Visual Analytics

Heutzutage entstehen vermehrt schnellwachsende Datenmengen immer höherer Komplexität und Dynamik (Deussen, Ertl, & Keim, 2010). Diese Informationsüberlastung kann rasch zu einer Zeit- und Kostenverschwendung führen, da man nicht weiss, wie mit einer solch enormen Datenmenge umzugehen ist (Kerren, Stasko, Fekete, & North, 2008, S. 155). Dank Visual Analytics hingegen können grosse Datenmengen visuell dargestellt und explorativ analysiert werden. Diese neuen Ansätze können somit die algorithmische Datenanalyse sinnvoll ergänzen (Vanini, 2017, S. 277).

Definition und Beschreibung

Visual Analytics (VA) kombiniert automatische Analysetechniken mit interaktiven Visualisierungen, welche ein schnelles Verständnis, Rückschlüsse und Entscheidungen ermöglichen. Die Grundlagen hierfür sind grosse, dynamische und heterogene Datenmengen, sogenannte Big Data (Gluchowski und Chamoni 2015, S. 317). Zudem erhält man mithilfe von VA nicht nur Einblicke in grosse Datenmengen, sondern kann auch neue Einsichten über wesentliche Kennzahlen erlangen und auf diesem Weg wichtige Entscheidungen für das Unternehmen treffen (Ruf & Schwab, 2016, S. 496). Die automatische Verarbeitung durch den Computer soll dem Leser so die Daten «live» und interaktiv auf eine sinnvolle und nutzbare Weise darstellen. Es werden keine schwer fassbaren Zahlentabellen generiert. Durch das System generierte Grafiken und darin enthaltene Muster kann der Nutzer schneller intuitiv Daten interpretieren, diese verstehen und daraus Schlussfolgerungen und Entscheide fällen. Es besteht eine enge Zusammenarbeit von Computer und Mensch, bei welcher die Stärken beider Seiten genutzt werden sollen (Kohlhammer, Proff, Wiener, 2018, Kapitel 5.2.3). Somit geht es bei VA darum, anhand von Techniken die wesentlichen Informationen bildlich darzustellen (Deussen, Ertl, & Keim, 2010). Neben strukturierten Daten, wie zum Beispiel aus einem Data Warehouse, werden insbesondere auch Rohdaten direkt von unterschiedlichen Informationsquellen gebraucht. Hierbei sind verschiedene Darstellungsformen wie Linien-, Balken- und Kreisdiagramme gemeint, die helfen, Informationen greifbar zu machen (Ruf & Schwab, 2016, S. 496-497). Speziell an VA ist, dass der Controller vor der Analyse noch nicht weiss, nach was er genau sucht. Man spricht daher von explorativer Datenanalyse. VA verbindet diverse Forschungsrichtungen wie Informationsvisualisierung, Data Mining, Datenmanagement, Statistik, menschliche Kognition und Wahrnehmung (Kohlhammer, Proff, Wiener, 2018, Kapitel 5.2.3).

Ziele

Der Grundgedanke von VA ist, grosse Datenmengen schnell zu analysieren und lesbar darzustellen (Gluchowski, Chamoni, 2016, S. 317). VA zielt darauf ab, die Informationsflut als eine Chance zu nutzen (Kohlhammer, May, Davey, Ruppert, 2010, S. 10-12). Weiter sollen die Fähigkeiten und Stärken vom Menschen und Maschine optimal genutzt werden (Keim, Mansmann, Schneidewind, Ziegler, 2006, S. 2).

Abb. 1: Vergleich der Fähigkeiten von Mensch und Computer (Kohlhammer, Proff, Wiener, 2018, Kapitel 5.2.3)

Weder der Computer noch der Mensch kann die Herausforderung der steigenden Datenmengen alleine lösen (Kohlhammer, May, Davey, Ruppert, 2010, S. 10). Heutige Computersysteme können umfangreiche Datenmengen speichern und diese schnell zu Algorithmen weiterverarbeiten. Dadurch werden Planung, Diagnosen und Vorhersagen unterstützt. Der Mensch bringt seinerseits Fähigkeiten in der Wahrnehmung, Kreativität und Allgemeinwissen mit ein. Die Abbildung 1 zeigt, wo die Stärken und Unterschiede des Menschen und Computer liegen. Auf der horizontalen Achse liegen die Fähigkeiten des Menschen, auf der vertikalen diejenigen des Computers (Kohlhammer, Proff, Wiener, 2018, Kapitel 5.2.3).

