Eine neue Art, Geschäftsdaten zu visualisieren

Datenvisualisierung ist wichtig für Unternehmen. Je mehr Daten Firmen sammeln, desto notwendiger wird es, visuelle Tools zu nutzen, um Muster und Ergebnisse klar zu sehen. Gute Visualisierungen helfen den Leuten, bessere Entscheidungen zu treffen. Allerdings sind viele Geschäftsanwender nicht darin geschult, effektive Visualisierungen zu erstellen. Das kann zu Missverständnissen darüber führen, was die Daten zeigen, was zu verpassten Chancen und sogar finanziellen Verlusten führen kann.

#Die Herausforderung, Visualisierungen auszuwählen

Den richtigen Weg zu finden, um Daten zu zeigen, ist oft nicht einfach. Viele Geschäftsanwender wissen nicht, welche Visualisierungsstile am besten zu ihren Bedürfnissen passen. Dadurch landen sie möglicherweise mit Diagrammen, die die Informationen nicht klar vermitteln. Verschiedene Situationen erfordern unterschiedliche Arten von Visualisierungen, und ohne Anleitung kann es für einen Benutzer, besonders einen, der kein Experte ist, schwierig sein zu wissen, was er wählen soll.

#Die Bedeutung von Dashboards

Dashboards sind leistungsstarke Werkzeuge, die helfen, Daten in einer organisierten Weise zusammenzufassen und darzustellen. Sie kombinieren verschiedene Diagramme und Tabellen, um den Nutzern einen klaren Überblick über die Informationen zu geben. Ein gut gestaltetes Dashboard ermöglicht es selbst denjenigen mit begrenzten technischen Fähigkeiten, Einblicke zu gewinnen und informierte Entscheidungen zu treffen. Allerdings werden die meisten Dashboards mit bestimmten Branchen oder Bedürfnissen im Hinterkopf erstellt, was bedeutet, dass sie möglicherweise nicht alle individuellen Anforderungen der Nutzer erfüllen.

Beim Entwerfen eines Dashboards müssen die Benutzer ihre Ziele definieren und klären, welche Daten sie darstellen möchten. Leider haben viele Benutzer kein klares Verständnis von effektiven Visualisierungstechniken. Das kann zu schlechten Dashboard-Designs führen, die ihren Bedürfnissen nicht gerecht werden.

#Bestehende Ansätze und deren Einschränkungen

Einige Studien haben versucht, Systeme zu entwickeln, die Dashboards oder Visualisierungen automatisch generieren können. Diese Systeme ermöglichen es Nutzern, Designs zu ändern oder neue visuelle Elemente hinzuzufügen, bieten aber oft nicht die Anleitung, die Benutzer benötigen, um klar auszudrücken, was sie wollen. Mit anderen Worten, Benutzer müssen normalerweise wissen, was sie wollen und wie sie es visualisieren, was eine grosse Herausforderung für jemanden ist, der nicht im Bereich Datenvisualisierung geschult ist.

Neuere Methoden wie SkyViz versuchen, etwas Anleitung zu bieten. Mit SkyViz definieren die Benutzer, was sie in Bezug auf einen „Visualisierungskontext“ wollen, der eine Reihe von Anforderungen ist. Allerdings kann es schwierig sein, diesen Kontext für nicht-expert Nutzer zu erstellen.

#Ein neuer Ansatz, um Nutzern zu helfen

Um diesen Prozess zu erleichtern, kann ein zielbasierter Modellierungsansatz den Geschäftsanwendern helfen, ihre Visualisierungsbedürfnisse effektiver zu definieren. Diese Methode beginnt damit, dass die Benutzer ihre Ziele identifizieren. Durch einen Schritt-für-Schritt-Prozess können die Nutzer klären, was sie mit der Datenvisualisierung erreichen möchten.

Der Ansatz, über den wir sprechen, hilft den Nutzern, ihre Bedürfnisse zu spezifizieren und verbindet sie mit den richtigen Arten von Visualisierungen. Der gesamte Prozess kann in mehrere Schritte unterteilt werden:

1. Ziele definieren: Die Nutzer beginnen damit, ihre Hauptziele zu formulieren. Das hilft, festzustellen, was sie aus den Daten sehen wollen.
2. Visualisierungstypen auswählen: Basierend auf den definierten Zielen können die Nutzer auswählen, welche Visualisierungstechniken am besten ihre Daten darstellen.
3. Visualisierungskontext erstellen: Dieser Kontext übersetzt die Nutzerziele in klare Parameter, die die Eigenschaften der zu analysierenden Daten definieren.
4. Automatische Empfehlungen: Das System kann automatisch die besten Visualisierungstypen basierend auf dem vom Benutzer bereitgestellten Kontext vorschlagen.
5. Validierung: Die Nutzer überprüfen, ob die generierten Visualisierungen ihren Bedürfnissen entsprechen. Wenn nicht, können sie ihre Ziele oder Anforderungen anpassen, um das Ergebnis zu verbessern.

