Bild vom Autor
# Einführung
Warum interpretieren Menschen Ihre Daten falsch? Weil sie Datenanalphabeten sind. Das ist deine Antwort. Erledigt. Das Ende des Artikels. Wir können nach Hause gehen.
Bildquelle: Tenor
Ja, es ist wahr; Die Datenkompetenz ist in vielen Organisationen immer noch auf einem niedrigen Niveau, selbst in solchen, die „datengesteuert“ sind. Unsere Aufgabe besteht jedoch nicht darin, nach Hause zu gehen, sondern zu bleiben und zu versuchen, dies durch die Artwork und Weise, wie wir unsere Daten präsentieren, zu ändern. Wir können nur unsere eigenen Fähigkeiten zum Erzählen von Datengeschichten verbessern.
Wenn Sie verfeinern möchten, wie Sie Daten erzählerisch, mit Struktur, Anekdoten und visueller Anziehungskraft verpacken, schauen Sie sich diesen Leitfaden an Aufbau eines beeindruckenden Analystenportfolios. Es bietet praktische Tipps zum Erstellen von Datengeschichten, die bei Ihrem Publikum tatsächlich Anklang finden.
Wenn wir das alles wissen, können wir sicherstellen, dass unsere Daten so verstanden werden, wie wir es beabsichtigt haben, was in Wahrheit das Einzige ist, was in unserem Job zählt.
# Grund Nr. 1: Sie gehen davon aus, dass die Logik immer gewinnt
Das ist nicht der Fall. Menschen interpretieren Daten emotional, durch persönliche Erzählungen und haben eine selektive Aufmerksamkeit. Die Zahlen sprechen nicht für sich. Sie müssen sie ohne Unklarheiten und Interpretationsspielraum zum Sprechen bringen.
Beispiel: Ihr Diagramm zeigt, dass die Umsätze gesunken sind, aber der Vertriebsleiter weist dies zurück. Warum? Sie haben das Gefühl, dass das Vertriebsteam härter gearbeitet hat als je zuvor. Dies ist ein klassisches Beispiel für kognitive Dissonanz.
Beheben Sie das Downside: Bevor Sie das Diagramm zeigen, zeigen Sie Folgendes: „Trotz erhöhter Verkaufsaktivität gingen die Verkäufe in diesem Quartal um 14 % zurück. Dies ist wahrscheinlich auf die geringere Kundennachfrage zurückzuführen.“ Es liefert den Kontext und nennt explizit den möglichen Grund für den Umsatzrückgang. Das Vertriebsteam fühlt sich nicht angegriffen, sodass es die nüchterne Tatsache der sinkenden Umsätze akzeptieren kann.
# Grund Nr. 2: Sie verlassen sich auf das falsche Diagramm
Ein auffälliges Diagramm könnte Aufmerksamkeit erregen, aber stellt es die Daten wirklich klar und eindeutig dar? Visuelle Darstellung ist genau das: visuell. Winkel, Längen und Flächen sind wichtig. Wenn sie verzerrt sind, wird die Interpretation verzerrt sein.
Beispiel: Ein 3D-Kreisdiagramm lässt eine Budgetkategorie größer erscheinen, als sie ist, wodurch sich die wahrgenommene Priorität der Finanzierung ändert. In diesem Beispiel scheint der Umsatzanteil aus Perspektive der größte zu sein, obwohl er genau die gleiche Größe wie der HR-Anteil hat.
Beheben Sie das Downside: Bleiben Sie bei der Verwendung von Diagrammtypen, die leicht zu interpretieren sind, z. B. Balken-, Linien-, 2D-Kreisdiagramme oder Streudiagramme.
Im folgenden 2D-Kreisdiagramm ist die Größe der Budgetzuweisung viel einfacher zu interpretieren.
Verwenden Sie ausgefallene Plots nur, wenn Sie einen guten Grund dafür haben.
# Grund Nr. 3: Korrelationskausalität
Sie verstehen, dass Korrelation nicht dasselbe ist wie Kausalität. Natürlich tun Sie das; Sie analysieren Daten. Das Gleiche gilt oft nicht für Ihr Publikum, da es sich oft nicht so intestine mit Mathematik und Statistik auskennt. Ich weiß, ich weiß, Sie denken, dass der Unterschied zwischen Korrelation und Kausalität allgemein bekannt ist. Glauben Sie mir, das ist nicht der Fall: Zwei Kennzahlen gehen Hand in Hand und die meisten Leute gehen davon aus, dass das eine das andere verursacht.
Beispiel: Ein Anstieg der Social-Media-Erwähnungen der Marke (40 %) geht mit einem Umsatzanstieg (19 %) in derselben Woche einher. Das Marketingteam verdoppelt die Werbeausgaben. Der Anstieg wurde jedoch durch die unbezahlte Bewertung eines beliebten Influencers verursacht; Mehrausgaben hatten damit nichts zu tun.
