Brian Erhardsen, administrationschef i Husdyrernæring

Transkript

1 Visualisering Tema Datamængder og forretningskompleksitet er to rigtigt gode årsager til at tænke i datavisualisering men der er mange andre. Evnen til ikke blot at fremvise sine data i grafer, men også at interagere med dem i visuelle brugerflader skaber nye muligheder.

2 Kundecitat En ting, d60 har tilført DLG, er den grafiske visning af data, som betyder meget mere, end jeg havde troet. Vi har været vant til at se på tallene i tabeller, men det hurtige grafiske udtryk giver meget bedre forståelse og betyder, at traderne slipper for at lægge tallene sammen i hovedet. Brian Erhardsen, administrationschef i Husdyrernæring

3 Forståelsen først En af de gængse, korte beskrivelser af formålet med Business Intelligence lyder: at lave data om til information. Det kan være data fra et hav af forskellige kilder, som samles og bidrager til et holistisk billede af forretningens ve og vel. Visualisering af data er en effektiv måde at hjælpe med at analysere og fortolke de latente informationer. I stedet for at skulle forholde sig til millioner af rækker i en tabel kan en simpel linje-graf hurtigt give et billede af en bestemt tendens. Hvilken graf er bedst? Hvilken graf illustrerer tydeligst den information, der skal skildres? Heri ligger et stort ansvar og fagområde for blandt andet Business Intelligence-konsulenter. De fleste har en mening om brugen af grafer, men det er helt afgørende, at der bliver taget udgangspunkt i den information, der skal analyseres. Det helt klassiske eksempel er manges forkærlighed for 'lagkage-diagrammer', når der skal vises en fordeling. Et simpelt søljediagram præsenterer samme information væsentligt bedre af helt enkle, kognitive årsager. Vi kan simpelthen meget lettere sammenligne forholdet mellem længden af to gulerødder, end størrelsen af to stykker pizza! Pointen her er, at der ligger en masse teori bag visualisering af data, som har tendens til at blive overset eller komme i anden række til fordel for udseende eller nye visualiseringsteknologier. Dette forekommer også ofte i journalistikkens verden, hvor 'infographics' er blevet mere og mere anvendt. Desværre bliver ellers interessant information ofte sløret på grund af dårlige visualiseringsvalg eller i et forsøg på at binde emnet og det visuelle tema sammen. Junk Charts er en blog dedikeret til at illustrere, hvordan data visualisering ofte kunne gøres bedre i medierne.

4 Fremme forståelsen I samme kontekst har alle en mening om, hvad der er pænt. Som (BI-)konsulent er det nødvendigt at imødese kundens behov og ønsker, hvilket i visualiseringsøjemed ofte influerer valg af farver, fonte og placering af logoer. Flere af de prominente teoretikere inden for datavisualisering, heribland Edward Tufte og Stephen Few, tager udgangspunkt i vores kognition, når det kommer til at designe og udsmykke grafer og dashboards. Dette resulterer i et sæt retningslinjer, der i bund og grund går ud på at holde den visuelle stil så minimalistisk som muligt. Hvis det ikke eksplicit gavner forståelsen, så modarbejdes og tilsløres den. 3D-effekter, skygger, baggrundsfarver - væk med det! Dertil har vi også en kulturel forståelse af former og farver, for eksempel associeres den grønne farve med positivitet og vækst, hvorfor ukritisk brug af firmafarver også kan være med til at forvirre. I sidste ende er det også problematisk at indkode væsentlige informationer ved hjælp af farver, da farveblinde vil have sværere ved at aflæse informationerne. Det er selvfølgelig altid en afvejning, for visualisering skal også gøres spiselig, så den skaber blikfang - men vigtigst er det, at historien i data udgør det reelle blikfang. A B

