Earn money by answering our surveys

Register now!

Datenvisualisierung: Definition, Beispiele, Tools, Beratung [Guide 2021]

Earn up to 50€ by participating in one of our paid market research.

Register now!

Data Visualization, oder DataViz, ist die Disziplin, die sich auf die grafische Darstellung von Rohdaten konzentriert. Der Zweck der Datenvisualisierung ist die Wertschöpfung. In den letzten Jahren haben sich neue Werkzeuge und Praktiken rund um die Datenvisualisierung und die Entstehung neuer Berufe herausgebildet. Dieser Artikel beginnt mit der Definition der Datenvisualisierung und veranschaulicht anhand eines konkreten Beispiels die 5 Ebenen der Datenvisualisierung. Wir werden dann die Entwicklung der Datenvisualisierungspraktiken behandeln und die verschiedenen verfügbaren Tools überprüfen. Schließlich geben wir Ihnen einige praktische Beratung, damit Sie mit DataViz beginnen können.

Ich habe versucht, das Wesentliche des Themas zu behandeln und verschiedene Perspektiven anzubieten. Wenn Sie Vorschläge haben, zögern Sie nicht, einen Kommentar zu hinterlassen. Wenn Sie DataViz Beratung benötigen, zögern Sie nicht, mich per E-Mail oder über LinkedInzu https://www.linkedin.com/in/pnschwab/kontaktieren.

Wenn Sie nur 30 Sekunden Zeit haben

  • Data Visualisation (oder DataViz) zielt darauf ab, große Datenmengen mit einem visuellen Medium zu untersuchen
  • Es gibt 5 Ebenen in der Datenvisualisierung (0 bis 4), abhängig von den verwendeten Tools und den verfolgten Zielen
  • Data Visualisation ist in der Notwendigkeit begründet, übermäßige Mengen an Rohdaten sinnvoll zu machen
  • Beispiele sehr alter Visualisierungen sind bereits im 16. Jahrhundert dokumentiert.
    Bei der Entwicklung von Visualisierungstools können 3 Phasen unterschieden werden

Zusammenfassung


Einführung

Es wird Ihnen nicht entgangen sein, dass Daten zu einem wichtigen Thema für alle Unternehmen geworden sind. Die Datenwissenschaft hat sich von einem Schlagwort vor 5 Jahren zu einer Priorität für viele Unternehmen entwickelt. Dies ist in den Suchbegriffen auf Google zu sehen (siehe Grafik unten). Es ist erwähnenswert, dass der Begriff „Datenvisualisierung“ seit 2010 weithin gegenüber „DataViz“ bevorzugt zu werden scheint.

Die Nachfrage nach Datenwissenschaftlern ist zwischen 2018 und 2019 um 59 % gestiegen. Die Harvard Business Review machte es zur sexysten Arbeit des 21. Jahrhunderts in einem Artikel aus dem Jahr 2012. Es wäre jedoch falsch zu glauben, dass die Datenvisualisierung eine neue Praxis ist. Es wurde immer verwendet, um die Komplexität eines Problems oder die Entwicklung einer Situation visuell zu berichten. Bereits im 19. Jahrhundert visualisierten Sozialwissenschaftler wie Charles Booth die Daten, die sie sammelten, um ihre Entdeckungen zu materialisieren. Die Visualisierung eines Problems hat den positiven Nebeneffekt, das Verständnis zu vereinfachen. Heißt das nicht, dass ein gutes Bild besser ist als eine lange Rede?


Datenvisualisierung: Definition

Was ist Datenvisualisierung? Es ist die Praxis, Daten in grafischer Form darzustellen, um ihr Verständnis zu vereinfachen. Ich bestehe auf der Dimension „Vereinfachung des Verständnisses“, weil dies das Interesse einer guten Visualisierung im Vergleich zu einer Tabelle voller Zahlen ist. Die Datenmenge, die Unternehmen zur Verfügung steht, nimmt exponentiell zu und unterstreicht die Bedeutung der Datenvisualisierung.

