Big Data: Datenvisualisierung ist der Schlüssel zum Erfolg für die Datenanalyse

Die Datenanalyse von Big Data liefert umfassende und unternehmensrelevante Ergebnisse, die nachhaltig für die Entwicklung der Organisationen notwendig sind.

Dieser Artikel behandelt

Datenvisualisierung

Die Nachfrage nach Werkzeugen zur Datenvisualisierung  steigt derzeit rapide. Dies liegt zum Teil daran, dass Unternehmen versuchen, wertvolle geschäftliche Erkenntnisse aus Initiativen zur Datenanalyse von Big-Data zu gewinnen. Nach Aussage von Experten für Daten-Management erfordert das Erreichen von Erfolgen mit Datenvisualisierung  jedoch eine neue, frische Denkweise darüber, wie die Informationen für geschäftliche Anwender aufbereitet werden. Dies gilt insbesondere für Big-Data-Umgebungen.

Mit Datenvisualisierung  können Anwender grafische und häufig auch interaktive Darstellungen großer und kleiner Datensätze erstellen. Zudem kann sie einen großen Beitrag zu unternehmerischen Bemühungen in Bezug auf Business Intelligence (BI) und höherer Produktivität leisten. Dies geht aus den Ergebnissen einer Umfrage hervor, die The Data Warehousing Institute (TDWI) 2010 durchgeführt hat.

In dieser Online-Befragung von 210 BI-Fachleuten und Anwendern aus Unternehmen sagten 74 Prozent der Befragten, die Bedeutung von Datenvisualisierung  für die Gewinnung geschäftlicher Erkenntnisse in ihrer Organisationen sei „sehr hoch“ oder „hoch“. Hingegen gingen nur 23 Prozent davon aus, dass die Technologie nur einen moderaten Einfluss auf BI-Prozesse habe.

Wir sehen eine sehr positive Verbindung zwischen fortschrittlicher Visualisierung und Analytik. Die Leute gehen einfach davon aus, dass die zwei zusammengehören.

Phillip Russom, Leiter Data Management Research, TDWI

Die Umfrage zeigte zudem, dass die Verwendung von Tools zur Datenvisualisierung  die Verbreitung von BI-Dashboards erhöht. Bei diesen handelt es sich um das bevorzugte Medium für den Zugriff und die Ansicht von Diagrammen, Karten, Grafiken und anderen Darstellungsformen. Aktuellere TDWI-Studien zeigen zudem ein Zusammenspiel von Software für Datenvisualisierung  und Big-Data-Analytik.

„Meine eigenen Untersuchungen zeigen, dass fortschrittliche Datenvisualisierung  das Segment ist, in dem Anwender am ehesten weitere Tools anschaffen und verwenden wollen. Dies gilt als Best Practice im Zusammenhang mit Big-Data Analytik“, sagt Philip Russom, Leiter Management Research bei TDWI. „Wir sehen eine sehr positive Verbindung zwischen fortschrittlicher Visualisierung und Analytik. Die Leute gehen einfach davon aus, dass die zwei zusammengehören.“

Effektive Datenvisualisierung  ist für die Wertschöpfung aus Investitionen in Big-Data Analytik unverzichtbar. Dies sagt auch Stephen McDaniel, Mitgründer von Freakalytics LLC, einem Beratungsunternehmen für visuelle Analytik mit Sitz in Seattle. Laut McDaniel – der vor kurzem noch auf einem TDWI-Forum zu Big-Data Analytik gesprochen hat – gibt es allerdings einige Einschränkungen in der Praxis. Organisationen sollten sich über diese im Klaren sein, bevor sie sich in den Prozess der Visualisierung von Ergebnissen aus Big-Data-Analytik stürzen.

Ermittlung des richtigen Big-Data-Mix für Tools zur Visualisierung

So sei das Anlegen von Diagrammen mit Milliarden von Datenpunkten keine sonderlich wirksame Methode für einen Einstieg in dieses Thema. „Der normale Monitor, der bei Ihnen auf dem Schreibtisch steht, kann höchstens 200.000 Punkte darstellen“, erklärt McDaniel. „Wenn Sie einen sehr fortschrittlicheren Monitor anschaffen, dann sollten in etwa ein paar Millionen Punkte möglich sein. Aber auch das kommt immer noch nicht einmal in die Nähe von Milliarden von Werten.“

Organisationen, die vorhaben, große Datenmengen zu visualisieren, können derlei Einschränkungen überwinden. Dazu müssen sie Daten aggregieren oder überflüssige Datenpunkte – basierend auf den speziellen Anforderungen der jeweiligen Zielgruppe – eliminieren, sagt McDaniel.

Eine gelungene Grafik-Auswahl und gutes Dashboard-Design sind ebenfalls wichtig. „Man braucht gut durchdachte Management-Dashboards“, stellt McDaniel fest. Wenn sich auf dem Bildschirm nur eine kleinere Datenmenge anzeigen lasse, müssten Führungskräfte und andere Endanwender die Möglichkeit haben, sich die zugrundeliegenden Detail-Informationen anzeigen zu lassen. Dies helfe ihnen dabei, Ad-hoc-Abfragen vorzunehmen und so die Antworten zu finden, nach denen sie suchen.