#Wie der Prozess funktioniert

Der neue Ansatz bietet eine Struktur, damit die Nutzer ihre Visualisierungsbedürfnisse formulieren können. Hier ist ein näherer Blick darauf, wie es funktioniert:

#Schritt 1: Nutzerziele

Zu Beginn beschreiben die Nutzer, was sie erreichen möchten. Vielleicht geben sie an, dass sie Verkaufstrends verstehen oder Bereiche identifizieren wollen, in denen die Kundenbeschwerden am höchsten sind. Diese Ziele leiten den weiteren Visualisierungsprozess.

#Schritt 2: Analyseart

Nachdem sie ihre Ziele formuliert haben, müssen die Nutzer die Art der Analyse wählen, die sie durchführen möchten. Zum Beispiel möchten sie möglicherweise eine diagnostische Analyse durchführen, die darauf abzielt, die Gründe hinter einem bestimmten Ergebnis herauszufinden, wie z.B. warum der Umsatz in einer bestimmten Region gesunken ist.

#Schritt 3: Informationsziele

Als nächstes brechen die Nutzer ihre Hauptziele in kleinere, präzisere Informationsziele herunter. Wenn das Hauptziel darin besteht, Verkaufstrends zu sehen, möchten die Nutzer vielleicht die Verkäufe nach Region, Produkt und Zeitraum analysieren.

#Schritt 4: Auswahl der Visualisierung

Sobald die Informationsziele festgelegt sind, hilft das System den Nutzern, die besten Visualisierungstypen für ihre Bedürfnisse auszuwählen. Diese Auswahl basiert auf einer Kombination aus Nutzerzielen und Datenmerkmalen.

#Schritt 5: Datenprofilierung

Um sicherzustellen, dass die Visualisierungen relevant sind, schaut sich das System die Daten genau an. Dieser Prozess identifiziert wichtige Merkmale, wie zum Beispiel, wie viele verschiedene Elemente im Datensatz enthalten sind (Kardinalität) und die Art der analysierten Daten (Dimensionalität).

#Schritt 6: Erstellung des Visualisierungskontexts

Aus allen gesammelten Informationen erstellt das System einen Visualisierungskontext, der die Parameter der gewünschten Visualisierungen umreisst. Dies dient als Referenzpunkt für die Generierung visueller Inhalte.

#Schritt 7: Generierung der Visualisierungen

Schliesslich generiert das System die Visualisierungen basierend auf dem erstellten Kontext. Die Nutzer können diese Visualisierungen überprüfen, um zu sehen, ob sie ihren Bedürfnissen entsprechen.

#Nutzervalidierung

Nachdem die Visualisierungen erstellt wurden, müssen die Nutzer bestätigen, ob sie effektiv auf ihre Ziele eingehen. Dieser Validierungsprozess umfasst die Überprüfung, ob die generierten Visualisierungen es den Nutzern ermöglichen, sinnvolle Schlussfolgerungen oder Einblicke aus den Daten zu ziehen.

Wenn eine Visualisierung nicht den Bedürfnissen des Nutzers entspricht, können sie zu ihren Zielen und dem Visualisierungskontext zurückkehren, um diese zu verfeinern. Dieser Feedbackloop hilft sicherzustellen, dass die resultierenden Visualisierungen im Einklang mit den Benutzerzielen bleiben.

#Systemarchitektur

Der Prozess stützt sich auf mehrere integrierte Teile, die zusammenarbeiten, um die Nutzer bei der Definition ihrer Visualisierungsanforderungen zu unterstützen. Diese Teile umfassen:

• Modellierungswerkzeug: Ein Werkzeug, das den Nutzern hilft, ihre Visualisierungsziele und Anforderungen zu erstellen.
• Datenanalysator: Eine Komponente, die Datenquellen analysiert, um automatisch wesentliche Merkmale zu extrahieren.
• Connector: Ein System, das den Nutzern eine einfache Verbindung zu ihren Datenquellen ermöglicht.
• Visualisierungsgenerator: Ein Teil, der die besten Visualisierungen basierend auf dem Kontext des Nutzers auswählt und darstellt.

