In un contesto globale affollato da grandi moli di dati in continua evoluzione, l’informazione richiede strumenti adatti per essere condivisa a un pubblico sempre più ampio. L’esigenza di tradurre i fenomeni più o meno complessi attraverso forme, grafici ed infografiche trova risposta nella Data Visualization.
In quest’articolo approfondiremo, attraverso la ricerca dell’Osservatorio Big Data & Business Analytics della POLIMI School of Management, la scienza della visualizzazione dei dati. Perché è importante per un’azienda saper tradurre e valorizzare i dati in un formato visivo e quali sono le tecniche e gli strumenti più adatti per farlo?
La Data Visualization (visualizzazione dei dati) racchiude quindi tutte le tecniche necessarie a consegnare l’informazione all’utente finale, in maniera chiara e veritiera: sfruttando un approccio grafico, risulta più efficace la comunicazione di concetti quantitativi e qualitativi, migliorano così anche le scelte e i risultati di chi i dati li deve utilizzare.
Un’organizzazione, piccola o grande che sia, produce e ha necessità di condividere quotidianamente molti dati, sia sul passato, sia sul futuro. La Data Visualization si pone l’obiettivo di facilitare l’esplorazione di questi dati, rendendo possibile la trasformazione in informazioni di valore.
La Data Visualization, così come la conosciamo oggi, è un concetto relativamente giovane, influenzato positivamente dalle tecnologie moderne. In realtà, anche nei secoli precedenti la rappresentazione di informazioni ha sempre assunto un ruolo determinante: si pensi ad esempio alle mappe per l’esplorazione e la navigazione, nate per raccontare quanto veniva scoperto a chi quella navigazione non l’aveva intrapresa.
Nelle epoche successive, l’informazione ha cominciato a essere più strutturata e certamente molto più eterogenea; nuove scienze ed esigenze hanno infatti portato a galla la necessità di nuovi strumenti: forme geometriche e nuovi grafici hanno iniziato ad essere utilizzati per rappresentare fenomeni quantitativi relativamente complessi oltre che informazioni qualitative. Dai fenomeni economici all’epidemiologia, passando per le scienze esatte, la visualizzazione dei dati ha assunto man mano un ruolo sempre più centrale.
La Data Visualization ormai da alcuni decenni utilizza dei grafici elementari (es. grafici a torte, istogrammi, grafici a barre) per rappresentare una o più variabili. Tuttavia, l’esplosione dei Big Data ha notoriamente comportato la raccolta di ampi volumi di dati, eterogenei per fonte e formato. Le comuni rappresentazioni, seppur sempre utili, vengono oggi affiancate da tipologie di data visualization più evolute. Una prima classificazione prende perciò in considerazione il numero di dimensioni dei dati che si va rappresentare per indicare il grado di complessità.
In un contesto globale affollato da grandi moli di dati in continua evoluzione, l’informazione richiede strumenti adatti per essere condivisa a un pubblico sempre più ampio. L’esigenza di tradurre i fenomeni più o meno complessi attraverso forme, grafici e infografiche trova risposta nella Data Visualization, che si è evoluta per migliorare l’efficacia della comunicazione visiva. Ormai tutte le più grandi aziende del mondo utilizzano la Data Visualization per rappresentare i dati degli utenti e migliorare l’esperienza di utilizzo, dimostrando il suo valore pratico.
Perché è importante per un’azienda saper tradurre e valorizzare i dati in un formato visivo e quali sono le tecniche e gli strumenti più adatti per farlo? In quest’articolo dell’Osservatorio Big Data e Business Analytics della POLIMI School of Management, approfondiremo la scienza della visualizzazione dei dati.
La Data Visualization (visualizzazione dei dati) racchiude quindi tutte le tecniche necessarie a consegnare l’informazione all’utente finale, in maniera chiara e veritiera: sfruttando un approccio grafico, risulta più efficace la comunicazione di concetti quantitativi e qualitativi, migliorano così anche le scelte e i risultati di chi i dati li deve utilizzare.
