• Overmatig gebruik van kleuren;
• 3D effecten in grafieken zijn eerder regel dan uitzondering;
• KPI's worden vaak afgebeeld als een "meter";
• Ontwikkeling in een KPI (of meetwaarde) worden afgebeeld als een pijl (omhoog=positief en omlaag=negatief).

Deze opvallende zaken verhogen de leesbaarheid van het management dashboard helaas niet. Sterker nog, door het structureel toepassen van verwarrende visualisatie-technieken zijn het niet meer dan "mooie" plaatjes. Blijkbaar is de doelstelling om te informeren over de stand van zaken ondergeschikt aan deze "mooie" plaatjes.

In de rest van dit artikel wordt één van de bovenstaande punten nader bekeken: het afbeelden van de ontwikkeling van een meetwaarde door middel van een pijl.

De richting van de pijl wordt vaak bepaald door de huidige periode te vergelijken met een eerdere periode (bv vorige maand of dezelfde maand vorig jaar). Dus het verschil tussen twee meetwaarden bepaalt of de ontwikkeling/trend positief of negatief is. Maar de trend bepalen op basis van slechts twee waarnemingen is niet alleen verwarrend, het is misleidend.

Om te bepalen wat de werkelijke trend/ontwikkeling is van een meetwaarde moeten we eerst meer waarnemingen gebruiken. Vervolgens kunnen we gebruik maken van een zogenaamde control-chart om te zien of er werkelijk een verandering in de trend plaatsvindt.

Een control-chart is een lijngrafiek waarbij we naast de waarnemingen (minimaal 10) ook een aantal hulplijnen toevoegen. De eerste hulplijn is de lijn van het gemiddelde van de waarnemingen. Vervolgens bereken je de standaardfout van je waarnemingen. Op een afstand van 3x de standaardfout boven de gemiddelde-lijn plaats je Upper-Control-Limit (UCL) hulplijn en op een afstand van 3x de standaardfout onder de gemiddelde-lijn plaats je de Lower-Control-Limit (LCL) hulplijn.

Met behulp van deze control-chart kunnen we nu bepalen of en waar er bijzondere afwijkingen in de resultaten hebben plaatsgevonden. Dit zijn namelijk de punten die boven de UCL of onder de LCL vallen. In het voorbeeld in afbeelding 2 is dat slechts 1 keer. De overige variantie in resultaten is de natuurlijke variantie van deze meetwaarde, of kort samengevat: "normaal" gedrag.

Het gebruik van de control-chart is even wennen, maar het stelt je in staat om snel de "echte" veranderingen te signaleren. Meer over dit onderwerp kun je lezen in het boek "Understanding Variation: The Key to Managing Chaos" van Donald Wheeler. Laat je dus niet afleiden door de natuurlijke variantie in resultaten van een meetwaarde, maar concentreer je op de echte veranderingen.

Tot ongeveer 1980 gebruikten scholieren (maar ook technici, natuurkundigen, ingenieurs, etc) de rekenliniaal . Deze liniaal is gebaseerd op logaritmen en wordt ook wel logaritmische liniaal genoemd.

Met het verdwijnen van de rekenliniaal is ook de parate kennis van logaritmen afgenomen. Zo moest ik laatst opzoeken wat logaritmen ook alweer zijn en hoe ze te gebruiken. Toch kom ik ze nog vaak tegen, ook als schaalverdeling in grafieken.

Echter, weinig mensen begrijpen goed wat de gevolgen zijn van het gebruik van een logaritmische schaalverdeling. Daarom is het beter om deze niet te gebruiken. Toch zijn er ook voordelen aan het gebruiken van een logaritmische schaalverdeling.

Zo is een logaritmische schaalverdeling beter in staat om (percentuele) veranderingen in beeld te brengen (in tegenstelling tot een lineaire schaalverdeling). Vandaar dat de prijsontwikkeling van aandelen vaak in een grafiek met een logaritmische schaal wordt afgebeeld. Hierna volgt een voorbeeld om dat te verduidelijken.