Ein weiteres Ziel von VA ist, den Unternehmen insbesondere bei der zukunftsorientierten Entscheidungsfindung zu helfen. Dadurch kann die analytische Unternehmenssteuerung effizienter und effektiver gestaltet werden. Neben der Analyse von kritischen Erfolgsfaktoren können zusätzlich bestehende Prozesse optimiert und genaue Massnahmen ergriffen werden. Um dies erreichen zu können, bieten solche Methoden von VA grosse Unterstützung und sind bei der Entwicklung von digitalen Geschäftsmodellen eine grosse Hilfe (Ruf & Schwab, 2016, S. 500). Kurz gesagt ist das Ziel von VA demnach die Schaffung von relevanten Hilfsmitteln und Techniken - die erstens zukunftsbasierte Entwicklungen erkennen, zweitens rechtzeitige und verständliche Beurteilungen liefern und drittens zu konkreten und effektiven Massnahmen verhelfen können (Kerren, Stasko, Fekete, & North, 2008, S. 157).

Visual-Business-Analytics-Modell

Das Visual-Business-Analytics-Modell besteht aus den folgenden drei Teilbereichen: Information Design (ID), Visual Business Intelligence (VBI) und VA. Das Modell zeigt, wie aus grossen Datenmengen über das Mittel der Visualisierung für den Empfänger entscheidungsrelevante Informationen hergeleitet werden. Im Folgenden werden die drei Bereiche gemäss der Abbildung 2 und 3 genauer erläutert.

Abb. 2: Bereiche des Visual-Business-Analytics-Modells (Ruf & Schwab, 2016, S. 497)

ID ist die bekannteste und am meisten genutzte Vorgehensweise. Damit können Daten und Informationen in Unternehmen visuell als Balken-, Säulen- oder Kreisdiagramme dargestellt werden. Dies kann mithilfe von Tabellenkalkulations- und Präsentationsprogrammen erfolgen, indem man sie in Form von Diagrammen und darin integrierten Texten aufbereitet. Dafür ist üblicherweise das Controlling zuständig. Der Controller liefert regelmässig eine Darstellung von aktuellen Geschäftszahlen – meistens als PowerPoint-Folien, welche die Entscheidungsfindung enorm erleichtern können.

Wie der Name schon sagt, geht es bei VBI hauptsächlich um Business Intelligence (BI). Dadurch wird das klassische Reporting ersetzt und mithilfe von Dashboards vereinfacht. Die BI-Anwender, die im Controlling als Business Analyst oder Financial Analyst tätig sind, analysieren die vorstrukturierten Daten und bereiten die wesentlichen Informationen auf. Entweder entscheiden sie selbständig oder versorgen Fach- und Führungskräfte über das Berichtswesen mit Entscheidungsvorlagen oder Empfehlungen. Im Gegenteil zu ID ist VBI interaktiver und ermöglicht tiefgreifende Analysen, in denen der Anwender Anpassungen wunschgemäss durchführen kann. Hier kommen zudem komplexere Diagramme wie Treemaps, Netz- oder Blasendiagramme zum Einsatz.

Abb. 3: Der Data Scientist arbeitet mit grossen Datenmengen und wendet Visual Analytics an (Gluchowski & Chamoni, 2016, S. 319)

Der letzte Bereich des Modells beschreibt VA. Dieser Ansatz widmet sich besonders dem visuellen Umgang mit Big Data. Die Datenmengen sind tendenziell sehr hoch und komplex. Dies führt zu Analysen und Auswertungen, welche deutlich aufwändiger aufbereitet werden müssen. Um sich dennoch die Arbeit zu erleichtern, sind dafür Spezialisten wie Data Scientist zuständig. Diese weisen zwingender Weise ein vertieftes Wissen und Verständnis der Daten aus und sollten sich einerseits mit komplexen Visualisierungstechniken und andererseits mit dem Umgang mit Werkzeugen und Programmierschnittstellen auskennen. Für die Analysen stehen ihnen Spezialwerkzeuge zur Verfügung, die für die explorative Arbeitsweise sehr behilflich sein können. Die Darstellungsformen können grösstenteils auch zu statistischen Verfahren herangezogen werden. Der Unterschied hierbei zu ID und VBI ist, dass die Anwender zu Beginn der Analyse noch nicht wissen, welche Erkenntnisse aus den Daten gewonnen werden können (Gluchowski & Chamoni, 2016, S. 305-307; Ruf & Schwab, 2016, S. 496-497).

