Каждый product owner рано или поздно сталкивается с проблемой приживаемости своего продукта - User Adoption.
Дашборд можно рассматривать как продукт, и значит, к нему применимы все те же подходы к оценке приживаемости, как и к любому другому IT-продукту.
На первых порах можно применять 2 простых практики:
-для оперативных дашбордов использовать объективные количественные метрики посещаемости;
-для аналитических дашбордов собирать обратную связь от пользователей: формальную в виде анкетирования и неформальную в виде отзывов и пожеланий.
Полезный линк

На работе я использую Tableau, а дома под чаёк и хорошую музычку пытаюсь осваивать Tibco Spotfire.
У последнего есть такая фича, как возможность анализа неструктурированных текстов.
В глубине души я все ещё мечтаю, чтобы материалы интервью с пользователями сами собой собирались в структурированные бизнес-требования😜
Линк со сравнением двух BI-систем

Лет 5 назад я серьезно и очень вдумчиво вчитывала теорию ограничений Голдратта.Теория мне казалась интересной, а вот инструментарий - громоздким.
Но как бы мы не уворачивались, хорошие инструменты сами к нам прилипают:)
Сейчас я стабильно применяю в бизнес- анализе граф "дерево текущей реальности".
Линк про то, как его строить

У каждого бизнес-аналитика свои предпочтения по ПО для создания макетов дашбордов.
Мой топчик:
Balsamiq - для предварительных макетов;
Power Point с надстройкой think cell - для финальных макетов;
Omnigraffle - для проектирования визуальной User Story на Mac.
Линк с обзором

Искала сегодня бенчмарк неудачных визуализаций, и нашла замечательную книгу - Storytelling with data.
В книге сделан сильный акцент на трансформацию в визуализации и разбираются типовые ошибки. Про storytelling там тоже есть:)
Линк с конспектом

storytelling-with-data-cole-nussbaumer-knaflic.pdf

Диаграмма рассеяния (scatter plot) очень хорошо подходит для анализа зависимостей между параметрами. Из плюсов: благодаря игре с формой, цветом и размером каждой "точки", мы можем отобразить 3 дополнительных атрибута на одной диаграмме.
Для грамотного отображения нужно помнить "правило большого пальца": помещать самые важные данные на оси X или Y, а менее важные атрибуты отображать в виде цвета, размера и формы.
Мой босс ласково называет этот тип диаграммы "грязь", и дальше макета эти диаграммы обычно у меня не уходят😈
Как строить в Tableau

Вопрос "считывания" диаграмм пользователями, -это, скорее, вопрос клиентоориентированности. Я могу сколько угодно объяснять пользователю достоинства диаграммы scatter plot aka "грязь" или диаграммы tree map, но если ему не нравятся эти диаграммы, - к моему дашборду он больше не вернется.
Ряд моих коллег считает, что нужно "заставлять пользователя" и таким образом взращивать культуру использования данных. Думаю, всё хорошо в меру, и должен быть баланс между клиентоцентричностью и просвещением в сфере визуализации.
26 главных вопросов, на которые нужно ответить прежде, чем сесть за макет дашборда

Много лет назад, когда трава была зеленее, а про BI слышали единицы, мой тогдашний босс узнал слово "дашборд". Он долго показывал мне скомпонованные графички на excel, а я не понимала, как в excel делать динамические обновляемые дашборды.
Сегодня наткнулась на Clear Analytics
Агрегирует данные из разных источников сразу в excel с возможностью строить дашборды на плече Power BI. Из плюсов: пользователь больше не просит выгрузить "табличку в excel", ведь все данные и так в excel. Из минусов: да-да, это все ещё старый добрый excel с расширенными возможностями по объединению источников и построению дашбордов.
Тискаю демку, смотрю видосики

Чтобы начать использовать BI и клепать свои дашборды, нужно купить BI-систему🙈
Гайд по вариантам ценообразования BI-ПО в 2019 году читать тут.

Тема data discrimination как никогда актуальна, дашбордов это тоже касается:) Есть ряд этических аспектов, которые надо продумывать сильно заранее, ещё на этапе макета:
1) Конфиденциальность данных в управленческом процессе.
Если данные в дашборде каскадируются до конкретного сотрудника(в явном или зашифрованные виде), то, в случае неидеальной ролевой модели доступа к дашборду, они могут попасть не в те руки. Риски в этом случае сильно зависят от бизнес-процессов и корпоративной культуры, но они, увы, есть: от попыток управления сотрудником "через голову" (при сквозной аналитике) до вмешательства в управленческие процессы смежных подразделений.
2) Публичность демонстрации дашборда.
Если дашборд планируется выводить в общее пространство (например, на интерактивную доску), необходимо заручиться одобрением рядовых сотрудников. Одно дело, когда дашборд отражает, например, неперсонализированные производственные показатели, и совсем другое - когда выводятся рейтинги сотрудников. Не все готовы к навязанной конкуренции, и не все готовы выносить её в публичную плоскость.
3) Дискриминирующие метрики.
Моя любимая тема:) Любые данные с помощью относительных показателей и определенных разрезов можно вывести так, что объективный лидер сдвинется на последнюю строчку пьедестала. Поэтому в дашборде можно руководствоваться 2 правилами:
- при сравнении приводить показатели в сопоставимом виде по периодам, размерности, гранулярности, и пр., и в крайнем случае приводить метрики в относительный вид с единым знаменателем(на единицу чего-то).
-если метрику нельзя сделать полностью объективной, выводить текстовым пояснением или примечанием на всплывающем окне доп.сведения, которые позволяют правильно интерпретировать значения.
Очень кратенько про этику и ИИ (применимо и к дашбордам): линк