Wat was het verschil ook alweer tussen een lineaire en een logaritmische verdeling?

Bij een lineaire verdeling is het absolute verschil tussen twee waarden altijd dezelfde afstand op een as. Dus de afstand op de as tussen de waarden 15 en 25 (verschil=10) is gelijk aan de afstand tussen de waarden 2.950 en 2.960.

Bij een logaritmische verdeling is een gelijke afstand op een as niet het absolute verschil, maar het relatieve verschil (percentuele verschil). Dus de afstand op de as tussen de waarden 20 en 23 (verschil=15%) is gelijk aan de afstand tussen de waarden 1.000 en 1.150.

De onderstaande afbeelding laat de ontwikkeling van een denkbeeldig aandeel zien dat 15% per periode stijgt (met een lineaire schaalverdeling). Het aandeel begint in periode 1 met een prijs van 10 en eindigt in periode 50 met een prijs van 9.423.

Op het eerste gezicht lijkt het er op dat de prijs steeds sneller stijgt. In absolute waarden is dit ook het geval, maar toch is de stijging constant 15%. Als we deze zelfde gegevens nu afbeelden in een grafiek met een logaritmische schaal zien we duidelijk een constante stijging.

Toch blijft het oppassen met de logaritmische schaalverdeling: alleen gebruiken voor een publiek dat logaritmen en de gevolgen goed begrijpt!

Mijn eerste reactie was: "mijn opleiding heeft zich met name gericht op techniek en dit is de bedrijfskunde kant". Dus ben ik op zoek gegaan naar manieren om mijn kennis aan te vullen. Een belangrijke manier was het volgen van een universitaire (part-time) studie bedrijfskunde. Zo werd ik gedurende ruim 3 jaar geïntroduceerd in de wereld van de bedrijfskunde.

De bedrijfskunde studie was zwaar, het was naast een voltijd baan, maar ook een geweldige tijd. Alleen werd het mij tijdens deze studie al duidelijk dat de gesprekken er toch niet duidelijker door werden. Het lijkt er op dat we in ons dagelijks mondelinge taalgebruik termen gebruiken die op vele manieren uit te leggen zijn. Maar op het moment dat we die termen expliciet moeten maken (om er over te kunnen rapporteren), komen we in de knoop. Dan blijkt dat niet iedereen er (exact) hetzelfde onder verstaat.

Vaak komen de termen die verwarring veroorzaken bij het bepalen van KPI's uit de beschrijvingen van de strategie van de organisatie. Het gaat dan om zaken als: productiviteit, efficiency, kwaliteit, synergie, toegevoegde waarde, etc. (en dan laat ik de Engelse termen nog weg).

Het is juist om de strategie als startpunt te gebruiken voor het bepalen van de KPI's, maar het klakkeloos overnemen van deze "onduidelijke" termen is het niet. Om de KPI's ook daadwerkelijk bruikbaar en meetbaar te maken is het noodzakelijk om duidelijk en precies te formuleren.

Stacey Barr geeft, in haar artikel "are you measuring something meaningfull?", een goed handvat om te komen tot betere definities. Een KPI of meetwaarde is, volgens haar, het bewijs dat een bepaald resultaat behaald is. En bewijs is iets wat gebaseerd is op de fysieke wereld om ons heen, waargenomen met onze zintuigen: zien, horen, voelen, proeven en ruiken. Dus als je een resultaat wilt kunnen meten, beschrijf het dan als wat iemand zou zien/horen/voelen/proeven/ruiken als het resultaat behaald wordt.

De wetten van de menselijke (visuele) waarneming zijn begin vorige eeuw onderzocht en beschreven door een groep Duitse psychologen (o.a. Max Westheimer, Kurt Koffka en Wolfgang Kohler). Dit heeft geresulteert in de zogenaamde Gestalt principes of Gestalt wetten.