Dieser konstante Anstieg wurde durch die 4V-Regel von IBM theoretisiert (siehe Grafik unten, Gutschrift IBM) und erklärt die Entstehung von Ad-hoc-Datenvisualisierungstools. Die ersten Tools für geschäftliche Zwecke (Tableau, Qlik) erschienen bereits vor mehr als 10 Jahren. Mit ihnen erschien auch ein neuer Begriff: Business Intelligence (kurz BI). Jedes Jahr stellt Gartner einen kompletten Benchmark aller auf dem Markt erhältlichen Tools zur Verfügung.

4V du Big Data

IBM hat die 4V (Velocity, Variety, Volume, Veracity) von Big Data theoretisiert. Diese 4 Attribute ermöglichen es uns, die Beschleunigung bei der Arbeit in Daten zu verstehen und die Bedeutung der Datenvisualisierung als Praxis zur Wertschöpfung zu schätzen.


Datenvisualisierung: die 5 Ebenen werden anhand eines konkreten Beispiels erläutert

Ein Beispiel ist besser als eine lange Rede, also dachte ich, ein konkreter Fall würde Sie aufklären. Ich schlage vor, dass Sie das Interesse an der Datenvisualisierung erfassen, indem Sie ein Thema aufgreifen, das ich im Jahr 2020 behandelt habe, nämlich die Migrationsströme in die Europäische Union.

Niveau 0: Rohdaten

Niveau 0 DataViz ist natürlich überhaupt kein DataViz. In diesem Beispiel finden Sie sich mit einer Datei von ein paar tausend Zeilen. Die Daten sind sehr granular, so dass für jedes Migrationssegment eine Linie erstellt wird. Die Datenbank hat auch viele Nullwerte für leere Segmente. So hat Estland beispielsweise keine Migranten über 18 Jahre aus Afghanistan aufgenommen.

Niveau 1: Aggregierte Visualisierung in Excel

Niveau 1 Datenvisualisierung ist das, was Sie mit einem Tool wie Excel erreichen können. Ein Histogramm, ein Kreisdiagramm, eine Kurve sind bereits (einfache) Formen der Datenvisualisierung, und es kann bereits ausreichen. Es ist daher nicht verwunderlich, dass viele Unternehmen sie nutzen und damit zufrieden sind. Um das vorhergehende Beispiel fortzusetzen, finden wir uns mit einer Visualisierung der Entwicklung der Zahl der Migranten pro Jahr wieder. In diesem Stadium steht der Leser daher vor einer statischen Visualisierung, die eine relativ geringe Granularität aufweist. Eine eingehendere Untersuchung der Daten würde eine Multiplikation derartiger Diagramme erfordern, um beispielsweise die Entwicklung nach Ländern, Altersgruppen, Geschlechtern usw. zu vergleichen. Da diese Informationen unterschiedlich sind und die Herkunfts- und Zielländer zahlreich sind, wäre es schwierig, alles in einem einzigen Diagramm darzustellen.

Niveau 2: verschiedene Arten von Daten in einem einzigen Diagramm

Wenn Sie einfache grafische Darstellungen (Histogramme, Kreisdiagramme, Kurven usw.) außer Acht lassen, können Sie zum Wesen der Datenvisualisierung gelangen. Der Übergang von Niveau 1 zu Niveau 2 erfordert eine gewisse Kreativität und Erfahrung, um visuelle Darstellungen zu schaffen, die echte Einblicke geben. Meiner Meinung nach unterscheidet der DataViz-Spezialist vom Excel-Benutzer genau das: die Fähigkeit, eine visuelle Darstellung zu erstellen, die es Ihnen ermöglicht, über die offensichtlichsten Schlussfolgerungen hinauszugehen. Es ist dieselbe Grenze, die die Welt von BI von der der Datenwissenschaft trennt. Daher können wir uns vorstellen, dass eine Visualisierung der Stufe 2 Herkunft, Geschlecht und Volumendaten mischen würde. Dies ist, was ich schnell versucht habe, unten zu tun