Neben BI steht VA auch eng mit dem Begriff Business Analytics (BA) in Verbindung. BI hat einen vergangenheitsorientierten Blickwinkel, welcher bekanntes Wissen widerspiegelt (Ruf & Schwab, 2016, S. 495). Hingegen werden bei BA zukunftsgerichtete Fragestellungen mit statistischen Methoden und Modellen analysiert (Kümpel, Schlenkrich & Heupel, 2019, S. 136). Dabei wird VA als ein Unterbereich von BA kategorisiert, mit welchem auf visualisierter Ebene Zukunftsprognosen erstellt werden können (Gleich, Grönke, Kirchmann und Leyk, 2017, S. 37).

Einsatz im Controlling

Der Markt für BI und analytische Plattformen hat sich in den letzten Jahren stark verändert, so dass VA bereits in vielen Systemlösungen integriert ist, welches dem Controller neue Möglichkeiten der Analyse eröffnet (Seufert et al., 2018, S. 67). Die bekanntesten VA Programme sind Microsoft Power BI, Tableau und SAS. Letzteres ist besonders im deutschsprachigen Raum sehr beliebt (Eppler, 2019, S. 22).

Im Folgenden werden ein paar Beispiele von Einsatzgebieten erläutert:

• Mit VA kann die Abhängigkeit einzelner Risikofaktoren im Risikocontrolling untereinander untersucht werden. Zudem werden dadurch bereits bestehende Muster verifiziert und neue erkannt.
• Durch statistische Prognoseberechnungen oder Szenarioanalysen können zukunftsorientierte Entwicklungen frühzeitig erkannt werden und schnellstmöglich Massnahmen abgeleitet werden. Beispielsweise können Modelle aufgrund von Vergangenheitsdaten für die Verkaufszahlen unter Veränderung einzelner Einflussfaktoren erstellt werden.
• Zudem ermöglicht eine bestimmte Modellierung eine detaillierte Beschreibung der Sachverhalte, deren Modelle dann wieder für neue Daten zum Einsatz kommen.
• Ein weiteres klassisches Beispiel kommt im Vertriebscontrolling vor. In diesem Bereich sind insbesondere Nutzer und Einsatzgebiete aus den Bereichen ID und VBI zu finden (Ruf & Schwab, 2016, S. 497-500).

Herausforderungen

Für das Controlling und den herkömmlichen Controller steigen die Anforderungen. Zum ursprünglichen Know-how eines Controllers sind bei VA ebenfalls der Umgang mit Werkzeugen und Programmierungsschnittstellen sowie Visualisierungstechniken gefragt (Gluchowski, Chamoni, 2016, S. 305-307). Weiter bedarf VA eines verstärkten mathematischen und statistischen Wissens, um die Analysen durchzuführen und diese auch korrekt zu interpretieren. Daher sind hoch qualifizierte Fachkräfte zur Umsetzung von VA gesucht (Kohlhammer, Proff, Wiener, 2018, Kapitel 5.2.1). Entwickelt sich der Controller nicht im Berufsfeld «Data Scientist» weiter und vergrössert sein Aufgabengebiet, besteht die Gefahr, dass er fachlich abgehängt wird (Ruf, Schwab, 2016, S. 500). VA Techniken erlauben es immer grössere und komplexere Daten zu analysieren. Daher gibt es eine immer grösser werdende Unstimmigkeit zwischen der Menge und Komplexität der Daten, sowie der menschlichen Fähigkeit diese Daten zu erkunden und auszuwerten, was Skalierbarkeit zu einer fundamentalen Herausforderung in Bezug auf VA macht (Cui, 2019, S. 81566). Im Gegensatz zu enormen Datensätzen besteht auch ein Skalierbarkeitsproblem, wenn nicht genügend Daten vorhanden sind, um eine aussagekräftige Visualisierung zu erstellen (Gluchowski & Chamoni, 2015, S. 317). Eine weitere Schwierigkeit besteht darin, dass die Datensätze meistens heterogen und somit in vielen verschiedenen Strukturen daherkommen, welche typischerweise nicht am gleichen Ort archiviert sind (Keim et al., 2010, S. 19). Dieser grösser werdende Bedarf für Systeme und Techniken, welcher solche übergreifenden Prozesse unterstützt, ist eine der grössten Herausforderung der zukünftigen IT (Keim et al., 2010, S. 23). Aufgrund solcher unzureichenden Interaktionsmöglichkeiten mit Daten entstehen zusätzlich sehr grosse Zeit- und Geldverluste (Simoff et al., 2008, S. 76).