Gestalt is de Duitse term voor "georganiseerde" of "gehele" vorm. Het centrale idee achter Gestalt is dat de som der delen groter is dan de afzonderlijke delen. Met andere woorden: het geheel (de auto) heeft een andere en ook grotere betekenis dan de afzonderlijke onderdelen (banden, lak, ramen, metaal, etc).

Ondanks dat deze wetten al bijna 100 jaar oud zijn worden ze nog steeds gezien als de verklaring voor het functioneren van onze visuele waarneming. Deze wetten zijn daardoor ook de basis van de meeste ontwerp principes van informatie visualisaties.

Voor het effectief ontwerpen van een dashboard zijn de volgende Gestalt wetten van belang:

• Wet van gelijkheid: Elementen die op elkaar lijken worden gegroepeerd. Elementen die veel van elkaar verschillen worden als aparte elementen waargenomen;
• Wet van nabijheid: Elementen die zich dicht bij elkaar bevinden, worden als groepen gezien. Elementen die zich ver van elkaar bevinden worden als onafhankelijk waargenomen;
• Wet van geslotenheid: Elementen die omrand worden door een lijn worden als geheel gezien. Elementen die doorkruist worden door een lijn worden als aparte elementen waargenomen. Een voorbeeld is afbeelding 2: er staan in deze afbeelding 2 assen welke de indruk geven dat er een "gesloten" rechthoek bestaat waarbinnen de grafiek afgebeeld is.

• Wet van continuïteit: De vorm van een element wordt voortgezet zoals deze is begonnen.
• Wet van eenvoud: Elementen worden waargenomen in de meest eenvoudige vorm: minste cognitieve inspanning heeft de voorkeur.

Voor het ontwerp van dashboards moeten we dus rekening houden met:

• Mensen groeperen elementen op basis van kleur, vorm, richting, nabijheid en geslotenheid;
• Mensen hebben een voorkeur voor eenvoudige, gesloten en symmetrische vormen die weinig inspanning kosten om te verwerken;
• Het structureel toepassen van de Gestalt wetten en er ons voordeel mee doen bij het ontwerpen van betere dashboards;
• De mogelijk negatieve gevolgen van de wetten: voorkom dat mensen groepen gaan zien die er eigenlijk niet zijn (volgens de onderliggende gegevens).

We komen ze dagelijks overal tegen en we kunnen eigenlijk niet meer zonder. Bij mij begint het 's ochtends al met het lezen van de krant. Een vast onderdeel daarbij is kijken naar wat "het weer" gaat doen vandaag. Dit is een mooi voorbeeld van een infographic die we allemaal goed kennen. De meeste van ons hebben niet veel tijd nodig om vast te stellen wat de verwachting is (zonnetje, wolkje, etc), alleen blijft het jammer dat de praktijk niet altijd overeenkomt met de verwachting.

Vervolgens stap ik in de auto of het openbaar vervoer. Ook daar zijn de infographics overal aanwezig: verkeersborden, metrokaarten, wegwijzers, etc. De meeste van deze infographics zijn zo ingeburgerd dat we er vrijwel niet over hoeven na te denken. Je zou ze zelfs saai kunnen noemen, maar ze bereiken vaak wel hun doel: het effectief overdragen van informatie.

Naast dit "dagelijks" gebruik van infographics zie je ze ook steeds vaker ter ondersteuning van artikelen in kranten, bladen en op websites. Vaak zijn het geweldige creatieve hoogstandjes die direct de aandacht trekken. Dit gebruik van infographics is nu zo populair geworden (welke artikel heeft er tegenwoordig geen?) dat er gespecialiseerde bedrijven zijn ontstaan die alleen nog maar infographics maken.

Als de infographics, net als de voorbeelden uit het dagelijks gebruik, het artikel ondersteunen en de informatieoverdracht verbeteren kan ik het alleen maar toejuichen. Alleen krijg ik helaas steeds vaker de indruk dat de nadruk niet ligt op de informatieoverdracht, maar op de grafische creativiteit van de "bouwer".