Niveau 3: Interaktive Datenvisualisierung

Die leistungsfähigsten Tools auf dem Markt ermöglichen es Ihnen, interaktive Visualisierungen zu erstellen. Der Nutzer wird zum Akteur seiner datenbasierten Entdeckungen. Durch die Aktivierung von Filtern und Optionen hat er die Möglichkeit, die Visualisierung nach seinen Bedürfnissen zu variieren. Wir bewegen uns also von einer statischen visuellen Darstellung zu einer dynamischen. Das folgende Beispiel, das ich auf Tableau Public online stelle, ermöglicht es dem Benutzer, von einem Land in ein anderes zu wechseln, um die Variationen Jahr für Jahr für jedes Geschlecht zu beobachten. Zusätzliche Erkenntnisse werden in Form von automatisch aktualisierten Rankings zur Verfügung gestellt. Ich lade Sie ein, dieses dynamische Dashboard selbst zu testen, indem Sie meine Tableau Public-Seite besuchen.

Niveau 4: Data Art oder die ultimative Ebene der Datenvisualisierung

Die letzte Ebene der Datenvisualisierung (an die ich mich mit Kreationen wie dieser intensiv heranzugehen https://public.tableau.com/views/iron-viz submission/Dashboardfinal?:language=en&:display_count=y&:origin=viz_share_link&:showVizHome=noversuche) fügt dem Ganzen eine ästhetische Dimension hinzu. Data Mining und Insights Discovery sind nicht mehr ausreichend. Das Ergebnis muss immer noch attraktiv und würdig sein, an der Wand Ihres Wohnzimmers zu sein. Der „Data Artist“ -Beruf ist bei Künstlern wie Nicholas Rougeux (den wir bereits auf unserem Podcast erhalten haben) oder der fantastischen Federica Fragapane angesagt. In dieser Kategorie sind die verwendeten Werkzeuge mehr in der Palette des Grafikdesigners als der Analyst. Um mehr darüber zu erfahren, wer ein Datenkünstler ist, schauen Sie sich das Interview von Nicholas Rougeux unten an.

Sowerby mineralogy poster Nicholas Rougeux

Nicholas Rougeux ‚Visualisierungen sind so schön, dass er sie als Poster verkauft. In diesem Bild sehen Sie die Arbeit, die er zum Thema Mineralogie geleistet hat.


Eine historische Perspektive auf die Datenvisualisierung

Lorenz Codomann, Chronographia (1596)

Lorenz Codomann, Chronographia (1596)

Wenn die Praxis der grafischen Meldung eines Problems nicht neu ist, ist der Begriff „Datenvisualisierung“ wahrscheinlich wichtiger. Anhand der Beliebtheit dieses Begriffs bei Google können wir erkennen, dass er ab 2010 immer mehr an Bedeutung gewinnt (siehe Grafik oben). Seltsamerweise ist der Name „DataViz“ völlig anekdotisch geworden, nachdem er in den frühen 2000er Jahren seinen Höhepunkt erreicht hatte (eine geografische Analyse zeigt, dass der Begriff „DataViz“ jetzt das Vorrecht der in Frankreich durchgeführten Forschung zu sein scheint, der Rest der Welt hat offenbar aufgegeben, diesen Begriff zu verwenden).

Die Datenvisualisierung ist jedoch nicht neu. Wenn ich das Beispiel von Charles Booth im 19. Jahrhundert in der Einleitung erwähne, könnte man sagen, dass noch weiter entfernte Beispiele zu uns gekommen sind. Daniel Rosenberg und Anthony Grafton zeigen in ihrem Buch „Cartographies of Time“ (2012), wie sich die Darstellung der Zeit im Laufe der Zeit entwickelt hat. Bereits im 16. Jahrhundert begannen Embryonen der Visualisierung zeitlicher Daten zu entstehen. Die beiden Beispiele gegenüber (Lorenz Codomann, Chronographia, 1596) und unten (Johannes Temporarius, 1596) bezeugen dies.

