Smb verktøysett: hvordan velge riktig datavisualisering

Regneark har vært en bærebjelke i virksomheten så lenge at noen mennesker har problemer med å la dem gå. Imidlertid har de fleste virksomheter i dag flyttet forbi det flyktige trekket av nostalgi til fordel for kraftigere selvbetjente forretningsintelligensverktøy (BI). Det er mange grunner til at disse verktøyene er overlegne et regneark, men det mest åpenbare er muligheten til å enkelt produsere effektive og overbevisende datavisualiseringer. At en faktor oppveier tungt ethvert argument til støtte for regneark av en enkel grunn: Menneskelige hjerner absorberer og behandler visuelle representasjoner av informasjon raskere og bedre enn de gjør.

Denne menneskelige forkjærligheten for bilder over antall er langt fra en nylig oppdagelse. Historien viser oss at konseptet er blitt vellykket testet over tid, fra tidlige huletegninger til moderne universelle trafikkskilt som er anerkjent over hele verden uansett språk. Et blikk på bildebaserte meldinger, og informasjonen forstås uansett språk eller matteferdigheter. Moderne datavisualiseringer tar det kraftige kommunikasjonsmediet til et helt nytt nivå, og infunderer de rike diagrammer og grafer generert med rikdata.

Å velge riktig datavisualisering er imidlertid ikke bare et spørsmål om å velge et kakediagram over et søylediagram eller spredningsdiagram. Det er ikke så enkelt som å velge tradisjonelle fremfor avant garde-visualiseringer, som 3D virtual reality (VR) skildringer. Det er mye mer enn personlig smak og preferanser ved spill.

Hvert element i en visualisering formidler en del av det samlede budskapet. Fra fargevalg og blekkforhold til selve dataene (og alle lagene du kan bore ned i dem), er datavisualiseringer en enkelt, bedragerisk enkel fremstilling av kompleks, datadrevet forretningsinnsikt.

Så hvilken visualisering bør du velge? Til syvende og sist er valget opp til deg å identifisere den visuelle representasjonen som best passer meldingen du prøver å sende med dataene du presenterer. Her er tingene du trenger å vite for å ta en informert og strategisk beslutning.

Typer visualiseringer

Jeg vil ikke kjede deg med å sammenfange alle de prøvde-og-tru-tingene. Hvis du har vært i virksomhet i en betydelig periode eller jobbet med data utover å bare legge dem inn i programvare, er du allerede kjent med de tradisjonelle visualiseringsformene: kakediagrammer, stolpediagrammer, linjediagrammer, spredningsdiagrammer og kart med symboler. Disse, blant andre grafiske fremstillinger, er generelt organisert av to eller tre funksjoner, inkludert tid, antall enheter og kostnader eller salg.

Det er ingenting galt med denne gruppen visualiseringer. De har vært i bruk i lang tid med god grunn: de jobber.

Ja, veldig kjent deres publikum betyr at publikum ikke trenger å stoppe og finne ut skjemaet før de kan forstå meldingen. Det er akkurat det du vil skje. Så hvorfor skulle du ikke stoppe her og velge en av disse? Eller, som er et alternativ i mange BI-apper, la programvaren velge en for deg?

Fordi ikke hver analytisk utgang kan eller bør uttrykkes i en så forenklet transport. Et trafikklys reduseres til tre funksjoner fordi det bare er tre meldinger å formidle: gå, sakte og stopp. Hvis du vil si noe annet, må du legge til et nytt visuelt. Kanskje et skilt som lyder "Ingen høyre slå på rødt", eller kanskje vil du legge til en annen stopplys bare for svingbanen. I dashboards og rapporter kan alle de tillagte visuelle bildene hoper seg opp, og når publikum kommer til slutten av haugen, har de glemt hvordan denne informasjonen forholder seg til den første eller andre visuelle bilder i bunken. Det er verken effektivt eller lærerikt. Videre kan bruk av for mange visualiseringer føre til tretthet fra brukerne. Meldingen går tapt på sinnet som vandrer.

I alle fall kjenner du disse visualiseringene allerede. La oss gå videre og vurdere nyere former.

'Twixt og' Tween

Denne klassen av visualiseringer skildrer flere funksjoner enn den tradisjonelle gruppen, men meldingen har en tendens til å være en enkelt. Tenk for eksempel på "ordskyen." Denne visualiseringen måler mange ord i forhold til hverandre, slik at hvert ord er avbildet i størrelse i forhold til dets bruk sammenlignet med de andre ordene. Farger kan brukes til å skildre undergrupper i gruppen, eller annen informasjon, eller bare for å gjøre det lettere å se de enkelte ordstørrelsene på et øyeblikk.

