Ich hatte schon immer ein Händchen für das Geschichtenerzählen von Daten. Wissen Sie, die Muster zu finden und visuelle Darstellungen zu erstellen, die tatsächlich Sinn machten.

Ich hatte die Prinzipien gelernt und ehrlich gesagt dachte ich, ich hätte alles herausgefunden.

Stellen Sie die richtigen Fragen, bevor Sie Ihr Visualisierungstool überhaupt öffnen, und konzentrieren Sie sich dann darauf, eine klare Geschichte zu erzählen, anstatt eine Sammlung von Metriken.

Bei alledem hatte ich das Gefühl, den Code geknackt zu haben.

Ich wusste nicht, dass das nur der einfache Teil conflict.

Der schwierige Teil bestand darin, andere dazu zu bringen, diese Einfachheit zu akzeptieren.

Was mich überraschte, conflict, wie oft sich die Beteiligten zurückhielten. In dem Sinne, dass sie mehr Kennzahlen, mehr Aufschlüsselungen und im Grunde mehr von allem verlangen werden.

Und plötzlich stecken Sie zwischen den Prinzipien, die Sie gerade gelernt haben, und der Realität der tatsächlichen Auslieferung eines Dashboards fest.

Dies ist der Teil, über den sie Ihnen in den Tutorials nichts erzählen.

In diesem Artikel geht es um diese Lücke.

Ich erläutere Ihnen, was passiert ist, als ich versuchte, ein einfaches Dashboard in einer echten Organisation zu verteidigen, warum Stakeholder immer „alles hinzufügen“ wollen und welche Strategien ich gelernt habe, um mit diesem Spannungsverhältnis umzugehen.

Keine Theorie, sondern tatsächliche Taktiken, die echte Treffen überdauerten.

Wenn Sie schon einmal ein Dashboard vereinfacht haben und dann zusehen mussten, wie es wieder ins Chaos stürzte, glauben Sie mir, das hier ist das Richtige für Sie.

---

Das Stakeholder-Downside

Ich ging zuversichtlich in die Besprechung.

Mein neues Dashboard hatte drei klare Visualisierungen: ein Liniendiagramm, das den Development zeigt, ein Balkendiagramm, das die wichtigsten Treiber aufschlüsselt, und eine KPI-Karte mit der Metrik, die wirklich wichtig ist.

Mein Supervisor hat es auf die große Leinwand gebracht. Zehn Sekunden Scrollen, vielleicht weniger.

„Das ist großartig“, sagte sie.

„Aber können Sie die regionale Aufschlüsselung hinzufügen? Und vielleicht den Buyer Lifetime Worth? Oh, und was ist mit dem Conversion-Trichter nach Produktkategorie?“

Oh.

Mein Magen zog sich zusammen.

Ich verließ dieses Treffen mit sieben neuen Anfragen. Habe sie alle auf einen Zettel geschrieben. Eigentlich habe ich diesen Zettel noch irgendwo.

Mathe ist nicht meine stärkste Fähigkeit, aber selbst ich konnte erkennen, wohin das führen würde. Von drei Charts auf zehn. Das ist ziemlich viel.

Ich machte mich sofort an die Arbeit und reiste irgendwie durch die Zeit zurück zu meinem ersten Versuch.

Es erinnerte mich an eine unangenehme Wahrheit: Die Daten zu kennen ist eine Sache, sie aber intestine zu kommunizieren, ist eine ganz andere Fähigkeit.

Additionally habe ich etwas Riskantes getan. Ich habe zwei Versionen gebaut.

Model A hatte alles, was sie wollte: alle zehn Diagramme, alle Metriken und mehrere Filter.

Model B hingegen blieb einfach (genau wie ich es wollte): drei Visualisierungen, eine Erzählung und eine klare Hierarchie.

Am nächsten Morgen zeigte ich ihr beides.

Model A zuerst. Sie scrollte und runzelte leicht die Stirn. „Das hat alles … aber ich weiß nicht, worauf ich mich konzentrieren soll.“

Dann Model B. Sie beugte sich vor. „Warte. Das sagt mir tatsächlich etwas.“

Sie entschied sich für Model B. Sie bat mich aber, „für alle Fälle“ Model A beizubehalten.

Dieser Second hat mich etwas Entscheidendes gelehrt: Die Verteidigung der Einfachheit bedeutet nicht, stur zu sein. Es geht darum, den Stakeholdern zu zeigen, was sie verlieren, wenn man zu viel hinzufügt.

Das Prinzip des Sign-Rausch-Verhältnisses gilt hier genauso wie beim maschinellen Lernen. Wenn Sie zu viele Funktionen hinzufügen, passt Ihr Modell zu stark und verliert an Vorhersagekraft.

Wenn Sie zu viele Diagramme hinzufügen, passt sich Ihr Dashboard nicht mehr den Anforderungen einzelner Stakeholder an und verliert seinen erzählerischen Fokus.

Gleiches Downside, andere Domäne.

Zumindest denke ich so darüber. Ich könnte über die Analogie nachdenken.

Es geht nicht um die Charts

Es hat länger gedauert, als ich zugeben möchte, bis mir das klar wurde, aber die Stakeholder versuchen nicht, Ihnen das Leben schwer zu machen. Die Wahrheit ist, sie haben einfach Angst.

Sie haben Angst, ohne Antwort in einer Besprechung zu sein, und haben wahrscheinlich Angst, dass die eine Kennzahl, die sie übersprungen haben, genau das ist, wonach jemand fragen wird.

Irgendwann habe ich herausgefunden, dass meine Managerin nicht nach zehn Diagrammen gefragt hat, weil sie dachte, dass es besser aussehen würde. Sie deckte ihre Grundlagen ab und reduzierte Risiken. Weißt du, sie schützt sich vor Unsicherheit und ähnlichen Dingen.

Und damit conflict es noch nicht vorbei.

Es gibt auch dieses Vertrauensproblem, an das ich zunächst nicht gedacht habe.

Hier ist das Ding.

Wenn Sie ein Dashboard vereinfachen, treffen Sie Entscheidungen darüber, was wichtig ist und was nicht.

Macht doch Sinn, oder? Aber hier wird es schwierig.

Wenn Stakeholder Sie noch nicht kennen oder Sie noch nie gute Entscheidungen getroffen haben, werden sie diesen Urteilen nicht vertrauen. Dann heißt es standardmäßig: „Zeig mir alles, damit ich entscheiden kann.“

Es hat eine Weile gedauert, aber als mir klar wurde, dass es bei den Anfragen nach mehr nicht wirklich um Diagramme ging, konnte ich anfangen, mich mit den Dingen zu befassen, worüber sich die Leute eigentlich Sorgen machten.

Die Menschen hatten Angst, ohne Antwort erwischt zu werden. Außerdem vertrauten sie meinem Urteil noch nicht, was truthful conflict.

