‘Don’t tell it – show it.’ Det gamle journalistiske ordsprog om at ’vise’ læseren en begivenhed i stedet for at beskrive den handler om at gøre en tekst vedkommende og levende for læseren.

Det samme kan siges at gøre sig gældende på BI-området. Efterhånden er der så mange muligheder for at vise data, at BI-konsulenten skal sørge for, at modtageren af en rapport får så let adgang til informationerne som muligt. Og det handler meget om at være visuel. Aviserne har opfattet for længe siden, at billeder er med til at fange læserens opmærksomhed og er et rigtig vigtigt supplement til teksten.

På samme måde kan visualisering af data og ikke kun præsentationer i regneark el. lignende være med til at øge hastigheden, hvormed vi kan opfatte et budskab og se sammenhænge i data. For nogen er visualiseringer ikke bare den vigtigste, men den eneste kilde til at få indsigt i data.

Tidligere har der været et trade off mellem at rapportere præcise data og skabe overblik, men BI-værktøjer i dag giver ret gode muligheder for let at præsentere data i overblik med mulighed for at dykke ned i detaljen med ganske få klik. Så frem for at arbejde med præcision frem for alt, kan man med fordel tænke både overblik og præcision samtidigt.
Herunder tre eksempler med de samme data fra Danmarks Statistik fordelt på kommuner, der gerne skal illustrere visualiseringens betydning og sætte os i stand til at svare på spørgsmålet i overskriften på 2 sekunder.

Eksempel 1: Traditionel liste
Først laver jeg en traditionel liste med ’Kommunenavn’, ’Udgifter til sygedagpenge pr. 17-64 årig’ og ’Andel 25-64 årige med en videregående uddannelse’. Listen indeholder i princippet den nødvendige information, men det er ret svært at se, om der skulle være en sammenhæng, og det er nok de færreste, der kan overskue 98 kommuner på 2 sekunder. Herunder et udsnit af listen.

Eksempel 2: Søjlediagrammer
I andet forsøg har jeg lavet en visualisering, hvor alle kommunerne er sorteret ens på x-aksen i de to søjlediagrammer. I det øverste diagram ses ’Udgifter til sygedagpenge pr. 17-64 årig’, mens det nederste søjlediagram er ’Andel 25-64 årige med en videregående uddannelse’. Pludselig kan man se, at der sker noget i data, og det ser ud som om, der er en sammenhæng.

Eksempel 3: Et plot
I sidste og tredje udgave af data herunder er visualiseringen et plot, hvor, ’Udgifter til sygedagpenge pr. 17-64 årig’ er opad på y-aksen og ’Andel 25-64 årige med en videregående uddannelse’ er udad på x-aksen. Sammenhængen er nu ret tydelig og det er muligt på 2 sekunder at svare på spørgsmålet i overskriften.

Visualisering er vigtig, hvis man vil kunne kommunikere sikkert og hurtigt via sine data. Det er selvfølgelig også vigtigt at have sine detaljer i orden, men overblik er mindst lige så vigtigt, da mange netop ikke når længere ned i data.

Følg dette link, hvis du vil prøve de visuelle muligheder i eller læse om SAS® Visual Analytics.