Ergänzend empfiehlt Russom, sich beim Erstellen visueller Darstellungen der Ergebnisse aus Big-Data Analytik lieber zweimal zu überlegen, ob man Ausreißer übersieht oder eliminiert. Gemeint sind damit beispielsweise Datenpunkte zu Kunden, deren Kaufverhalten deutlich außerhalb der Norm liegt. Ein Beachten solch kleiner Informationsstücke könne Organisationen dabei unterstützen, zum Beispiel Aufgaben wie das Aufdecken von Betrugsfällen oder das Identifizieren neuer Kundensegmente – beispielsweise Großeinkäufer – zu lösen.

„Wenn Sie die Daten allzu fleißig bereinigen, kann es passieren, dass Sie die winzigen, glitzernden Nuggets verlieren, nach denen Sie eigentlich suchen“, sagt Russom. In der Konsequenz, merkt er an, erleide man „aus analytischer Sicht einen Wertverlust“.

Laut McDaniel bringt Technologie zur Datenvisualisierung  – trotz steigender Popularität – einige generelle Nachteile mit sich, die es zu berücksichtigen gilt. Zum Einen, sagt er, haben die meisten Leute nie wirklich gelernt, wie man Daten und Grafiken korrekt verwendet, um „eine Geschichte zu erzählen“. Als Folge würden häufig Diagramme, Grafiken und andere visuelle Medien erstellt, die nur schwer zu verstehen sind und es nicht schaffen, die beabsichtigten Punkte zu vermitteln.

Das Problem der Datenvisualisierung : Zu viele Informationen

Der beste Weg zur Lösung dieses Problems sei, sich auf die Fragen zu konzentrieren, die beantwortet werden müssen und anschließend die Darstellungen so einfach und klar wie möglich zu halten, so McDaniels „Es wird Ihnen ziemlich schwer fallen, erfolgreich zu sein, wenn Sie Ihren Geschäftspartnern und Kunden die Daten nicht präsentieren und erläutern können“, sagt er. „Und dabei ist es völlig egal, wie großartig Ihre Ideen sind.“

Ein weiterer häufiger Fehler besteht laut McDaniels darin, dass Anwender von Werkzeugen zur Datenvisualisierung  für ihre Geschichten die falschen Grafik-Arten verwenden. So habe „eine Vielzahl von Studien“ gezeigt, dass Balkendiagramme Informationen wirksamer vermitteln können als Tortengrafiken – mit Balken ließen sich deutlich mehr Datenpunkte darstellen, ohne dass sie zu kompliziert werden. „Ich habe schon Balkendiagramme erstellt, auf denen Sie insgesamt 50 Balken haben und diese trotzdem korrekt interpretieren können“, erläutert McDaniels.

Ein weiterer Fehler, von dem McDaniel berichtet, ist das Überfrachten – die Nutzung überflüssiger 3D-Grafiken, Pop-ups, Animationen oder anderer Schnörkel. Damit könne von der eigentlichen Aussage der visuellen Präsentation abgelenkt werden. „Visuelle Analytik ist deshalb so wichtig, weil sie ein iteratives Infrage stellen von Daten ermöglicht“, sagt er. „Und unglücklicherweise gibt es inzwischen Beweise dafür, dass 3D-Grafiken zwar cool und interessant aussehen, wir aber eigentlich nicht besonders gut in der Lage sind, sie zu verarbeiten oder wirklich zu verstehen.“

Für Elaine McDaniel, Beraterin für Datenvisualisierung  und Mitgründerin von Freakalytics, ist der beste Weg zu effektiven visuellen Darstellungen von Daten klar: Die geschäftliche Seite und die IT-Abteilung in Unternehmen müssen intensiver miteinander kommunizieren.

„Fragen Sie die Leute nach ihren Meinungen. Fordern Sie Feedback ein. Setzen Sie ihre Meinungen in die Tat um und sorgen Sie dafür, dass die Leute zusammenarbeiten“, sagt sie. „Die größte Beschwerde aller Geschäftsanalysten, mit denen wir es im Laufe der Jahre zu tun hatten, war stets, dass Sie nicht mit den Leuten in der IT sprechen konnten.“

James MacGillivray, ein BI-Architekt mit eigenem Unternehmen in der Landwirtschaftsbranche, sieht das ähnlich: Es sei wichtig, genügend Zeit für die Ermittlung der richtigen Anforderungen seitens der Anwender zu investieren, bevor man in ein Projekt zur Datenvisualisierung  – oder auch Big-Data-Analytik – einsteigt.

„Viel zu oft wird versucht, einfach anzufangen, und gedacht, dass sich schon alles finden wird. Das ist der falsche Ansatz“, sagt MacGillivray. „Man muss dafür sorgen, dass der Anwender das Projekt treibt, denn ich als IT-Mensch will es nicht vorantreiben. Ich bin dafür da, es zu ermöglichen.“

Pro+

Premium-Inhalte

Weitere Pro+ Premium-Inhalte und andere Mitglieder-Angebote, finden Sie hier.

Erfahren Sie mehr über Datenvisualisierung

Diskussion starten

Schicken Sie mir eine Nachricht bei Kommentaren anderer Mitglieder.

Mit dem Absenden dieser Daten erklären Sie sich bereit, E-Mails von TechTarget und seinen Partnern zu erhalten. Wenn Ihr Wohnsitz außerhalb der Vereinigten Staaten ist, geben Sie uns hiermit Ihre Erlaubnis, Ihre persönlichen Daten zu übertragen und in den Vereinigten Staaten zu verarbeiten. Datenschutz

Bitte erstellen Sie einen Usernamen, um einen Kommentar abzugeben.

- GOOGLE-ANZEIGEN

SearchSecurity.de

SearchStorage.de

SearchNetworking.de

SearchDataCenter.de

Close