Es hat viel zu lange gedauert, bis ich das herausgefunden habe. Aber zumindest weiß ich jetzt, womit ich es zu tun habe.

---

Strategien, die funktionierten

Zu verstehen, warum Stakeholder mehr wollen, ist eine Sache. Zu wissen, was man dagegen tun kann, ist etwas völlig anderes.

Es hat eine Weile gedauert, bis ich das herausgefunden habe, aber ich habe ein paar Ansätze gefunden, die tatsächlich helfen. Keiner von ihnen ist perfekt, aber sie funktionieren in den meisten Fällen.

Beginnen Sie das Gespräch, bevor Sie etwas bauen

Das klingt offensichtlich, aber ich habe es immer wieder übersprungen. Ich würde zuerst das Dashboard erstellen und dann versuchen, meine Entscheidungen später zu verteidigen. Rückwärts.

Jetzt beginne ich mit einem 15-minütigen Gespräch. Nun, manchmal könnte es weniger sein, wenn die Leute beschäftigt sind.

Die Zeit muss nicht spezifisch sein, sie reicht aus, um zu fragen: Welche Entscheidung versuchen Sie mit diesen Daten zu treffen? Wer wird sich das sonst noch ansehen? Und was passiert, wenn wir das falsch verstehen?

Diese Fragen helfen in mehrfacher Hinsicht.

Zunächst einmal zeigen sie, dass Sie über ihre Probleme nachdenken und nicht nur über Ihre Designprinzipien. Empathie ist ein Kritische Fähigkeiten in der Datenwissenschaftinsbesondere wenn Sie Menschen brauchen, die das, was Sie bauen, tatsächlich nutzen.

Darüber hinaus geben sie Ihnen etwas, auf das Sie später zurückgreifen können.

Wenn jemand beispielsweise nach einem weiteren Diagramm fragt, können Sie das Gespräch auf das ursprüngliche Ziel zurückführen und ihn an die Entscheidung erinnern, die es unterstützt, an die Zielgruppe, die es anspricht, und an das Risiko, etwas falsch zu machen.

Dieser Wandel ist wichtig.

Eine Menge.

Denn jetzt dreht sich das Gespräch nicht mehr um das, was dürfen hinzugefügt werden, es geht darum, was seinen Platz verdient.

Bauen Sie Vertrauen auf, indem Sie es zeigen, nicht erzählen

Zu Beginn meiner Karriere habe ich versucht, Menschen mit Prinzipien zu überzeugen. Dinge wie „Finest Practices“ zur Lösung von Problemen oder zur Navigation in bestimmten Themen.

Stellt sich heraus? Es interessiert niemanden wirklich. Oder vielleicht kümmert es sie ein wenig, aber nicht genug, um ihre Angst, etwas zu verpassen, zu überwinden.

Additionally hörte ich auf, Menschen mit Worten zu überzeugen, und begann stattdessen, ihnen die Wirkung zu zeigen.

Ich habe angefangen, die umfassende Model beizubehalten, aber die einfache Model zur Standardversion zu machen.

Später würde ich verfolgen, wie die Stakeholder sie tatsächlich genutzt haben. Und in neun von zehn Fällen nutzten sie die einfache Model und rührten nie das Backup an.

Einmal sagte mir eine Vizepräsidentin, sie hätte tatsächlich vergessen, dass die umfassende Model existierte. Da wusste ich, dass wir etwas auf der Spur waren.

Wissen, wann man Kompromisse eingehen sollte (und wann nicht)

Das ist einfacher als es klingt.

Nach so vielen Treffen wie diesem habe ich gelernt, meine Schlachten auszuwählen. Nicht jede Bitte ist es wert, gekämpft zu werden.

Wenn jemand ein weiteres Diagramm hinzufügen möchte und es die Erzählung nicht grundlegend zerstört? Bußgeld. Fügen Sie es hinzu. Bewahren Sie Ihre Glaubwürdigkeit für die größeren Probleme auf.

Aber wenn eine Anfrage Ihr fokussiertes Dashboard in einen Datendump verwandeln würde? Dann drücke ich zurück.

Mein Ansatz besteht jetzt darin, zuzustimmen, das hinzuzufügen, was sie verlangen, aber ich befürchte, dass dies die Hauptfrage verwirren könnte. Fügen Sie alles hinzu, überprüfen Sie es gemeinsam und prüfen Sie, ob es noch funktioniert.

---

Letzte Gedanken

Klare Dashboards zu erstellen ist eine Fähigkeit, aber sie klar zu halten, wenn alle mehr wollen? Das ist nun eine ganz andere Herausforderung.

Früher dachte ich, es ginge um die Charts. Das ist es nicht. Es geht darum, zu verstehen, worüber sich die Menschen tatsächlich Sorgen machen, und diese Bedenken auszuräumen, ohne Ihr Dashboard ins Chaos zu stürzen.

An manchen Tagen verstehe ich es immer noch falsch. Ich gebe zu schnell nach oder kämpfe Schlachten, die keine Rolle spielen. Aber ich lerne immer noch.

Wenn Sie zwischen dem, von dem Sie wissen, dass es funktioniert, und dem, was Ihre Organisation akzeptieren wird, nicht weiterkommen, machen Sie sich keine Sorgen, Sie sind nicht allein. Wir sind alle dabei, das herauszufinden.

Bild vom Herausgeber

# Einführung

Information Storytelling steht an der Schnittstelle von Analytik, Produktdenken und Kommunikation und ist damit ein zentraler Bestandteil der modernen Information-Science-Praxis. Angesichts der Tatsache, dass KI-Instruments dabei helfen können, Prognosen in Sekundenschnelle zu erstellen, ist das kein Unterscheidungsmerkmal mehr Diagramme – es ist Klarheit, Relevanz und Umsetzbarkeit.

Diese Infografik stellt einen zuverlässigen Workflow dar, um Analysen in Entscheidungen umzuwandeln. Im Folgenden besprechen wir jeden Schritt und zeigen, wie Praktiker von „interessanten Zahlen“ zu geschäftlichen Auswirkungen gelangen können.

7 Schritte zur Beherrschung des Information Storytelling für geschäftliche Auswirkungen (Infografik) (zum Vergrößern anklicken)

# Schritt 1: Definieren Sie die Kernfrage

Großartige Geschichten beginnen mit einer scharfen Frage, die mit einer echten Entscheidung verbunden ist: Welche Wahl wird diese Analyse beeinflussen? Gestalten Sie die Frage anhand eines Hebels, den das Unternehmen tatsächlich nutzen kann – Preisgestaltung, Abwanderungsinterventionen, Priorisierung von Funktionen – und geben Sie dann die Zielgruppe, den Zeithorizont und die Einschränkungen an. Eine präzise Problemstellung fungiert wie ein Leuchtturm für alle weiteren Entscheidungen, von der Datenauswahl bis zum endgültigen Name-to-Motion.

