Visualisering af data

Hvad det er, og hvorfor det betyder noget

Datavisualisering er præsentation af data i et illustrativt eller grafisk format. Det gør det muligt for beslutningstagere at se analyser præsenteret visuelt, så de kan forstå vanskelige koncepter eller identificere nye mønstre. Med interaktiv visualisering kan du tage konceptet et skridt videre ved at bruge teknologi til at gå dybere ned i diagrammer og grafer for at få flere detaljer og interaktivt ændre, hvilke data du ser, og hvordan de behandles.

Datavisualiseringens historie

Konceptet med at bruge billeder til at forstå data har eksisteret i århundreder, fra kort og grafer i det 17. århundrede til opfindelsen af cirkeldiagrammet i begyndelsen af 1800-tallet. Flere årtier senere opstod et af de mest citerede eksempler på statistisk grafik, da Charles Minard kortlagde Napoleons invasion af Rusland. Kortet viste hærens størrelse og Napoleons tilbagetog fra Moskva - og knyttede disse oplysninger til temperatur- og tidsskalaer for at give en mere dybdegående forståelse af begivenheden.

Men det er teknologien, der for alvor har tændt op under datavisualiseringen. Computere gjorde det muligt at behandle store mængder data lynhurtigt. I dag er datavisualisering blevet en blanding af videnskab og kunst i rivende udvikling, som helt sikkert vil ændre virksomhedslandskabet i løbet af de næste par år.

Datavisualisering: En klog investering i din big data-fremtid

Med big data er der potentiale for store muligheder, men mange detailbanker er udfordrede, når det gælder om at finde værdi i deres big data-investering. Hvordan kan de for eksempel bruge big data til at forbedre kunderelationerne? Hvordan - og i hvilket omfang - skal de investere i big data?

I denne Q&A med Simon Samuel, Head of Customer Value Modeling for en stor bank i Storbritannien, undersøger vi disse og andre big data-spørgsmål, som detailbankfolk står overfor.

 


Hvorfor er datavisualisering vigtig?

På grund af den måde, den menneskelige hjerne behandler information på, er det lettere at bruge diagrammer eller grafer til at visualisere store mængder komplekse data end at læse regneark eller rapporter. Datavisualisering er en hurtig og nem måde at formidle koncepter på en universel måde - og du kan eksperimentere med forskellige scenarier ved at foretage små justeringer.

Datavisualisering kan også:

  • Identificere områder, der har brug for opmærksomhed eller forbedring.
  • Tydeliggøre, hvilke faktorer der påvirker kundernes adfærd.
  • Hjælpe dig med at forstå, hvilke produkter du skal placere hvor.
  • Forudsige salgsmængder.

Datavisualisering i nutidens verden

Hvilken indflydelse har datavisualisering haft i erhvervslivet - og hvad er der i vente for fremtiden? Her er, hvad eksperterne siger.

Metoder til datavisualisering

Et billede siger mere end tusind ord - især når du forsøger at finde relationer og forstå dine data, som kan omfatte tusindvis eller endda millioner af variabler.

Dette white paper giver nogle grundlæggende tips og metoder til at skabe meningsfulde visualiseringer af dine data.

Udforsk metoderne

Datavisualisering kommer til at ændre den måde, vores analytikere arbejder med data på. De kommer til at skulle reagere hurtigere på problemer. Og de bliver nødt til at være i stand til at grave efter mere indsigt - se på data på en anden måde, mere fantasifuldt. Datavisualisering vil fremme den kreative udforskning af data. Simon Samuel Chef for kundeværdimodellering i en stor bank i Storbritannien.

SAS® Visual Analytics


Data visualization technology from SAS delivers fast answers to complex questions, regardless of the size of your data.

Learn more

Hvordan bliver det brugt?

Uanset branche eller størrelse bruger alle typer virksomheder datavisualisering til at få mening ud af deres data. Her kan du se hvordan.

Forstå information hurtigt

Ved at bruge grafiske repræsentationer af forretningsoplysninger kan virksomheder se store mængder data på en klar og sammenhængende måde - og drage konklusioner ud fra disse oplysninger. Og da det er betydeligt hurtigere at analysere oplysninger i grafisk format (i modsætning til at analysere oplysninger i regneark), kan virksomheder løse problemer eller besvare spørgsmål mere rettidigt.

