AT_Logo

4 Strategien für Datenvisualisierungen

von | 4. Mai 2021 | Best Practices

Die Datenvisualisierung und deren genaue Analyse sind für das Gelingen von datengetriebenen Projekten von zentraler Bedeutung. Diese sollten vollständig und widerspruchsfrei sein. Der Umgang mit Strategien für Datenvisualisierungen ist ein wesentlicher Erfolgsfaktor in Projekten. Dieser Text präsentiert Strategien, mit denen sich Anforderungen in Data-Science-Projekten mit Visualisierungsanteil optimal ermitteln lassen.

Die Stakeholder

Die Stakeholder sind ein wichtiger Faktor, der die Agilität des Projektes beeinflusst und den Projekterfolg damit mitbestimmt. Es kann mitunter anspruchsvoll sein, alle Anforderungen beziehungsweise Wünsche der Stakeholder zu implementieren auf diese einzugehen.

Das ist besonders dann der Fall, wenn viele Stakeholder in einem Projekt beteiligt sind und diese dabei unterschiedliche, eventuell sogar kontroverse Vorstellungen vom Endergebnis haben. Die verschiedenen Strategien, die es dabei gibt, sollen im Folgenden anhand eines Visualisierungsprojektes durchgespielt werden.

Der Projektleiter

Auf Basis unserer langjährigen Erfahrung aus über 1.000 Data-Science-Projekten mit Visualisierungsanteil haben sich verschiedene Herausforderungen herausgestellt und wir haben entsprechende Vorgehensweisen bzw. Strategien etabliert, um diesen zu begegnen.

Für solche Entscheidungsprozesse bezüglich der Vorgehensweise haben wir einen Entscheidungsbaum entwickelt, der dabei hilft, die Aufgaben schnell zu strukturieren und zu steuern. Dieser beginnt mit der ersten Frage bezüglich bereits existierender Dashboards, Reportings oder anderen Visualisierungen, die als Orientierung zur Verfügung gestellt werden können.

Datenvisualisierungsstrategie
© [at]

4 Strategien für Data Science Projekte

1. Vor-Nachher-Strategie

Situation: Wenn ein Kunde bereits über eine Visualisierung verfügt – beispielsweise in Form eines Reportings, als PowerPoint oder als Applikation mit den Dashboards in verschiedenen Technologien wie QlikSense, Qlikview, Tableau, Power BI o.ä. integriert sind – muss zunächst geklärt werden, ob diese optimiert oder erweitert werden soll. Empfehlung: Bei der Optimierung hat sich bei uns folgende Vorgehensweise etabliert: Wir schaffen zunächst ein fachliches Verständnis für Visualisierungen in einem Workshop. Dabei klären wir Zweck und Ziele sowie alle Bestandteile der Diagramme – unter anderem die Bedeutungen der KPIs, Dimensionen und die genaue Fragestellung, die mit der Visualisierung beantwortet werden sollte. Auf Basis dieser Informationen werden die Grafiken methodisch nach etablierte Visualisierungsstandards erarbeitet.

Ergebnispräsentation: Zum Schluss stellen wir den Kunden die Ergebnisse vor, indem wir die vorherige Variante mit der neuen Variante vergleichen. Wir gehen auf die implementierten Verbesserungen ein und präsentieren unseren Vorschlag.

Success Story #1: Analyse der Reports nach den Success Rules (Hichert)
Optimierung der Grafiken nach Success Rules von Hichert steigert die Akzeptanz der Reportings im unteren und mittleren Management.

Herausforderung
Ein renommierter Automobilhersteller möchte die Wahrnehmung und Akzeptanz bestehender Reports im Management steigern.

Vorgehen
Es wird einen Workshop zu den Inhalten der bestehenden Visualisierungen durchgeführt und die User Stories gesammelt. Die Visualisierungen werdenvon Viz Experten neu entwickelt und in dem Workshop nach dem Vorher/Nacher Methode vorgestellt.


Lösung
Es wird ein Visualisierungskonzept entsprechend den Success Rules entwickelt, in den einheitlichen Richtlinien zur Darstellung der Grafiken festgehalten werden.

Ergebnis
Das Visualisierungskonzept nach den Success Rules ist entwickelt und die Richtlinien für die Grafiken sind festgelegt. Die Grafiken werden analysiert und in das Visualisierungskonzept implementiert. Die Akzeptanz und Interpretierbarkeit der Grafiken ist im unteren und mittleren Managementkreis signifikant gestiegen.

2. Opt-In-/Opt-Out-Strategie

Situation: Anders sieht es aus, wenn bereits eine Visualisierung existiert und diese erweitert werden soll. In diesem Fall empfehlen wir die Opt-In-/Opt-Out-Strategie. In erster Linie sammeln wir die User Storys. Diese spiegeln den Workflow der User wider und geben einen guten Überblick über die wirklichen Kundenbedürfnisse als Basis für die Anforderungen in Data-Science-Projekten.

