Unter Datenvisualisierung versteht man die Darstellung von Daten durch gängige Grafiken wie Diagramme, Plots, Infografiken und sogar Animationen. Diese visuellen Darstellungen von Informationen vermitteln komplexe Datenbeziehungen und datengestützte Erkenntnisse auf leicht verständliche Weise.
Datenvisualisierung kann für eine Vielzahl von Zwecken eingesetzt werden, und es ist wichtig zu wissen, dass sie nicht nur für Datenteams reserviert ist. Das Management nutzt sie auch, um Organisationsstrukturen und Hierarchien zu vermitteln, während Datenanalysten und Datenwissenschaftler sie verwenden, um Muster und Trends zu erkennen und zu erklären. Harvard Business Review (Link außerhalb von IBM) kategorisiert Datenvisualisierung in vier Hauptzwecke: Ideenentwicklung, Ideendarstellung, visuelle Erkennung und alltägliche Datenvisualisierung. Nachfolgend werden wir diese näher erläutern:
Die Visualisierung von Daten wird häufig eingesetzt, um die Ideenentwicklung in Teams zu fördern. Sie wird häufig bei Brainstorming- oder Design-Thinking -Sitzungen zu Beginn eines Projekts eingesetzt, um verschiedene Perspektiven zu sammeln und die gemeinsamen Anliegen des Kollektivs hervorzuheben. Auch wenn diese Visualisierungen in der Regel unausgegoren und unausgereift sind, helfen sie doch dabei, die Grundlage für das Projekt zu schaffen und sicherzustellen, dass sich das Team auf das Problem konzentriert, das es für die wichtigsten Stakeholder lösen möchte.
Datenvisualisierung zur Veranschaulichung von Ideen hilft bei der Vermittlung einer Idee, z. B. einer Taktik oder eines Prozesses. Sie wird häufig in Lernumgebungen wie Tutorien, Zertifizierungskursen und Kompetenzzentren eingesetzt, kann aber auch zur Darstellung von Organisationsstrukturen oder Prozessen verwendet werden, um die Kommunikation zwischen den richtigen Personen für bestimmte Aufgaben zu erleichtern. Projektmanager verwenden häufig Gantt- und Wasserfalldiagramme, um Workflows zu veranschaulichen. Die Datenmodellierung nutzt Abstraktion auch, um den Datenfluss innerhalb des Informationssystem eines Unternehmens darzustellen und besser verständlich zu machen, wodurch es für Entwickler, Geschäftsanalysten, Datenarchitekten und andere einfacher wird, die Beziehungen in einer Datenbank oder einem Data Warehouse zu verstehen.
Visuelle Erkennung und alltägliche Datenvisualisierung sind enger auf Datenteams abgestimmt. Während die visuelle Erkennung Datenanalysten, Datenwissenschaftlern und anderen Datenexperten dabei hilft, Muster und Trends in einem Datensatz zu erkennen, unterstützt die Datenvisualisierung im Alltag das anschließende Storytelling, nachdem eine neue Erkenntnis gefunden wurde.
Die Datenvisualisierung ist ein wichtiger Schritt im datenwissenschaftlichen Prozess, der Teams und Einzelpersonen dabei hilft, Kollegen und Entscheidungsträgern Daten effektiver zu vermitteln. Teams, die Berichterstellungssysteme verwalten, nutzen in der Regel definierte Vorlagenansichten zur Leistungsüberwachung. Die Datenvisualisierung ist jedoch nicht auf Dashboards für Leistungswerte beschränkt. Beim Textmining kann ein Analyst beispielsweise eine Wortwolke verwenden, um Schlüsselkonzepte, Trends und verdeckte Beziehungen in diesen unstrukturierten Daten zu erfassen. Alternativ kann er auch eine Diagrammstruktur verwenden, um die Beziehungen zwischen den Entitäten in einem Wissensdiagramm zu veranschaulichen. Es gibt eine ganze Reihe von Möglichkeiten, verschiedene Datentypen darzustellen, und es sollte nicht vergessen werden, dass es sich dabei um eine Kompetenz handelt, die über das Kernanalyseteam hinausgehen sollte.
