Warum ist Visualisierung ein so wichtiges Thema - gerade jetzt? Und warum ist Analytics eine so wichtige Komponente, sozusagen die zweite Seite der Medaille? Eine Annäherung in drei Schritten:

1. Visualisierung

Die Ausgangsüberlegung ist simpel: Ein Bild sagt mehr als tausend Worte. Mit einer aussagekräftigen Grafik lassen sich viele Informationen verdichten und überhaupt erst verstehbar zusammenfassen. Gerade im Zeitalter von Big Data, in der immer mehr Daten zur Verfügung stehen, kommen traditionelle Formen der Aufbereitung von Informationen an ihre Grenzen.

Ein Kuchendiagramm, das mehr als zehn Elemente enthält, ist nicht mehr lesbar. Ein Scatterplot wird aber einer gewissen Zahl von dargestellten Werten so unübersichtlich und unauswertbar wie eine Rauhfasertapete.

Gleichzeitig verlangen immer mehr Informationskonsumenten immer schneller nach aktuellen Einblicken:

• Excel-Charts können das nicht mehr leisten, was mit umfangreicheren Visualisierungen möglich ist.
• Eine Heatmap kann mehrere Attribute darstellen und macht Zusammenhänge im wahrsten Sinn des Wortes sichtbar.
• Ein Boxplot gibt eine lesbare Zusammenfassung vieler Attribute, gibt deren Verteilung an und gleichzeitig die nicht mehr erfassten Ausreißer.

Wir brauchen also neue Arten von Visualisierung.

2. Analytics

Nun ist die Erkenntnis, dass Bilder mehr Informationen enthalten können als Worte oder Tabellen keine ganz neue. Im Grunde genommen sind schon immer Informationen visualisiert worden, wenn diese einem größeren Kreis verständlich gemacht werden sollen. Denken wir dabei an die ersten Infografiken der Welt: In den jungsteinzeitlichen Höhlenmalereien wird in wenigen Skizzen einfach erklärt, wie man einen Mammut erlegt und damit überlebt.

Wiederum kommt hier die unglaubliche Menge von Daten zum Tragen, die heute zur Verfügung stehen. Im geschäftlichen Alltag ahnt jeder, dass man seine Prozesse, seinen Umsatz, seine Erlöse optimieren könnte, wenn es einem nur gelänge, alle zur Verfügung stehenden Daten auszuwerten. Am einfachsten sind die Beispiele aus Internetdaten: durch genaue Analyse von Weblogs ist sehr schnell und präzise das Funktionieren von Shopapplikationen, die Attraktivität von Sonderangeboten oder auch der Zusammenhang zwischen Einkaufswert und angebotener Zahlweise analysierbar.

Nur: Wie lange dauert das? Wann stehen diese Erkenntnisse zur Verfügung? Und - wer macht diese Analysen?

3. Visual Analytics

Es kommt immer mehr darauf an, dass analytische Methoden, und zwar wirkliche analytische Methoden wie Forecasting anhand von Saisonmodellen, Korrelationsmatrixen, Lineare und nicht-lineare Regressionsverfahren, zur möglichst automatisierten Analyse verwenden werden. Sprich: Ich als Fachanwender will gar nicht wissen, was ein Modell ist, wie das genau gerechnet wird und was ich im Detail beachten muss. Ich will diese Verfahren so einfach anwenden, wie ich heute im Excel eine Summe berechne.

Das Ergebnis dieser Analysen soll wiederum auch für den statistischen Laien, wie es der Fachanwender aus Controlling, Marketing oder Produktion in der Regel ist, verstehbar und interpretierbar sein. Sonst nützt mir die beste Analytics nichts.

Also heißt der Beschluss, das man hier was kombinieren muss: analytische Modelle werden als Funktion bereitgestellt, die per intuitivere Visualisierung bedient wird. Oder anders formuliert: Rechtsklick auf ein Liniendiagramm, dann "Prognose" auswählen und automatisch wird eine Prognose berechnet, die passt.

Und?

Ich empfehle einmal einen Vortrag von Dr. Kohlhammer vom Fraunhofer Institut IGD zum Thema Visual Analytics zu hören. Er stellt diesen Zusammenhang überzeugend und anhand von vielen Beispiele dar (http://www.igd.fraunhofer.de/Institut/Abteilungen/IVA). Anschließend kann man sich nur noch fragen: ja, und gibt es das auch für Nicht-Forschungsprojekte, für ganz normale Unternehmen und Organisationen?
Ja. Gibt es. SAS Visual Analytics ist eine In-Memory-Analytics-Lösung, die Analytics so einfach wie nie zuvor macht. www.sas.de/visualanalytics