# Schritt 2: Kennen Sie Ihr Publikum

Führungskräfte, Produktführer, Vermarkter und Ingenieure schätzen unterschiedliche Signale. Ordnen Sie den Stakeholdern die Ergebnisse zu, für die sie verantwortlich sind, und passen Sie Ihre Darstellung entsprechend an. Verwenden Sie vertrautes Vokabular, antizipieren Sie Einwände und verhindern Sie Folgemaßnahmen – Risiko, Kosten, Implementierungsaufwand usw. Empathie ist nicht nur gutes Geschichtenerzählen – sie reduziert Reibungsverluste, beschleunigt die Akzeptanz und sorgt dafür, dass sich das Gespräch auf Entscheidungen und nicht auf Semantik konzentriert.

# Schritt 3: Wählen Sie die richtige Metrik

Wählen Sie eine Kennzahl, die sich im Gleichschritt mit der Entscheidung bewegt. Bevorzugen Sie Kennzahlen, die sich an Umsatz, Kosten, Risiko oder Kundenwert orientieren, gegenüber Proxy-Vainness-Metriken. Klären Sie Definitionen, Filter und Attributionsregeln, damit Ihre Zahlen stabil und reproduzierbar sind. Entwerfen Sie bei Bedarf einen zusammengesetzten KPI oder eine North-Star-Metrik, aber halten Sie den Kausalzusammenhang sichtbar: Wenn sich diese Kennzahl verbessert, sollte das Geschäftsergebnis folgen.

# Schritt 4: Vereinfachen und kontextualisieren

Die Analyse nimmt schnell an Komplexität zu. Entfernen Sie alles, was der Entscheidung nicht dient, und stellen Sie Kontext bereit, der dies tut: Basislinien, Saisonalität, Vergleichskohorten und Konfidenzintervalle. Übersetzen Sie Modellierungsdetails in ihre Managementbedeutung – Unsicherheit, Kompromisse und Sensibilität. Das Ziel besteht nicht darin, Nuancen zu verbergen; Es geht darum, das Sign mit gerade genug Gerüst in den Vordergrund zu stellen, um eine sichere Entscheidung zu treffen.

# Schritt 5: Wählen Sie das perfekte Bildmaterial aus

Die Type sollte der Funktion folgen. Verwenden Sie Linien für Trajektorien, Balken für diskrete Vergleiche, Streuungen für Beziehungen und kleine Vielfache, um Segmente übersichtlich zu vergleichen. Beschriften Sie direkt, ordnen Sie gezielt und minimieren Sie die kognitive Belastung durch konsistente Skalen und Farbcodierungen. Ein gutes Bild beantwortet die beabsichtigte Frage auf einen Blick und lädt zu den richtigen Folgefragen ein, nicht zu einem Rundgang durch die Legende.

# Schritt 6: Erstellen Sie einen Erzählbogen

Strukturieren Sie Ihre Lieferung wie eine Kurzgeschichte: Kontext → Spannung → Einsicht → Lösung. Beginnen Sie mit dem geschäftlichen Second, zeigen Sie die Konsequenzen von Untätigkeit auf, legen Sie die Beweise offen und treffen Sie dann eine klare Entscheidung. Brückenabschnitte mit Beschilderung („Na und?“, „Verglichen mit was?“, „Um welchen Preis?“) zur Orientierung des Publikums. Erzählung ist keine Theatralik, sondern das Gerüst, das Beweise in Bedeutung verwandelt.

# Schritt 7: Schlagen Sie umsetzbare Empfehlungen vor

Schließen Sie mit einer Entscheidung und einem Weg zur Umsetzung ab. Wandeln Sie Erkenntnisse in spezifische Umzüge mit Eigentümern, Zeitplänen und erwarteten Auswirkungen um. Bieten Sie einen Minimal-Viable-Take a look at, einen Idealzustandsplan und einen Überwachungsplan an, damit die Stakeholder sowohl die Dynamik als auch die Governance erkennen können. Wenn Kompromisse bestehen, präsentieren Sie Optionen und Ihre Empfehlung sowie die Annahmen, die sie ändern würden.

# Zusammenfassung

Information Storytelling ist ein Teamsport: Analysten, Fachexperten und Entscheidungsträger entwerfen jeweils eine Geschichte, die schlüssig, related und praktisch ist. Nutzen Sie diese sieben Schritte als wiederholbare Checkliste, um Analysen in Ergebnisse umzuwandeln, bei vierteljährlichen Überprüfungen, Roadmap-Debatten, KI-Produkteinführungen und darüber hinaus.

Möchten Sie eine praktische Referenz? Laden Sie die Infografik herunter in hoher Auflösung und bewahren Sie es für Ihre nächste Präsentation oder Strategiebesprechung griffbereit auf.

Matthew Mayo (@mattmayo13) hat einen Grasp-Abschluss in Informatik und ein Diplom in Information Mining. Als geschäftsführender Herausgeber von KDnuggets & Statistikund Mitherausgeber bei Beherrschung des maschinellen LernensZiel von Matthew ist es, komplexe datenwissenschaftliche Konzepte zugänglich zu machen. Zu seinen beruflichen Interessen zählen die Verarbeitung natürlicher Sprache, Sprachmodelle, Algorithmen für maschinelles Lernen und die Erforschung neuer KI. Seine Mission ist es, das Wissen in der Datenwissenschaftsgemeinschaft zu demokratisieren. Matthew programmiert seit seinem sechsten Lebensjahr.

Das sah oberflächlich betrachtet großartig aus, struggle es aber nicht wirklich sagen irgendetwas?

Als ich an einem Samstagnachmittag zum ersten Mal versuchte, meinen Datensatz zu verstehen, schien mir die Erstellung eines Dashboards der nächste vernünftige Schritt auf meiner datenwissenschaftlichen Reise zu sein.

Ich habe mir genug YouTube-Tutorials angesehen, um zu glauben, ich wüsste, wie ein „gutes“ Tutorial aussehen sollte, wahrscheinlich etwas mit einem klaren Format und vielleicht ein paar Filtern am Rande.

Bei all dem bin ich direkt reingesprungen.

Ich erstellte eine Struktur, wie ich sie haben wollte, und legte die Komponenten für mein Armaturenbrett an, aber als ich schließlich alles zusammenfügte, fühlte sich etwas nicht richtig an.

Ich trat einen Schritt zurück, um es mir im wahrsten Sinne des Wortes anzusehen. Ich ging durch den Raum und betrachtete ihn aus verschiedenen Blickwinkeln. Das machen wir doch alle, oder?

Nach ein paar langen Blicken konnte ich nicht erklären, welche Geschichte das Dashboard eigentlich erzählte.

