Trellis chart: klein maar fijn

Het gebruik van 3D effecten in grafieken is over het algemeen een slecht idee. Het “mooie” uiterlijk weegt nooit op tegen de slechte leesbaarheid van bijvoorbeeld een 3D staafgrafiek. Met andere woorden: geen 3D effecten gebruiken.

Er zijn ook staafgrafieken waarbij 3D niet alleen het uiterlijk verandert, maar waar de derde dimensie gebruikt wordt om extra gegevens te tonen in de grafiek. Een voorbeeld hiervan zijn de zogenaamde Manhattan (staaf)grafieken(zie afbeelding boven).

In de bovenstaande afbeelding zie je dat op de derde dimensie (z-as) de verschillende producten zijn geplaatst. Alleen hebben we ook hier weer te maken met slechte leesbaarheid, helemaal als staven (bijna) helemaal wegvallen (zie product B in periode 7).

Toch is het voor management dashboards van belang om meerdere gezichtspunten tegelijkertijd inzichtelijk te maken. Hierdoor ontstaat de mogelijkheid om de situatie in één overzicht te analyseren zonder te navigeren of “bladeren”.

De eerste stap om meerdere gezichtspunten tegelijkertijd inzichtelijk te kunnen maken is het kiezen voor een effectieve presentatievorm. Aangezien het hier gaat om de ontwikkeling van een meetwaarde over tijd ligt een lijngrafiek het meest voor de hand. De gegevens zijn in afbeelding 2 zonder veel moeite eenvoudig af te lezen en te analyseren.

In dit geval is de keuze van een andere presentatievorm al een enorme verbetering. Maar wat als we ook de verkoopregio als gezichtspunt willen toevoegen aan de grafiek? Bij slechts 2 verkoopregio’s (Noord en Zuid) verdubbelt het aantal lijnen in onze lijngrafiek. Dit heeft direct een negatieve invloed op de leesbaarheid en maakt analyse zeer lastig (afb. 3). Terugvallen op de Manhattan staafgrafiek is ook hier geen optie, want die was met 3 gezichtspunten al niet leesbaar.

Voor situaties waarbij meer dan 3 gezichtspunten tegelijkertijd geanalyseerd moeten worden gebruiken wij de zogenaamde Trellis Chart of Small Multiple. Beide termen worden door elkaar gebruikt en komen op hetzelfde neer: een kruistabel met in iedere cel een grafiek in plaats van alleen een getal. Iedere grafiek in een Trellis Chart gebruikt dezelfde schaalverdeling om het vergelijken en analyseren van alle gezichtspunten mogelijk te maken. In afbeelding 4 staan alle eerder genoemde gezichtspunten afgebeeld met behulp van een Trellis Chart. Zie je het verschil?

Management dashboard: de laatste meters van informatie…

Binnen Supply Chain Management (SCM) is iedereen bekend met het probleem van “de laatste (kilo)meter” of “the last mile”. Naast de nodige wiki-paginas en websites zijn er ontelbare publicaties over het onderwerp te vinden: zoeken in google levert al snel tientallen miljoenen zoekresultaten.

Maar voor ons die niet bekend zijn met het probleem: wat is het eigenlijk? En bovenal: wat heeft het te maken met management dashboards en rapporten?

Kort samengevat gaat “de laatste meter” over de laatste schakel in de keten die het product of de dienst bij de uiteindelijke consument aflevert. Bekende voorbeelden hiervan zijn: het (bij)vullen van de vakken in de supermarkt en het afleveren van een (online) besteld artikel aan je deur. Al beheers je als leverancier alle schakels vóór “de laatste meter” goed, dit kan allemaal teniet gedaan worden als “de laatste meters” niet goed ingericht zijn. Zo kun je de producten op tijd en in juiste hoeveelheden bij de supermarkt afleveren, maar als de vakkenvullers je producten vervolgens niet tijdig (en op de juiste manier) in het vak zetten zal dit je resultaat negatief beïnvloeden.