Un’organizzazione, piccola o grande che sia, produce e ha necessità di condividere quotidianamente molti dati, passati, presenti e futuri. La Data Visualization si pone l’obiettivo di facilitare l’esplorazione di questi dati, rendendo possibile la loro trasformazione in informazioni di valore. Una sua corretta implementazione può infatti portare a miglioramenti significativi nei risultati aziendali, riducendo i tempi di analisi e aumentando la tempestività delle decisioni.
La Data Visualization, così come la conosciamo oggi, è un concetto relativamente giovane, influenzato positivamente dalle tecnologie moderne. In realtà, anche nei secoli precedenti la rappresentazione di informazioni ha sempre assunto un ruolo determinante: si pensi ad esempio alle mappe per l’esplorazione e la navigazione, nate per raccontare quanto veniva scoperto a chi quella navigazione non l’aveva intrapresa.
Nelle epoche successive, l’informazione ha cominciato a essere più strutturata e certamente molto più eterogenea. Nuove scienze ed esigenze hanno infatti portato a galla la necessità di nuovi strumenti: forme geometriche e nuovi grafici hanno iniziato ad essere utilizzati per rappresentare fenomeni quantitativi relativamente complessi oltre che informazioni qualitative. Dai fenomeni economici all’epidemiologia, passando per le scienze esatte, la visualizzazione dei dati ha assunto man mano un ruolo sempre più centrale.
La rappresentazione dei dati utilizza ormai da alcuni decenni dei grafici elementari (es. grafici a torte, istogrammi, grafici a barre) per rappresentare una o più variabili. Con l’esplosione dei Big Data e la conseguente acquisizione di ampi volumi di dati, eterogenei per fonte e formato, le comuni rappresentazioni, seppur sempre utili, vengono oggi affiancate da tecniche e tipologie di visualizzazioni più evolute.
Una prima classificazione prende perciò in considerazione il numero di dimensioni dei dati che si va rappresentare per indicare il grado di complessità.
Una seconda distinzione può essere identificata nella fase in cui la Data Visualization viene chiamata in causa: tradizionalmente, la rappresentazione di informazioni semplici – Data Visualization esplicativa – permette il racconto (storytelling) dei risultati. Quando però i dati si trovano ad un alto livello di granularità e la loro complessità richiede una conoscenza profonda, le tecniche di rappresentazione possono entrare in gioco in una fase antecedente all’analisi. Si parla in questo caso di Data Visualization esplorativa, mirata alla creazione di alcuni grafici di partenza per identificare possibili correlazioni e distorsioni. Il focus si allarga quindi dall’oggetto dell’analisi alle relazioni tra le diverse variabili, cambiando il ruolo della Data Visualization che passa dall’essere strumento per raccontare storie alla creazione di rappresentazioni che ricercano un senso nei dati.
Così come il concetto di Data Visualization è mutato negli anni, anche le funzionalità offerte dagli strumenti di Business Intelligence hanno subito una forte accelerata.
Le maggiori richieste informative all’interno delle organizzazioni hanno indirizzato lo sviluppo di nuovi strumenti introducendo il concetto di visual analytics e di dashboard interattive. Questo anche grazie all’utilizzo di alcuni tool ormai diventati molto diffusi, come Tableau, Power BI o Looker Studio, solo per citarne alcuni.
Alla luce di questa evoluzione, oggi possiamo identificare almeno tre caratteristiche principali degli strumenti più evoluti e più diffusi in questo campo, che elenchiamo di seguito.
Grazie all’Interazione self-service anche gli utenti non esperti nel campo dell’analisi dei dati possono importare dati e creare modelli analitici in maniera del tutto autonoma facendo affidamento su approcci guidati e ambienti che non richiedono la conoscenza di codici specifici, rendendo molto facile la preparazione e la consultazione di dati con semplici drag-and-drop, eliminando la scomoda dipendenza dall’IT.