Johannes Temporarius (1596)

Datenvisualisierung vorgeschlagen von Johannes Temporarius in 1596.

In ihrer eigenen Zeit und mit den ihnen zur Verfügung stehenden Mitteln stellte sich jeder der Autoren eine visuellere Art vor, die Daten zu lesen und zu analysieren.

Einige der anspruchsvollsten Visualisierungen haben ihren Ursprung in ziemlich alten Werken. Das Sankey-Diagramm ist eine Entwicklung von Flussdiagrammen, von denen einige ziemlich alt sind. Dies ist zum Beispiel der Fall bei dem Diagramm, das von Charles Minard 1869 erstellt wurde, um Napoleons Verluste während des russischen Feldzuges darzustellen. Typischerweise handelt es sich um eine Visualisierung des Niveaus 2 (siehe meine obige Klassifizierung), die quantitativen Daten (Anzahl der Todesfälle) mit topologischen und zeitlichen Daten mischt. Das Ergebnis ist ganz außergewöhnlich und offenbart den Erfindungsreichtum seines Autors, der für Visualisierungen der Stufe 2 charakteristisch ist. Diese Arbeit wird auch heute noch analysiert und sogar in Form von Plakaten präsentiert.

Im Jahre 1869 machte Charles Minard eine Visualisierung der menschlichen Verluste während der napoleonischen Kampagne von 1812-1813 in Russland. Dieses Diagramm, dessen Dichte proportional zu den menschlichen Verlusten ist, diente als Inspiration für viele andere Visualisierungen. Sankey gab seinen Namen 1898 Flussdiagrammen, die heute der Ursprung vieler feiner Datenvisualisierungen sind.

La campagne de Russie (diagramme Sankey) par Charles Minard en 1869

Im Jahre 1869 machte Charles Minard eine Visualisierung der menschlichen Verluste während der napoleonischen Kampagne von 1812-1813 in Russland. Dieses Diagramm, dessen Dichte proportional zu den menschlichen Verlusten ist, diente als Inspiration für viele andere Visualisierungen. Sankey gab seinen Namen 1898 Flussdiagrammen, die heute der Ursprung vieler feiner Datenvisualisierungen sind


Die zunehmende Computerisierung von Unternehmen und die Produktion von Daten nach der Digitalisierung von Verhaltensweisen sind die beiden Elemente, die zur Notwendigkeit weiterer Datenvisualisierungen beigetragen haben. Ohne dass dies absolute Wahrheit ist, bin ich der Meinung, dass die moderne Zeit in drei Phasen unterteilt werden kann:

Die Excel-Phase: nicht zentralisierte Daten

Die „Excel-Phase“ entspricht dem Zeitraum, in dem Excel das einzigartige Werkzeug war, mit dem Unternehmen grafische Darstellungen zur Veranschaulichung von Berichten erstellten. Obwohl Excel heute noch weit verbreitet ist, ist es wichtig, sich daran zu erinnern, dass Unternehmen zu einem Zeitpunkt nichts anderes hatten, um Grafiken zu erstellen. Ein grundlegender Unterschied zwischen der heutigen Datenvisualisierung und der Datenvisualisierung vor 2000 ist die Absicht hinter dem Diagramm. Vor dem Jahr 2000 wurde das Diagramm mit einer Berichtsabsicht erstellt. Die Visualisierung wurde für Berichtszwecke erstellt. Fragen des Empfängers wurden asynchron bearbeitet