Identificer relationer og mønstre

Selv store mængder komplicerede data begynder at give mening, når de præsenteres grafisk; virksomheder kan genkende parametre, der er stærkt forbundne. Nogle af disse sammenhænge vil være indlysende, men andre vil ikke. At identificere sådanne relationer hjælper organisationer med at fokusere på de områder, der har størst sandsynlighed for at påvirke deres vigtigste målsætninger.

Find frem til nye tendenser

Brug af datavisualisering til at opdage tendenser - både i virksomheden og på markedet - kan give virksomheder et forspring i forhold til konkurrenterne og i sidste ende påvirke bundlinjen. Det er nemt at få øje på afvigelser, der påvirker produktkvaliteten eller kundeafgangen, og tage fat på problemerne, før de bliver større.

Kommunikér historien til andre

Når en virksomhed har afdækket nye indsigter fra visuel analyse, er det næste skridt at kommunikere disse indsigter til andre. Det er vigtigt at bruge diagrammer, grafer eller andre visuelt virkningsfulde repræsentationer af data i dette trin, fordi det er fængende og hurtigt får budskabet igennem.

Hvordan virker det

Datavisualisering i aktion

Selvom det kan være let at forstå idéen om, at datavisualisering hjælper dig med at få mening ud af store mængder data, er det ikke så let at forstå, hvad der sker bagefter. Hvilken type teknologi har du brug for, og hvordan bruger du den?

Denne praktiske video giver dig et overblik over SAS Visuel Analyse og SAS Visuel Statistik og demonstrerer, hvordan det er muligt at udforske milliarder af datarækker på få sekunder ved hjælp af forskellige konfigurationer. Teknologien fra SAS hjælper dig med at klargøre data, lave rapporter og grafer, finde nye indsigter og dele disse visualiseringer med andre via nettet, PDF'er eller mobile enheder.

Grundlaget for datavisualisering

Før du implementerer ny teknologi, er der nogle skridt, du er nødt til at tage. Ikke alene skal du have et solidt greb om dine data, du skal også forstå dine målsætninger, behov og målgruppe. At forberede din organisation på datavisualiseringsteknologi kræver, at du først:

  • Forstår de data, du prøver at visualisere, herunder deres størrelse og kardinalitet (hvor unikke dataværdierne i en kolonne er).
  • Finder ud af, hvad du prøver at visualisere, og hvilken slags information du vil kommunikere.
  • Kender dit publikum, og forstår, hvordan det bearbejder visuel information.
  • Bruger du en illustration, der formidler informationen på den bedste og enkleste måde for dit publikum.

Når du har besvaret de indledende spørgsmål om den type data, du besidder, og det publikum, der skal bruge oplysningerne, skal du forberede dig på den mængde data, du kommer til at arbejde med. Big data giver nye udfordringer for visualiseringen, fordi der skal tages højde for store mængder, forskellige varianter og varierende hastigheder. Desuden genereres data ofte hurtigere, end de kan håndteres og analyseres.

Der er faktorer, du bør overveje, såsom kardinaliteten af de kolonner, du forsøger at visualisere. Høj kardinalitet betyder, at der er en stor procentdel af unikke værdier (f.eks. bankkontonumre, fordi hvert element skal være unikt). Lav kardinalitet betyder, at en datakolonne indeholder en stor procentdel af gentagne værdier (som det kan ses i en "køn"-kolonne).

At beslutte, hvilket visuelt udtryk der er bedst

En af de største udfordringer for erhvervsbrugere er at beslutte, hvilken illustration der skal bruges til bedst at repræsentere informationen. SAS Visuel Analyse bruger en intelligent automatisk graftegning til at skabe den bedst mulige grafik baseret på de valgte data.

Når du først udforsker et nyt datasæt, er automatiske diagrammer særligt nyttige, fordi de giver et hurtigt overblik over store mængder data. Denne dataudforskningsfunktion er nyttig selv for erfarne statistikere, når de forsøger at fremskynde den analytiske livscyklusproces, fordi den eliminerer behovet for gentagen prøveudtagning for at afgøre, hvilke data der er passende for hver model.