Dat is ook niet vreemd als je ziet dat de meeste "bouwers" van infographics een creatieve en grafische achtergrond hebben. Het gaat hun met name om de graphic en niet zozeer de info. Daarnaast zijn er ook steeds meer websites die de infographic zien als een manier om aandacht te trekken, maar de inhoud van ondergeschikt belang zien.

De infographics die ik tegen kom zijn op de eerste plaats een uiting van creativiteit en pas daarna een vorm van effectieve informatieoverdracht. Zie bijvoorbeeld deze lijst met 25 infographics uit 2011. De meeste zijn originele grafische kunstwerken, maar het kost mij moeite om door deze creatieve expressie heen, de informatie af te leiden. Gaat het er nu om dat ik kan genieten van deze creatieve expressie of om het begrijpen van de gegevens? Ik ben er nog niet helemaal uit, maar het artikel van Stephen Few "Data Visualisatie en het placebo effect" lijkt ook van toepassing op infographics.

Ter voorbereiding van die demonstratie had ik een Macbook geleend van mijn oud-collega Michiel van wie ik wist dat hij al jaren grote fan was van de Mac. En zoals dat gaat met geleende spullen moest ik deze na de demonstratie weer teruggeven. Echter, deze eerste uitvoerige ervaring met de Mac heeft er uiteindelijk wel toe geleid dat ik volledig ben overgestapt op de Mac.

Nadat ik was overgestapt naar "de vijand" werd ik betrokken bij allerlei emotionele discussies over welke nu beter is: Windows of Mac. Gezien mijn beperkte technische kennis ben ik niet in staat om een gedetailleerd vergelijk te maken van beide platformen, maar ik herhaal wel met veel plezier en regelmaat de stelling: "Een Mac werkt gewoon. Een PC is meer voor knutselaars.". Hier wordt dan heftig op gereageerd door de volgers van het "Windows geloof". Uiteindelijk gaat het volgens mij om persoonlijke voorkeur, dus moet iedereen gewoon kiezen voor het platform dat hem of haar het beste ligt.

Toen kwam ik een paar weken geleden een commercial van Microsoft tegen over Windows 7 die mij vanuit een visualisatie oogpunt zeer teleurstelde. Blijkbaar is het cool om slecht leesbare visualisaties te maken ten koste van de boodschap. In de commercial heeft de vader een redelijk leesbare grafiek welke in een paar seconden wordt omgetoverd in een explosie van kleur en 3D effecten. Het gevolg: onduidelijkheid troef. Jammer dat Microsoft hier kiest voor het propageren van nutteloze toeters en de bellen.

Is dit nu een fout die alleen Microsoft maakt?

Zeker niet. Het lijkt er op dat het verwarrend afbeelden van informatie gemeengoed is geworden. Zo zag ik kort geleden een presentatie van Des Traynor waarin hij een treffend voorbeeld toont van het creatieve gebruik van grafieken door Apple. Afbeelding 1 toont een taartdiagram met een verdeling van de smartphonemarkt in de Verenigde Staten. Het gebruik van een 3D taartdiagram is al erg genoeg op zich, maar hier gaan ze zelfs nog een stapje verder. Zo is de oppervlakte van het groene gebied (marktaandeel Apple) groter dan het paarse (marktaandeel overige producenten), maar de percentages vertellen een ander verhaal. Dus op het eerste gezicht lijkt het dat Apple op de tweede plaats staat, maar gezien de getallen staan ze op de derde plaats. Is dit bewust? Geen idee, maar Apple heeft hier in ieder geval de schijn tegen.

Wat is een indirecte meetwaarde?
Bij een indirecte meetwaarde moet de lezer van een visualisatie het gegeven zelf afleiden, omdat het niet direct getoond wordt. Hierdoor is het zwaarder voor de lezer om het beoogde gegeven te "zien", dus een ineffectieve visualisatie.