Die ERP-Phase: Die wesentlichen Daten des Unternehmens werden zentralisiert

Um die 2000er Jahre wurde Enterprise Resource Planning (ERP) -Software populär und ermöglichte es Unternehmen, ihre Daten zu zentralisieren. Dies ist ein wesentlicher Schritt, um verschiedene Geschäftsbereiche innerhalb des Unternehmens zu verbinden. Verschiedene Datenquellen werden verbindbar und zeigen die Notwendigkeit, sie zu analysieren und zu interpretieren. Ich sehe diesen Schritt in Richtung Zentralisierung als Markierung des Aufstiegs von Business Intelligence (BI). ERP-Lösungsanbieter (SAP, Oracle) nutzen diese Chance und schlagen integrierte BI-Lösungen vor, die auch heute noch relevant sind (siehe Magic Quadrant von Gartner unten). Durch die Ausweitung ihrer Tentakel auf alle Bereiche des Unternehmens hat die Menge der zentralisierten Daten nur zugenommen, was die Bedeutung von BI unterstreicht.

Die Entwicklung von eigenständigen DataViz-Lösungen

Die zunehmende Datenmenge hat zur Entwicklung unabhängiger Visualisierungslösungen geführt, die leistungsfähiger sind als die in Software-Suiten bereitgestellten. Erinnern wir uns zunächst daran, dass Tableau (eine der ersten eigenständigen Lösungen auf dem Markt bereits 2003) aus einem Projekt geboren wurde, um große Datenmengen zu visualisieren. Pat Hanrahan und Chris Stolte entwickelten VizQL (Visual Query Language), eine Sprache zur grafischen Abfrage großer Datenbanken. Die Notwendigkeit autonomer Visualisierungslösungen besteht daher darin, große Datenmengen zu erforschen.



Datenvisualisierung: Herausforderungen und Chancen in Unternehmen

Obwohl die Datenvisualisierung ihre Adelsbriefe erworben hat und trotz der Demokratisierung von Tools wie PowerBI (Microsoft), hat Excel noch eine glänzende Zukunft vor sich. Viele Reporting-Aufgaben werden heute immer in Excel ausgeführt.  Die Ausstattung der Arbeitsplätze kann diese Allgegenwart erklären. Im Laufe der Jahre hat sich Excel zu einer „universellen Sprache“ entwickelt, die jeder aus seinen ersten Schritten mit dem Computer lernen kann.

Es wird niemandem entgangen sein, dass datenzentrierte Strategien sehr modisch geworden sind. Viele Unternehmen behaupten, „datengetrieben“ zu sein, das heißt, ihre Entscheidungen auf Datenanalyse zu gründen. Daher sind die Möglichkeiten der Datenvisualisierung eng mit der Produktion von Daten in Unternehmen verknüpft.

Die Möglichkeiten von DataViz sind natürlich zahlreich und scheinen mir von den Herausforderungen zu herrühren, die mit den Daten selbst verbunden sind. Ich möchte drei davon unterscheiden.

  1. Die Hauptherausforderung für Unternehmen besteht heute (noch) darin, die Praxis der Datenvisualisierung vom Reporting zum Data Mining zu verlagern. Die Macht der Daten freizusetzen bedeutet, sie zu nutzen, um Werte zu schaffen. Allzu oft sind Visualisierungen jedoch banal und berichten tagtäglich über Indikatoren. Daher könnten wir zusammenfassen, indem wir sagen, dass Unternehmen noch weit davon entfernt sind, alle eine Daten- „Kultur“ eingeführt zu haben.
  2. Die zweite Herausforderung besteht in der Fähigkeit, Datenvisualisierung für alle verfügbar zu machen. Dies ist, was Microsoft versucht zu tun, indem sie die PowerBI-Lizenz. Dabei wird jeder Mitarbeiter in der Lage sein, „mit den Daten zu spielen“ und selbst nach Informationen zu suchen, die sich auf seine Arbeit auswirken können.
  3. Die dritte Herausforderung besteht darin, Daten prosaischer zu sammeln und zu zentralisieren, um ihre Exploration zu ermöglichen. Datenvisualisierung macht nur Sinn, wenn sie die Erforschung von Datenmengen ermöglicht, die über das hinausgehen, was mit herkömmlichen Büroautomatisierungswerkzeugen möglich ist.