5 Visualiser din forretning For udviklere er der efterhånden kommet mange nye spændende værktøjer, som gør det relativt nemt at komme igang med at lave spændende visualiseringer af komplekse sammenhænge. Hvorfor er visualisering af data vigtigt? Big data er meget oppe i tiden, og selvom man kan diskutere, hvad det egentlig vil sige, så ved vi, at mennesker er dårlige til at overskue informationer i store mængder. Vi lever i en tid, hvor enorme mængder data samles op; data vi kan bruge til at forbedre vores forretning, hvis vi altså er i stand til at forstå det. Ud fra de betragtninger er det vigtigt at se på, hvordan man kan gøre data mere tilgængeligt og dermed forståeligt. Det er essensen af, hvad datavisualisering er godt til. Vi ser ofte systemer, der visualiserer data alene for æstetikkens skyld. Er det imidlertid det eneste grundlag, er projektet dømt til at fejle. For at få værdi ud af sine data er det nødvendigt at tænke over, hvilke oplysninger der skal gøres synlige, og ikke mindst hvordan de bliver handlingsrettede. Dagblade må eksempelvis vide, hvilke artikler der trækker læsere til, hvorimod man indenfor tradingbranchen skal vide, om der er balance i handlerne.

6 Visualiseringsværktøjer Verden bevæger sig imod web, og her findes der rigtig mange libraries, som gør det nemt at lave traditionelle grafer, uanset om man er til linjer, søjler, kagediagrammer eller radargrafer. Vi har god erfaring med highcharts, som er et af de mere udbredte værktøjer sammen med eksempelvis chartjs. Større frameworks som KendoUI har i dag også nogle grafkomponenter, man kan trække på. Bevæbnet med disse værktøjer vil en udvikler relativt hurtigt kunne visualisere dine data i den form, du ønsker. Man skal dog altid forholde sig til, hvem målgruppen er, og sørge for at data bliver så anvendeligt og forståeligt som muligt, da misforstået data er værre end ingen data. Skræddersyede visualiseringer Genkendelighed er vigtig for forståelsen. Det gælder også, når man visualiserer data. Derfor skal man være påpasselig med at være for kreativ, så det eksempelvis ikke ender med at blinke, fordi man synes, det er smart. Når det er sagt, så er der ofte mulighed for at lave unikke visualiseringer, som er skræddersyede til de arbejdsområder, hvor de skal anvendes. Det kræver fantasi, omtanke og brugertest, men for den ekstra indsats har man også muligheden for at stikke ud og lave noget, der er bedre end konkurrenternes værktøjer. For at kunne lave den type tilpassede visualiseringer er der brug for værktøjer, der er mere fleksible, og dermed kræver mere udvikling. Nedenfor nævnes et par eksempler. D3.js er en forkortelse for Data Driven Documents og er et tool, der med udgangspunkt i den eksisterende strøm af data giver os mulighed for at tegne nærmest hvad som helst, hvilket ses i nogle af de imponerende eksempler på deres website. Med i pakken har man funktionalitet til at tegne og skalere akser og arbejde med figurer i både HTML og vektorgrafik i SVG. Raphaël er et andet populært værktøj, der gør det lettere at arbejde med SVG uden at tage stilling til, hvordan man arbejder med data. På den måde er det lidt lettere at gå til, hvilket ses i deres eksempler, der er knap så avancerede. Raphaël er dermed en god mellemvej imellem traditionelle charts og d3.js. Der er modne værktøjer til ethvert behov og mulighederne for at lave en løsning, der passer til dit behov og ambitionsniveau er derfor mange. Denne artikel har blot haft til formål at give et indtryk af nogle af disse. Realtime visualisering af data er fremtiden, men inden du hopper på vognen, bør du overveje, hvad der skal til for at gøre din forretning mere effektiv ikke bare flottere at se på.

