Łukasz Pająk | Business Intelligence | 04.01.2023
Podobno jeden obraz wyraża więcej niż tysiąc słów. To powszechnie znane powiedzenie ma idealne odzwierciedlenie w wizualizacji danych. W świecie Big Data tysiące słów zamieniają się w miliardy rekordów. Te, odpowiednio przedstawione, potrafią usprawnić działanie firm Data-Driven, które stawiają na podejmowanie decyzji na podstawie danych. Cel jest prosty, czyli ma być prościej i szybciej, ale wciąż trafnie i dokładnie. Z tego artykułu dowiesz się, jak zadbać o czytelność wizualizacji. Postaram się też zaprezentować narzędzia self-service do analizy danych, które możesz wykorzystać.
Spis treści
Wizualizacja danych to w dużym uproszczeniu zamiana tabel w wykresy, które jednoznacznie pozwalają wyciągnąć konkretne wnioski. Dlaczego wizualna prezentacja danych daje większe możliwości? Zamiast studiowania dziesiątek liczb, które za każdym razem trzeba manualnie przetwarzać, wystarczy spojrzeć na właściwie przygotowane wizualizacje. W końcu nie zawsze jesteśmy w stanie wyłapać nieprawidłowości lub nietypowe zachowania, gdy mamy przed sobą szereg ciągów liczb i liter. Znacznie lepiej przyswajamy informacje w formie kształtów i kolorów, skupiając od razu uwagę na tym, co jest istotne dla konkretnego przypadku. Mogąc odrzucić dane powszechne i mniej istotne dla badanego zagadnienia, szybciej realizujemy powierzone zadania związane z analizą.
Przeczytaj także: System Business Intelligence
Przeczytyaj artykułWcześniej podkreślałem, że wizualizacja danych powinna być właściwa, ale co to tak naprawdę oznacza? Przede wszystkim powinna ona bezpośrednio odpowiadać na pytania, które stanowią przedmiot analizy, np.:
Tym sposobem, jeszcze przed przystąpieniem do kreślenia wizualizacji, warto poświęcić więcej czasu na zrozumienie, co chcemy osiągnąć i na podstawie jakich danych. Dobór właściwych miar pozwoli na dalszych etapach rozumieć wzorce, którymi będą kierowali się odbiorcy tworzonych dashboardów. Pozwoli to też szybciej określić, czy lepiej sprawdzi się wykres kołowy, wykres słupkowy, a może liniowy. Idąc krok dalej, jeśli mamy do czynienia z danymi geolokalizacyjnymi, lepiej będą one pokazywać relacje, gdy pokaże się je właśnie w ramach wizualizacji na mapie.
Bardzo pomocne jest łączenie kilku form prezentacji w ramach jednej wizualizacji.
Szczególnie znajduje to swoje zastosowanie w trendach lub do przedstawiania na pozór rozbieżnych danych, ale mogących ujawnić różne korelacje.
W przypadku zbieranych historycznie informacji wręcz podstawą okaże się przedstawianie wizualizacji na osi czasu z uwzględnianiem danych z różnych okresów. W ten sposób bez problemu zauważane są odchylenia, które mogą być podstawą do wysnuwania słusznych wniosków. W końcu dużo łatwiej odkryjemy trudne do wyłapania sytuacje, gdy jeden słupek na prezentacji będzie wyraźnie wyższy od innych.
Czy proces zrozumienia danych, a tym samym tworzenia wizualizacji, można przyspieszyć?
Teoretycznie tak, gdyż w tym zakresie pomocna może okazać się sztuczna inteligencja, która jest w stanie szybko zinterpretować dostarczony zbiór danych i zasugerować potencjalne korelacje, warte uwagi końcowych odbiorców.
Sztuczna inteligencja ułatwia także proces łączenia danych z różnych zbiorów, aby faktyczna, dalsza praca nie wymagała już „odsiewania” niewłaściwie dobranych informacji. Każdy dostawca narzędzi do wizualizacji danych stara się na różne sposoby wprowadzić AI do swojej platformy. Praktycznie w ramach każdej aktualizacji dodawane są mniej lub bardziej istotne zmiany związane ze sztuczną inteligencją – począwszy od dostarczania danych, przez ich analizę i kończąc na właściwej wizualizacji.
Najczęściej spotykanymi rozwiązaniami AI w narzędziach do wizualizacji danych są algorytmy Machine Learning, które w czasie rzeczywistym pozwalają na zaawansowaną analizę jakości danych (Data Quality). W poszukiwaniu odchyleń i różnie definiowanych wartości odstających AI może okazać się idealnym rozwiązaniem, co w połączeniu z zaletami wizualizacji danych umożliwi błyskawiczne wychwycenie wszelkich nieprawidłowości.
Podstawą praktycznie każdego narzędzia do wizualizacji danych jest wachlarz możliwości w zakresie podłączania do źródeł danych. Podstawą są zazwyczaj relacyjne bazy danych, ale wcale nie musi to być regułą. Każde rozwiązanie pozwala też błyskawicznie zmienić formę prezentacji, więc szybko możemy zweryfikować, czy wykres liniowy będzie lepszy od kolumnowego. A może to ich połączenie sprawdzi się najlepiej i ewentualnie wraz z przyrostem danych będzie warto rozważyć zmianę podejścia? Między innymi na takie czynniki warto zwracać uwagę.
Co ważne, dostawcy narzędzi do wizualizacji danych zmierzają dziś do tego, żeby mogły one wykonać za twórcę raportów i dashboardów możliwie jak najwięcej pracy. Narzędzia te same sugerują odpowiednie wykresy, ale wcześniej też ograniczają konieczność poznawania specyfiki łączenia danych. Dlatego najczęściej podstawowa znajomość języka SQL okazuje się w pełni wystarczająca do rozpoczęcia prac nad wizualizacją danych.
Chcąc zdecydować się na jedno narzędzie do wizualizacji danych, na pewno warto zapoznać się z następującymi programami:
W ramach weryfikacji możliwości poszczególnych platform warto uwzględnić takie aspekty jak: określone potrzeby i funkcje niezbędne w konkretnych raportach, obsługa typów źródeł, wiedza techniczna użytkowników i docelowa forma prezentacji z uwzględnieniem typów urządzeń (np. smartfonów).
Choć rozwiązań Business Intelligence na rynku nie brakuje, w razie wątpliwości warto skontaktować się z ekspertami, którzy pomogą dobrać narzędzie odpowiednio do potrzeb. W Inetum nie tylko wdrażamy przyjazne narzędzia do analizy biznesowej i wizualizacji, ale też służymy wiedzą, prowadząc szkolenia Business Intelligence.
Przeczytaj także: 5 najbardziej popularnych narzędzi do analizy danych
Przejdź do artykułuSpis treści
Dodaj komentarz: