5 feil du gjør innen datavisualisering

Uansett hvor godt strukturert dine data er og hvor god analysen av alt arbeidet er, så kan all den tiden man har brukt på dette arbeidet være bortkastet dersom dataene ikke blir presentert på en god måte. 

Datavisualisering handler om å gjøre om data til innsikt og sørge for at denne innsikten blir fremstilt på en forståelig måte, slik at man kan ta informerte beslutninger og sette i gang nødvendige tiltak.

Dessverre er datavisualiseringsfeil svært vanlige. Å finne de beste måtene å visualisere data på er en prosess som ofte blir utsatt mot slutten av et prosjekt, i stedet for å være en kritisk del av prosessen. Dårlig visualisering av data kan føre til forvirrende beskjeder og til slutt også dårlig utførte og ineffektive beslutnigner.

I denne artikkelen gjennomgår vi fem klassiske feil man gjør når man jobber med datavisualisering og hvordan man kan unngå dem, utarbeidet av vår partner Qlik.

1. Vi starter uten en klar strategi

En klassisk feil mange gjør er å sette i gang med datavisualisering uten å ha satt en klar strategi på forhånd. Som med alle aspekter av en analyse, er det viktig å ha en klar strategi og et mål for å planlegge hvordan du skal bruke visualiseringer av dataen for å få innsikt og ta informerte beslutninger.

Med en visualisering vil målet generelt være å formidle den innsikten som er oppnådd gjennom datautforsking og analyse tilpasset de riktige menneskene, på rett sted, til rett tid – bruke det og utgjør en forskjell.

Denne strategiutformingen bør finne sted i begynnelsen av prosessen, som det første trinnet i å sette sammen en plan for datastyrt transformasjon. Akkurat som du er klar over hva målene med datainnsamling og analyse er (hva vil du finne ut?) begynner du å tenke på formater og metoder som vil være mest effektive å presentere det på, visuelt.

For å hjelpe alle dine sluttbrukere og kunder med å ta datadrevne beslutninger, er embedded analytics den perfekte løsningen. Last ned gratis ebok: Embedded analytics for dummies.

2. Datavisualiseringen din forteller ikke en klar historie

Datafortelling er viktig for å formidle beskjeden og meningen over til mottakeren. Som alle historier, vil en datahistorie ha en begynnelse, en midtdel og en slutt. Og som i mange historier, vil det ikke nødvendigvis komme i den rekkefølgen!

Med datafortellinger er det faktisk ofte best å starte med slutten og de viktigste funnene. En datastyrt historie (spesielt i en bedrift) bør bli fortalt mer som en avishistorie – rope ut dine viktigste funn i en overskrift på toppen, og deretter støtte opp med bevis som leseren blir trukket inn i.

Som i en roman-, film- eller avishistorie, hvis du ikke bygger strukturen rundt måten den blir fortalt på, vil publikum bli forvirret, usikker på hva de skal tenke, og muligens sitte igjen med “feil ” inntrykk og forslag basert på feiltolkning av historien din.

Datafortelling handler om å gjøre innsiktene enklere å ta inn.

3. Datavisualiseringen forteller for mange historier

Det kan være veldig enkelt å overdrive mengden informasjon du kan legge inn i grafer, infographics eller dashboards. Det er viktig å identifisere nøkkelbudskapene i et datasett og presentere dem på en måte som ikke er rotete eller fremstår ukjent for målgruppen.

Mens publikum kan motiveres av å holde rede på komplekse og sammenflettede plot-linjer i TV-programmer som Game of Thrones, er det annerledes når det gjelder å få presentert forretningsdata. Her er det langt bedre å holde fast i et mindre antall avgjørende budskap. Hvis noen datapunkter, observasjoner eller setninger ikke sammenfaller med det du ønsker å fortelle – dropp dem.

Altfor mye grafikk og visualiseringer forvirrer øyet og hjernen, og vil glemmes raskere enn et enkelt og kortfattet poeng, støttet av relevante og oppdaterte fakta og statistikker.

Les mer om Qlik datavisualiseringsverktøy.

4. Å ikke ha tilpasset visualiseringen til ditt publikum

En klassisk feil mange gjør er å ikke tenke over mottakeren av datavisualiseringen. Hvem er din målgruppe? Data forteller ofte forskjellige historier til forskjellige målgrupper. En viktig del av å skape en datafortelling er å forstå hvordan den vil bli brukt og tolket av ulike målgrupper.  Mens en detaljert sammenstilling av ulike maskiner og deres optimale driftsforhold vil være verdifullt for en ingeniør, trenger en leder en mer kortfattet, men bredere oversikt over situasjonen.

I begge tilfeller er informasjonen som hvert medlem av organisasjonen trenger sannsynligvis fra samme datasett, men må presenteres på ulike måter for å dekke behovene til hvert sitt publikum.

Les mer: 3 steg for å tilgjengeliggjøre data for alle

5. Dataene dine er ikke tilpasset den virkelige verden

Det du ønsker å fortelle med dataene du fremstiller, bør illustrere virkeligheten. Dette betyr at dataene dine må være tilpasset virkelighetenes virkninger – hvilken forskjell vil dataene gjøre for kundene, teamet ditt, eller personen du presenterer den til?

Det er veldig bra å vite at omarbeiding av et utstillingsvindu eller en formulering av en personlig kunderelatert e-post vil øke besøkstallene på forretningsstedet med et visst beløp. Men hva har det å si for bunnlinjen? Hvordan vil dette virkelig hjelpe deg med å nå dine mål eller drive en positiv og bærekraftig endring?

Hvis ansatte har mål de skal nå, og poenget med et datastyrt initiativ er å øke frekvensen på hvorvidt disse målene nåes eller ikke, bør visualiseringene inneholde virkelige konsekvenser av dette. Dette kan være mer fornøyde kunder, lavere kundeflukt eller fremgang mot incentiver som bonuser. Hvis visualiseringen din er utformet for å vise ledere mulighetene som kan realiseres ved å ta ulike veivalg, bør du tydelig vise effekten på beregninger som fortjeneste, omsetning og personalavgang.

Å unngå disse datavisualiseringsfeilene vil være et stort skritt mot mer effektiv bruk av data, klarere innsikt og datadrevne beslutningsprosesser som bidrar til forretningsutvikling og bedre økonomiske resultater.

Vil du ta mer datadrevne beslutninger?

Da er embedded analytics den perfekte løsningen. Last ned denne eboken og lær mer om embedded analytics:

Last ned gratis ebok