7 Den rette BI-løsning Der er i dag rigtigt mange muligheder fra hyldevarer til skræddersyede løsninger for at visualisere sine forretningsdata. Derfor er der også mange overvejelser, man bør gøre sig, før man vælger. Vi ser her nærmere på de grundlæggende forskelle mellem to typer løsninger: traditionelle eller associative modeller. Traditionel eller associativ model Forskellige værktøjer giver mulighed for at være mere eller mindre eksplorativ i forhold til at finde forklaringer på diverse måletal, performance eller kausaliteter i virksomhedens data. Afhængigt af virksomhedens behov kan der være forskellige fordele i statiske, dynamiske og skræddersyede løsninger. Helt grundlæggende findes der i dag forskellige typer BI-værktøjer til visualisering af data: en traditionel drill-down model og en associativ model. I d60 anvender vi blandt andet Qlikview og Microsoft Reporting Services (SSRS) som front end-værktøjer. Det er to eksempler på de forskellige tilgange til at trække data ud og anvende den på. Microsoft Reporting Services (SSRS) gør brug af den traditionelle tilgang med hierarkier og drill-downs, hvor Qlikview er opbygget efter en associativ model, som gør det muligt for brugere at følge og interagere med data. TARGIT er et andet kendt værktøj, som anvender den associative model. Muligheden for interaktion i Qlikview betyder, at man kan filtrere sig ned på data ved at klikke i grafer, tabeller osv., hvor man i Reporting Services definerer parametre for at kunne lave drill-downs eller opbygge hierarkier i rapportens tabeller. Koncern Selskab Afdeling Medarbejder Traditionel Selskab Associativ Koncern Afdeling Medarbejder

8 Muligheder for tilpasning Alting har en pris, og det er også tilfældet med disse to forskellige løsninger. Ønsker man mange muligheder for tilpasning, koster det på en anden konto. De to værktøjer har hver deres visuelle muligheder og begrænsninger. Visuelt kan det eksempelvis være svært at ændre farver og temaer i Qlikview, for eksempel er selections i Qlikview prædefineret, hvilket ikke stemmer overens med det forretningslayout, kunden kommer med. Dette kan dog også være en fordel, da brug af firmafarver for designets skyld kan hæmme forståelsen. Begge værktøjer har fordele i forhold til det generelle layout. Alignment af grafer, tabeller og deslige fungerer efter min mening bedre i Reporting Services, hvor brugeren hjælpes af en visuel fremstilling, som viser, hvornår man har alignet sin graf med de øvrige elementer i sin rapport. Derudover er det relativt nemt at få det tilpasset til en A4-side. Qlikview med de forskellige applikationer egner sig modsat Reporting Services rigtig godt til en tablet eller smartphone. De tekniske aspekter Ser man på de lidt mere tekniske aspekter, udmærker Reporting Services sig ved, at det er relativt nemt at udsende rapporter via , pdf og deslige, hvorimod man ved Qlikview skal investere i en tredje-parts component, før det bliver rigtigt godt. Det er i den forbindelse værd at fremhæve, at begge værktøjer gør det godt i forhold til opdeling af data. Skal du have en rapport for hver afdeling, du har i organisationen, kan du i Reporting Services gruppere afdelingerne, i Qlikview kan du ligeledes sætte Qlikview-publisheren op til at gruppere afdelingerne, således du får en rapport per afdeling. Rapportering eller analyse Hvorvidt den ene eller den anden model er den bedste, afhænger af forretningens behov og kan for så vidt også handle om den enkelte afdelings behov, da de to modeller sagtens kan sameksistere i samme virksomhed.