Die früheste Form der Datenvisualisierung kann bis zu den Ägyptern im 17. Jahrhundert zurückverfolgt werden und diente vor allem zur Unterstützung der Navigation. Im Laufe der Zeit wurden Datenvisualisierungen für breitere Anwendungen genutzt, z. B. in den Bereichen Wirtschaft, Soziales und Gesundheit. Edward Tufte veröffentlichte The Visual Display of Quantitative Information (Link außerhalb von IBM), worin er aufzeigte, wie man Datenvisualisierung nutzen kann, um Daten effektiver zu präsentieren. Sein Buch ist nach wie vor aktuell, vor allem, weil die Unternehmen ihre Leistungskennzahlen in Echtzeit über Dashboards melden. Dashboards sind effektive Datenvisualisierungstools zur Verfolgung und Visualisierung von Daten aus mehreren Datenquellen, die einen Einblick in die Auswirkungen bestimmter Verhaltensweisen eines Teams oder eines benachbarten Teams auf die Leistung geben. Dashboards umfassen gängige Visualisierungstechniken, wie z. B.:
Der Zugriff auf Datenvisualisierungstools war noch nie so einfach. Open-Source-Bibliotheken wie D3.js bieten Analysten die Möglichkeit, Daten auf interaktive Weise zu präsentieren und so ein breiteres Publikum für neue Daten zu begeistern. Nachfolgend einige der am häufigsten genutzten Open-Source-Visualisierungsbibliotheken:
Da so viele Tools zur Datenvisualisierung zur Verfügung stehen, hat auch die ineffektive Informationsvisualisierung zugenommen. Die visuelle Kommunikation sollte einfach und wohlüberlegt sein, um sicherzustellen, dass Ihre Datenvisualisierung Ihrem Zielpublikum zur beabsichtigten Erkenntnis oder Schlussfolgerung verhilft. Die folgenden bewährten Verfahren können dazu beitragen, dass Ihre Datenvisualisierung nützlich und klar ist:
Liefern Sie Kontext: Es ist wichtig, allgemeine Hintergrundinformationen zu liefern, um dem Publikum zu vermitteln, warum gerade dieser Datenpunkt wichtig ist. Wenn z. B. die Öffnungsrate von E-Mails unterdurchschnittlich ist, sollten wir aufzeigen, wie die Öffnungsrate eines Unternehmens im Vergleich zur gesamten Branche ist, um zu zeigen, dass das Unternehmen ein Problem in diesem Marketingkanal hat. Um eine Aktion auszulösen, muss das Publikum verstehen, wie die aktuelle Leistung im Vergleich zu etwas Greifbarem, wie einem Ziel, einem Benchmark oder anderen wichtigen Leistungsindikatoren (KPIs) aussieht.
Kennen Sie Ihre Zuschauer: Überlegen Sie, für wen Ihre Visualisierung gedacht ist, und stellen Sie dann sicher, dass Ihre Datenvisualisierung deren Bedürfnissen entspricht. Was versucht diese Person zu erreichen? Welche Art von Fragen interessieren sie? Geht Ihre Visualisierung auf ihre Anliegen ein? Sie möchten, dass die von Ihnen bereitgestellten Daten die Personen dazu motivieren, im Rahmen ihrer Aufgaben zu handeln. Wenn Sie sich nicht sicher sind, ob die Visualisierung klar ist, präsentieren Sie sie einer oder zwei Personen aus Ihrer Zielgruppe, um ein Feedback zu erhalten, damit Sie vor einer großen Präsentation zusätzliche Änderungen vornehmen können.
Wählen Sie effektives Bildmaterial aus: Bestimmte Bildmaterialien sind für bestimmte Arten von Datensätzen konzipiert. Streudiagramme beispielsweise stellen die Beziehung zwischen zwei Variablen gut dar, während Liniendiagramme Zeitreihendaten gut abbilden. Vergewissern Sie sich, dass das Bildmaterial den Zuhörern tatsächlich hilft, Ihre wichtigsten Aussagen zu verstehen. Eine falsche Anordnung von Diagrammen und Daten kann das Gegenteil bewirken und Ihre Zuschauer weiter verwirren, anstatt für Klarheit zu sorgen.
Halten Sie es einfach: Mit Datenvisualisierungstools können Sie ganz einfach alle möglichen Informationen zu Ihrem Bildmaterial hinzufügen. Aber nur weil Sie es können, heißt das nicht, dass Sie es auch tun sollten! Bei der Datenvisualisierung sollten Sie die zusätzlichen Informationen, die Sie hinzufügen, um die Aufmerksamkeit der Benutzer zu fokussieren, sehr bewusst auswählen. Benötigen Sie zum Beispiel Datenbeschriftungen für jeden Balken in Ihrem Balkendiagramm? Vielleicht brauchen Sie nur eine oder zwei, um Ihren Standpunkt zu verdeutlichen. Brauchen Sie eine Vielzahl von Farben, um Ihre Idee zu vermitteln? Verwenden Sie Farben, die von möglichst vielen Zuschauern wahrnehmbar sind (z. B. unter Berücksichtigung von Farbenblindheit)? Gestalten Sie Ihre Datenvisualisierung so, dass sie maximale Wirkung erzielt, indem Sie Informationen, die Ihre Zielgruppe ablenken könnten, ausblenden.
Ihr vertrauenswürdiger Watson-Kopilot für smartere Analysen und sichere Entscheidungen.
Eine KI-gestützte integrierte Planungslösung, die Ihnen hilft, die Grenzen manueller Planung zu überwinden.
Erstellen Sie KI-Modelle, führen Sie sie aus und verwalten Sie sie. Bereiten Sie Daten vor und erstellen Sie Modelle in jeder beliebigen Cloud mit Open-Source-Code oder visueller Modellierung. Prognostizieren und optimieren Sie Ihre Ergebnisse.