Analytics

Datenvisualisierung

Dr. Wolfgang Martin ist Experte auf den Gebieten Big Data, Business Intelligence, Performance Management, Analytics, Business Process Management, Information Management, Information Governance sowie Cloud Computing (SaaS, PaaS). Sein Spezialgebiet sind die Wechselwirkungen technologischer Innovation auf das Business und damit auf die Organisation, die Unternehmenskultur, die Businessarchitekturen und die Geschäftsprozesse.
Die Digitalisierung der Welt stellt heute die große Herausforderung für alle Unternehmen dar.

Die Analyse von Daten und Information ist unabdingbar, um auf sich schnell entwickelnde und sich permanent ändernde Märkte ebenso wie auf sich rasch wandelndes Kundenverhalten reagieren zu können. Treffen die Verantwortlichen heute falsche Entscheidungen, kann das morgen schon unweigerlich in einem Desaster enden. Das Erkennen von Gewinnmöglichkeiten und Verlustrisiken, das rigorose Senken der Kosten sowie die optimale Zuordnung verbleibender Ressourcen sind von höchstem Interesse und überlebensnotwendig.

Analytik - der nächste Schritt in Richtung intelligentes Unternehmen

Darum dreht sich Analytik: Analytik schafft für Unternehmen zunehmend Wettbewerbsvorteile, eine höhere Prognosegenauigkeit und vollständige Transparenz. Mithilfe von Analytik wird eine optimierte geschäftliche Entscheidungsfindung gefördert.

Analytik stellt so den nächsten Schritt in der Business Intelligence (BI) dar. Traditionelle Business-Intelligence-Tools (Berichtserstellungswerkzeuge, Dashboards, Ad-hoc-Anfragen, OLAP - Online Analytical Processing und auch Spreadsheets) können solche Einblicke letztlich nicht liefern. Diese dienen lediglich der Zusammenfassung und Diagnose von Daten sowie der Beantwortung bekannter, zuvor festgelegter Fragen. Diese Werkzeuge sind daher nicht geeignet für dynamische Umgebungen, in denen man fortlaufend neue Fragen stellen und beantworten muss.

Datenvisualisierung - das Auge als Detektor

Neben mathematisch statistischen, kybernetischen und linguistischen Methoden der Analytik, wie prädiktive Analytik, Data Mining, Text Mining, Textanalytik und maschinelles Lernen, um die wichtigsten zu nennen, etabliert sich mit Datenvisualisierung ein mehr und mehr genutzter Ansatz. Datenvisualisierung ist ein Ad-hoc-, interaktiver, problembezogener und durch menschliche Interaktion gestalteter Prozess. Sie stellt einen dynamischen, menschbezogenen Analyseansatz dar, der das Erkennen von Muster durch das menschliche Auge unterstützt und gegebenenfalls analytische Algorithmen als Ergänzung nutzt. Dank kollaborativer Dienste ermöglicht Datenvisualisierung anspruchsvolle Entscheidungsverfahren auch im Team.

Datenvisualisierung für große Datenmengen, komplexe Datenstrukturen oder Echtzeit-Daten.

Datenvisualisierung eignet sich besonders, um große Datenmengen, komplexe Datenstrukturen oder Echtzeit-Daten zu analysieren. Große Datenmengen und komplexe Datenstrukturen werden durch Visualisierung übersichtlich. Mittels Visualisierung lassen sich beispielsweise Ausreißer leicht erkennen und strukturelle Änderungen gleichsam ablesen. Die Daten sollten dazu keineswegs aggregiert werden. Datenvisualisierung arbeitet auf detaillierten Rohdaten. Dank einer intuitiven visuellen Benutzeroberfläche sowie einer mächtigen Bibliothek unterschiedlicher Darstellungsformen wie Charts, Heat Maps und Tree Maps können Nutzer ihre eigenen Fragen stellen und beantworten, indem sie interne und externe Datenquellen - einschließlich Big Data-Quellen - zur Lösung ihrer Probleme nutzen. Das schafft Transparenz.

Beispiel fuer eine Heat Map. Datawatch Desktop visualisiert mit Hilfe einer Heatmap die prozentualen Veränderungen von Aktienkursen im Index FTSE 100 für einen definierten Zeitraum. Dunkelrot steht dabei für bis zu minus 5 Prozent, Dunkelblau für bis zu plus 5 Prozent Veränderung. So lassen sich auf einen Blick wichtige Entwicklungen erkennen.
Beispiel fuer eine Heat Map. Datawatch Desktop visualisiert mit Hilfe einer Heatmap die prozentualen Veränderungen von Aktienkursen im Index FTSE 100 für einen definierten Zeitraum. Dunkelrot steht dabei für bis zu minus 5 Prozent, Dunkelblau für bis zu plus 5 Prozent Veränderung. So lassen sich auf einen Blick wichtige Entwicklungen erkennen.
Foto: Datawatch Desktop

Echtzeitdaten werden entweder direkt visualisiert und/oder per Video-Recorder aufgezeichnet und als Animation zur Verfügung gestellt. Weiterhin kann mittels Regeln eine Benachrichtigungsmaschine aufgesetzt werden, die im Sinne von Ereignisverarbeitung automatisch Alarm geben kann, wenn Risiken im Datenstrom erkannt werden. Datenvisualisierung hilft so bei der Überwachung und Steuerung von Prozessen. Mit ihrer Hilfe können dann auch Prognosemodelle abgeleitet werden, die wiederum Prozesse anreichern, indem sie analytische Services in Geschäftsprozesse und Anwendungen integrieren. Das schafft intelligente Prozesse, die Probleme bereits vor Entstehung erkennen und lösen.

