Wizualizacja danych

Teoria i praktyka

Wizualizacja danych to ich prezentacja w formie obrazkowej lub graficznej. Koncepcja ta pozwala osobom odpowiedzialnym za podejmowanie decyzji zobaczyć dane analityczne w ujęciu wizualnym, dzięki czemu łatwiej jest zrozumieć złożone zagadnienia lub rozpoznać nowe wzorce. Za sprawą wizualizacji interaktywnej możesz pójść o krok dalej i przy użyciu określonych technologii dokonywać szczegółowej analizy wykresów i grafik, dynamicznie modyfikując zakres wyświetlanych danych i sposób ich przetwarzania.

Historia wizualizacji danych

Koncepcja korzystania z obrazów na potrzeby zrozumienia danych jest znana od stuleci – w XVII wieku zaczęto tworzyć mapy i diagramy, a na początku wieku XIX wynaleziono wykres kołowy. Kilkadziesiąt lat później powstał jeden z najsłynniejszych przykładów wizualizacji statystycznej: zobrazowany przez Charlesa Minarda przebieg inwazji Napoleona na Rosję. Mapa ilustrowała liczebność armii oraz trasę odwrotu Napoleona z Moskwy, a także zestawiała te informacje z panującą wówczas temperaturą i umieszczała wydarzenia na osi czasu, umożliwiając tym samym bardziej wnikliwą analizę wydarzenia.

Prawdziwym wiatrem w żagle wizualizacji danych była jednak technologia – to komputery umożliwiły przetwarzanie ogromnych ilości danych w błyskawicznym tempie. Współcześnie wizualizacja danych stanowi szybko ewoluujące połączenie nauki i sztuki, które w nadchodzących latach bez wątpienia dokona przeobrażenia świata biznesu.

Wizualizacja danych: rozsądna inwestycja w przyszłość big data

Choć big data kryje w sobie ogromny potencjał, wielu bankom detalicznym trudno jest dostrzec realną wartość inwestycji w ten obszar. Nie wiedzą na przykład, w jaki sposób big data może im pomóc w doskonaleniu relacji z klientami ani jak bądź na ile intensywnie powinni inwestować w big data.

W ramach sesji pytań i odpowiedzi z udziałem Simona Samuela, szefa działu Customer Value Modeling w dużym brytyjskim banku, analizujemy te i inne wyzwania, związane z big data, przed jakimi stoją banki detaliczne.

 


Dlaczego wizualizacja danych jest ważna?

Ze względu na sposób, w jaki ludzki mózg przetwarza informacje, wizualizacja dużych ilości złożonych danych przy użyciu wykresów czy diagramów sprawia, że łatwiej jest je przyswoić, niż kiedy konieczne jest żmudne studiowanie arkuszy kalkulacyjnych lub raportów. Wizualizacja danych to szybka i prosta metoda przedstawiania różnych koncepcji w uniwersalny sposób. Co więcej, umożliwia ona testowanie różnych scenariuszy poprzez wprowadzanie niewielkich poprawek.

Dzięki wizualizacji danych możesz także:

  • rozpoznać obszary wymagające uwagi lub poprawy
  • określić, które czynniki wpływają na zachowania klientów
  • lepiej zrozumieć, jak rozmieścić produkty
  • przewidzieć wielkość sprzedaży.
Wizualizacja danych zmieni sposób, w jaki nasi analitycy pracują z danymi – będzie się od nich oczekiwać szybszej reakcji na pojawiające się problemy oraz niezbędna stanie się umiejętność docierania do nowych spostrzeżeń poprzez patrzenie na dane w inny, bardziej kreatywny sposób. Wizualizacja danych sprzyja takiemu twórczemu podejściu do analizy. Simon Samuel Head of Customer Value Modeling for a large bank in the UK

SAS® Visual Analytics


Technologia wizualizacji danych od SAS zapewnia szybkie odpowiedzi na złożone pytania, niezależnie od wielkości Twoich danych.

Dowiedz się więcej

Kto z tego korzysta

Każda firma – bez względu na wielkość czy branżę, w jakiej działa – wizualizuje dane, by lepiej je zrozumieć. Dowiedz się, jak to wygląda w praktyce.

Szybkie rozumienie informacji

Stosując graficzne formy prezentacji danych biznesowych, firmy zyskują możliwość patrzenia na duże zbiory informacji w uporządkowany i spójny sposób – dzięki temu łatwiej jest wyciągać wnioski. A ponieważ analiza informacji przedstawionych w formie graficznej jest wyraźnie szybsza niż ta oparta na arkuszach kalkulacyjnych, przedsiębiorstwo jest w stanie rozwiązywać problemy i odpowiadać na pytania w o wiele krótszym czasie.