Und verstehen Sie mich nicht falsch, für den ersten Versuch struggle es ziemlich anständig. Aber als ich es betrachtete, kam es mir so vor, als würde ich einer Gruppe von Menschen dabei zusehen, wie sie übereinander redeten.

Ich hatte verschiedene Diagrammtypen eingefügt – Balkendiagramme neben Kreisdiagrammen neben Liniendiagrammen –, die alle auf einem Bildschirm um Aufmerksamkeit kämpften. Jedes Diagramm hatte etwas Interessantes zu sagen, aber nicht auf eine Weise, die zu einem klaren Punkt führte.

Später am Abend wurde mir flau im Magen, als ich dasaß und auf meinen Bildschirm starrte, dessen blauer Schein sich in meiner Kaffeetasse spiegelte. Wenn mein eigenes Dashboard keine Verbindung zu mir herstellen könnte, wie könnte ich dann erwarten, dass es sich mit jemand anderem verbindet?

Ich begann zu lesen, warum manche Dashboards keine Verbindung zu Menschen herstellen. Ich bin zufällig auf eins gestoßen Artikel im Harvard Enterprise Evaluate Das erklärt, wie viele Dashboards keine echten Entscheidungen ermöglichen, weil sich die meisten Analysten zu sehr auf das Aussehen und nicht auf die Klarheit konzentrieren.

Es wurde etwas von „Chart-Müll“ erwähnt, lediglich dekorative Elemente, die keine Bedeutung hinzufügen.

Das hat mich getroffen. Autsch.

Schauen Sie, beim Knowledge Storytelling geht es nicht nur darum, Erkenntnisse zu erklären. Vielmehr geht es darum Helfen Sie den Menschen, zu sehen, was Sie gesehen haben in Ihre Analyse einbeziehen und diese auf eine für sie sinnvolle Weise erklären.

In diesem Artikel geht es nicht um die technische Seite der Dashboard-Erstellung; Es gibt bereits unzählige Tutorials, die dir das beibringen können.

Es geht vielmehr um die Teile, die wir oft übersehen: wie Dashboards Bedeutung und Absicht kommunizieren. Ich werde auch die Fehler und Lehren teilen, die die Artwork und Weise verändert haben, wie ich Daten sehe, nachdem ich mein erstes Dashboard erstellt habe.

---

Warum mein Dashboard richtig aussah, sich aber falsch anfühlte

Ich brauchte ein wenig Demut, um zuzugeben, dass das Downside nicht das Design struggle.

Ich struggle es.

Ich habe versucht, eine Geschichte zu erzählen, die ich noch nicht wirklich entdeckt hatte.

Mir wurde langsam klar, dass Daten nicht wirklich die Geschichte selbst sind; Stattdessen ist es so etwas wie die Sprache, die wir verwenden, um es einem zu sagen. Und wie bei jeder Sprache ergibt sich die Bedeutung aus der Artwork und Weise, wie wir sie arrangieren.

Da wurde mir klar, dass ich innehalten musste, bevor ich etwas baute, und mir zunächst ein paar wichtige Fragen stellen musste. Ich nenne sie die drei Ws:

• Warum sind diese Daten wichtig?
• Für wen entwerfe ich?
• Welche Frage versuche ich wirklich zu beantworten?

Diese einfachen Fragen haben alles verändert. Meine Dashboards waren nicht mehr nur visuelle Elemente, sondern fühlten sich eher wie echte Gespräche an.

Es dauerte eine Weile, bis mir klar wurde, dass das Downside nicht am Instrument oder gar am Datensatz lag.

Es struggle die Artwork und Weise, wie ich an die Geschichte herangegangen bin.

Ich hatte so viel Zeit damit verbracht, das Dashboard richtig aussehen zu lassen, dass ich nie nachgefragt habe, was es eigentlich sagt. Es struggle wie dieser Second in „Matrix“, als Neo endlich den Code sieht. Als mir dieser Gedanke in den Sinn kam, wusste ich, dass ich von vorne beginnen musste.

(Wenn Sie tiefer in die Designprinzipien von Dashboards eintauchen möchten, diesen Leitfaden ist solide.)

Wieder bauen, aber anders

Als ich zum Projekt zurückkam, beschloss ich, noch einmal von vorne anzufangen. Aber dieses Mal habe ich es noch nicht eilig, mein Visualisierungstool zu öffnen. Was sich ehrlich gesagt seltsam anfühlte. Es juckte mich in den Fingern, etwas anzuklicken.

Ich saß eine Weile mit den Daten da und versuchte zu verstehen, was sie wirklich aussagten und wie ich diese Geschichte in interaktive visuelle Darstellungen umwandeln könnte.

Etwas an der Entschleunigung fühlte sich richtig an. Mir fielen Dinge auf, die ich vorher nicht gesehen hatte, vor allem kleine Particulars, die scheinbar keine Rolle spielten, es aber tatsächlich waren.

Anstatt zu versuchen, alles zu zeigen, habe ich beschlossen, mich auf eine Idee zu konzentrieren und darauf aufzubauen. Ich hatte zum Beispiel all diese Verkaufskennzahlen vor mir, aber eine Frage fiel mir besonders auf:

Warum gingen die monatlichen Verkäufe zurück, obwohl die Kundenanmeldungen zunahmen?

Das hat alles verändert. Plötzlich kämpften meine Bilder nicht mehr um Aufmerksamkeit. Stattdessen arbeiteten sie zusammen, um dieselbe Geschichte zu erzählen.

Je weniger ich hinzufügte, desto klarer wurde alles. Ich habe ein paar unnötige Diagramme entfernt und kurze Notizen hinzugefügt, um zu erklären, was bestimmte Zahlen bedeuten.

Ich habe eine einfache Anmerkung mit der Aufschrift „Abgabepunkt“ und einem Pfeil hinzugefügt, der auf die Stelle zeigt, an der die Dinge zu sinken begannen. Kein ausgefallenes Design, nur Klarheit. Es struggle nicht perfekt, aber es fühlte sich viel absichtlicher an.

Ich habe drei Tage damit verbracht, die erste Model zu erstellen. Der Zweite? Sechs Stunden.

Sechs.

Nicht weil ich mich beeilte, sondern weil ich endlich wusste, worauf es ankam.

Als ich es teilte, nickten die Leute nicht nur höflich. Sie beugten sich näher, stellten nachdenkliche Fragen und versuchten auch zu erraten, was die Tendencies antreiben könnte. Eine Particular person zückte sogar ihr Useful, um ein Foto davon zu machen.

Es fühlte sich anders an, auf eine gute Artwork und Weise. Ich werde nicht lügen, ich struggle ziemlich stolz.

