Man sagt, dass in der Literatur einer die Arbeit zu tun hat – entweder der Autor oder der Leser. Es gilt als schlechter Schreibstil, die Arbeit auf den Leser abzuwälzen. In der Datenvisualisierung ist dies jedoch eine durchaus valide Option. Man spricht in diesem Fall von explorativer Datenvisualisierung. Aber von welcher Arbeit reden wir hier überhaupt?
Von Rohdaten zu aussagekräftigen Geschichten
Das Ziel der Datenvisualisierung im Allgemeinen ist es, von dem unergründeten Reichtum an Rohdaten zu einer handlungsbefähigenden Entscheidungsbasis zu gelangen.
Daten sind das neue Öl. Eine Bohranlage wie diese benötigen Sie zum Data Mining vielleicht nicht, aber dafür sind andere Kompetenzen erforderlich.
Den folgenden Spruch haben Sie womöglich schon öfter gehört: Daten sind das neue Öl. Doch genauso, wie Sie persönlich mit Rohöl wenig anfangen können, werden Sie mit reinen Rohdaten kaum eine Entscheidung finden. Rohöl muss erst aufwendig aufbereitet werden, damit Sie mit dem resultierenden Treibstoff Ihren Motor zum Laufen bringen.
Auf dieselbe Weise müssen Rohdaten erforscht werden, um für Ihr Unternehmen wertvoll zu sein. Nur so bringen Sie Ihr Geschäft datengetrieben in Gang.
Daten und ihre Analyse sind der Antrieb für alle zukunftsfähigen Unternehmen – und damit Ihrer Karriere. Gehen Sie jetzt von Null auf Hundert und werden Sie zum Data Analyst in unserem Seminar:
Diese Aufbereitung ist genau die Arbeit, von der wir eingangs sprachen. Hier unterscheidet sich die Datenvisualisierung in zwei Kategorien: explorativ und erklärend. Doch was ist was?
Explorativ vs. erklärend
In einer explorativen Datenanalyse liegt die Arbeit, d.h. der Prozess von Suchen und Finden einer entscheidungstreibenden Aussage, beim Betrachter. Dies bietet den Nutzern eine ungeheure Freiheit. Sie können zuvor unbekannte Daten nach eigenem Belieben erkunden, können filtern, können Strukturen entdecken, können gezielt auf gewünschte Aspekte hineindrillen, können fragen und hinterfragen. Sie erhalten die Daten unbearbeitet, ungeschönt, ungeschwärzt. Die Daten können auf den spezifischen Arbeitsbereich der Benutzer zugeschnitten sein, sodass sie beispielsweise nur Daten zum Onlinemarketing zur Verfügung gestellt bekommen. Aber innerhalb dieser Daten sind den Nutzern beim Erkunden keine Grenzen gesetzt.
Wenn eine Welt von Daten offen steht: explorative Datenanalyse.
Mit großer Freiheit kommt große Verantwortung
Das Problem hierbei ist, dass eine ungeheure Freiheit im Angesicht einer großen Menge von unbekannten Daten eben genau das ist – ungeheuer. Wenn man es mit Nutzern zu tun hat, die nicht besonders datenaffin sind, die mit dem verwendeten Tool zur Datenanalyse nicht vertraut sind, die kein großes Interesse an dem Prozess der Datenerforschung haben oder die schlicht und einfach nicht die Zeit haben, die Daten aufwendig nach einer Aussage zu durchforsten, ist eine explorative Herangehensweise womöglich nicht der richtige Weg für Sie.
Hier sollten Sie darüber nachdenken, die Arbeit vom Betrachter auf jemand anderen zu verlagern und somit die Daten erklärend zu visualisieren.
In der erklärenden Datenvisualisierung ist das Ziel, auf den ersten Blick eine Aussage zu liefern. Der Prozess der Visual Analytics findet hier statt, bevor die Dashboards mit den Ergebnissen dieses Prozesses an die Endnutzer herangereicht werden.
Wer genau diesen Prozess durchführt, ist dabei sehr Anwendungsfall-abhängig. Vielleicht haben Sie einen Tableau-Power-User in Ihrem Controlling-Team, der für die anderen Controller die Dashboards entwirft. Oder Sie haben einen Mitarbeiter in Ihrer IT-Abteilung, der die Berichte für Ihre Außendienstmitarbeiter erstellt. Vielleicht lassen Sie extra einen externen Berater kommen, der in Zusammenarbeit mit Ihnen die Daten für die nächste Vorstandspräsentation visualisiert.
Fakt ist, dass ein erklärendes Dashboard genau das tut, was der Name schon aussagt – es erklärt die Aussage, die es trifft. Somit ist der Arbeitsaufwand für den Betrachter, eine Entscheidung auf Basis der Daten zu treffen, signifikant geringer, da die erklärende Datenvisualisierung die Daten bereits auf sehr deutliche Aussagen reduziert.
Was ist nun aber für Sie die richtige Wahl?
Wann explorativ, wann erklärend? Das lernen Sie kommende Woche in Teil 2 dieser Blogreihe: Mit Daten Geschichten erzählen – wie viel Lesekompetenz darf ich voraussetzen?
