Я отношу себя к приверженцам Self-service и верю, что лучше дать управленцу в руки хороший стратегический дашборд и позволить самому делать выводы, чем заводить штат аналитиков, которые будут писать эти выводы за него.
Авинаш Каушик, автор "Веб-аналитика 2.0", является сторонником подхода Critical Few для отчетности руководителей и вводит новый поход к дашбордизации - Action Dashboard.
Его философия идет вразрез с моей, но читать чертовски интересно.
Линк:
https://www.kaushik.net/avinash/the-action-dashboard-an-alternative-to-crappy-dashboards/

Когда мой босс сказала накидать идеи "как продать пользователям идею Self-service BI? ", я просто сделала этот мемчик и предложила разослать всем.
А если без шуток, то процесс "продажи" идеи self-service начинается также, как и процесс бизнес-анализа - с выяснения, что у пользователя "болит", чтобы подать self-service как средство, которое решит пользовательские проблемы.
Котятки🐱, вам интересен топчик проблем, которые решает self-service BI?

Всем веселой пятнички и хорошего каталога диаграмм😜
https://tabsoft.co/2KQKVy8

Визуализация статистики смерти по возрастам от National Statistics: интересна, печальна, диаграммы отменно читабельны)
Котики-наркотики🐱
https://www.ons.gov.uk/peoplepopulationandcommunity/healthandsocialcare/healthandwellbeing/articles/middleagedgenerationmostlikelytodiebysuicideanddrugpoisoning/2019-08-13

Канал наших друзей из Казахстана о Qlik Sense и анализе данных с помощью визуализации.

Интересные исторические факты в формате видео и лонгридов, реальные кейсы с внедрением продуктов Qlik (например Россгосстрах на 15 000 пользователей!!!) и короткие исследования стат.данных.

https://www.youtube.com/watch?v=pBClgRZDUro

Чуть больше двух недель назад был пост про "ловушки интерпретации". В нем речь шла о том, как плохо спроектированные диаграммы могут исказить наше восприятие данных.
Между плохо спроектированными диаграммами и диаграммами, вводящими в заблуждение, есть принципиальная разница. Заключается она в двух аспектах: намерение создателя диаграммы и ясность контекста для пользователя.
Интересная статья на эту тему:
https://eagereyes.org/blog/2019/what-is-a-misleading-chart

Настроение недели)

Когда просишь пользователей подумать, чем им мог бы быть полезен Self-service BI , часто слышен ответ "ну вы дайте, мы посмотрим"🙈
Топчик "болей" для лечения которых применим Self-service:
-нужна отчетность на основе нескольких источников, а "дружить" их через excel неудобно;
-нужна новая регулярная отчетность, но срок её разработки на источнике больше, чем может позволить себе бизнес;
-отчетность часто дорабатываются в силу бизнес-причин, необходимо сократить время вывода доработок в prod и снизить их стоимость для бизнеса;
-у пользователя есть регулярная потребность в проверке разовых управленческих гипотез: нужно найти средство, как справиться с увеличивающимся количеством запросов/увеличить скорость проверки гипотез, не нанимая новых людей.
Отдельно стоят кейсы по снижению издержек (стоимости "поставки" аналитики как сервиса в пересчете на одного пользователя) , но они больше интересны IT-службе😊

Как мы можем использовать то, что мы знаем о том, как мы видим мир, чтобы понять, что делает визуализацию эффективной?
Линк на хорошую статью про внимание, зрение и восприятие данных:
https://medium.com/multiple-views-visualization-research-explained/how-we-see-our-data-vision-science-and-visualization-pt-1-2b36f2330e42

Я давно знала, что в Tableau есть возможность использовать Python , но у меня самой интересных кейсов для обоснования необходимости этого функционала в такой связке не было.
Вчера нашла интересный кейс-референс, который использует интеграцию Python в Tableau Prep для прогнозирования выживших на Титанике».
Линк на подробный мануал:
https://www.tableau.com/about/blog/2019/10/using-tableau-preps-new-python-integration-predict-titanic-survivors

Сегодня я была на вебинаре Tableau, где мы подробно изучали возможности роли Explorer. Мою впечатлительную душеньку поразили функции Ask Data: теперь я могу спрашивать у своих данных любую дичь, которая пришла мне в голову, правда, пока на английском. Официально это называется "использование естественного языка", а неофициально - "магия".
Но, увы, как оказалось, магия работает очень криво: фактически, только при идеальном датасете и с очень ограниченным перечнем вопросов. Получается как sql без sql. Но котятки, выглядит это все равно круто, особенно если нужно поразить до глубины души какого-нибудь невпечатлительного директора.
Как это работает?

Какие танцы с бубном надо провести с источником, чтобы это заработало?

