevens die in de loop van de tijd zijn gegenereerd;
• grote diversiteit van de gegevens doordat er verschillende indelingen van complexe data bestaan, gestructureerd of ongestructureerd. Het gaat bijvoorbeeld om gegevens in de vorm van tekst, video, afbeeldingen, spraak, documenten, sensorgegevens, activiteitenlogboeken, 'click streams', en coördinaten;
• hoge omloopsnelheid: de data worden in hoge snelheid gegenereerd, beschikbaar gesteld en gewijzigd.

2 RFID
Radio Frequency Identification (RFID) is een manier om voorwerpen automatisch te herkennen via radiogolven. RFID-chips kunnen aan een voorwerp worden bevestigd en via radiogolven gegevens overbrengen. Deze techniek wordt bijvoorbeeld gebruikt in plaats van een streepjescode.

De module over het gebruik van big data uit de enquête ICT-gebruik bedrijven 2020

Big data analyse

1Big data analyse:
Met Big data bedoelen we hier informatie die wordt gegenereerd uit elektronische activiteiten van gebruikers, en uit onderlinge communicatie tussen apparaten (machine-to-machine). Het gaat bijvoorbeeld om gegevens die voortkomen uit het gebruik van media, en uit productieprocessen in een bedrijf.
Big data hebben meestal kenmerken zoals:

• Grote hoeveelheden gegevens die in de loop van de tijd zijn gegenereerd;
• Grote diversiteit van de gegevens doordat er verschillende indelingen van complexe data bestaan, gestructureerd of ongestructureerd. Het gaat bijvoorbeeld om gegevens in de vorm van tekst, video, a􀄩eeldingen, spraak, documenten, sensorgegevens, activiteitenlogboeken, click streams en coördinaten;
• Hoge omloopsnelheid: de data worden in hoge snelheid gegenereerd, beschikbaar gesteld en gewijzigd.

Big data analyse is het gebruik van technieken, technologieën en software tools voor analyse van big data uit het eigen bedrijf, of uit andere gegevensbronnen.

2 RFID
Radio Frequency Identification (RFID) is een manier om voorwerpen automatisch te herkennen via radiogolven. RFID-chips kunnen aan een voorwerp worden bevestigd en via radiogolven gegevens overbrengen. Deze techniek wordt bijvoorbeeld gebruikt in plaats van een streepjescode

1. Heeft uw bedrijf in 2019 big data1 geanalyseerd uit de volgende bronnen:
Analyses die andere bedrijven hebben uitgevoerd voor uw bedrijf tellen hier NIET mee
a) Gegevens van ’slimme’ apparaten of sensoren? Ja/Nee
Bijv. uit onderlinge communicatie tussen apparaten(machine-to-machine), digitale sensoren, RFID2
b) Data over geografische locaties uit het gebruik van draagbare apparaten? Ja/Nee
Bijv. apparaten die mobiele-telefoonnetwerken, draadloze verbindingen of GPS gebruiken
c) Data afkomstig van sociale media? Ja/Nee
Bijv. sociale netwerken zoals Facebook, blogs en microblogs zoals Twitter,
en websites die multimedia delen zoals YouTube
d) Andere bronnen van big data? Ja/Nee
F.2. Welke van de onderstaande technieken heeft uw bedrijf gebruikt bij de big data analyses?
a) Machine learning Ja/Nee
Machine learning bijvoorbeeld ’deep learning’, betreft het ’trainen’ van een computermodel
om beter automatisch een taak uit te voeren, zoals het herkennen van patronen
b) Spraakverwerking Ja/Nee
Dit betreft de mogelijkheid om met een computerprogramma gesproken
taal te begrijpen, in leesbare vorm digitaal op te slaan en te genereren
c) Andere methoden van big data analyse Ja/Nee

3. Heeft uw bedrijf in 2019 big data analyses uit laten voeren door een ander bedrijf? Ja/Nee

4. Heeft uw bedrijf het gebruik van big data ooit overwogen? Ja/Nee
Zowel door het eigen personeel als door een ander bedrijf of instelling

5. Zijn een of meerdere van de onderstaande factoren een reden voor uw bedrijf af te zien van big data analyses?
a) De kosten lijken hoger dan de baten Ja/Nee
b) Onvoldoende kennis en vaardigheden Ja/Nee
c) Onvoldoende big data bronnen, zowel binnen als buiten het bedrijf Ja/Nee
d) Te gebrekkige ICT-infrastructuur om big data analyses mee uit te voeren Ja/Nee
e) Problemen om te voldoen aan de privacywetgeving Ja/Nee
f) Big data analyse heeft geen prioriteit binnen het bedrijf Ja/Nee
g) Onvoldoende kwaliteit van de big data bronnen Ja/Nee
h) Big data analyses lijken niet zinvol voor het bedrijf Ja/Nee
i) Andere redenen Ja/Nee

6. Heeft uw bedrijf in 2019 (toegang tot) zelf verzamelde big data verkocht
aan derden? Ja/Nee
Bijvoorbeeld gegevens van ’slimme’ apparaten en sensoren van uw bedrijf
of gegevens van klanten van uw bedrijf

7. Heeft uw bedrijf in 2019 (toegang tot) door derden verzamelde big data gekocht? Ja/Nee
Bijvoorbeeld gegevens van ’slimme’ apparaten en sensoren van een ander bedrijf
of gegevens van klanten van een ander bedrijf