Если описывать то, что делает BI -специалист каждый день, то получится примерно так, как это описал Джонатан Корум на картинке.
Он же дал мне, пожалуйста, главный фреймворк работы с дашбордами: Визуализация ≠ объяснение.
Объяснять и принимать решения должен бизнес, и дашборды ему в помощь:)
Линк на старую, но полезную статью про визуализацию и сторителлинг на основе выступления Джонатана Корума

В то время, как все озабочены культурой принятия решений на основе данных, остро встает вопрос: ставить данные во главу угла (Data-Driven Decision) или воспринимать их только как один из множества элементов разнородных "входов", на который следует обращать внимание при принятии решений (Data-Informed Decision).
Линк на полезную статью-размышление на эту тему, а также про data-культуру

Со временем "продавать" заказчикам идею дашборда становится легче, а аргументов требуется всё меньше; заказчики уже осознают - если вы не используете данные для принятия решений, вы летите вслепую.
По мне, так культура data-driven decision действительно развивается.
10 вещей, которые вы всегда хотели знать о принятии решений на основе данных на примере образовательной отрасли
P. S. Статья старенькая, но в ней интересная позиция: внедрение DDDM не приводит к росту скорости принятия решений, а влияет только на их качество.

Если к диаграммам у пользователя могут быть вопросы (на вкус и цвет товарищей нет), то списки и топчики нравятся всем.
Линк на годный список-обзор инструментов бизнес-аналитики

Позавчера я была в букинистическом магазине Books 1512 в Ереване, и нашла там книгу Маркса Вартофского.
В ней он приводит очень интересную классификацию моделей.
Скорее всего, мои дашборды относятся к типу "Модели как вычислительные устройства или механизмы для вывода"🙈
Статья про типологию моделей по Вартофскому

Когда-то давно меня удивляли общие правила визуализации брендбука; мне казалось, что пользователям будет банально скучно смотреть на такие дашборды.
Затем я познакомилась с типовым когнитивными искажениями, и поняла, что правила сформулированы не просто так, а с учетом психических особенностей и возможностей человека воспринимать информацию, например:
-пользователи положительные настроены к тем элементам, которые уже встречали, поэтому важно сохранять структуру макета в серийных дашбордах;
-в первую очередь пользователи обращают внимание, когда "что-то меняется", поэтому важно выделять аномалии в данных (цветом или линиями-нормами)
Линк с интересной статьей про когнитивные искажения
В общем, да здравствует брендбук😜

Пользователи часто ждут от дашборда "единой версии правды", не до конца осознавая, что качественная правда базируется на качественных исходных данных, которые ответственно заносят хорошо обученные пользователи в полном объеме.
Чего еще ждут пользователи от BI? Линк

В качестве этапа создания дашборда выделяется "Discovery Phase" или нулевая фаза.
Результирующими артефактами этой фазы можно считать:
- пользовательский портрет (описание целевой аудитории, её целей, задач и инсайтов);
-перечень User Cases или просто пользовательских вопросов/проблем, на которые должен отвечать дашборд;
-предварительный макет (для обеспечения понимания со стороны пользователя ограничений BI -системы)
Из необязательных артефактов я еще веду глоссарий, реестр вводной образовательной/исследовательской информации, реестр систем-источников и описание бизнес-процессов (может составляться схематично со слов заказчика).
Все это помогает увидеть роль и место дашборда в бизнес-реальности пользователя, а также понять вид дашборда.
Линк со статьей про discovery phase

Одна из главных причин неудач BI- проектов - страх менеджмента перед той степенью прозрачности данных, которую может обеспечить комплексное внедрение Business Intelligence.
Линк про темную сторону BI и страхи

Сегодня гуглила "дадаизм" и случайно ошиблась буквой... В общем, мы живем эпоху "Датаизма", когда алгоритмы и Big Data являются высшей ценностью.
Линк на статью о датаизме как философском течении.
На тему того, могут ли данные быть силой сами по себе, размышляет в книге "Датаизм" Стив Лор. Он скорее собиратель историй, чем евангелист, но и читать, и слушать его интересно.
Линк на видео