Empfehlung: Basierend auf den gesammelten Informationen werden die User Storys in Visualisierungen umgewandelt. Zu jeder Visualisierung wird zusätzlich eine Alternative zur Auswahl entwickelt.

Ergebnispräsentation: In einem Zwischenergebnis-Workshop stellen wir den Kunden die entwickelten Grafiken mit Alternativen vor. Wir kommentieren die Vor- und Nachteile jeder Variante und geben unsere Empfehlung ab.

Success story #2: Konzeptionelle Entwicklung von Reports nach IBCS
Bereitstellung von Reports nach IBCS-Regeln steigert die Akzeptanz bei den entsprechenden Usern

Herausforderung
Eine Tochtergesellschaft möchte die Akzeptanz bestehender Management Reports steigern und die Reports der Muttergesellschaft integrieren.

Vorgehen
Es wird einen Workshop zu den Inhalten der bestehenden Visualisierungen durchgeführt und die User Stories gesammelt. Die Visualisierungen werden entwickelt und in dem Workshop als Vorschlag aus zwei Optionen zur Auswahl vorgestellt.

Lösung
Ein Visualisierungskonzept entsprechend den IBCS-Regeln mit Bezug auf die „Success Rules nach Hichert“ wird entwickelt. Anschließend wird eine Realisierbarkeitsanalyse durchgeführt und das Konzept erfolgreich implementiert.

Ergebnis
Das Visualisierungskonzept nach IBCS  ist entwickelt und die Richtlinien für die Grafiken sind festgelegt ¨Die User Storys werden analysiert und die passenden Grafiken entwickelt ¨Die Akzeptanz und Interpretierbarkeit der Grafiken ist im oberen  Managementlevel gestiegen.

Anforderungen in Data-Science-Projekten Success Story 2

3. „Influencer“-Strategie

Situation: Es gibt Fälle, in denen unsere Kunden bei null beginnen und keine Visualisierungsgrundlage haben. Die Anzahl der Meinungsgeber ist dann groß, sodass es nicht leicht ist, auf die Wünsche und die Designvorstellung aller Beteiligten einzugehen.

Empfehlung: Eine mögliche Lösung dafür besteht darin, einen Stakeholder zu finden, dessen Einfluss auf das Projekt entscheidend ist. In den Zwischenabstimmungen sollten sich die visuellen Entwicklungen dann nach dessen Vorstellungen richten. Diese Vorgehensweise ist bei uns als „Influencer“-Strategie bekannt.

Ergebnispräsentation: Die Ergebnisse werden dem kompletten Stakeholder-Kreis vorgestellt und hinsichtlich der gewonnenen Vorteile und Neuerungen besprochen.

Success story #3: Analyseplattform für das Parts-Cost-Management
Monitoring des Beschaffungsprozesses und Versorgung von Einzelteilen nach Serienauslauf im
Bereich Aftersales.

Herausforderung
Ein  renommiertes Automobilunternehmen möchte verschiedene aftersales-spezifische Daten aus Einkauf und Vertrieb verknüpfen und visualisieren.

Vorgehen
Es wird einen Workshop mit dem Product Owner  durchgeführt in dem die User Stories gesammelt werden. Die Visualisierungen werden von Experten entwickelt und nach der Abstimmung mit dem Product Owner den User sowie anderen Stakeholder präsentiert.

Lösung
Anhand der diversifizierten Aftersales Datenquellen wird die Datenlandschaft ermittelt und Schnittstellen erstellt. Mit einer interaktiven und flexibel anwendbaren Applikation wird eine Anwendung mit der usergerechten Visualisierungen entwickelt.

Ergebnis
Transparenz über die Einkaufspreisverläufe und damit verbunden, die Erreichung einer verbesserten Ausgangslage in den Preisverhandlungen. Entwicklung einer Mess- und Steuerungsgröße zur Zielmessung und -steuerung. Erkennung und Ermittlung der Auffälligkeiten von Mehrkosten im Vergleich zu Serienauslaufpreisen.

4. „Berater“-Strategie

Situation: Es gibt Fälle, in denen es nicht möglich ist, einen Influencer zu finden und dennoch mehrere Stakeholder in einem Projekt zu bedienen sind. Die exakte Definition der Anforderungen in Data-Science-Projekten kann in diesen Situationen viel kostbare Projektzeit kosten. Die Folgen sind ständige Überarbeitung und ressourcen-intensive Prozesse.

Empfehlung: Für diesen Fall ist unsere Empfehlung, die „Berater“-Strategie zu verfolgen. Dabei werden alle Anforderungen in Data-Science-Projekten mit den dazugehörigen Akzeptanzkriterien gesammelt und gemeinsam priorisiert. Die Implementierung wird von den Visualisierungs-Experten durchgeführt und bei einer Zwischenabstimmung das Feedback aufgenommen.

Ergebnispräsentation: Wir präsentieren die finale Version der Visualisierungen und kommentieren die zur Erstellung der Visualisierung eingesetzte Methodik.

Success story #4: Kundenwertanalyse
Für die Vertriebssteuerung eines Werkzeughändlers wurde eine prototypische, interaktive Tableau
Visualisierung erstellt.