Bijlage berekenen van gewichten

Hier beschrijven we hoe we de gewichten en de schattingen voor gewerkte uren en ontvangen loon voor 2014 berekenen. De aantallen wijken af van bijlage tabel 4, want daarin is een andere selectie van beroepen gekozen. Voor de eindresultaten van deze exercitie, het gewicht per persoon, maakt dit niet uit.
In jaar 2014 hebben we N₂₀₁₄ = 8222 respondenten van de geselecteerde beroepen. Met behulp van de EBB-jaargewichten kunnen we de schatting van het totale aantal personen in Nederland met deze beroepen in 2014 berekenen, dat is 963426,5. Het jaargewicht geeft aan het aantal personen dat de betreffende respondent in de gehele Nederlandse populatie vertegenwoordigt. Voor deze personen willen we het totaal aantal gewerkte uren en het loon dat ze verdienen per bedrijfstak vinden. Dit kunnen we doen door deze 8222 personen aan de Polis-gegevens te koppelen. De EBB is echter een op adressen gebaseerd steekproef en hoewel het een vrij grote enquête is, weten we dat de schattingen van de gewerkte uren en de lonen waarschijnlijk vertekend zijn. Om de populatie van de geselecteerde beroepen van 2014 te vergroten, hebben we de EBB-respondenten uit de jaren 2013 en 2015 van dezelfde beroepen aan onze data toegevoegd. We gaan ervan uit dat mensen over het algemeen binnen een jaar niet van beroep veranderen. Daarom veronderstellen we dat personen in EBB 2013 en 2015 met de beroepen uit onze lijst in 2014 hetzelfde beroep hadden.
Op deze manier verdrievoudigen we onze steekproefomvang. In 2013 zijn er N₂₀₁₄= 8536 EBB respondenten met de geselecteerde beroepen en in 2015 N₂₀₁₅= 8607. Deze respondenten leiden tot 947604,5 en 975427,1 geschatte totalen voor het aantal personen in Nederland, respectievelijk in de jaren 2013 en 2015. Met N₂₀₁₄ noteren we de schatting van het totale aantal van de geselecteerde beroepen in heel Nederland in 2014:

$$N_{2014} =\sum_{beroepen} w_{i,2014}^{EBB}$$

Hier staat w^EBB voor het jaargewicht van de EBB respondent i. Definieer op dezelfde manier door N₂₀₁₃ en N₂₀₁₅ de schattingen van de totalen in 2013 en 2015. Wanneer we de respondenten uit 2013 en 2015 in onze steekproef opnemen, moeten we hun gewichten aanpassen:

$$w_{i,2013}^1\frac{w_{i,2013}^{EBB}}{N_{2013} +N_{2014} +N_{2015} }N_{2014},\ \ i=1,...,n_{2013}$$

$$w_{i,2013}^1\frac{w_{i,2013}^{EBB}}{N_{2013} +N_{2014} +N_{2015} }N_{2014},\ \ i=1,...,n_{2013}$$

$$w_{i,2015}^1\frac{w_{i,2015}^{EBB}}{N_{2013} +N_{2014} +N_{2015} }N_{2014},\ \ i=1,...,n_{2015}$$

Als we al deze gewichten optellen, hebben we in 2014 N₂₀₁₄ personen met de geselecteerde beroepen, precies het totaal wat we willen hebben, 963426,5. Vervolgens hebben we al deze respondenten aan Polis-data van 2014 gekoppeld. Er waren enkele respondenten die we niet konden linken. Na het verwijderen van enkele dubbele records en het linken met de Polis data van 2014, hebben we 21790 personen met de alle variabelen van belang. We moeten de gewichten ook corrigeren voor deze verloren respondenten:

$$w_{i,2013}^2\frac{w_{i,2013}^1}{N_{2013}^{Polis} }N_{2013}$$

$$w_{i,2014}^2\frac{w_{i,2014}^1}{N_{2014}^{Polis} }N_{2014}$$

$$w_{i,2015}^2\frac{w_{i,2015}^1}{N_{2015}^{Polis} }N_{2015}$$

Hier staat N^Polis  voor de EBB-respondenten die aan de Polis-gegevens hebben kunnen koppelen. Uit de gekoppelde gegevens verkrijgen we de schattingen van lonen en gewerkte uren voor de geselecteerde beroepen voor elke bedrijfstak. Hiervoor moeten we de gewerkte uren of lonen vermenigvuldigen met de gecorrigeerde gewichten. Echter, sommige respondenten hebben meer dan één baan en deze banen kunnen in verschillende bedrijfstakken zijn. Voor deze personen moeten we hun gewichten naar deze bedrijfstakken verdelen. Dat doen we volgens de bijbehorende variabele. Stel bijvoorbeeld dat een persoon X van EBB 2015 in industrie A en B, respectievelijk H_A en H_B uren werkte en S_A en S_B lonen ontving. Het gewicht voor deze persoon voor bedrijfstak A bij de berekening van de gewerkte uren wordt dan:

$$w_{X,2015}^{3H}=\frac{w_{X,2015}^2}{H_A+H_B }*H_A$$

Op dezelfde manier kunnen we het gewicht voor bedrijfstak B berekenen. Het gewicht voor deze persoon voor bedrijfstak A bij de loonberekening wordt dan:

$$w_{X,2015}^{3S}=\frac{w_{X,2015}^2}{S_A+S_B }*S_A$$

Hetzelfde geldt voor het gewicht voor bedrijfstak B.

[5] Bedrijven met 10 en meer werkzame personen.

[6] Bedrijven met 2 en meer werkzame personen.

[7] Bedrijven met 2 en meer werkzame personen.