Rückblickend hat dieser Second die Artwork und Weise verändert, wie ich später an Projekte herangegangen bin. Ich fing an, Dashboards weniger als etwas zu sehen, das man anzeigen konnte, sondern mehr als eine Möglichkeit, das, was ich sah, zu übersetzen und anderen zu helfen, es zu verstehen.

Manchmal ertappe ich mich immer noch dabei, dass ich mich frage, ob ich es richtig mache, aber vielleicht ist das der Punkt. Vielleicht geht es beim Geschichtenerzählen mit Daten nicht darum, alles perfekt zu machen.

Vielleicht geht es darum, lange genug innezuhalten und zu fragen: Welche Geschichte versuche ich hier wirklich zu erzählen?

Was ich meinem früheren Ich erzählen würde

Wenn ich zu diesem ersten Versuch zurückkehren könnte, würde ich mir Folgendes sagen:

Beginnen Sie mit Stift und Papier, bevor Sie das Werkzeug öffnen. Skizzieren Sie zunächst die Geschichte. Was ist der Anfang, die Mitte und das Ende? Dafür benötigen Sie keine Software program.

Löschen Sie ein Diagramm für jeweils zwei hinzugefügte Diagramme. Wenn es Ihren Hauptpunkt nicht direkt unterstützt, ist es nur eine Ablenkung. Seien Sie rücksichtslos mit dem, was Sie investieren.

Lesen Sie Ihr Dashboard laut vor. Wenn Sie es nicht in einem Atemzug erklären können, vereinfachen Sie es. Ihr Publikum wird nicht mehr Geduld haben als Sie.

Diese einfachen Regeln haben mir unzählige Stunden erspart und mich davon abgehalten, noch überladenere Dashboards zu erstellen, die überfüllt aussehen, aber nichts sagen.

Ich glaube, dass jeder Datensatz eine Stimme hat, aber es erfordert Geduld, genau genug hinzuhören, um zu verstehen, was er wirklich sagt. Und glauben Sie mir, sobald Sie dies tun, stimmt alles, von der visuellen Darstellung bis hin zu den Erkenntnissen, mit dem Zweck überein.

---

Fazit und Erkenntnisse

Als ich anfing, wollte ich beweisen, dass ich etwas Großartiges bauen kann. Aber am Ende? Es stellt sich heraus, dass die besten Dashboards nicht die auffälligsten sind. Sie sind es, die die Leute dazu bringen, innezuhalten und zu sagen: „Oh, jetzt verstehe ich es.“

Dieses Projekt hat mir etwas beigebracht, was ich nicht erwartet hatte: Beim Knowledge Storytelling geht es weniger um die Daten als vielmehr um Empathie.

Es gab dieses befriedigende Klicken, als endlich alles einen Sinn ergab – nicht nur für mich, sondern für alle, die es betrachteten. Dieses Gefühl der Verbundenheit und des Verständnisses hat den ganzen Umbau gelohnt.

Wenn ich jetzt einen neuen Datensatz öffne, erinnere ich mich an diese Lektion: Fangen Sie langsam an, hören Sie genau zu und bauen Sie mit Absicht auf. Manchmal vermassele ich es immer noch. Aber zumindest weiß ich jetzt, was ich anstrebe.

Das Ziel besteht nicht darin, zu beeindrucken, sondern darin, Kontakte zu knüpfen.

Bild vom Autor | Midjourney & Freepik

Wenn man Daten für informative visuelle Darstellungen nutzen kann, warum sollte man sie dann nicht auch nutzen, um eine Geschichte zu erzählen und zu vermitteln? Dieses Tutorial unterstreicht die Bedeutung des Knowledge Storytelling und erklärt in sieben Schritten, wie man ein geschickter Knowledge Storyteller wird.

Daten-Storytelling ist die Kunst und der Prozess, Daten effektiv zu nutzen, um eine Geschichte zu erzählen, die Informationen und Erkenntnisse an ein Zielpublikum vermittelt. Es ist ein wertvolles Werkzeug, um Datenanalyseergebnisse zu kommunizieren, datengesteuerte Erkenntnisse einem breiteren Publikum zugänglich zu machen oder Daten ansprechender zu verbreiten.

Es gibt keine eindeutige Methode zum Knowledge Storytelling. Die folgenden Schritte stellen jedoch ein Rezept dar, das, wenn es konsequent befolgt wird, die Chancen maximiert, erfolgreich eine aufschlussreiche, spannende und überzeugende Geschichte rund um Ihre Daten zu erzählen.

Bild vom Autor

Schritt 1: Definieren Sie die Geschichte, die Sie erzählen möchten

Dieser Schritt legt den Grundstein für eine überzeugende Datengeschichte. Beginnen Sie damit, die Kernbotschaft zu bestimmen, die Sie mit Ihren Daten vermitteln möchten. Identifizieren Sie die wichtigsten Erkenntnisse, die Ihr Publikum gewinnen soll, und geben Sie eine klare Richtung vor, die dorthin führt.

Angenommen, Sie analysieren Verkaufsdaten für ein Modeeinzelhandelsunternehmen. Die Absicht Ihrer Geschichte könnte darin bestehen, saisonale Developments aufzuzeigen und Spitzenzeiten hervorzuheben. Diese klare Definition hilft Ihnen dabei, Erkenntnisse darüber zu gewinnen, wie sich unterschiedliche Saisons auf den Umsatz auswirken, und entsprechende Marketingstrategien zu entwickeln.

Schritt 2: Kennen Sie Ihr Publikum

Um eine überzeugende, auf die Zielgruppe zugeschnittene Datenstory zu verfassen, ist es wichtig zu verstehen, wer ihre Zielgruppe ist und welchen Hintergrund, welche Interessen und Motivationen sie hat, Ihnen zuzuhören.

Bei der Geschichte über den Einzelhandelsabsatz im Modebereich könnte Ihr Publikum beispielsweise die Geschäftsführung und die Marketingabteilung des Unternehmens sein, die Einblicke in den Umsatz benötigen, um Werbekampagnen und Lagerbestände zu optimieren. Diese Profilierungsübung hilft Ihnen dabei, die richtigen umsetzbaren Erkenntnisse zu ermitteln und die Sprache rund um die Daten so anzupassen, dass sie für Entscheidungsträger related und zugänglich sind.

Schritt 3: Sammeln Sie die entsprechenden Daten

Stellen Sie sicher, dass Sie die für Ihre Geschichte erforderlichen Daten genau und umfassend erfassen und alle erforderlichen Particulars erfassen, um sie an den Zielen auszurichten und Ihre Erzählung zu unterstützen. Die gesammelten Daten sollten related, zuverlässig und ausreichend sein, um Ihre Kernbotschaft zu untermauern.

Durch das Sammeln von Verkaufsdaten der letzten vier Jahre, kategorisiert nach Saison, Produktkategorie und Standort, können Sie aufschlussreiche Verkaufsmuster erkennen und so Ihre beabsichtigte Darstellung unterstützen.

