w26M2

Der Analyst kann somit wie erwähnt jedes Zwischenergebnis
bewerten, einordnen und den weiteren Analyseprozess
dementsprechend neu ausrichten (gerichtete
Suche). Jeder Zwischenschritt erzeugt zudem neues oder
vertieftes Verständnis über das untersuchte Phänomen
im Bewusstsein des Analysten, mehr als es die (visuelle)
Bewertung eines einzelnen Endergebnisses es je könnte.
Als zusätzlicher Nutzen der iterativen visuellen Analyse
können Zwischenergebnisse, die zu relevanten Entscheidungen
für den weiteren Analyseverlauf geführt haben,
als »Schnappschüsse« (Checkpoints) gespeichert werden.
Ein daraus erzeugtes »visuelles Analyse-Logbuch« kann
bei der späteren Kommunikation der Ergebnisse helfen,
einzelne Bewertungen belastbar und für Dritte nachvollziehbar
zu machen, und so potentiell die Entscheidungsfindung
zu verbessern und zu beschleunigen. Gute
VA- und Self-Service BI Lösungen sehen oft entsprechende
Funktionalität zum späteren Abspielen solcher Schnappschüsse,
oft als Storyboard, d.h. in einer vom Analysten
bestimmten Auswahl und Reihenfolge sowie individuell
annotiert, vor.
Einordnung von Visualisierungswerkzeugen
Der Übergang zwischen einfachen Visualisierungslösungen
und fortgeschrittenen Visual Analytics-Frameworks
ist dabei fließend. Nicht-interaktive Info-Grafiken eignen
sich im Allgemeinen nur für die Kommunikation eines
eng begrenzten Sachverhalts, lassen sich aber selbst von
Endanwendern sehr schnell mit den allermeisten Standardlösungen
(z. B. Excel-Spreadsheet-Visualisierungen)
erzeugen. Produkte, die Self-Service-BI-Lösungen bereitstellen,
erlauben im Allgemeinen größere Datenmengen
dank Anbindung an fast beliebige, skalierbare Back-Ends
sowie mehr Flexibilität bei der Erstellung semi-interaktiver,
aufgaben- bzw. anwendungsspezifischer Grafiken
und Dashboards 127 , richten sich typischerweise aber eher
an erfahrene Anwender. Werkzeuge zur explorativen
visuellen Datenanalyse (EDA) bzw. visueller Analyse sind
überwiegend spezialisierte Frameworks, oft aus dem
Forschungsumfeld, welche mehrere komplementäre
Visualisierungs- und Analysetechniken hoher Komplexität
für den professionellen Data Scientist bzw. den Visualisierungsexperten
bereitstellen. 128
Während unterschiedliche Visualisierungstechniken einzelne
Aspekte des CRISP-DM adressieren (vgl. Abbildung
32), deckt die Visuelle Analytik als Methodik den gesamten
Prozess ab:
• im Sinne der visuellen Exploration (EDA) während
der Phasen Business Understanding und Data
Understanding
• im Sinne des Visual Debuggings während der Data
Preparation, des Modeling und der (visuellen) Evaluation,
sowie
• im Sinne des (erweiterten) Visual Reportings zeitnaher,
belastbarer und nachvollziehbarer Bewertungen
für die Entscheidungsunterstützung.
Im Gegensatz zum klassischen Data Mining betont
die Visuelle Analytik dabei ausdrücklich eine iterative
Vorgehensweise in kleinen Teilschritten mit sofortiger
Evaluation der erzielten Zwischenergebnisse, wie in Abbildung
36 durch die zusätzlichen Rückkoppelungspfeile
angedeutet.
127
z. B. Tableau, Qlikview
128
Ein bekanntes Beispiel für diese Kategorie sind die Geo-Analysewerkzeuge der ArcGIS Spatial Analysis Workbench
86