Datenvisualisierung: verfügbare Tools

Es wäre schwierig, eine erschöpfende Bestandsaufnahme aller DataViz-Lösungen zu machen, weil ich sie nicht alle kenne, und zweitens, weil andere es bereits tun. Also werde ich damit beginnen, über den Gartner Magic Quadrant (unten) zu sprechen. Dieses Benchmarking-Tool wird einmal im Jahr veröffentlicht und bewertet verschiedene IT-Lösungen, einschließlich Datenvisualisierungslösungen. Der Benchmark gliedert sich in 4 Kategorien:

  • Gruppenleiter
  • Herausforderer
  • Visionäre
  • Nischenspieler

Die 4 Unternehmen, die diesen Benchmark dominieren, sind:

  • Microsoft mit PowerBI
  • Tableau
  • Qlik
  • ThoughtSpot
data visualisation magic quadrant gartner 2020

Der Gartner Magic Quadrant ist ein Maßstab für Datenvisualisierungstools. Es wird jährlich veröffentlicht und ordnet Datenvisualisierungslösungen in 4 Kategorien (Führungskräfte, Herausforderer, Nischenspieler, Visionäre) ein. Oben die Ausgabe 2020.


PowerBI

PowerBI ist die Lösung von Microsoft. Es wird den Käufern einer Office 365-Lizenz kostenlos angeboten. Dies ist eine geniale Strategie von Microsoft, die PowerBI wie Excel zu einer „universellen Sprache“ im Unternehmen machen will (siehe oben). Die Benutzerfreundlichkeit von PowerBI ist ziemlich alarmierend, besonders wenn es um die komplexesten Visualisierungen geht. PowerBI schlägt eine Bibliothek (Crowdsourcing) von Visualisierungsmodellen vor, die Möglichkeiten bieten, die Routine von Histogrammen und anderen Kreisdiagrammen zu durchbrechen. Einer der Nachteile von PowerBI (der mich erschreckt) ist die Unmöglichkeit, Dashboards als png- oder jpeg-Dateien zu exportieren.

Tableau

Tableau hat im Vergleich zu PowerBI an Boden verloren, bleibt aber meiner Meinung nach die fortschrittlichste Lösung auf dem Markt, die umfassendste Lösung auch in Bezug auf die dem Benutzer angebotene Breite. Dieser Spielraum kommt jedoch um den Preis größerer Komplexität, insbesondere für die Implementierung komplexer Visualisierungen (Sankey-Diagramme, JoyPlot , …). Wo PowerBI Ihnen eine schlüsselfertige Lösung bietet, zwingt Tableau Sie, die Seitenpfade zu gehen. Die Funktionalitäten von Tableau bleiben meiner Meinung nach weiter fortgeschritten als die von PowerBI, insbesondere bei der Herstellung von Dashboards, die außerhalb des normalen Bereichs liegen (Stufen 3 und 4 der Klassifizierung). Sehr früh wollte Tableau eine Gemeinschaft von Evangelisten schaffen, die es durch 2 Fahrzeuge föderiert: Tableau Public, mit dem Sie Tableau kostenlos nutzen können, solange Sie die erzeugten Visualisierungen für alle verfügbar machen; der IronViz, ein Datenvisualisierungswettbewerb, bei dem jedes Jahr mehrere hundert Programmierer (einschließlich mir) antreten. Im Jahr 2020 hat Tableau eine virtuelle Galerie eröffnet, die die attraktivsten Visualisierungen der letzten Jahre sammelt (Data Art).


