w26M2
w26M2
w26M2
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Big-Data-Technologien – Wissen für Entscheider<br />
• 4.4 Visualisierung<br />
Das Ziel einer Datenanalyse ist stets, aus einer Menge<br />
an Rohdaten strukturierte Informationen und entscheidungsrelevante<br />
Erkenntnisse im gegebenen Anwendungsumfeld<br />
bzw. Geschäftsfall zu extrahieren.<br />
• Visualisierungsnutzung durch den Fachbereich<br />
(Entscheidungsträger) versus durch den Analysten<br />
(Domäne-Experten), sowie<br />
• Informationskonsum oder Analyse ortsgebunden (am<br />
Arbeitsplatz) versus mobil (Meetings, Dienstreisen).<br />
Visualisierungen spielen nicht nur eine Schlüsselrolle<br />
bei der effizienten Kommunikation relevanter Informationen<br />
zu bekannten Sachverhalten im Rahmen des<br />
BI-Reportings (vgl. Unterabschnitt 4.3.7).<br />
Die Abbildung 27 skizziert die Zusammenhänge der wichtigsten<br />
Schlagworte in diesem Kontext.<br />
Anscombe´s Quartett<br />
Vielmehr stellen fortgeschrittene Visualisierungen<br />
ein mächtiges und hochgradig flexibles Werkzeug im<br />
Analyseprozess dar, das die bisher diskutierten algorithmischen<br />
Verfahren der Datenanalyse (vgl. Abschnitt 4.3)<br />
im Sinne von »Unsicherheit minimieren durch visuellen<br />
Check« entscheidend ergänzt.<br />
Genutzte Techniken abhängig von<br />
Aufgabenstellung und Konsument<br />
Beim Einsatz visueller Analyse- und Kommunikationstechniken<br />
kommen unterschiedliche Techniken zum Einsatz.<br />
Sie lassen sich grob unterscheiden nach:<br />
• Visualisierung zur Informationsbereitstellung versus<br />
visuelle Analyse zur Wissensaufbereitung (Erkenntnisgewinn<br />
aus Daten),<br />
Als motivierendes Beispiel für die Relevanz und den<br />
Nutzen visueller Repräsentationen im Allgemeinen und<br />
visueller Analyse im Besonderen mag Anscombe´s Quartett<br />
dienen. Dabei handelt es sich um vier synthetische<br />
Punktmengen, bei denen trotz stark unterschiedlicher<br />
Verteilungen wesentliche statistische Kennzahlen identisch<br />
sind – eine irreführende Eigenschaft, die selbst bei<br />
diesen extrem kleinen Datensätzen nur sehr schwer aus<br />
der tabellarischen Darstellung abzulesen ist (Abbildung<br />
28, links), während sie in der Visualisierung sofort evident<br />
wird (Abbildung 28, rechts).<br />
Big Data: Neue Datentypen benötigen neue<br />
Formen der Visualisierung<br />
Im Kontext von Big-Data-Anwendungen steht auch für<br />
die Visualisierung zunächst die Herausforderung der<br />
Entscheider &<br />
Konsumenten<br />
Management<br />
Fachbereich<br />
Experten<br />
Wissensaufbereitung<br />
Dashboards<br />
Advanced<br />
Visualization<br />
Informationsbereitstellung<br />
Reports<br />
Real-Time<br />
Monitoring<br />
Abbildung 27: Rollen, Ziele und Visualisierungstechnologien im Überblick<br />
73