Herausforderungen bei der Auswertung und Visualisierung großer Datenmengen

Da jetzt auch Unternehmen stark von der Big-Data Entwicklung profitieren, ist immer wieder auch von dem Buzzword der  „Datengetriebene Kultur“ die Rede. Nun stellt sich die Frage, wie eine Unternehmensweite Datensammlung ausgewertet und verständlich präsentiert werden kann. Es müssen nun neue und innovative Wege gefunden werden, wie große und komplexe Strukturen und deren Zusammenhänge und versteckten Muster verstanden werden können. Eine simple textuelle Darstellung wäre unverständlich und schwierig an Mitarbeiter oder Entscheidungsträger weiterzugeben.

Die visuelle Aufbereitung für die Entscheidungsfindung muss als entscheidender Faktor beachtet werden. In einem McKinsey Report wurden die großen Einschränkungen deutlich beschrieben, die Menschen im Umgang mit Big Data haben: „Informationen so zu präsentieren, dass Menschen sie effektiv verarbeiten können, ist eine wesentliche Herausforderung, der wir uns stellen müssen, damit die Analyse der Daten auch zu einer konkreten Aktion führt“.

Hohe Anforderungen an den Einsatz von Data Scientists im Unternehmen

Die Auswertung und der Erkenntnisgewinn von Daten wird dem Berufsbild des Data Scientist zugeschrieben. Er beantwortet dabei Fragen, die mittels Datenmengen gelöst werden können. Der ideale Data Scientist sollte sehr gut mit Informatik und Statistik vertraut sein. Für ihn ist es aber
auch notwendig ein hohes Maß an Kreativität zu besitzen und gleichzeitig ein Kommunikationstalent zu sein. Mit diesen Fähigkeiten kann er in verschiedenen Ebenen einer Organisation erfolgreich kommunizieren. Im Idealfall übernimmt er die Rolle des Übersetzers, der Schnittstelle und des Beraters. Er bereitet Ergebnisse für verschiedene Fachbereiche und das Top-Management verständlich auf.

Der idealisierte einfache Data Science Prozess
Der idealisierte und einfache Data Science Prozess

Zudem sollte er auch aufgeschlossen gegenüber neuen Analysetools und Verfahren sein, um diese zu erforschen und zu nutzen. Dieses Berufsbild setzt auch ein hohes Maß an „Soft-Skills“ voraus. Bestimmte Aufgaben wie die Beschaffung von Daten müssen aber auch an andere Mitarbeiter im Unter-
nehmen delegiert werden. Kontrolle und Steuerung bleiben aber jedoch hauptsächlich in der Hand des Data Scientist.

Davenport beschreibt diesen Persönlichkeitstyp wie folgt: „What kind of person does all this? What abilities make a data scientist successful? Think of him or her as a hybrid of data hacker, analyst, communicator, and trusted adviser. The combination is extremely powerful—and rare.“

Wie gerade beschrieben handelt es sich hierbei um ein hoch anspruchsvolles und komplexes Berufsbild. Es verwundert nicht, dass für diesen Bereich ein zukünftig hoher Bedarf herrscht und der Marktfür diese Dienstleistungen stark wachsen wird.

Verständlichkeit und Wichtigkeit von Visualisierungen

In der Schule wird traditionell das Verständnis von Sprache und Zahlen getrennt gelehrt. Die Prob-
lemlösung mit Zahlen findet im Mathematikunterricht statt und der Umgang mit Geschichten im
Sprachunterricht. Diese Trennung bereitet den Menschen immer weniger auf eine Arbeitswelt mit vielen Daten vor. Durch Technologie werden immer größere Datenmengen geschaffen, die ausgewertet und erklärt werden müssen. Dies trifft in der Zukunft wahrscheinlich auf alle Arten von Hierarchiestufen zu. Um dies jetzt zu erreichen muss eine Datenmenge in eine schlüssige Geschichte, eine sogenannte „Daten-Story“ verwandelt werden. Software wie Microsoft Excel hat es einfach gemacht, Gra-
fiken zu erstellen.

Aber mit den Möglichkeiten ist nicht das Verständnis für eine gelungene Darstellung gewachsen. In Präsentationen dominieren oftmals bedeutungslose und schlechte Darstellungen, die Verwirrung statt Klarheit stiften. Optimal wäre aber: Eine „Daten-Story“, die visuell und kontextuell zum Leben erweckt
wurde. Klare Datenkommunikation kann den entscheidenden Unterschied von Fehlschlag und Erfolg bedeuten. Beispiele für wichtige „Zahlenpräsentationen“ gibt es unzählige: Veröffentlichung einer Studie oder die Präsentation von Geschäftszahlen.

Im Unternehmen werden für die Auswertung von Daten oftmals Mitarbeiter mit einem quantitativen Hintergrund eingestellt. Diese haben einen Studiengang wie Physik, Mathematik oder Statistik absolviert und sind sehr erfolgreich in Analyse und Modellbildung. Wenn es aber nun darum geht, dass Erkenntnisse kommuniziert werden müssen, gibt es Probleme. Andererseits werden auch durch die Verfügbarkeit der Werkzeuge wie Excel diejenigen Mitarbeiter mit der Auswertung betraut, die wenig Wissen in Auswertung und Interpretation von Datenmengen besitzen. Ganz offensichtlich muss dieser Schnittstellenbereich der Visualisierung verbessert werden, um im Unternehmen zu guten Resultaten zu kommen. Deshalb geht es auch darum die Kluft beider Welten zu verkleinern und ein Verständnis für Daten und deren korrekte Visualisierung zu schaffen.

Der Datenjournalist David McCandless beschrieb in einer Email an die Zeitung Informationweek die Schwierigkeit von gelungenen Visualisierungen. Er räumte auch mit dem Vorurteil, dass Visualisierung „einfach“ ist, auf:

The biggest thing to know is that data visualization is hard. Really difficult to pull of well. It requires
harmonization of several skills sets and ways of thinking: conceptual, analytic, statistical, graphic design, programmatic, interface-design, story-telling, journalism – plus a bit of ‘gut feel.’ The end result is often simple and beautiful, but the process itself is usually challenging and messy.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.