Når kan et ord skyvisualisering være bra å bruke? Det er flere brukssaker, inkludert kunde / brukerstemning på sosiale medier, eskalerende og / eller avtrapping av kundespørsmål i kundesentre, kundehenvendelser om spesifikke produkter, produktsalg og andre saker. Andre eksempler på denne typen sees ofte i infografikk når de skildrer data basert på et tema.

Forhandlervennlig, men brukervennlig

Så er det visualiseringene som BI-leverandører er stolte av å tilby, men få kjøpere og brukere forstår. Men vent, kan du si. Hvis jeg ikke kan se på en visualisering og fortelle hvordan det fungerer, hvordan kan publikum finne ut hva dataene forteller dem?

Det er sant at visualiseringen noen ganger inneholder informasjonen, men ikke klarer å levere den. Ta for eksempel Vincent van Goghs "The Starry Night" som han malte i 1889. Det ikoniske verket skildrer nøyaktig vindturbulens, men ingen matematiker eller vitenskapsmann anerkjente den forståelsen før hundre år senere. Snakk om å ikke levere informasjonen.

"Forskere har i århundrer kjempet for å beskrive turbulent flyt - noen sies å ha vurdert problemet som hardere enn kvantemekanikk, " ifølge en rapport i Nature. "Flere av van Goghs arbeider viser Kolmogorov som skalerer i luminanssannsynlighetsfordelingene. For øyet kan dette mønsteret sees på virvler i forskjellige størrelser, inkludert både store virvler og små virvler som er laget av børstearbeidet."

Mens suksess for enhver visualisering avhenger i det minste delvis av betrakterens perspektiv og kunnskap, er informasjonen noen ganger så kompleks at den krever mer sofistikerte og eksakte visualiseringer. Ellers går informasjonen tapt i transporten eller oversettelsen.

Noen BI-leverandører tilbyr dette nivået av raffinement i visualiseringspalettene. Et Sankey Diagram, som er veldig nyttig når det gjelder å beskrive informasjonsflyten i et datasett, er ett eksempel.

"For eksempel kan denne visualiseringen vise prosessen som en bankkunde overfører penger gjennom, ved å måle kontantstrømmen per transaksjon. Sankey-diagrammer er nyttige når som helst du vil vise informasjonsflyt over forskjellige trinn i en prosess, " forklarte Daphne Tan, Product Marketing Manager hos MicroStrategy, som produserte Sankey Diagram-visualiseringen nedenfor.

Det kan ta litt arbeid å lære publikum å lese noen av de mer sofistikerte visualiseringene. Det er imidlertid vel verdt det hvis du regelmessig trenger å formidle mer enn generalisert informasjon og ikke ønsker å hente en van Gogh. Imidlertid vil du finne mange målgrupper som allerede er kjent med disse mer eksakte beregninger og datarepresentasjoner, inkludert statistikere, ingeniører og mange fagpersoner som arbeider i vitenskapen.

Her er en kort beskrivelse av noen av visualiseringene i denne kategorien som er verdt å vurdere og hvor du ønsker å bruke dem:

1. Arc Diagrams: Disse diagrammer er unikt i stand til å representere komplekse mønstre i strengdata, noe som betyr sekvenser som ofte også inneholder repeterende sekvenser. Tenk DNA og strømming av data fra Internet of Things (IoT). Du finner mer detaljert informasjon om Arc Diagrams i dette papiret fra IBM Research.

2. Sunburst Chart: Også kalt flernivå-kakediagrammer, og disse brukes først og fremst til å visualisere hierarkale data ved å bruke konsentriske sirkler. Du kan opprette disse i Microsoft Excel, for eksempel. Nedenfor er et eksempel:

3. Streamgraf: Microsoft og GitHub beskriver et streamgraf som "et stablet områdekart med jevn interpolering, ofte brukt til å vise verdier over tid." En flytende organisk form dannes i denne grafen, og resultatet kan være både krevende og irriterende. Fortsatt har den veldig gyldige bruksområder som å vise datasett med høyt volum for å finne trender og mønstre over tid i en lang rekke kategorier. Ja, dette er en åpen kildekodevisualisering, slik at du kan få den i Microsoft Office-butikken eller på GitHub.