Rozpoznawanie zależności i wzorców

Nawet ogromne ilości złożonych danych nabierają sensu dzięki wizualizacji – pomaga ona firmom wskazać parametry o silnych wzajemnych powiązaniach, z których niektóre będą oczywiste, za to inne zupełnie nie. Umiejętność rozpoznawania tych zależności pozwala organizacji skupiać się na tych obszarach, które mają największą szansę wpłynąć na realizację jej głównych celów.

Dostrzeganie wyłaniających się trendów

Odkrywanie trendów za pomocą wizualizacji danych – zarówno w ujęciu biznesowym, jak i rynkowym – może dać firmie przewagę konkurencyjną, a w rezultacie wpłynąć na jej wyniki. Stosowanie takiej metody ułatwia identyfikowanie wartości odstających mogących przyczyniać się do spadku jakości produktów lub utraty klientów, a także reagowanie na problemy, zanim urosną do większych rozmiarów.

Dzielenie się spostrzeżeniami

Gdy dzięki zastosowaniu analityki wizualnej firma już wyciągnie wnioski, kolejnym krokiem jest podzielenie się nimi z innymi. Korzystanie z diagramów, wykresów i innych form wizualnej prezentacji danych jest w tym względzie ważne, ponieważ pomaga przyciągnąć uwagę i szybko przekazać komunikowane treści.

Jak to działa

Wizualizacja danych w praktyce

Podczas gdy łatwo jest dostrzec, że wizualizacja danych pomaga zrozumieć duże ilości danych, mało kto ma świadomość, jak ten proces faktycznie wygląda. Dowiedz się, z jakiej technologii warto skorzystać i jak się to robi.

Obejrzyj film, aby poznać rozwiązania SAS Visual Analytics i SAS Visual Statistics i przekonać się, jak to możliwe, by przy użyciu różnych konfiguracji w ciągu zaledwie kilku sekund dokonać analizy miliardów wierszy danych. Technologia SAS zapewnia wsparcie w obszarze przygotowywania danych, tworzenia raportów i wykresów, gromadzenia nowych spostrzeżeń i dzielenia się efektem tych działań z innymi – online, w formie plików PDF lub za pośrednictwem urządzeń mobilnych.

Tworzenie fundamentów pod wizualizację danych

Przed wdrożeniem nowej technologii należy wykonać pewne kroki. Warto mieć solidne rozeznanie w posiadanych danych, a także dobrze znać swoje cele, swoje potrzeby i swoich odbiorców. Chcąc przygotować organizację na korzystanie z wizualizacji danych, musisz najpierw:

  • poznać dane, które planujesz wizualizować, w tym ich rozmiar i kardynalność (unikatowość wartości danych w kolumnie)
  • zdecydować, co chcesz zwizualizować i jakie informacje przekazać
  • zrozumieć swoich odbiorców oraz sposób, w jaki przetwarzają informacje wizualne
  • wybrać element wizualny, który pozwoli przedstawić informacje w formie najlepszej i najprostszej z punktu widzenia odbiorców.

Gdy już poznasz odpowiedzi na wszystkie podstawowe pytania dotyczące rodzaju posiadanych danych i odbiorców przekazywanych informacji, przygotuj się na ilość danych, z którymi będziesz pracować. Dane big data to w kontekście wizualizacji szczególne wyzwanie, ponieważ w ich przypadku mamy do czynienia z ogromnymi ilościami, wyjątkową różnorodnością i zmiennym tempem napływu. Co więcej, dane są często generowane szybciej, niż jesteśmy w stanie nimi zarządzać i je analizować.

Istnieją pewne czynniki, które warto wziąć pod uwagę, takie jak np. kardynalność wizualizowanych kolumn. Wysoka kardynalność oznacza, że mamy do czynienia z dużym odsetkiem unikatowych wartości – przykładem mogą być numery rachunków bankowych, ponieważ w ich przypadku każdy element jest niepowtarzalny. Jeśli natomiast kardynalność jest niska, kolumny zawierają duży odsetek powtarzalnych wartości (jak np. w kolumnie „płeć”).

Wybór najwłaściwszego elementu wizualnego

Jednym z największych wyzwań, z jakimi mierzą się użytkownicy biznesowi, jest wybór elementu, który najlepiej zwizualizuje prezentowane informacje. SAS Visual Analytics korzysta z funkcji automatycznego tworzenia wykresów, generując dzięki temu możliwie najskuteczniejszą ilustrację obrazującą wskazany zakres danych.

Automatyczne tworzenie wykresów jest szczególnie przydatne w przypadku nowych zbiorów danych, ponieważ pozwala szybko zapoznać się z dużymi ich ilościami. Tego typu funkcję eksploracji danych docenią nawet doświadczeni statystycy, którym zależy na przyspieszeniu całego procesu analizy poprzez eliminację konieczności wielkorotnego pobierania próbek na potrzeby określenia danych właściwych dla poszczególnych modeli.