So baut man Data Science Plattformen - Teil 5: Datenvisualisierung und belastbare Ergebnisse

Lesezeit: ca. 2min.

Was braucht eine moderne Data Science Plattform, um Unternehmen einen wirklichen Mehrwert zu bieten?

Widerspruch und Zusammenhang zugleich: Informationsgehalt vs. einfache Darstellung.

Ein aussagekräftiges Resultat oder die Beantwortung unternehmenswichtiger Fragen ist aber nicht alles. Das Begreifbarmachen von Daten und Ergebnissen ist für Unternehmen ebenso wichtig, wie die zielführende Analyse¹ . Je komplexer ein Sachverhalt, desto schwieriger wird es, die nötigen Informationen leicht verdaulich aufzuzeigen. Aber genau das ist ein Anspruch, dem sich Plattformen heutzutage stellen müssen: Die Fülle der Daten und die Ergebnisse verständlich darzustellen. Das ist ein schwieriges Unterfangen. Gerade bei der Informationsverteilung an Fachfremde ist wichtig, die gewonnen Erkenntnisse verständlich zu machen. Die Dichte der Informationen und eine Darstellung, die nicht überfordert, ist eine Kunst. Alle, die schon einmal eine Infografik erstellt haben, wissen das. Genau das muss jedoch von einer Data Science Plattform geliefert werden.

Besonders wichtig dabei ist, dass auch bei einer einfachen Darstellung, kein falscher Eindruck entstehen darf: Unverhältnismäßige Skalenverhältnisse, unverständliche Achsenbeschriftungen, eine schlecht unterscheidbare Farbwahl und viele andere Faktoren, können zu Missverständnissen, einer nicht beabsichtigen Ergebnisverzerrung und nicht korrekten Interpretationen führen. In diesem Zusammenhang müssen weitere Aspekte berücksichtigt werden – darauf gehen wir im nächsten Absatz ein.

Visualisierung belastbarer Ergebnisse, Akzeptanz und Vertrauen

Sind Daten visualisiert, stellt sich dann die nächste Frage: Wie können sich Unternehmen auf die Ergebnisse verlassen? Oft muss hier auf die menschliche Kompetenz zurückgegriffen werden. Wenn die Resultate der Analysen zwischen verschiedenen Anwendungen, Excel-Sheets oder Content-Systemen hin und her versendet, bearbeitet, zurückgesendet, freigegeben und wieder versendet werden, muss es also zwangsläufig zusätzliche Kontrollmechanismen geben, die die Richtigkeit der Daten gewährleisten. Dementsprechend entsteht ein zusätzlicher Aufwand.

Eine Überlegung, wie man dem Ganzen entgegenkommen könnte, ist die Umgebung, in der die verschiedenen Analysen ablaufen und gleichzeitig eine Visualisierung der Ergebnisse bereitstellen zu lassen . Weiter gedacht: Sofern die Plattform die Möglichkeit besitzt jeden Datenpunkt bis zu den eigentlichen Datenquellen zurückzuverfolgen, entstehen weitere Vorteile. Zum einen können die Personen, die die Ergebnisse präsentieren, nicht nur schneller agieren, sondern diese Informationen ebenfalls ohne zusätzliche Rückversicherung anderen bereitstellen. Auf diese Weise würde die Analyseumgebung gleichzeitig den Informationsfluss innerhalb des Unternehmens bedeutend verbessern. Ein Beispiel hierfür ist die Echtzeit-Visualisierung der Resultate von vergangenen Analyseprojekten auf Bildschirmen in unterschiedlichen Räumlichkeiten und Standorten. Mit Bezug auf den vorherigen Abschnitt, sollten unterschiedliche Bildschirmgrößen und Verhältnisse betrachtet werden. Kleine Bildschirme stauchen, breite ziehen Darstellungen in die Länge. Aufgrund dessen kann es zu falschen Eindrücken kommen. Es zeigt sich, welche verschiedenen Faktoren bei einer echten skalierbaren Lösung beachtet werden müssen.

FAZIT: Sofern eine Data Science Plattform unternehmensweit eingesetzt werden soll, darf nicht ausschließlich am Einsatz von Analysen gemessen werden. Gerade die „fachfremden“ Aspekte sind von hoher Relevanz, sodass alle Beteiligten im Unternehmen von dem generierten Nutzen profitieren können.

Sie vermissen einen Faktor oder sind anderer Meinung? Lassen Sie es uns wissen: Zur Umfrage (2 min.)

Alle Beiträge im Überblick:

¹ BARC GUIDE, BUSINESS INTELLIGENCE & BIG DATA 2019 (Printausgabe), Seite 10