9 Lidt forenklet kan man sige, at den traditionelle model er et rapporteringsværktøj, hvor den associative er et analyseværktøj. Typisk vil controllere derfor have stor glæde af en associativ model, hvor mindre avanceret brug håndteres bedst med den traditionelle. Hermed ikke sagt, at Qlikview ikke kan anvendes til almindelige rapporteringsformål, blot at de mange muligheder for at analysere forretningens data vil være overflødige og snarere kræve tid og oplæring end skabe overblik. Det er dog en meget stor fordel for en virksomheds controllere at have analyseværktøjet til rådighed. Derfor vælger mange at stille den analytiske model til rådighed for nogle brugere, mens andre alene får rapporteringen. Kombinerer man løsninger, vil man dog typisk vælge Reporting Services kombineret med et andet Microsoft-produkt, Power BI, som du kan læse mere om andetsteds i temaet. Hvad skal man vælge? Herudover bør man overveje de interne kompetencer. Med lidt SQL-kompetencer kan du godt opbygge et relativ simpelt dashboard og rapportering i Qlikview uden at skulle gøre brug af eksterne konsulenter. Har du imidlertid behov for lidt mere avancerede dashboards, vil du hurtigt støde ind i Qlikviews egen sprog-syntaks, og det kan godt blive for kompliceret. Valget af visualiseringsværktøj hænger også sammen med den økonomiske ramme for et givent (BI-)projekt. Det fordrer naturligvis spørgsmålet, om du i virkeligheden er bedre stillet med en egenudviklet visualiseringsplatform - både hvad angår funktionalitet og økonomi. Hvad er omkostninger ved licenser kontra skræddersyet, og hvordan hænger muligheder, pris og behov sammen? Der er ingen enkle svar, men der er naturligvis en enkel løsning: Tag en snak med en konsulent.

10 MS Power BI Microsofts Power BI Suite giver brugerne mange nye spændende muligheder for at interagere med data i et miljø, som allerede er velkendt. Power BI giver mulighed for dynamiske analyser og kan kombineres med andre Microsoft-værktøjer, så man kan lave en samlet løsning, der passer til mange forskellige brugeres behov. Power BI Suite består i bund og grund af en række plugins til Excel, som giver utroligt mange muligheder for brugeren. Hvor Microsoft Reporting Services (SSRS) er baseret på en traditionel drill-down model, er Power BI Suite en associativ model, som derfor giver brugerne mulighed for frit at sammensætte analyser. Power BI-værktøjerne er således designet til brug af et bredere publikum. Det er ikke løsningen på alle rapporteringsscenarier, men rigtig gode værktøjer til ad-hoc analyser og visualisering af eksplicitte cases. Der er samtidig god integration til for eksempel Powerpoint, så fremstillingen kan deles hurtigt i forskellige fora. Self-service for controllere Power BI kan især være et værdifuldt værktøj i hænderne på controllere. Brugeren kan hurtigt afprøve forskellige teser og forskellige grafer for at finde ud af, hvilke(n) der bedst beskriver data. Med en brugerflade, der ligner Excel, og de mange muligheder for at analysere data på kryds og tværs er Power View et populært redskab til selv-service BI. Eftersom både Reporting Services og Power BI er Microsoft-produkter, er det også oplagt at lave kombinerede løsninger i en virksomhed. Det vil sige, at brugere med behov for overblik kan få standardrapporter via Reporting Services, hvor controllere med behov for analyser kan få adgang til data i Power BI. En god governance-politik på området kan samtidig sikre, at de bedste ad hoc-analyser bliver en del af standardrapporterne.

11 Power View Power View er det primære analytiske værktøj i Power BI suiten. Det kan på mange måder beskrives som en dashboard-version af en klassisk pivot-tabel i Excel, blot med langt bedre mulighed for interaktion. Power View har et ret stringent grafisk udtryk i stil med Microsofts nyere designparadigme. Hvis man har adgang til godt struktureret data, for eksempel i et data warehouse eller en Power Pivot model, så er Power View utrolig nemt at gå til, selv for folk uden megen erfaring med Excel. Power Map Det andet visualiserings værktøj i Power BI suiten er Power Map, som gør det forholdsvist nemt at integrere og skildre geografiske data ved hjælp af Microsofts Bing Maps. Det kan i nogle tilfælde være anvendeligt at opdele data geografisk for eksempel på lande eller regioner - og hvis data ellers er detaljeret nok, virker dette fortrinligt. Power Map har også en løsning, hvis du mangler specifikke elementer i de geografiske data. Har du eksempelvis kun et postnummer, kan du via Power Query-værktøjet slå op i offentligt tilgængelige webservices som og berige dine oprindelige data med relevant geografisk data. På den måde spiller værktøjerne i Power BI rigtig godt sammen - og alt dette vil være mere eller mindre overkommeligt for rigtigt dygtige brugere af Office eller folk, der har snuset til BI. Power Map gør det således muligt at lave flotte visualiseringer med 'scener', der panorerer hen over kloden og viser, hvordan data relaterer sig geografisk. Det er imidlertid vigtigt ikke at lade sig forblænde af de teatralske muligheder, da det kan være svært at holde fokus på den egentlige historie, data skal fortælle. De ovennævnte værktøjer har begge deres berettigelse med de tilhørende styrker og svagheder, derfor er det ikke uhørt, at der til en større løsning med mange potentielle slutbrugere, vil være brug for en kombination af forskellige værktøjer for at tilgodese alle funktionelle behov. Det understreger vigtigheden af et konformt data warehouse, som værende den centrale datakilde til de forskellige værktøjer for at sikre én sandhed. Men det er en helt anden snak.