Durch die Kombination dieser Elemente bietet das System eine nahtlose Erfahrung für die Nutzer, die es ihnen erleichtert, ihre Daten zu visualisieren, ohne umfangreiche technische Kenntnisse zu benötigen.

#Illustratives Beispiel: Analyse der Steuereinnahmen

Um zu demonstrieren, wie dieser Ansatz funktioniert, betrachten wir ein einfaches Beispiel, das eine Steuerbehörde betrifft. Diese Organisation ist daran interessiert, unbezahlte Rechnungen und die Verteilung der Steuereinnahmen zu analysieren.

#Ziele identifizieren

Der Steuerbeamte definiert sein Hauptziel als die Reduzierung unbezahlter Rechnungen. Dann gibt er an, dass er eine diagnostische Analyse durchführen möchte, um zu verstehen, warum diese Rechnungen unbezahlte sind.

#Aufschlüsselung in Informationsziele

Von diesem breiten Ziel aus identifiziert der Steuerbeamte spezifische Informationsziele:

• Standorte mit den höchsten unbezahlten Rechnungen identifizieren.
• Arten von unbezahlten Rechnungen untersuchen.
• Analysieren, wer unbezahlte Rechnungen hat.
• Trends bei unbezahlten Rechnungen über die Zeit betrachten.

#Auswahl der Visualisierungstypen

Für jedes Informationsziel wählt der Beamte verschiedene Visualisierungstypen aus, die er für geeignet hält. Zum Beispiel könnte eine geografische Karte nützlich sein, um Standorte mit unbezahlten Rechnungen zu zeigen, während ein Säulendiagramm Trends über die Zeit veranschaulichen könnte.

#Datenprofilierung

Das Datenprofilierungstool analysiert die Datensätze, um ihre Charakteristika zu bewerten. Dies hilft dem Steuerbeamten, die Anzahl der Variablen, die Arten von Daten und die Gesamtstruktur des Datensatzes zu verstehen.

#Generierung der Visualisierungen

Sobald der Visualisierungskontext vollständig festgelegt ist, generiert das System geeignete Visualisierungen basierend auf den Zielen des Steuerbeamten. Der Beamte überprüft diese Visualisierungen und validiert, ob sie seinen Bedürfnissen entsprechen.

#Einschränkungen des Ansatzes

Während dieser Ansatz viele Vorteile bietet, ist es wichtig, sich seiner Einschränkungen bewusst zu sein. Zum Beispiel hängt die Effektivität des Systems davon ab, dass die Nutzer ausreichende Informationen über ihre Bedürfnisse bereitstellen. Wenn ihre Ziele nicht gut definiert sind, können die resultierenden Visualisierungen möglicherweise nicht hilfreich sein.

Ausserdem, da das System auf bestehendem Wissen und Tools basiert, könnte es Anpassungen erfordern, wenn es in neuen Kontexten angewendet wird. Nutzer in spezialisierten Bereichen benötigen möglicherweise weiterhin Unterstützung, um sicherzustellen, dass sie effektive Visualisierungen erstellen.

#Zukünftige Richtungen

In der Zukunft gibt es mehrere Verbesserungsbereiche für diesen Ansatz. Die Entwickler streben an, die Art und Weise zu verbessern, wie das System Daten analysiert, insbesondere durch die genaue Identifizierung unabhängiger und abhängiger Variablen, wenn mehrere Masse und Kategorien beteiligt sind.

Darüber hinaus laufen Bemühungen, eine benutzerfreundlichere Oberfläche zu schaffen, die den Prozess des Aufbaus von Visualisierungsanforderungen vereinfacht, insbesondere für Nutzer ohne technische Unterstützung. Die Verbesserung der Nutzerfeedbackmechanismen wird ebenfalls entscheidend sein, um eine kontinuierliche Verbesserung der bereitgestellten Visualisierungen zu gewährleisten.

#Fazit

Zusammenfassend gibt der vorgeschlagene zielbasierte Ansatz den Geschäftsanwendern die Werkzeuge an die Hand, die sie benötigen, um effektive Visualisierungen zu erstellen. Indem er die Nutzer durch den Prozess führt, ihre Ziele zu definieren und geeignete Visualisierungsmethoden auszuwählen, können selbst Nicht-Experten Daten erfolgreich analysieren. Mit der fortlaufenden Entwicklung ermöglicht diese Methode tiefere Einblicke in Daten, was letztendlich zu besseren Entscheidungen und verbesserten Ergebnissen für Unternehmen führt.