Когда пройден самый сложный этап работы с данными, - их получение, - начинается уже более предметная работа, и она зависит от цели. Цель может быть любой, - от создания/воспроизведения текущей отчетности до проверки сложных гипотез. Но и в одном, и в другом случае, не обойтись без исследования данных.
Какие вопросы себе задавать на исследовательском этапе?
-что такое строка / запись в данных?
-по каким ключевым параметрам следует фильтровать эти данные (разрезы) ?
-какие метрики/поля соответствуют друг другу, как они связаны и какой уровень детализации используется чаще всего?
-что такое выбросы? Каковы ожидаемые значения для каждого показателя?
-как правильно интерпретировать метрики-агрегаты, если они есть в данных?

Без понимания данных хороший дашборд не построить💪🏻
Вебинарчик на тему:
https://youtu.be/4vnbr_KPZkg

Сценарий работы дашборда - один из тех артефактов, который появляется практически в самом начале работы над дашбордом и меняется на каждом этапе. Иногда я пытаюсь написать его ещё на этапе Discovery, чтобы обсудить его с пользователями и понять внутренние связи данных, которые для меня не очевидны, но очевидны для пользователей. На этом этапе выдвигаются гипотезы, которые уже потом, на этапе анализа источников, будут проверены.
Краткий инструктаж, как писать:
https://uxplanet.org/how-to-design-a-dashboard-with-content-design-methodology-9519b50f441e

Котятки🐱 Утро понедельника выдалось у меня суровым и богатым на события.
Одно из них связано с нашими обучалками в BI: готовы 2 новых видео на нашем канале youtube.
Самый вкусный, но длинный видосик, - как построить диаграмму "облако слов" в Power BI. Кроме, собственно, построения облака слов, мы постарались раскрыть лайфхаки, как анализировать и текстовые очищать данные.
https://youtu.be/c_URXsm2Cok

Про демократизацию данных я слышу перманентно в течение последнего года.
Про демократизацию визуализации, если честно, я читаю впервые. В качестве признаков этой демократизации автор приводит:
-появление инструментов, позволяющих пользователю создать интерактивные визуализации "без кода";
-создание ПО для визуализации с открытым исходным кодом;
-удешевление обучения по направлению визуализации данных.
Имеет это место быть или нет -решать вам;)
Линк: https://medium.com/nightingale/democratizing-visualization-by-lowering-the-barrier-of-entry-c46d30a2ab41

В нашей команде случился разлом относительно Демократизации Визуализации: новые термины в BI-сфере плодятся ежедневно и не факт, что они приживутся в сообществе. Демократизацию Визуализации можно расценивать как раз как производную от единой демократизации данных, где способ работы с данными стал более демократически доступным. Хотя, пока топ инструменты только дорожают, этот постулат не выдерживает критики.
В целом, каждый год появляется что-то новое. Я открыла старый прогноз BI-трендов 2014 года и посмотрела, что нам там предрекли.
Сбылось: self-service, использование облачных продуктов, расширение возможностей для связывания источников и исследования данных через BI- продукты.
Сбылось частично: мобильный BI (в 2019 мы все ещё судорожно его настраиваем и тестируем)
Не сбылось: использование BI-инструментов для потоковых данных на производстве, BI как замена MES- системам.
Вспомнить всё:
https://www.dataversity.net/2014-trends-business-intelligence/#

BARC’s BI Trend Monitor опросили практически 2900 человек на тему трендов Business Intelligence 2020.
Что сбудется, а что нет, -увидим уже скоро😉
Линк на статью (на картинке почему-то скрин с 2019 годом) :
https://bi-survey.com/top-business-intelligence-trends

Котятки🐱 Вчера я второй раз в жизни дочитала канал до конца) после того, как я дошла до поста о том, как построить график-улиточку, я уже не могла остановиться) Канал Инжиниринг Данных расскажет вам про организацию и интеграцию данных, и вам станет понятно, откуда в дашборде появляются данные, как работать с большими данными, и особенно много вы узнаете про облачную аналитику и местами про машинное обучение. В общем, если дашборд - это вершина айсберга, то вы сможете узнать, что скрыто под водой.

Автор крут, работает Amazon в Бостоне, где находится Alexa AI, с помощью данных он делает Alexa умнее. Помимо Амазона, автор является автором книг по аналитическим решениям и часто выступают на аналитических конференциях в Северной Америке. А подписчикам он всегда готов дать совет, что-то подсказать и поделиться мудростью или полезными ресурсами. Дима, если ты это читаешь, будь нашим сенсеем! 🤪

Котятки🐱
Сегодня моя пятничка проходит под чашку ароматного чая и статью про историю визуализации данных.
Конец с̶в̶е̶т̶а̶ года все ближе, хочется интересных историй, новогоднего уюта и ёлку, как на мимимишных открытках)
Линк:
https://medium.economist.com/data-visualisation-from-1987-to-today-65d0609c6017