Beispiel: Datenvisualisierung in Echtzeit kann auch zur Steuerung der Produktion erneuerbarer Energie eingesetzt werden. Auf Basis von Wetterdaten können über eine Datenvisulisierung geeignete Standorte von Windkraftanlagen ermittelt werden. Der Betrieb der Windparks braucht dann eine Netzwerksteuerung. Auf Basis von Wettervorsagen können erwartete Energiemengen vorhergesagt, die tatsächlichen Werte visuell überwacht und aufgezeichnet werden. Die Benachrichtigungsmaschine kann bei Überschreiten einer vorgegebenen Maximalmenge automatisch je nach Lage entweder eines oder mehrerer Windräder abschalten oder auch auf die Steuerung konventioneller Kraftwerke einwirken.

Vorausschauende Wartung (Predictive Maintenance) mit Datawatch Desktop: Echtzeit-Visualisierungen von Daten aus Windenergieanlagen in den USA. In der Treemap sind alle Windkraftanlagen farbig markiert, die vorsorglich gewartet werden sollten, weil sie aufgrund höherer Windgeschwindigkeiten höheren Belastungen ausgesetzt waren.
Vorausschauende Wartung (Predictive Maintenance) mit Datawatch Desktop: Echtzeit-Visualisierungen von Daten aus Windenergieanlagen in den USA. In der Treemap sind alle Windkraftanlagen farbig markiert, die vorsorglich gewartet werden sollten, weil sie aufgrund höherer Windgeschwindigkeiten höheren Belastungen ausgesetzt waren.
Foto: Datawatch Desktop

Das erlaubt schließlich das Kalkulieren eines RoI: Transparenz und proaktive Prozesssteuerung lassen sich monetär bewerten, so dass der Mehrwert von Datenvisualisierung erkennbar wird.

Datenvisualisierung, die Organisation

Datenvisualisierung eignet sich für zwei unterschiedliche Nutzergruppen. Da sind zum einen die Data Scientists. Die Rolle von Data Scientists entspricht der Rolle von Daten-Analysten, wird aber um weitere Eigenschaften erweitert. Dazu gehört insbesondere nicht nur Wissen über Daten und Analyse, sondern auch ein tiefes Fachwissen ebenso wie die Fähigkeit, Ergebnisse in der Fach- und Management-Sprache zu interpretieren und zu kommunizieren. Data Scientists nutzen Datenvisualisierung, um faktenbasierte Entscheidungen vorzubereiten, die mit der Dynamik und der Schnelligkeit des Geschäftsfeldes korrespondieren und einen besseren Einblick in Märkte, Kundenverhalten und Risiken erlauben.

Beispiel: Viele Automobilhersteller wissen nicht, mit welchem Modell sie Gewinne und mit welchen Modellen sie Verluste machen. Dies liegt daran, dass herkömmliche BI-Systeme nur stark aggregierte Daten darstellen. Visual Data Discovery hingegen erlaubt den Blick auf unaggregierte Daten. Ein Data Scientist kann die Frage nach der Rentabilität einzelner Modelle schnell beantworten, indem er sich die notwendigen Daten zusammenstellt und beispielsweise mit Hilfe einer Tree Map Modell-Varianten, die Verluste einfahren, als rote Flecken erkennt.

Wenn ein Data Scientist eine solche Problemstellung gelöst hat, dann kann er einen Lösungsrahmen zusammenstellen, der aus der notwendigen Datenbeschaffung und Integration, sowie den geeigneten Visualisierungs-Formen besteht und dann den Nutzern zugeordnet wird, die in Zukunft die Überwachung und Steuerung des Szenarios übernehmen. Diese Nutzer sind dann reine "Verbraucher" von Datenvisualisierung, die dann gemäß "Self-Service"-Prinzipien arbeiten können.

Datenvisualisierung mit Datawatch

Bei Datenvisualisierung kommt es nicht nur auf eine umfangreiche Bibliothek mit unterschiedlichen Darstellungs-Formen und eine intuitive Benutzeroberfläche mit Self-Service-Nutzung an, sondern ganz besonders auch auf die Unterstützung der beiden unterschiedlichen Nutzerrollen, die Visualisierung von Echtzeitdaten und auf die Verarbeitung von sowohl strukturierten als auch unstrukturierten Daten. Im Markt gängige Lösungen adressieren in der Regel nur die Visualisierung von strukturierten und von Niedrig-Latenz-Daten. Mit einer Lösung wie der von Datawatch kann man mehr erreichen, nämlich zusätzlich sowohl die Visualisierung von strukturierten und unstrukturierten Echtzeitdaten als auch die Visualisierung von semi-strukturierten Hoch-Latenz-Daten. Gartner hat Datawatch als "cool vendor 2013" bezeichnet, und SAPs Vishal Sikka nutzt Datawatch als Visualisierung-Werkzeug, um die Vorzüge von SAP HANA zu präsentieren, das ist in der Tat "cool".

Fazit: Ziel von Datenvisualisierung sind faktenbasierte Entscheidungen, die mit der Dynamik und der Schnelligkeit des Geschäftsfeldes korrespondieren, sowie ein besserer Einblick in Märkte, Kundenverhalten und Risiken. Datenvisualisierung hilft so bei der Entwicklung von Prognosemodellen, die wiederum Prozesse anreichern, indem sie analytische Services in Geschäftsprozesse und -Anwendungen integriert. Das schafft intelligente Prozesse, die Probleme bereits vor Entstehung erkennen und lösen. Datenvisualisierung ermöglicht so den Nutzern in den Fachabteilungen einerseits einen tieferen Einblick in Risiken und Herausforderungen und andererseits schnellere sowie verbesserte Entscheidungen.