Gli strumenti di visual analytics tendono a incorporare la capacità di calcolo unendo due step fino a quel momento separati, analisi e rappresentazione. La capacità di analisi è un abilitante necessario per garantire l’interattività, viceversa, risulterebbe poco efficace il concetto di interazione self-service. Tali strumenti garantiscono generalmente analisi descrittive e predittive.
Gli strumenti di Visual Analytics si arricchiscono anche dell’esperienza sempre più in tempo reale di analisi e rappresentazione dati, permettendo una loro circolazione sempre più veloce e tempestiva a supporto dei processi decisionali.
Un’impostazione corretta dei processi di visualizzazione del dato è in grado di portare vantaggi su tantissimi livelli all’interno di un’organizzazione. Il primo, e più scontato, riguarda la capacità comunicativa di presentazioni visive che molto spesso sono in grado di migliorare in modo sostanziale la comprensione e la retention delle informazioni contenute nei report.
Inoltre, rispetto al passato, l’utente interno (decisore aziendale o comunque impiegato in una linea di business), è divenuto sempre autonomo nell’utilizzo e nel parziale sviluppo di dashboard interattive, impiegando così meno risorse della funzione IT ed avvicinandosi a una maggiore consapevolezza e cultura del dato.
Questa facilitazione ha permesso la nascita del “Citizen Data Scientist”. una figura business che sa estrarre intuizioni predittive e prescrittive dai dati, senza avere profonde conoscenze tecniche.
Gli utenti che si approcciano sempre più alle analisi descrittive e predittive – tipicamente incorporate negli strumenti di Visual Analytics – registrano poi ulteriori benefici, riducendo i tempi di data preparation e esplorazione dei dati. Tale aspetto, insieme a una riduzione della dipendenza dall’IT, garantisce una maggiore efficienza dei processi decisionali: i decisori aziendali potranno fare affidamento su analisi tempestive – time-to-market minore – e personalizzabili, rappresentative di dinamiche passate, attuali e future.
Un utilizzo maggiormente pervasivo della Data Visualization in azienda, come già illustrato, porta ad adottare un approccio di Self-Service Data Analytics, in cui l’utente di business acquista autonomia e consapevolezza nell’utilizzo dei dati.
A tutto ciò si deve naturalmente contrapporre un rischio evidente, cioè la perdita del controllo sui dati. Dovendo garantire l’accesso a diverse fonti dati ad una ampia platea, i rischi connessi alla privacy e alla sicurezza dei dati risulteranno maggiori.
Inoltre, ogni utente potrebbe portare avanti in maniera distaccata le proprie analisi ed elaborazioni, portando ad una diminuzione della fiducia nei dati. Questo rischio non deve portare a una rinuncia ad una maggiore autonomia, ma va compreso e contenuto attraverso opportuni strumenti e procedure dedicate alla Data Governance.
Alla luce di quanto descritto si può affermare che la Data Visualization sia uno strumento fondamentale per trasformare dati complessi in informazioni comprensibili e facilmente interpretabili, rendendola un pilastro della Business Intelligence (BI). Grazie a grafici, dashboard interattive e mappe, la visualizzazione dei dati consente di identificare tendenze, anomalie e relazioni nascoste all’interno di grandi quantità di informazioni.
In un contesto aziendale, queste rappresentazioni visive permettono ai decision-maker di accedere rapidamente a insight strategici, migliorando la capacità di prendere decisioni basate su dati concreti. Dall’analisi delle vendite alla previsione della domanda, fino al monitoraggio delle performance aziendali in tempo reale, la Data Visualization rende la BI uno strumento non solo potente, ma anche accessibile a tutti i livelli dell’organizzazione.
Contenuti suggeriti dell’Osservatorio Big Data & Business Analytics