Meestal kom ik deze valkuil tegen in visualisaties waarin werkelijke resultaten vergeleken worden met een doelstelling of prognose. De onderstaande afbeelding is een goed voorbeeld van zo'n visualisatie. De vraag die we willen beantwoorden is: "hebben we een goed jaar gehad / hoe hebben we het gedaan t.o.v. onze doelstelling ?".(click op de afbeelding voor een vergroting)

Als het doel van deze visualisatie is om te laten zien hoe het resultaat zich verhoudt tot de doelstelling, dan moet de lezer deze zelf afleiden door het verschil van de twee series te bepalen. Dat lijkt op het eerste gezicht wellicht niet al te veel gevraagd, maar als we vervolgens het verschil laten zien in plaats van de twee series worden een aantal zaken duidelijk die eerder verborgen bleven.

In de eerste grafiek was al goed te zien dat het resultaat onder de doelstelling zou uitkomen, maar in de tweede grafiek is duidelijk dat de afwijking van de doelstelling ernstiger is. Door het afbeelden van de indirecte meetwaarde lijkt het resultaat veel minder sterk.

Conclusie: bepaal goed welke vraag de visualisatie moet beantwoorden en gebruik altijd directe meetwaarden.

Het feit dat beide gebeurtenissen of eigenschappen (vaak) gezamenlijk voorkomen noemen we correlatie. De oorzaak-gevolg relatie tussen beide noemen we een causaal verband. In de beschreven denkfout bestaat er wel een correlatie tussen beide gebeurtenissen of eigenschappen (ze komen gezamenlijk voor), maar mogen we niet zomaar aannemen dat er ook een causaal verband bestaat.

Hoe is deze denkfout te voorkomen? Het beste kun je dit doen door drie andere mogelijke verklaringen uit te sluiten. Dit zijn:

• Een derde gebeurtenis of eigenschap veroorzaakt de correlatie;
  In het voorbeeld van het handschrift en de schoenmaat van een kind gaat het inderdaad om iets anders dat deze correlatie veroorzaakt. Beide eigenschappen zijn een gevolg van de groei van het kind.
• De richting van het causale verband is omgekeerd;
  Ook dit is het beste uit te leggen met een voorbeeld.
  "Gebruikers van light-producten hebben vaker te maken met overgewicht dan gemiddeld".
  Dus: "van light-producten wordt je dik".
  In dit geval zal het causale verband zeer waarschijnlijk omgekeerd zijn (mensen die kampen met overgewicht nuttigen meer light-producten).
• De correlatie is gebaseerd op toeval;
  Onderstaande grafieken uit de Business Week van deze maand zijn mooie voorbeelden van correlaties die duidelijk gebaseerd zijn op toeval. (click op de afbeelding voor een vergroting)

Mocht het niet mogelijk zijn om deze drie alternatieve verklaringen uit te sluiten, dan kun je dus niet uitgaan van een causaal verband.

Als afsluiter nog een voorbeeld van een correlatie gebaseerd op toeval. Tijdens onze training "effectief rapporteren" gebruik ik regelmatig dit gesprek tussen Homer Simpson en zijn dochter Lisa als voorbeeld:

Homer: Geen beer te zien. De "Beerpolitie" werkt blijkbaar wel heel goed!
Lisa: Dat is een speculatieve redenering, papa.
Homer: Dank je, liefje.
Lisa: Met die logica zou ik kunnen beweren dat deze rots hier de tijgers weghoudt.
Homer: O, hoe werkt dat dan?
Lisa: Het werkt niet.
Homer: Uh-huh.
Lisa: Het is maar een domme rots. Maar ik zie nergens tijgers, jij wel?
Homer: Lisa, ik wil die rots van jou kopen.

Deze uitzending is tevens hier terug te zien. Het gesprek tussen Homer en Lisa kun je zien vanaf 4:20 minuten.

Toch krijg ik niet de indruk dat de "lezers" van al dit moois hiermee geholpen zijn. Het ene naar het andere intimiderende rapport wordt over ze uitgestrooid. Net als het schrijven van een boek, tijdschrift of krant is ook het "schrijven" van een rapport of document een vak. Het gaat in beide gevallen om het effectief communiceren van een boodschap. Dit is iets anders dan het lezen van je eigen aantekeningen.