12 Stigende krav Kravene til datavisualiseringsværktøjerne og deres leverandører er støt stigende. Der skal kunne håndteres mere og mere data, og det kan ikke gå hurtigt nok. For nogle udbydere har de tekniske muligheder imidlertid virket forblændende, og den teoretisk velfunderede visualisering er blevet tilsidesat til fordel for lækre animationer og fede effekter. Det lader dog til, at flere har fået øjnene op for datavisualisering som fag, hvorfor de nyeste versioner har fokuseret mere på brugbarhed end udseende. Presset på leverandørerne er uden tvivl også blevet større i takt med web-teknologiernes hastige udvikling, øgede funktionalitet og store tilgængelighed. Heri ligger rigtig mange interessante muligheder i fremtiden, hvor softwareudvikling og BI smelter sammen og danner grundlag for skræddersyede løsninger, som er til at betale. Hos d60 arbejder vi allerede med dette og kalder det: Smart Software Solutions.

13 Visualisering Visualisering med javascript libraries For udviklere er der efterhånden kommet mange spændende muligheder for at visualisere data. Jeg vil her mest fokusere på javascript-libraries til den moderne browser. I denne verden er det kun fantasien, der sætter grænsen for, hvad der kan visualiseres og hvordan. Når værktøjer i princippet kan alt, er det vigtigt at træde et skridt tilbage og sikre sig, at man vælger det bedste til formålet. Der findes et berømt citat af Marshall McLuhan: We shape our tools and thereafter our tools shape us I sammenhæng med begrebet visualisering betyder det, at man retrofitter sine data til det værktøj, man benytter. Hvis man kun har standard charts til sin rådighed, så prøver man at visualisere sine data med disse og får ikke overvejet, om der var en endnu bedre måde at præsentere data til brugeren på. Man får altså ikke noget ekstraordinært ud, selvom ens data måske er af en art, der kunne kalde på helt andre typer visualisering. Man skal som i citatet af Vitaly Friedman tænke på at communicating its [the data] key-aspects in a more intuitive way. En måde at nå frem til dette er selvfølgeligt at kende de værktøjer og libraries, der findes på markedet, og studere andres eksempler på specifikke visualiseringer til specifikke data. Visualisering i programmeringssprog Der findes et stadig stigende antal open-source og kommercielle biblioteker, der gør det muligt at lave avanceret visualisering i forskellige programmeringssprog. Man kan groft dele deres funktionaliteter op i data management, charting og graphics, hvor det første er standardtabeller, grids, treeviews osv. Charting dækker over, at libraries kan lave en række standard charts som piecharts, linecharts osv., men ofte også meget avancerede charts. Det er ikke unormalt for et charting library at have 50+ forskellige typer charts (hvoraf mange dog er variationer). Hvis man har behov, der rækker ud over disse chart-typer,