Schritt 4: Die Daten verstehen

Analysieren Sie die gesammelten Daten, um Developments zu erkennen, wie etwa Umsatzspitzen während der Ferien oder Spitzen bei Bademode zu Beginn des Sommers. Identifizieren Sie Anomalien wie unerwartete Umsatzrückgänge und vergleichen Sie die monatlichen Umsätze über die Jahre hinweg. Dieser Analyseprozess ist wichtig, um wichtige Erkenntnisse zu gewinnen, beispielsweise um herauszufinden, wann der beste Zeitpunkt für den Begin bestimmter Werbekampagnen ist.

Schritt 5: Bauen Sie Ihre Erzählung auf

Hat Ihre Analyse interessante Fakten über saisonale Verkaufstrends zutage gefördert? Dann ist es an der Zeit, eine solide Erzählung dazu zu entwickeln. Dies ist ein entscheidender Schritt, bei dem Sie unbedingt einige Kästchen ankreuzen sollten, um eine ansprechende und informative Geschichte zu strukturieren:

1. Stellen Sie den Kontext vor und heben Sie wichtige Fakten hervor, die den Daten zugrunde liegen. Beschreiben Sie beispielsweise, wie wichtig es ist, Schwankungen bei den Verkäufen zu verstehen.
2. Markieren Sie Schlüsselelemente oder Akteure, die an den beschriebenen Phänomenen beteiligt sind, wie etwa meistverkaufte Produkte und Geschäfte
3. Beschreiben Sie die festgestellte Herausforderung – beispielsweise inkonsistente monatliche Verkäufe oder unerwartete Rückgänge – und schlagen Sie Lösungen vor, wie gezielte Kampagnen in kritischen Zeiträumen.

Schritt 6: Visualisieren Sie Ihre Daten

Ohne visuelle Unterstützung durch Datenvisualisierungen kann keine richtige Datenstory vermittelt werden. Identifizieren Sie die richtigen Diagrammtypen, um Fakten oder Eigenschaften rund um Ihre Daten zu visualisieren: Liniendiagramme zur Anzeige von Verkaufstrends im Zeitverlauf, Balkendiagramme zum Vergleichen von Verkäufen über Produktkategorien hinweg oder Heatmaps zum Aufzeigen der Standorte mit den höchsten Verkäufen.

Visuelle Darstellungen sind die Seele einer Datengeschichte: Sie machen komplexe Daten leicht verständlich und hinterlassen bei Ihrem Publikum einen positiven Eindruck, indem sie ihm helfen, die wichtigsten Erkenntnisse zu erfassen, die Sie vermitteln möchten.

Schritt 7: Kommunizieren Sie die Geschichte Ihrem Publikum

Schließlich ist es an der Zeit, Ihrem Publikum Ihre Datenstory anhand eines umfassenden Berichts und eines interaktiven Dashboards mit den in Schritt 6 erstellten Visualisierungen zu präsentieren.

Denken Sie daran, hier Schritt 2 (kennen Sie Ihr Publikum) noch einmal durchzugehen und eine klare, prägnante Sprache zu verwenden, Ihre Präsentationen an die Bedürfnisse des Publikums anzupassen und umsetzbare Erkenntnisse hervorzuheben.

Im Modeeinzelhandel möchten Sie zum Abschluss vielleicht Strategien skizzieren, um Spitzenverkaufszeiten zu nutzen und unerwartete Umsatzrückgänge zu bewältigen. Auf diese Weise verlässt Ihr Publikum den Raum mit dem Gefühl, seine Advertising and marketing- und Verkaufsstrategien auf der Grundlage der Erkenntnisse, die Sie ihm gerade vermittelt haben, verbessern zu können!

Einpacken

Durch die Umsetzung dieser sieben Schritte zum Erstellen einer überzeugenden Datenstory können Sie Rohdaten in aufschlussreiche Storys verwandeln, die das Engagement fördern, Ihr Publikum in die Lage versetzen, fundierte Entscheidungen zu treffen und letztendlich zu erfolgreichen Ergebnissen führen.

Iván Palomares Carrascosa ist ein führender Experte, Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere bei der Nutzung von KI in der realen Welt an.

Ich wollte schon immer lernen, wie man einen Zauberwürfel löst. Ich hatte eines, als ich etwa 10 bis 12 Jahre alt warfare. Mir ist es nie gelungen. Und wenn, dann nur, indem ich die Aufkleber zwischen den Blöcken „angepasst“ habe. Es zählte additionally nicht wirklich.

Was warfare das Downside? Ich dachte, das Lösen des Zauberwürfels sei eine intellektuelle, logische Übung. Da lag ich falsch. Dank einiger YouTube-Tutorials habe ich 30 Jahre später endlich gelernt, wie man ihn löst. Es stellte sich heraus, dass man es schaffen kann, indem man einer Reihe von Algorithmen folgt. Es ist keine Zauberei – man muss sich nur ein paar Regeln und Schritte merken (und zum Glück immer noch etwas geistige Anstrengung, zumindest bei mir).

Ich hatte früher ein ähnliches Downside mit datengesteuertem Storytelling. Lassen Sie uns das in Relation setzen, so als wäre ich 10 Jahre alt und würde versuchen, den Würfel zu lösen. Man könnte meinen, dass datengesteuertes Storytelling dazu dient, dem Publikum eine objektive Geschichte über Daten und Analysen zu erzählen – Schlussfolgerungen, Annahmen, Positives und Negatives. Das Publikum sollte alle Fakten kennen, um fundierte Entscheidungen treffen zu können. Dazu kann auch das Teilen von Analyseszenarien gehören, die sich als falsch erwiesen haben. Letztendlich soll das Publikum …

In letzter Zeit habe ich mich auf Knowledge Storytelling und seine Bedeutung für die effektive Kommunikation der Ergebnisse der Datenanalyse zur Wertschöpfung konzentriert. Mein technischer Hintergrund, der der Welt des Datenmanagements und seinen Problemen sehr nahe kommt, brachte mich jedoch dazu, darüber nachzudenken, was Datenmanagement braucht, um sicherzustellen, dass Sie schnell datengesteuerte Geschichten erstellen können. Ich kam zu einer Schlussfolgerung, die oft als selbstverständlich angesehen wird, die man aber immer im Hinterkopf behalten sollte. Sie können sich nicht nur auf Daten verlassen, um datengesteuerte Geschichten zu erstellen. Ein Datenmanagementsystem muss auch mindestens zwei Aspekte berücksichtigen. Möchten Sie wissen, welche? Versuchen wir, es in diesem Artikel herauszufinden.