4. Hyperbolic Tree: Også kalt en hypertree, denne visualiseringen er inspirert av hyperbolic geometry og er i utgangspunktet en måte å tegne et veldig stort tre på et begrenset sted, samtidig som du unngår å lage en klatt. Du legger alt på en disk i stedet for på et flatt plan slik at grener lenger bort ser mindre ut. Men du kan dra dem til deg, slik at de blir større og enklere å undersøke. Hyperboliske trær viser stor informasjon med detaljer og kontekst innenfor ett syn (i motsetning til personsøking eller på annen måte tilkalle og fremstille kornformede detaljer i en annen visning).

Visualiseringer hentet fra ny teknologi

Det er så mange forskjellige typer visualiseringer tilgjengelig i dag, du kan forvente at alle tenkelige måter å visuelt skildre data på, allerede er gjort tilgjengelige. Akk, nei. Nye teknologier og brukssaker gyver nødvendigvis også nye visualiseringsformer.

Augmented reality (AR) og virtual reality (VR) systemer kommer øyeblikkelig i tankene. BI-leverandører jobber allerede med unike visualiseringer for disse systemene. Et eksempel er Vantage Data Centers 'nye datavisualiseringssystem i et 3D, VR-aktivert virtuelt turnussystem. Det ser slik ut:

"Vi lanserte først concept3D-plattformen i mai 2017 for å hjelpe oss med å markedsføre vårt nye datasenteranlegg i Santa Clara som den gang var under bygging. Plattformen er utrolig når du prøver å markedsføre et bygg som ikke eksisterer, "sa Steve Lim, visepresident og sjef for markedsføring ved Vantage Data Centers.

Data vises som et overlegg på skjermen i VR, men det stedet alene ville være for begrensende.

"På kort sikt forventer vi at de fleste av våre kunder og ansatte bruker systemet uten VR på skrivebordet eller mobilen. Det er imponerende å se for første gang, og det er et stort potensial for hvordan dette systemet kan hjelpe oss med drift og tilgang til reelle -tidsdata fra hvor som helst i verden, "la Lim til.

Velg i henhold til oppgaven

Hver type visualisering er bygget for en spesifikk analytisk oppgave som distribusjon, komposisjon, forhold eller sammenligning. Forsikre deg om at du forstår hver oppgave og velg visualiseringer deretter. For eksempel er det en relasjonsstudie å forstå produktsalg på høytider som jul. Gode ​​visualiseringsvalg for det ville være spredningsdiagrammer, ordskyer og Venn-diagrammer.

Å forstå om strøk eller dekk selger bedre er en sammenligningsskildring. Søylediagrammer, kakediagrammer, kulekart og linjediagrammer er gode valg her. Å skildre markedsandeler og konkurranseanalyse er en sammensetningsoppgave. Vurder stablede stolper / områdekart, kakediagrammer, fossefall eller et av trekartene, avhengig av hvor mye informasjon i konteksten du trenger å vise.

Distribusjonsoppgaver innebærer å forstå hvilke typer varer som blir sendt til hvilke butikker og / eller lagret på hvilke lager, samt visualisere hvordan ressurser fordeles av myndigheter per forskjellige demografier. Gode ​​visualiseringsvalg inkluderer histogrammer, stripediagrammer og boksdiagrammer.

"I dette tilfellet ønsker vi et syn der vi kan se alle data på en gang og prøve å finne et utvalg av verdier, former eller outliers, " forklarer Patrik Lundbald, Visualization Advocate ved BI og visualiseringsprogramvareselskapet Qlik.

Sjekkliste for valg av visualisering

1. Kjenn målgruppen din: Velg en visualisering som publikum mest sannsynlig vil finne relatable og engasjerende. Så hvis morsomme hotdogs i en infografisk fremstilling av fortausselgerens salg best er, kan du gå med det. Men ikke skvem med informasjon hvis du formidler den til et publikum som er gjennomsyret av statistikk, datavitenskap, ingeniørfag eller andre topphylleferdigheter. Velg en visualisering som vil gi detaljene og konteksten de trenger for å handle på informasjonen, uten å måtte sortere gjennom en tilsynelatende uendelig bunke med beslektede visualiseringer.

2. Gjør klarhet til din toppprioritet: Vær tydelig og vær konsis, selv med svært detaljert og sammensatt informasjon. Målet ditt er å produsere lettlest visualiseringer selv om innholdet er annet enn.