14 må man gribe til deciderede graphics libraries. Idet Graphics libraries er mere low-level, har de den ultimative styrke og fleksibilitet (men kan derfor også være komplekse, hvis ens behov ikke er så store). Platforme Rent platformmæssigt kan man lave en opdeling i desktop-løsninger, hvor visualiseringen sker i et nativt program på ens computer, kontra browser-baserede løsninger. Nativt Afhængigt af ens behov, og hvilken teknologi man anvender, er der forskellige muligheder. De fleste, der udvikler native windowsprogrammer med et UI i dag, anvender nok WPF (+ Silverlight / Win-forms). Der er ikke indbyggede charts-support i WPF, men hvis man har brug for standard charting muligheder, findes der en hel stribe muligheder: WPF toolkit, Visiblox, Visifire, Telerik, xamcharts, Infragistics, DevExpress og sikkert flere. De har selvfølgeligt alle forskellige styrker og svagheder, og jeg vil ikke trække nogen frem her. Mange af dem understøtter ud over de basale charts-typer også mere avancerede som Radar, Radial Scatter, Fuel charts, Bipolar charts etc. WFP blev jo i sig selv designet til at lave fede brugerflader, og der er så mange muligheder for at lave egne komponenter med transformationer, animationer. Man kan i princippet lave alting selv evt. med hjælp fra designerværktøjet Blend. Browsere I den forløbne tid er der sket en rivende udvikling på browser-området. Traditionelle flash-plugin-løsninger til grafik erstattes af indbyggede muligheder i selve browseren. Det nye Html5 Canvas samt SVG vektorgrafik giver alle muligheder og renderes direkte i hardwaren. Selve javascript fortolkerne er også blevet utroligt højtydende og det, samt at vi ser en stadig strøm af professionelle charting / graphing libraries, der bliver skrevet til at udnytte disse muligheder, gør, at browserplatformen i allerhøjeste høj grad den dag i dag er anvendelig til visualisering af alle former for data. Man har selvfølgeligt altid kunnet benytte browseren til at vise avanceret grafik, hvis det var statisk. Man kunne generere grafikken på en kraftig backend og vise et image af grafen i browseren. Det nye er, at graferne genereres på selve klienten ud fra diskrete data. I og med data ligger på klienten giver det i langt højere grad mulighed for realtime opdatering af samt interaktion med data. Der kan stadig være issues med support i gamle browsere for de nye features, men forskellige shim libraries simulerer funktionaliteten, hvis den ikke er tilstede. F.eks. benytter mange libraries ExSvg.js og

15 excanvas.js så IE7+8 også understøttes. Når det angives, at et library kan benyttes til IE6+, betyder det, at man teoretisk kan anvende det i alle nyere browsere men for IE kun fra og med v. 7. Der vil naturligt nok være en hastigheds- straf ved at køre simuleret funktionalitet. Javascript libraries Jeg trækker her nogle populære java-script charting / graphing libraries frem. De har forskelligt fokus. Der vil helt sikkert være nogle, jeg ikke nævner. Nogle genererer output på html5 canvas et, andre SVG grafik. En tredje kategori lader det være op til udvikleren at generere selve grafikken, men understøtter processen ved at hjælpe med at processere data. 7,631 Om man vil vælge Html5 Canvas (pixelbaseret) eller SVG (vektorgrafik) kommer an på mange ting. Fordelene ved SVG er mange: Man kan f.eks. zoome og skifte aspektratio, uden at der går noget tabt, samt de enkelte SVG objekter bliver DOM elementer man kan interagere med, sætte event-handlers på etc. D3 er et gratis library der giver én uendelige muligheder for at kreere stærke visualiseringer. Med D3.js er der ingen begrænsninger, og dette gør måske, at man lettere tænker ud af boksen, når man laver visualiseringen, og får genereret noget der i et blik giver sammenhængen i data. Så er det at 1 billede er mere værd en 1.000( ) ord! Læs flere temaer på Begge dele understøtter animering (overgange), som også er en stor del af moderne visualisering. Libraries der driver visualiseringen ud fra data I denne kategori hvor man selv er ansvarlig for renderingen af de enkelte elementer ud fra data er der kun 1 spiller og den er meget kapabel: D3.js.

16 Aarhus Søren Frichs Vej 34 A 8230 Åbyhøj København Frode Jakobsens Plads 4, Vanløse Tlf kontakt@d60.dk