Was wir in diesem Artikel behandeln werden:

• Einführung in Daten
• Datenmanagementsysteme
• Daten-Storytelling
• Datenmanagement und Knowledge Storytelling

1. Daten einführen

Wir sprechen ständig über Daten, verwenden und generieren sie. Aber haben Sie sich schon einmal gefragt, was Daten sind und welche Arten von Daten es gibt? Versuchen wir, sie zu definieren.

Daten sind Rohdaten, Zahlen oder Symbole, die verarbeitet werden können, um aussagekräftige Informationen zu generieren. Es gibt verschiedene Arten von Daten:

• Strukturierte Daten sind Daten, die in einem festen Schema wie SQL oder CSV organisiert sind. Die Hauptvorteile dieser Artwork von Daten sind, dass sich daraus leicht Erkenntnisse ableiten lassen. Der Hauptnachteil besteht darin, dass die Schemaabhängigkeit die Skalierbarkeit einschränkt. Eine Datenbank ist ein Beispiel für diese Artwork von Daten.
• Halbstrukturierte Daten ist teilweise ohne festes Schema organisiert, wie etwa JSON XML. Der Vorteil liegt darin, dass sie flexibler sind als strukturierte Daten. Der Hauptnachteil besteht darin, dass die Metaebenenstruktur unstrukturierte Daten enthalten kann. Beispiele sind kommentierter Textual content, wie etwa Tweets mit Hashtags.
• Unstrukturierte Datenwie Audio, Video und Textual content, sind nicht kommentiert. Die Hauptvorteile sind, dass sie unstrukturiert sind und sich daher leicht speichern lassen. Außerdem sind sie sehr skalierbar. Allerdings sind sie schwierig zu verwalten. So ist es beispielsweise schwierig, Bedeutungen zu extrahieren. Reiner Textual content und digitale Fotos sind Beispiele für unstrukturierte Daten.

Um Daten zu organisieren, deren Volumen mit der Zeit zunimmt, ist eine ordnungsgemäße Verwaltung unerlässlich.

2. Datenmanagement

Unter Datenmanagement versteht man die Erfassung, Verarbeitung, Sicherung und Speicherung von Unternehmensdaten, die dann für strategische Entscheidungen zur Verbesserung der Geschäftsergebnisse genutzt werden (1). Es gibt drei zentrale Datenmanagementsysteme:

• Knowledge Warehouse
• Datensee
• Daten Lakehouse

2.1 Knowledge Warehouse

Ein Knowledge Warehouse kann nur strukturierte Daten nach Extraktions-, Transformations- und Ladeprozessen (ETL) verarbeiten. Nach der Aufbereitung können die Daten für Berichte, Dashboards oder Mining verwendet werden. Die folgende Abbildung fasst die Struktur eines Knowledge Warehouse zusammen.

Abb. 1: Die Architektur eines Knowledge Warehouse

Die Hauptprobleme mit Knowledge Warehouses sind:

• Skalierbarkeit – sie sind nicht skalierbar
• Unstrukturierte Daten – Sie verwalten keine unstrukturierten Daten
• Echtzeitdaten – sie verwalten keine Echtzeitdaten.

2.2 Datensee

Ein Knowledge Lake kann Rohdaten so aufnehmen, wie sie sind. Im Gegensatz zu einem Knowledge Warehouse verwaltet und bietet ein Knowledge Lake Möglichkeiten zum Konsumieren oder Verarbeiten strukturierter, halbstrukturierter und unstrukturierter Daten. Durch die Aufnahme von Rohdaten kann ein Knowledge Lake historische und Echtzeitdaten in einem Rohdatenspeichersystem aufnehmen.

Der Knowledge Lake fügt eine Metadaten- und Governance-Ebene hinzu, wie in der folgenden Abbildung dargestellt, um die Daten für die oberen Ebenen (Berichte, Dashboards und Knowledge Mining) nutzbar zu machen. Die folgende Abbildung zeigt die Architektur eines Knowledge Lake.

Abb. 2: Die Architektur eines Knowledge Lake

Der Hauptvorteil eines Knowledge Lake besteht darin, dass er jede Artwork von Daten schnell aufnehmen kann, da er keine Vorverarbeitung erfordert. Der Hauptnachteil eines Knowledge Lake besteht darin, dass er, da er Rohdaten aufnimmt, das Semantik- und Transaktionssystem des Knowledge Warehouse nicht unterstützt.

2.3 Daten-Lakehouse

Im Laufe der Zeit hat sich das Konzept eines Knowledge Lakes zum Knowledge Lakehouse entwickelt, einem erweiterten Knowledge Lake, der an seiner Spitze Unterstützung für Transaktionen bietet. In der Praxis ändert ein Knowledge Lakehouse die vorhandenen Daten im Knowledge Lake und befolgt dabei die Knowledge Warehouse-Semantik, wie in der folgenden Abbildung dargestellt.

Abb. 3: Die Architektur eines Knowledge Lakehouse

Das Knowledge Lakehouse nimmt die aus operativen Quellen extrahierten Daten auf, z. B. strukturierte, halbstrukturierte und unstrukturierte Daten. Es stellt sie Analyseanwendungen wie Berichterstellung, Dashboarding, Arbeitsbereichen und Anwendungen zur Verfügung. Ein Knowledge Lakehouse besteht aus den folgenden Hauptkomponenten:

• Knowledge Lake, der Tabellenformat, Dateiformat und Dateispeicher umfasst
• Knowledge Science- und Machine-Studying-Ebene
• Abfrage-Engine
• Metadatenverwaltungsebene
• Datenverwaltungsebene.

2.4 Verallgemeinerung der Datenmanagementsystemarchitektur

Die folgende Abbildung verallgemeinert die Architektur des Datenverwaltungssystems.

Abb. 4. Die allgemeine Architektur eines Datenmanagementsystems

Ein Datenmanagementsystem (Knowledge Warehouse, Knowledge Lake, Knowledge Lakehouse oder was auch immer) erhält Daten als Eingabe und generiert eine Ausgabe (Berichte, Dashboards, Arbeitsbereiche, Anwendungen usw.). Die Eingabe wird von Menschen generiert und die Ausgabe wird wiederum von Menschen genutzt. Wir können additionally sagen, dass wir Menschen in der Eingabe und Menschen in der Ausgabe haben. Ein Datenverwaltungssystem geht von Mensch zu Mensch.

Zu den Personen in der Eingabe zählen Personen, die die Daten generieren, z. B. Personen, die Sensoren tragen, Personen, die an Umfragen teilnehmen, Personen, die eine Rezension über etwas schreiben, Statistiken über Personen usw. Personen in der Ausgabe können zu einer der folgenden drei Kategorien gehören:

• Allgemeine Öffentlichkeitderen Ziel es ist, etwas zu lernen oder unterhalten zu werden
• Berufserfahrenedie technisch versiert sind und Daten verstehen wollen
• Führungskräfte die Entscheidungen treffen.