Herausforderung
Ein deutscher Werkzeughändler hat bisher nur eine unflexible Analyse, die keinen Vergleich mit anderen Kunden bietet. Die Visualisierung soll anschaulich, interaktiv und
trotzdem detailliert sein.

Vorgehen
Im Workshop werden gemeinsam mit dem Kunden die wichtigsten Kenngrößen zur Darstellung definiert. Die  Experten entwickeln die Visualisierung und wird dann dem Kunden anhand des Storytellings präsentiert.

Lösung
Auf Basis der in SAP vorhandenen Daten wurden die Kenngrößen berechnet und in Tableau visualisiert. Jede Kenngröße eines Kunden bekommt einen einfach verständlichen Score, abhängig von der gewählten Referenzgruppe.

Ergebnis
Die Visualisierung ermöglicht es, schnell und einfach zu erkennen in welchen Bereichen ein Kunde im Vergleich zu seiner Referenzgruppe agiert. Es können alle Informationen von jedem Kunden abgerufen und mit der Referenzgruppe verglichen werden.

Anforderungen in Data-Science-Projekten Success Story 4

5. Backlog-Bearbeitung

Situation: Die letzte und die einfachste Vorgehensweise ist die Backlog-Bearbeitung. Wenn alle Anforderungen in Data-Science-Projekten klar definiert sind, gibt es keine Diskussionen mehr dazu. Somit wird automatisch ein Backlog (unerledigte Aufgaben im Projekt) definiert und mit den Kunden abgestimmt.

Empfehlung: Die bestehenden Tasks sukzessiv in den Sprints abarbeiten.

Ergebnispräsentation: In der finalen Präsentation wird auf die Anforderungen im Data-Science-Projekt zurückgegriffen und deren Umsetzung aufgezeigt. Dies kann dynamisch in einer Software passieren oder statisch in einer PowerPoint geschehen.

Success story #5: Warranty KPI Dashboard
Vergleichbarkeit von Marktkennzahlen in einem Management Dashboard.

Herausforderung
Ein großer Automobilhersteller möchte die Performance KPIs in einem Management Dashboard darstellen. Hierbei soll eine Formel für die Messbarkeit der KPIs ermittelt werden.

Vorgehen
In einem Kick-off mit der Kunden werden die definierten Anforderungen in die User Stories mit der Akzeptanzkriterien übersetzt. Das erstellte Backlog wird nach SCRUM bearbeitet.

Lösung
KPIs werden auf Basis eines vereinheitlichten Index berechnet. Die Umsetzung der Visualisierung  erfolgt in QlikView. Die Steuerung der KPI-Wert Berechnungen über Excel Dateien.

Ergebnis
Implementierung eines Prototyps und Freigabe für
erste Testmärkte. Erstellen einer Kartendarstellung zum Vergleich der KPIs.

Fazit

Jedes Data Science Projekt ist einzigartig. Der Weg zur individuellen Lösung weist jedoch strukturelle Ähnlichkeiten und wiederkehrende Fragestellungen auf. Der Datenkompass ist die Antwort auf diese Gemeinsamkeiten und er hilft dabei, Prozesse zu beschleunigen, zu beurteilen und zu optimieren. Wie ein echter Kompass beim Navigieren hilft und es möglich macht, sich über den eigenen Standpunkt klarzuwerden, so verschafft auch der Datenkompass Orientierung. Data Science Projekte sind hochkomplex und umso wichtiger ist es, den Überblick nicht zu verlieren. Mit dem von uns entwickelten Datenkompass verlieren wir nie das Ziel aus den Augen – Denn wir wissen: Nur wer die richtige Orientierung hat, kann auch neue Wege beschreiten.

Unserer Erfahrung nach bieten diese Strategien zur Definition und Umsetzung der Anforderungen in Data-Science-Projekten einen umfassenden Schutz, um den Projekterfolg sicherzustellen. Dabei blicken wir auf zahlreiche Use Cases und entsprechend viele Erfahrungen zurück, aus denen wir lernen konnten.

Insbesondere die Szenarien, bei denen viele Stakeholder eine Rolle spielen, zählen nicht nur zu den häufigsten Fällen, sondern auch zu den anspruchsvollsten. Wer hier mit einer Strategie für die Anforderungen in das Data-Science-Projekt geht, hat schon vor Beginn sehr viel gewonnen.

<a href="https://www.alexanderthamm.com/de/blog/author/elena/" target="_self">ELENA DANCHYSHYNA</a>

ELENA DANCHYSHYNA

Elena Danchyshyna ist unsere Expertin für Datenvisualisierungen und arbeitet nun bereits seit 8 Jahren für die Alexander Thamm GmbH. Nicht nur entwickelt sie eigene Applikationen und Visualisierungskonzepte, sondern unterstützt teamübergreifend bei deren Implementierung und Evaluierung. Elena ist Autorin der innovativen Konzepte für agiles Dashboarding und Qualität Standards in den Data Science Projekten mit dem Visualisierungsteil.