Beheben Sie das Downside: Kennzeichnen Sie Beziehungen deutlich mit „korreliert“, „kausal“ oder „kein nachgewiesener Zusammenhang“.
Nutzen Sie Experimente oder zusätzliche Daten, wenn Sie einen Kausalzusammenhang nachweisen möchten.
# Grund Nr. 4: Sie präsentieren alles auf einmal
Menschen, die mit Daten arbeiten, neigen dazu, zu glauben, je mehr Daten sie in ein Dashboard oder einen Bericht stopfen, desto glaubwürdiger und professioneller sei es. Das ist es nicht. Das menschliche Gehirn verfügt nicht über eine unbegrenzte Kapazität, Informationen aufzunehmen. Wenn Sie das Dashboard mit Informationen überladen, werden die Leute es überfliegen, wichtige Daten übersehen und den Kontext falsch verstehen.
Beispiel: Sie könnten sechs KPIs gleichzeitig auf einer Folie anzeigen, z. B. Kundenwachstum, Abwanderung, Akquisekosten, Web Promoter Rating (NPS), Umsatz professional Benutzer und Marktanteil.
Der CEO konzentrierte sich auf einen kleinen Rückgang des NPS, der das Assembly zum Scheitern brachte, während er einen Rückgang der Premium-Kundenbindung um 13 % völlig übersah, ein viel größeres Downside.
Repair It: Seien Sie ein Folien-Nazi: „Eine Folie, ein Diagramm, eine zentrale Erkenntnis.“ Für das frühere Beispiel könnte die Schlussfolgerung lauten: „Die Premium-Kundenbindung ist in diesem Quartal um 13 % zurückgegangen, hauptsächlich aufgrund von Serviceausfällen.“ Dadurch bleibt die Diskussion auf das wichtigste Thema konzentriert.
# Grund Nr. 5: Sie sind auf Präzision fixiert
Sie glauben, dass es glaubwürdiger ist, detaillierte Aufschlüsselungen und Rohzahlen mit sechs Dezimalstellen anzuzeigen, als die Zahlen zu runden. Im Grunde denken Sie, dass mehr Nachkommastellen zeigen, wie komplex die Rechnung dahinter ist. Herzlichen Glückwunsch zu dieser Komplexität. Ihr Publikum orientiert sich jedoch an runden Zahlen, Traits und Vergleichen. Die sechste Dezimalstelle der Genauigkeit? Verwirrend. Ablenkend.
Beispiel: In Ihrem Bericht heißt es: „Die Fehlerrate ist von 3,267481 % auf 3,841029 % gestiegen.“ WTF!? Die Menschen werden sich verirren und die Tatsache übersehen, dass die Veränderung bedeutsam ist.
Beheben Sie das Downside: Runden Sie die Zahlen ab und rahmen Sie sie ein. In Ihrem Bericht könnte es beispielsweise heißen: „Die Fehlerrate ist von 3,3 % auf 3,8 % gestiegen – ein Anstieg um 15 %.“ Saubere und leicht verständliche Änderung.
# Grund Nr. 6: Sie verwenden eine vage Terminologie
Wenn die von Ihnen verwendete Terminologie vage ist oder die Metriknamen, Definitionen und Bezeichnungen nicht klar sind, lassen Sie die Tür für mehrere Interpretationen offen. Auch der Falsche darunter.
Beispiel: Auf Ihrer Folie wird „Retentionsrate“ angezeigt.
Die Zurückhaltung von wem oder was? Die eine Hälfte des Groups wird denken, dass es an der Kundenbindung liegt, die andere Hälfte an die Umsatzbindung.
Beheben Sie das Downside: Sagen Sie „Kundenbindung“ statt nur „Kundenbindung“. Seien Sie präzise. Verwenden Sie außerdem, wann immer möglich, prägnante und präzise Definitionen der von Ihnen verwendeten Metriken, wie zum Beispiel: „Kundenbindung = % der in diesem Monat aktiven Kunden, die auch im letzten Monat aktiv waren.“
Sie vermeiden Verwirrung und helfen auch denen, die zwar wissen, von welchen Kennzahlen Sie sprechen, sich aber nicht ganz sicher sind, was sie bedeuten oder wie sie berechnet werden.
# Grund Nr. 7: Sie verwenden die falsche Kontextebene
Bei der Darstellung von Daten kann es leicht passieren, dass der Kontext übersehen wird und die Daten zu stark vergrößert oder verkleinert dargestellt werden. Dies kann die Wahrnehmung verzerren; Unbedeutende Änderungen können bedeutsam erscheinen und umgekehrt.
Beispiel: Sie zeigen in einem monatlichen Planungsmeeting einen 10-Jahres-Umsatztrend. Nun ja, großes Lob für die Darstellung des Gesamtbildes, aber es verbirgt ein kleineres, viel wichtigeres Bild: Im letzten Quartal gab es einen Rückgang um 17 %.