Het probleem van “de laatste meter” speelt ook bij management dashboards en rapporten. Er wordt buitengewoon veel aandacht besteed aan het verzamelen en integreren van gegevens, maar vervolgens krijgt het ontwerp van het rapport of dashboard relatief weinig aandacht. Maar dit is juist het onderdeel waar de consument de informatie “ervaart”.

Zo zie ik regelmatig zeer professioneel opgezette ICT omgevingen die op een geweldige manier gegevens verzamelen en integreren (bijvoorbeeld data warehouses), maar waar het rapport voor de consument bestaat uit één enkele tabel met ontelbare kolommen (tot ruim 30 kolommen is eerder regelmaat dan uitzondering).

Voor bepaalde toepassingen is een tabel de juiste vorm om gegevens te communiceren. Echter, er zijn meerdere vormen om georganiseerde informatie te communiceren. De drie mogelijke communicatievormen zijn:

  • uitleg / verhalend
  • grafisch
  • tabel

Is het toeval dat veel rapporten alleen uit een tabel bestaan? Mijn gevoel zegt dat we onszelf voor de gek houden met de gedachte: de gevraagde gegevens staan in het rapport of op het dashboard, dus zit ons werk er op. Een tragisch voorbeeld van “operatie geslaagd, patiënt overleden”

We moeten terug naar de basis om zeker te stellen dat de laatste meters van informatie niet het resultaat van al ons werk teniet doen. Begin dus bij het doel (de boodschap) van een rapport of dashboard. Pas daarna is het mogelijk om een keuze te maken voor de juiste combinatie van communicatievormen (verhaal, grafiek en tabel). Hiermee versterkt de laatste meter de voorgaande schakels van verzamelen en integreren, in plaats van ze tegen te werken.

 

Big Data is als zeewater

Je hoeft maar een tijdschrift over ICT of marketing open te slaan en de artikelen over Big Data springen je tegemoet. Maar wat wordt er eigenlijk bedoeld met Big Data? en wat is er precies nieuw aan?

De meeste definities die ik kan vinden gaan niet verder dan dat het om veel data gaat, waarbij “veel” meestal meerdere terabytes of petabytes omvat. Ter illustratie: één petabyte is hetzelfde als 80 miljoen archiefkastladen vol met geschreven tekst of 13,3 jaar aan video van HD kwaliteit.

Daarnaast gaat het meestal ook om ongestructureerde data, zoals: artikelen, geluid en video. Dit in tegenstelling tot gestructureerde data zoals deze in de meeste gevallen in de databases van onze ERP systemen zit.

Het lijkt er bijna op dat bij Big Data het alleen maar gaat over de (grote hoeveelheid) data die er is, maar niet over de vraag die we willen beantwoorden. Duidelijke overeenkomst met de initiële aanpak van datawarehouses rond de eeuwwisseling: zodra je het datawarehouse hebt kun je al je antwoorden er in terug vinden.

Het probleem in beide gevallen is dat de vraag belangrijke context bevat die het antwoord nodig heeft. Met andere woorden: zonder vraag geen goed antwoord. Ook doordat partijen als Google en Facebook met Big Data geweldige resultaten behalen betekent natuurlijk niet dat het ook één-op-één toe te passen is binnen andere organisaties. Zij hadden namelijk eerst een uitdaging (lees: vraag) waar zij een oplossing voor moesten hebben. Voor hen was Big Data het antwoord.

Nu blijft Big Data voor mij een vaag begrip, maar Bill Inmon schreef begin deze maand een mooi artikel op de site BeyeNetwork met de titel: “Why Big Data is like seawater”. Hij stelt dat voor zowel Big Data als zeewater geldt: er is heel veel van en zonder het te zuiveren niet “drinkbaar”. Het zuiveren van data, zo stelt Inmon, is vooral het eenduidig maken en in context plaatsen.

Hij illustreer dit met het volgende voorbeeld: Twee mannen staan op straat en zien een dame passeren. De ene man zegt tegen de ander: “Zij is heet”. Wat wordt hier nu gezegd? Het kan zijn dat de man aangeeft dat hij de dame zeer aantrekkelijk vindt. Maar het kan ook zijn dat de dame langsloopt op een broeierige en warme dag en aan het zweten is. Ook kan de dame zojuist een parkeerbon hebben ontvangen en is ze daarom boos.