De meeste van de eerder genoemde ontwikkelingen zijn dus geweldig voor het zelfstandig kunnen uitvoeren van een analyse, maar voor het opstellen van leesbare rapporten en dashboards is meer nodig. Dit gaat dan niet om meer software of andere technische hulpmiddelen, maar om de juiste aanpak en kennis van effectief communiceren.

Er is gelukkig ook verbetering zichtbaar op het gebied van aanpak en kennis van effectief communiceren. Het werk van personen als Edward Tufte en Stephen Few wordt steeds bekender, zowel bij de "schrijvers" als de "lezers". Ook las ik net op LinkedIn het geweldige nieuws dat Stephen Few naar Nederland komt om een 3-daagse workshop te verzorgen (21, 22 en 23 mei). Mocht je in de gelegenheid zijn, aarzel dan niet en schrijf je in. Ik ben er zeker bij.

Kun je er in mei niet bij zijn, maar wil je wel weten hoe je het inzicht in je organisatie vergroot?
In één dagdeel nemen we de belangrijkste onderwerpen met je door en bekijken we samen waar je huidige rapportage verbeterd kan worden. De prijs van deze Nova Silva training? Die bepaal je helemaal zelf, achteraf.

Op de eerste plaats kan het voorkomen dat de verschillende vlakken (series) elkaar overlappen, waardoor alleen het vlak met de grootste waarde zichtbaar is. Een voorbeeld hiervan is te zien in afbeelding 1, waar in april de waarde van de blauwe serie groter is dan die van de groene serie. In deze gevallen is het beter om een lijndiagram te kiezen, want die heeft dit nadeel niet.

Meestal wordt het vlakdiagram gebruikt door de series te stapelen en zo te laten zien hoe de verdeling is tussen de verschillende series.

In afbeelding 2 lijkt in mei een piek in de omzet te zitten voor alle producten, of is dit alleen voor product paars? Verder lijkt blauw van april tot en met juni een lagere omzet te vertonen, of toch niet? Neemt de omzet van product groen in augustus plotseling toe?

Om een antwoord te geven op deze vragen staat in afbeelding 3 de tabel met de gebruikte gegevens. Daar is duidelijk te zien dat de piek in mei alleen door paars wordt veroorzaakt. Ook is te zien dat product blauw in alle maanden dezelfde omzet laat zien. En de omzet in product groen neemt in augustus wel toe, maar dat is blijkbaar onderdeel van een 2-maandelijks patroon. Als we de volgorde van de vlakken aanpassen zien we dit ook duidelijk in het vlakdiagram (afbeelding 4).

Wat veroorzaakt nu deze verwarring in afbeelding 2?
De verwarring komt voornamelijk doordat de series van product blauw en groen niet beginnen met een vlakke basis, maar afhankelijk zijn van de onderliggende series. Daarnaast lijkt het blauwe vlak smaller te worden tussen april en juni doordat we de neiging hebben naar de breedte van het vlak te kijken (pijl B in afbeelding 5), in plaats van naar de afstand op het meetpunt (pijl A in afbeelding 5).

Een vlakdiagram is dus geen goede keuze, maar wat dan wel?
Een veel gebruikt alternatief is een gestapelde kolomdiagram ("stacked bar chart"). Deze heeft geen last van smaller wordende gebieden tussen meetpunten, maar wel van startpunten op verschillende hoogtes. Een manier om dit op te lossen is om alle punten binnen een serie op dezelfde hoogte te laten beginnen (zie afbeelding 6). Hiermee verlies je dan wel de som van de drie producten.

De beste oplossing voor dit soort gegevens is toch weer het oude vertrouwde lijndiagram (afbeelding 7). Dit maakt het mogelijk om alle series nauwkeurig te tonen en als het nodig is kan ook het totaal eenvoudig worden bijgevoegd.