Für die Implikation in der Praxis gibt es folgende drei Kernpunkte (Ruf und Schwab, 2016, S. 500):

• Durch die Digitalisierung müssen sich die Unternehmen neu ausrichten und in eine moderne Infrastruktur für Datenmanagement und Datenanalyse investieren. Zusätzlich werden geeignete Experten benötigt.
• Controller müssen sich zu einem Business-Partner mit Expertise in Big Data weiterentwickeln, um von den neuen Möglichkeiten von Business (Visual) Analytics zu profitieren.
• Unternehmen, welche in datenbasierte Geschäftsmodelle und neue Rollen wie den Data Scientist investieren, werden zukünftig einen fundamentalen Wettbewerbsvorteil erlangen.

Chancen

Visual Analytics bietet für Controller und demnach Unternehmen viele Chancen für eine effektive Datenverarbeitung und -analyse. Mit dem neuen Ansatz für die Analyse von Big Data können die Anwender zum einen besser ihren sonstigen Aufgaben nachgehen und zum anderen neue Handlungsfelder und Massnahmen daraus erschliessen. Solche Analysen können ganz entscheidend für künftige Geschäfte sein. Sie stellen relevante Informationen zur Verfügung und sind eine grosse Hilfe für bestimmte Entscheidungen. Die Controller können dadurch die gegenwärtige und zukünftige Lage einschätzen und dementsprechend schnell und faktenbasiert reagieren. Damit können sie zudem die Analysen leichter durchführen, wichtige Zusammenhänge erkennen und die Erkenntnisse grafisch und verständlich aufbereiten. Diese Zahlen präsentieren zu können, führt zu einer zukunftsorientierten Ausrichtung sowie zu einer optimalen Kommunikation und einem neuen innovativen Controlling (Ruf & Schwab, 2016, S. 500). Im Wesentlichen bieten visuelle Analyselösungen eine Möglichkeit, die die Stärken der menschlichen und elektronischen Datenverarbeitung kombiniert (Kerren, Stasko, Fekete, & North, 2008, S. 155).

Anwendungsbeispiel

Um sich VA genauer vorstellen zu können, wird folglich ein Anwendungsbeispiel gemäss der Abbildung 4 vorgestellt und erklärt.

Abb. 4: Darstellung eines Risikoportfolios über ein visuell-interaktives Netzwerk (Gluchowski & Chamoni, 2016, S. 321)

Dieses Beispiel aus dem Bereich Risikomanagement soll einen Einblick in die Visualisierung eines komplexen Netzwerkes geben. Die Risikomodelle haben dabei die Aufgabe, mögliche Risiken darzustellen. Da im Risikomanagement jedoch viele relevante Daten und Informationen behandelt werden, könnte das Verständnis deutlich erschwert werden. Selbst Experten haben es nicht leicht, diese Risikomodelle nachzuvollziehen und für das Management eine verständliche Version zu entwickeln. Daher wurden Massnahmen und Möglichkeiten entwickelt, um diesen Prozess zu vereinfachen. Das Ziel hierbei war es, einzelne Kunden von breiteren Kundennetzwerken unterscheiden und ergänzen zu können. Zudem war es möglich, Transaktionen sowie die Zugehörigkeit zu gleichen Regionen und Branchen abzubilden. Wie man der Abbildung entnehmen kann, stellen die Kreise einzelne Kunden dar, deren Radius proportional die Firmengrösse darstellt. Die Pfeile in den Kreisen deuten auf individuelle Ratings der Kunden hin, während die Pfeile zwischen den Kreisen für das Transaktionsvolumen stehen. Der Vorteil einer solchen Abbildung ist, dass dabei ein Gesamteindruck des Kundenstamms ersichtlich ist. Zudem werden auch sogenannte Cluster von Kunden, in denen mehrere Kunden von einem abhängig sind, direkt angezeigt. Diese Visualisierung des Netzwerkes kann für eine Verbesserung stets interaktiv verändert und erweitert werden (Gluchowski & Chamoni, 2016, S. 321).