Repair It: Vergrößern Sie den relevanten Zeitraum, z. B. die letzten 6 oder 12 Monate. Dann können Sie sagen: „Hier ist der Umsatz der letzten 12 Monate. Beachten Sie den Rückgang im vierten Quartal.“
# Grund Nr. 8: Sie konzentrieren sich zu sehr auf die Durchschnittswerte
Ja, die Durchschnittswerte sind großartig. Manchmal. Sie zeigen jedoch keine Verteilung an. Sie verbergen die Excessive und damit die Geschichte dahinter.
Beispiel: In Ihrem Bericht heißt es, dass der durchschnittliche Kunde 80 $ professional Monat ausgibt. Coole Geschichte, Bruder. In Wirklichkeit gaben die meisten Ihrer Kunden 30 bis 40 US-Greenback aus, was bedeutet, dass nur wenige ausgabefreudige Kunden den Durchschnitt in die Höhe treiben. Oh ja, diese Kampagne, die das Advertising and marketing auf der Grundlage Ihres Berichts erstellt hat und die auf 80-Greenback-Kunden abzielt. Tut mir leid, das wird nicht funktionieren.
Behebung: Zeigen Sie die Verteilung immer mithilfe von Histogrammen, Boxplots oder Perzentilaufschlüsselungen an. Verwenden Sie den Medianwert anstelle des Mittelwerts, z. B. „Die durchschnittlichen Ausgaben betragen 38 $, wobei 10 % der Kunden mehr als 190 $ ausgeben.“ Mit diesen Informationen kann die Marketingstrategie deutlich verbessert werden.
# Grund Nr. 9: Sie machen die visuelle Darstellung zu kompliziert
Zu viele Farben, zu viele Formen, zu viele Beschriftungen und Legendenkategorien können Ihr Diagramm in ein unlösbares Rätsel verwandeln. Die Bilder sollten optisch ansprechend und informativ sein; Die Steadiness zwischen beidem zu finden, ist quick ein Kunstwerk.
Beispiel: Ihr Liniendiagramm verfolgt 13 Produkte (das sind 13 Linien!) über 12 Monate. Jedes Diagramm hat seine eigene Farbe. Im dritten Monat kann niemand mehr einem einzigen Pattern folgen. Darüber hinaus haben Sie Datenbeschriftungen hinzugefügt, um das Diagramm leichter lesbar zu machen. Nun, Sie haben versagt! Die Datenetiketten ähnelten allmählich Jamie und Cersei Lannister – sie sind beunruhigend intim.
Beheben Sie das Downside: Vereinfachen Sie die Diagramme. Zeigen Sie die ersten drei oder fünf Kategorien an und gruppieren Sie den Relaxation als „Sonstige“. Geben Sie nur wichtige Informationen an; Nicht alle Daten, die Sie haben, verdienen es, visualisiert zu werden. Lassen Sie etwas für später übrig, wenn die Benutzer einen Drilldown durchführen möchten.
# Grund Nr. 10: Sie sagen nicht, was Sie tun sollen
Die Daten sind nicht das Ziel an sich. Es sollte zu etwas führen, und dieses Etwas ist eine Aktion. Sie sollten immer Empfehlungen für die nächsten Schritte auf Foundation Ihrer Daten geben.
Beispiel: Sie zeigen, dass die Abwanderung um 14 % gestiegen ist, und beenden die Präsentation dort. Okay, alle sind sich einig, dass der Anstieg der Abwanderung ein Downside darstellt, aber was sollte man dagegen tun?
Repair It: Sie sollten jede wichtige Erkenntnis mit einer umsetzbaren Empfehlung verknüpfen. Sagen Sie zum Beispiel: „Die Abwanderungsrate ist in diesem Quartal um 14 % gestiegen, vor allem bei Premium-Kunden. Empfehlen Sie die Einführung eines Kundenbindungsangebots für diese Gruppe innerhalb des nächsten Monats.“ Damit haben Sie das ultimative Ziel des Knowledge Storytelling erreicht – Geschäftsentscheidungen auf der Grundlage von Daten zu treffen.
# Abschluss
Als jemand, der Daten präsentiert, muss man manchmal ein Amateurpsychologe sein. Sie sollten über die Personen nachdenken, denen Sie Ihre Präsentation präsentieren: ihren Hintergrund, ihre Vorurteile, ihre Emotionen und wie sie Informationen verarbeiten.
Die zehn Punkte, über die ich gesprochen habe, zeigen Ihnen, wie das geht. Versuchen Sie, diese bei der nächsten Präsentation Ihrer Ergebnisse umzusetzen. Sie werden sehen, wie die Möglichkeit von Fehlinterpretationen abnimmt und Ihre Arbeit viel einfacher wird.
Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Traits auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Knowledge-Science-Projekte vor und behandelt alles rund um SQL.