Praktische Tipps für den Einstieg in die Datenvisualisierung

Wenn ich Ihnen einige goldene Ratschläge geben müsste, wäre es nie wieder, Graphen in Excel zu erstellen und ein professionelles DataViz-Tool zu verwenden (ob PowerBI oder ein anderes). Wenn Sie ein Student sind, denken Sie daran, dass viele Datenvisualisierungssoftware kostenlos verwendet werden kann.

Warum sollten Sie aufhören, Graphen in Excel zu erstellen?

Die zugrunde liegende Logik für die Erstellung eines Graphen unterscheidet sich erheblich zwischen Excel und Datenvisualisierungssoftware. Dies führt dazu, dass die Daten „gedreht“ werden müssen. Darüber hinaus habe ich die Schwäche zu glauben, dass Sie Daten so schnell wie möglich in einer Ad-hoc-Lösung visualisieren können, um sie besser zu beherrschen und mit Ihren Kollegen einen Unterschied zu machen. Die Arbeitswelt ist ein Dschungel; du könntest genauso gut der König des Dschungels sein. Ich habe meinen Sohn DataViz vorgestellt und er erzählt seine Erfahrungen in seinen YouTube-Videos (siehe unten).

Ist es notwendig, einen DataViz-Kurs zu belegen?

Um die Grundlagen zu bekommen, glaube ich ehrlich, dass es nicht notwendig ist, einen Kurs zu belegen. Jede Lösung hat auch Foren und Tutorials, die nützlich sind, um „den Fuß in die Tür zu bekommen“. Andererseits erfordert der Wechsel von einer Ebene zur anderen (insbesondere der Übergang von Stufe 2 zur Stufe 3) meiner Meinung nach ein gewisses Coaching. Es scheint, dass es ziemlich kompliziert ist, sich von einer Ebene zur nächsten zu bewegen, ohne einen Mentor oder zumindest einen Trainer, der Sie schnell zu den besten Wegen führen kann. Wenn ich mit komplizierten Situationen konfrontiert bin, finde ich es nützlich, mich auf jemanden zu verlassen, der Zeit spart, indem er Sie in die richtige Richtung zeigt.

Wie kann man alleine vorankommen?

Meine Erfahrung zeigt mir, dass es ohne wirkliche Motivation schwierig ist, alleine voranzukommen. In meinem Fall habe ich durch die Teilnahme an IronViz im Jahr 2020 ein Kompetenzniveau erreicht. Die umfangreiche Forschung, die ich durchführen musste, und die Lösungen, die ich entwickeln musste, haben mir sehr geholfen. Auch wenn ich nicht gewinnen, kam ich aus dieser Erfahrung erheblich betroffen, wie ich in diesem Blog-Post erklärt habe.


Fazit

Heutzutage ist die Datenvisualisierung in Unternehmen zu einer eigenständigen Fähigkeit geworden, sogar zu einem Beruf für diejenigen, die am meisten „datengesteuert“ sind. Der Anstieg der Macht spezialisierter Software und der Wechsel von Microsoft zu PowerBI geben uns Hoffnung, dass neue Praktiken in Unternehmen entstehen. Es ist vernünftig zu glauben, dass Excel als Visualisierungswerkzeug zum Scheitern verurteilt ist. Doch bevor die Datenvisualisierung zu einem Motor der digitalen Transformation wird, müssen wir noch viele Jahre warten. Tatsächlich macht DataViz nur dann Sinn, wenn Daten verfügbar sind und sich auch bei KMU eine „Kultur der Einsicht“ entwickelt.

Schlagwörter: ,

Author: Pierre-Nicolas Schwab

Dr. Pierre-Nicolas Schwab is the founder of IntoTheMinds. He specializes in e-commerce, retail and logistics. He is also a research fellow in the marketing department of the Free University of Brussels and acts as a coach for several startups and public organizations. He holds a PhD in Marketing, a MBA in Finance, and a MSc in Chemistry. He can be contacted by email, Linkedin or by phone (+32 486 42 79 42)

Share This Post On

Kommentar absenden

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