In diesem Artikel konzentrieren wir uns auf Führungskräfte, da sie Werte schaffen.

Aber was ist Wert? Der Cambridge Dictionary gibt verschiedene Definitionen von Wert (2).

1. Der Geldbetrag das kann man für etwas bekommen
2. Der Bedeutung oder Wert von etwas für jemanden
3. Werte: Die Überzeugungen der Menschen, insbesondere darüber, was richtig und falsch ist und was im Leben am wichtigsten ist, bestimmen ihr Verhalten.

Wenn wir die Definition von Wert als Geldbetrag akzeptieren, könnte ein Entscheidungsträger Wert für das Unternehmen generieren, für das er arbeitet, und indirekt für die Menschen im Unternehmen und die Menschen, die die vom Unternehmen angebotenen Dienste oder Produkte nutzen. Wenn wir die Definition von Wert als die Wichtigkeit von etwas akzeptieren, ist der Wert für die Menschen, die Daten generieren, und andere externe Menschen von wesentlicher Bedeutung, wie in der folgenden Abbildung dargestellt.

Abb. 5: Der Prozess der Wertschöpfung

In diesem Szenario ist die ordnungsgemäße und effektive Übermittlung von Daten an Entscheidungsträger entscheidend für die Wertschöpfung. Aus diesem Grund sollte die gesamte Datenpipeline so konzipiert sein, dass Daten an das Endpublikum (Entscheidungsträger) übermittelt werden, um Wert zu generieren.

3. Daten-Storytelling

Es gibt drei Möglichkeiten, Daten zu kommunizieren:

• Datenberichterstattung enthält eine Datenbeschreibung mit allen Particulars der Datenerkundungs- und -analysephasen.
• Datenpräsentation wählt nur relevante Daten aus und präsentiert sie dem Endpublikum auf organisierte und strukturierte Weise.
• Daten-Storytelling baut eine Geschichte auf Daten auf.

Konzentrieren wir uns auf Knowledge Storytelling. Knowledge Storytelling ist die Vermittlung der Ergebnisse eines Datenanalyseprozesses an ein Publikum durch eine Geschichte. Basierend auf Ihrem Publikum wählen Sie eine geeignete

• Sprache und Ton: Die Wortgruppe (Sprache) und der durch sie vermittelte emotionale Ausdruck (Ton)
• Kontext: Der Detailgrad, den Sie Ihrer Geschichte hinzufügen möchten, basierend auf der kulturellen Sensibilität des Publikums

Beim Knowledge Storytelling müssen die Daten und alle relevanten Informationen, die mit den Daten verbunden sind (Kontext), berücksichtigt werden. Der Datenkontext bezieht sich auf die Hintergrundinformationen und relevanten Particulars, die einen Datensatz umgeben und beschreiben. In Datenpipelines wird dieser Datenkontext als Metadaten gespeichert (3). Metadaten sollte Antworten auf folgende Fragen geben:

• Wer hat die Daten erhoben?
• Worum es in den Daten geht
• Wann die Daten erhoben wurden
• Wo die Daten erhoben wurden
• Warum die Daten erhoben wurden
• Wie die Daten erhoben wurden

3.1 Die Bedeutung von Metadaten

Lassen Sie uns die Datenmanagement-Pipeline aus der Perspektive des Daten-Storytellings betrachten, die Daten und Metadaten (Kontext) umfasst.

Abb. 6: Die Datenmanagement-Pipeline aus der Perspektive des Knowledge Storytelling

Das Datenmanagementsystem besteht aus zwei Elementen: Datenmanagement, bei dem der Dateningenieur der Hauptakteur ist, und Datenanalyse, bei der der Datenwissenschaftler der Hauptakteur ist.
Der Dateningenieur sollte sich nicht nur auf die Daten, sondern auch auf die Metadaten konzentrieren, die dem Datenwissenschaftler dabei helfen, den Kontext um die Daten herum aufzubauen. Es gibt zwei Arten von Metadatenverwaltungssystemen:

• Passives Metadatenmanagement, das Metadaten in einem statischen Datenkatalog aggregiert und speichert (z. B. Apache Hive)
• Aktives Metadatenmanagement, das dynamische und Echtzeit-Metadaten bereitstellt (z. B. Apache Atlas)

Der Datenwissenschaftler sollte die datengesteuerte Story erstellen.

4. Datenmanagement und Knowledge Storytelling

Die Kombination von Datenmanagement und Knowledge Storytelling bedeutet:

• Bedenken Sie, wer letztlich von den Daten profitiert. Ein Datenmanagementsystem wird von Mensch zu Mensch weitergegeben.
• Berücksichtigen Sie Metadaten, die beim Verfassen aussagekräftiger Geschichten hilfreich sind.

Wenn wir die gesamte Datenpipeline aus der Perspektive des gewünschten Ergebnisses betrachten, erkennen wir, wie wichtig die Menschen hinter jedem Schritt sind. Wir können nur dann einen Mehrwert aus Daten generieren, wenn wir die Menschen hinter den Daten betrachten.

Zusammenfassung

Herzlichen Glückwunsch! Sie haben gerade gelernt, wie Sie Datenmanagement aus der Perspektive des Knowledge Storytelling betrachten. Neben den Daten sollten Sie zwei Aspekte berücksichtigen:

• Die Menschen hinter den Daten
• Metadaten, die Ihren Daten einen Kontext verleihen.

Und vergessen Sie vor allem nie die Menschen! Knowledge Storytelling hilft Ihnen, die Geschichten hinter den Daten zu sehen!

Verweise

(1) IBM. Was ist Datenmanagement?
(2) Das Cambridge Wörterbuch. Wert.
(3) Peter Crocker. Leitfaden zur Verbesserung des Datenkontexts: Wer, was, wann, wo, warum und wie

Externe Ressourcen

Mithilfe von Knowledge Storytelling Daten in Werte umwandeln (Vortrag)

Angelica Lo Duca (Mittel) (@alod83) ist Forscherin am Institut für Informatik und Telematik des Nationalen Forschungsrats (IIT-CNR) in Pisa, Italien. Sie ist Professorin für „Datenjournalismus“ im Masterstudiengang Digital Humanities an der Universität Pisa. Ihre Forschungsinteressen umfassen Datenwissenschaft, Datenanalyse, Textanalyse, offene Daten, Webanwendungen, Datentechnik und Datenjournalismus, angewandt auf Gesellschaft, Tourismus und kulturelles Erbe. Sie ist Autorin des Buches Comet for Knowledge Science, herausgegeben von Packt Ltd., des kommenden Buches Knowledge Storytelling in Python Altair and Generative AI, herausgegeben von Manning, und Co-Autorin des kommenden Buches Studying and Working Presto, herausgegeben von O’Reilly Media. Angelica ist außerdem eine begeisterte Technikautorin.