Wat wel blijkt is dat zonder context de betekenis van de uitspraak “Zij is heet” niet bepaald kan worden. Maar als Big Data bij jouw organisatie, net als bij Google en Facebook, wel voldoende context bevat dan moet je het zeker niet nalaten. Houd wel rekening met het advies van Inmon:

  • Drinken van zeewater? PAS OP!
  • Analyseren van teksten uit Big Data? PAS OP!

 

Management dashboard: zonder meters meer meters maken

Als je binnen google-afbeeldingen de zoekwoorden “management dashboard” gebruikt springen de meters je tegemoet. Blijkbaar gebruiken we niet alleen de analogie van een dashboard, maar hergebruiken we ook de exacte visualisaties zoals de (snelheids)meter.

Het voordeel van het doorvoeren van een analogie is dat de meeste mensen direct begrijpen hoe ze de informatie moeten decoderen (lees: interpreteren). Echter, om het effectief te kunnen gebruiken moeten we ook kijken naar de eigenschappen van de gekozen visualisatie en bepalen of deze eigenschappen passen bij onze toepassing in een management dashboard.

Het doel van bijvoorbeeld de snelheidsmeter in een auto is dat de bestuurder met minimale inspanning, binnen een seconde, kan vaststellen met welke snelheid de auto zich op dat moment voortbeweegt. Daarnaast kan de bestuurder zien aan de beweging van de naald wat de versnelling/vertraging van het voertuig is. Aangezien we zo veel mogelijk tijd op de weg en het verkeer om ons heen moeten letten is de snelheidsmeter ook groot uitgevoerd en centraal geplaatst op ons dashboard.

Meestal bestaat de basis van het dashboard uit niet veel meer dan een indicatie van de snelheid, hoeveelheid brandstof en temperatuur van de motor. In combinatie met onze waarneming van de omgeving is dit voldoende om een auto te kunnen besturen. Het gaat dus om een zeer beperkte hoeveelheid indicatoren om een specifieke operationele taak (lees: auto rijden) uit te kunnen voeren

Echter, bij een management dashboard gaat het meestal om meer dan 3 indicatoren en niet ter ondersteuning van slechts één specifieke operationele taak. Het gaat meer om inzicht te verkrijgen in wat er in, om en met een proces/organisatie (is) gebeurt. We hebben dus meestal meer indicatoren, meer historische context en ook meer tijd om ze de bekijken.

Een meter is eigenlijk geen goede visualisatie voor een management dashboard, doordat:

  • De meter te veel ruimte in beslag neemt om leesbaar te zijn;
  • Vergelijken van resultaten tussen verschillende meters moeizaam gaat;
  • Geen ruimte is voor extra (historische) context.

Vandaar dat Stephen Few de zogenaamde Bullet Graph heeft ontwikkeld. Deze grafiekvorm vraagt wel enige uitleg om te begrijpen, maar is wel de oplossing voor de eerder genoemde bezwaren:

  • Neemt weinig ruimte in beslag;
  • Vergelijken van resultaten tussen verschillende meters is eenvoudig;
  • (Historische) context kan eenvoudig worden toegevoegd.

Stephen Few heeft een uitgebreide specificatie opgesteld van hoe dit grafiektype werkt en waar het uit bestaat. Kort samengevat komt het op het volgende neer:

  • Een tekstlabel met de naam van de meetwaarde;
  • Een kwantitatieve schaal;
  • De primaire meetwaarde (hier: zwarte balk);
  • De secundaire meetwaarden (een of meerdere waarden waarmee de primaire vergeleken wordt; hier zwarte lijn);
  • De kwalitatieve schaal (hier: grijstinten op de achtergrond).

Door het toepassen van de bullet graph kunnen we meer informatie kwijt, welke eenvoudiger en sneller te verwerken is. Het toevoegen van een zogenaamde sparkline maakt het plaatje compleet. Zorg dus dat je management dashboard meer meters maakt door geen meters te gebruiken.