Lern- und Praxismaterialien

Aufgaben
Fallstudie Kreditkartenfirma - Visual Analytics

Quellen

Literaturverzeichnis

• Cui, W. (2019). Visual Analytics: A Comprehensive Overview. IEEE Access, Volume 7, 81555-81573.

• Deussen, O., Ertl, T., Keim D. (2010). Visual Analytics. Informatik Spektrum 33, 10 (6), 549. doi: https://doi.org/10.1007/s00287-010-0495-6

• Eppler, M.-J. (2019). Kleines Analytics-ABC. Organisations Entwicklung, 03/2019, 18-22.

• Gleich, R., Grönke, K., Kirchmann, M. & Leyk, J. (Hrsg.) (2017). Strategische Unternehmensführung mit Advanced Analystics: Neue Möglichkeiten von Big Data für Planung und Analyse erkennen und nutzen. (E-Book). München: Haufe-Lexware.

• Gluchowski, P. & Chamoni, P. (Hrsg.) (2016). Analytische Informationssysteme: Business Intelligence-Technologien und -Anwendungen. (5. Aufl.) Berlin: Springer-Verlag.

• Keim, D. A., Mansmann, F., Schneidewind, J., Ziegler, H. (2006). Challenges in Visual Data Analysis. London: Tenth International Conference on Information Visualisation, 2

• Keim, D., Kohlhammer, J., Ellis, G. & Mansmann, F. (2010). Mastering the information age: solving problems with visual analytics. Bad Langensalza: Druckhaus Thomas Müntzer.

• Kerren, A., Stasko, J. T., Fekete, J.-D., & North, C. (2008). Information Visualization. Human-Centered Issues and Perspectives. (E-Book.) Berlin: Springer-Verlag.

• Kohlhammer, J., May, T., Davey, J., Ruppert, T. (2010). Visual Analytics – Verbindung von Analysever-fahren und Visualisierungstechniken. In Die Fachzeitschrift für Information Management und Consulting, 25, 10 (3), S. 10-17.

• Kohlhammer, J., Proff, U., Wiener, A. (2018). Visual Business Analytics. Effektiver Zugang zu Daten und Informationen (E-Book). Heidelberg: dpunkt.verlag. Kapitel 5.2.1 – 5.2.3

• Kümpel, T., Schlenkrich & K., Heupel, T. (Hrsg.) (2019). Controlling und Innovation 2019: Digitalisierung. Wiesbaden: Springer Gabler.

• Ruf, R. & Schwab, W. (2016). Visual Analytics. Vorausschauende Analyse statt klassischem Reporting.] Controlling, 28 (8-9), S. 495-501.

• Seufert, A., Dannenberg, M., Reitzenstein, B., Zucker, K. & Treitz, R. (2018). Herausforderung und Potentiale im Bereich Daten und Analytics. Controller Magazin, (Januar / Februar 2018), 65-71.

• Simoff, S. J., Böhlen M. H. & Mazeika A. (2008). Visual Data Mining: Theory, Techniques and Tools for Visual Analytics. Berlin: Springer-Verlag.

• Vanini, U. (2017). Business-Analytics-Ansätze zur Unterstützung des Controllings bei der Risikoidenifikation. In W. Gleissner, & A. Klein (Hrsg.). Risikomanagement und Controlling. Chancen und Risiken erfassen, bewerten und in die Entscheidungsfindung integrieren (S. 273-288).] München: Haufe Gruppe.

Weiterführende Literatur

• Endert, A., Hossain, M. S., Ramakrishnan, N., North, C., Fiaux, P. & Andrews, C. (2014). The human is the loop: new directions for visual analytics. New York: Springer Science+Business Media.

• Schön, D. (2017). Planung und Reporting im BI-gestützten Controlling: Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics (3. Aufl.). (E-Book).] Dortmund: Springer Gabler.

Autoren

Jan Roman Binzegger, Georg Bucher, Aleksandra Dimova