Freitag, 22. Januar 2016

Data Storytelling (Teil 2/4)



 
Tabellen sind schön und gut, doch selbst ausgebildete Analysten haben manchmal ihre Probleme bei der Auswertung, oftmals unabhängig von der eigentlichen Datenmenge. Die abgebildete Tabelle beispielsweise, die point-of-sale Informationen anhand von Millionen Datenreihen transportiert, ist keinesfalls einfach auf eine Kernaussage zu reduzieren.


Zur Vereinfachung und gefälligen Darstellung bietet sich Visualisierung in Form von Grafiken an. Doch ist die abgebildete Grafik, basierend auf den Zahlen wirklich leichter zu verstehen und zu interpretieren? Können die jeweils notwendigen Informationen leicht zugänglich gemacht werden?
Während die Verbindungen zwischen den Balkendiagrammen und den Zahlen einigermaßen übersichtlich sind, gehört doch noch ein nicht geringer Aufwand dazu, irgendeine bedeutungsvolle Aussage herauszukristallisieren.
 
 
Anstatt eine immense Datenansammlung zu analysieren oder eine Grafik zu interpretieren, müssen wir jetzt nur noch diese Zusammenfassung lesen. Die abgebildete Nachricht bezieht sich auf eine bestimmte Region, der Adressat kann unmittelbar Nutzen aus den gesammelten Daten für den Gesamtbetrieb generieren und es gibt keine mehrdeutigen Interpretationsmöglichkeiten. Für jeden Datenpool gibt es verschiedene Akteure, welche jeweils individualisierte Nachrichten erhalten. 

Freitag, 8. Januar 2016

Data Storytelling (Teil 1/4)

Für Betriebe ist das stumpfe, unorganisierte Sammeln von Datenmassen überhaupt erst von Nutzen, wenn ein Unterfangen in Angriff genommen wird, daraus effektive Einblicke in betreffende Tiefenstrukturen zu gewinnen. Doch Weg zu diesem Ziel ist viel weniger simpel, als es hier vielleicht den Anschein erwecken mag. Zwischen den Rohdaten und einem zielgruppenorientierten, präzisen und wertoptimierenden Analyseergebnis liegen Welten. Und danach steht man vor der entscheidenden Phase, seine Ergebnisse zu kommunizieren. Doch dazu später mehr.

Daten allein liefern keinen Mehrwert!

Es muss erwähnt werden, dass Daten allein nicht nur keine genuine Problemlösung für Verbesserungsansätze darstellen, sondern aus der Business-Perspektive sogar Teil des Problems sind. Der eben erwähnte Weg zwischen den Rohdaten und der „Einsicht“ kostet zuweilen nämlich Unsummen an Zeit, Ressourcen und Technologie, während man versucht, Daten zu erarbeiten, zu komprimieren und zu managen. Erst danach folgt der wichtigste Teil, sozusagen der „Endspurt“ auf den letzten Metern, bei dem man seine Ergebnisse adäquat präsentiert und kommuniziert, um aus der Umsetzung des Big Data Projektes betriebliche Vorteile zu generieren zu können.

Der erste, naheliegende Schritt auf dieser Strecke ist das Extrahieren von Mehrwert aus den Rohdaten in Form von Detaileinsicht. Auf dieser Ebene werden weder Kosten noch Mühen gescheut, um spezifische Technologien zu entwickeln, die helfen sollen, große Mengen an Daten nutzbar zu machen. Sei es nun generelles Data-Mining, Correlation-Analysis, machine learning oder Empfehlungs-Engines, all diese Ansätze sollen helfen Einsicht in Zusammenhänge zu erlangen und Verbindungen zwischen den Daten-Elementen zu verstehen, die Aufschluss über Business-Practice geben können. An den sich daraus ergebenden Checkpoints ist aus Big Data oft schon ein Destillat entstanden, das man als Usable-Data bezeichnen kann. Allerdings benötigt diese Transferleistung nach wie vor Interpretation.

Die selten wirklich thematisierte, aber immer relevanter werdende Frage bleibt bestehen: „Wie kommuniziert man die Ergebnisse auf verständliche und wertschöpfende Weise?“