3. Vær oppmerksom på hver detalj: Så du vil at søylediagrammet i denne BI-appen skal formidle dette stykke informasjon. Men forholder stolpene riktig til hverandre, eller er skalaen av? Detaljer betyr noe. Alt i enhver visualisering er å fortelle en historie. Forsikre deg om at du forteller historien du mente å fortelle.

4. Planlegg å forhindre brukertrøtthet: For mange visualiseringer blir trette for seeren, i likhet med ukjente skildringer eller altfor kompleks grafikk. Gi informasjonen i en presis og kort fortelling slik at seeren forblir engasjert og husker hva de lærte. Begrens antall visualiseringer i dashbord og rapporter.

5. Test visualiseringsformer: Visualiseringer er som vitser. Hvis du må forklare dem, mislyktes du. Den må kunne formidle informasjonen med minimal tekst. Før du begynner å bruke en visualisering rutinemessig, kan du teste den på folk som ikke er i nærheten av emnet. Velg personer som må finne informasjonen i visualiseringen i stedet for de som allerede vet den. Er de opplyst eller forvirret? Hvis du er forvirret, velger du en annen visualiseringsform eller forbered deg på å utdanne publikum.

"Med mindre det er spesialisert informasjon som krever dyp kunnskap innen kunstig intelligens, blockchains, petechial blødning eller kvantefysikk, tjener visualiseringen best leseren når den kan tolkes på egen hånd, ikke bare med artikkelskonteksten, " sa Mark Nicholson, visepresident av markedsføring og forretningsutvikling hos NiceJob, et selskap som bygger omdømme og bygger på sosiale medier / kunder.

6. Husk van Gogh: Kompleks informasjon kan gå tapt i en villedende enkel skildring. Derfor kan en enkel visualisering kanskje ikke være det riktige valget. Fokuser på å formidle informasjonen, det er det som er viktig. Van Gogh lærte oss at farger ikke er den eneste eller den beste måten å raskt formidle informasjon på. Van Goghs "praktfulle børstearbeid benyttet seg av en egenskap kjent som luminans, et mål på den relative lysstyrken mellom forskjellige punkter. Øyet er mer følsomt for lysforandring enn for fargeendring, noe som betyr at vi reagerer raskere på endringer i lysstyrke enn i farger, "rapporterte NPR. Bruk varierende lysnivåer så vel som farger for å fremheve informasjon eller vise bevegelse.

7. Lær nye leverandørs visualiseringer: Be om opplæringsprogrammer, eksempler og annen informasjon om visualiseringer som tilbys av en leverandør som du ikke forstår. Det er bedre å lære på jobben enn å holde seg til visualiseringene du allerede kjenner. Hvorfor? Fordi teknologien endrer seg, og som den gjør det, vil enda nyere former for visualiseringer vises. Det er som å aldri oppdatere eller oppgradere telefonen din. Før eller siden vil du ikke kunne nå noen.

8. Noen ganger er automatisert best: Noen BI-leverandører legger mye vekt på den automatiserte visualiseringsfunksjonen. Et eksempel som kommer i tankene er Salesforce Einstein Analytics. Selskapet har mange års erfaring med analyse av kunder, salg og markedsføring, som dateres tilbake til CRM-dagene. Deres automatiserte visualiseringer gjenspeiler den opplevelsen. Så hvis du skal gjennom salg og kundedata dag etter dag, er du en lit på Einstein for å håndtere visualiseringene en smart og praktisk løsning. Det er ingen grunn til å finne opp hjulet på nytt.

9. Tenk på fortellingen: Velg visualiseringer som forbedrer fortellingen din, som forteller en historie. Ellers er du tilbake til å skildre tall, og dine forretningskolleger eller sjef vil ikke absorbere og beholde informasjonen også. Forsikre deg om at representasjoner er i sammenheng, bruk riktige mål (f.eks. Absolutte verdier kontra relative), og sjekk for skala. Bruk farger for å fremheve viktige punkter, men begrens antall farger du bruker. Visualiseringen i seg selv skal ikke være betrakterens fokus, innholdet skal være.

10. Husk oppgaven din: Husk at visualiseringer er designet for visse oppgaver og bruk dem deretter. Imidlertid er enkelt nesten alltid bedre enn komplekst. Målet er å finne de beste, raskeste og tydeligste virkemidlene for å overføre informasjon fra maskiner til mennesker.