Fallbeispiele für Explain Data – Ihr Analytics-Exoskelett

Hat Ihnen auch schon einmal ein Datenausreißer einen gehörigen Schrecken eingejagt? Stellen wir uns folgende Situation vor: Sie arbeiten mit Ihren Kollegen sehr erfolgreich im Datenbereich zusammen. Doch dann entdecken Sie einen Wert, der völlig von der Norm abweicht, und das aktuelle Dashboard hält nicht genug Kontext bereit. Diese Entdeckung versetzt Sie natürlich nicht gerade in Hochstimmung, denn womöglich müssen Sie nun die Mittagspause ausfallen lassen und Überstunden einlegen, um manuell alle zu diesem Ausreißer gehörenden Daten zu untersuchen. Vielleicht müssen Sie anhand der vorliegenden Daten auch eine Entscheidung treffen, können aber nicht erst auf eine tiefergehende Analyse warten – ein Schreckensszenario, oder?

Glücklicherweise bin ich in Tableau kürzlich auf eine neue Funktion gestoßen, die mir – dem Analysten – eine Art Superkraft verleiht. Der Name dieser Funktion ist Explain Data, und irgendwie fühle ich mich dabei an ein Exoskelett erinnert. Explain Data erweitert die Fähigkeiten des Anwenders, indem es im Handumdrehen Erklärungen liefert und so Licht ins Dunkel bringt – was den Analysevorgang deutlich beschleunigt.

In den letzten Monaten habe ich mit der Betaversion von Tableau 2019.3 einschließlich Explain Data herumexperimentiert. Dabei stellte ich fest, dass Explain Data bei komplexen Aufgaben sehr nützlich ist: Ich kann Datenquellen mitsamt allen Dimensionen befragen und dann aufgrund meiner Sachkenntnis schnell entscheiden, ob und wie ich handeln muss. Soweit die Theorie – für den Anwender werden neue Funktionen aber erst nachvollziehbar, wenn er sie in Aktion erlebt hat. Daher möchte ich Ihnen einige Fallbeispiele präsentieren, mit denen ich als BI-Berater zu tun hatte.

In den USA herrscht seit Jahrzehnten viel Verwirrung über den (Zu-)Stand von Kunstlehrplänen an öffentlichen Schulen bis zum Abschluss der Sekundarstufe. Deshalb gibt es das Arts Education Data Project, in dessen Rahmen Daten aus verstreuten Quellen gesammelt und zusammengeführt werden, damit Schulen und politische Entscheidungsträger auf dieser Datengrundlage Vergleiche anstellen und bestehende Lehrpläne optimieren können. Dazu ist es allerdings erforderlich, Veränderungen in den Längsschnittdaten im Detail nachvollziehen können. Wenn beispielsweise in einem bestimmten Kunstkurs die Teilnehmerzahl steigt, könnten sich folgende Fragen stellen: Welche Faktoren haben zu diesem Anstieg beigetragen? Sollten diese Faktoren weiter gefördert werden? Was können wir daraus lernen? Wenn zur Beantwortung dieser Fragen nur begrenzte Ressourcen zur Verfügung stehen, ist es wichtig, alle Längsschnittdaten und dazugehörigen Dimensionen schnell und effizient verständlich zu machen, damit die wichtigsten Faktoren entschlüsselt werden können. Und genau hier kommt Explain Data ins Spiel.

Das folgende Dashboard veranschaulicht Längsschnittdaten für den US-Bundesstaat Kalifornien. Unten im Dashboard sehen wir, dass die Teilnehmerzahl in „Other Arts Course“ (Sonstige Kunstkurse) steigt. Warum dies passiert, ist indes unklar.

Daher wenden wir auf die neueste Markierung in diesem Blatt Explain Data an. Wir sehen nun die einzelne Kurse, die in diese Kategorie fallen, und deren Teilnahmetrends.

In diesem Fall liefert uns die von Explain Data generierte Visualisierung zwar noch keine abschließende Erklärung, aber das Praktische an dieser Funktion ist, dass sie direkt in Tableau integriert ist. So können wir im Nu eine neue Visualisierung erstellen, die sich dann in einem eigenen Blatt genauer untersuchen lässt. Als Nächstes wenden wir eine Sortierung an, und schon sehen wir, welcher Kurs den größten Beitrag zum Anstieg der Teilnehmerzahlen leistet: „Intermediate Graphic Design“ (Mittelstufe Grafikdesign).

Früher dachte man, dass die Anwendungsmöglichkeiten für Analytics im Bereich der natürlichen Sprache auf Callcenter und oberflächliche Kennzahlen wie die Zahl und Dauer von Anrufen begrenzt seien. Inzwischen ist es dank moderner Transkriptionstechnologien und Lösungen mit offener Architektur möglich, die wahre Stimme des Kunden zu verstehen und in andere Unternehmensdaten zu integrieren. Diese Funktion wird von Tableaus Technologiepartner VoiceBase bereitgestellt. Bei der Verarbeitung einer Audioaufnahme aus dem Servicecenter wird ein erweitertes Transkript erstellt, das über das gesprochene Wort hinaus zusätzliche Daten enthält, etwa eine Kategorisierung des Gesprächsthemas und eine Einordnung der Stimmungslage der Gesprächsteilnehmer. War der Kunde verärgert, als er anrief? Und endete das Gespräch in versöhnlichem Ton? Darüber und noch vieles mehr gibt das Transkript Aufschluss. Dies eröffnet dem Unternehmen verschiedene potenzielle Anwendungsmöglichkeiten. Es gibt also spannende, innovative Methoden, Daten zu erheben – doch diese zusätzlichen und ganz neuartigen Daten müssen natürlich erst einmal sichtbar und verständlich gemacht werden.

Das unten stehende Dashboard zeigt, warum sich Anrufer an ein Servicecenter gewendet haben. Die so gesammelten Informationen geben reale Kundenaussagen wieder und lassen sich für verschiedene Zwecke nutzen. Beispielsweise können die Callcenter-Mitarbeiter so nachvollziehen, wie der Kundenservice mithilfe proaktiverer Lösungen besser gestaltet werden könnte, um nur ein einfaches Beispiel zu nennen. Als Datenquelle für die folgenden Visualisierungen diente übrigens „Thrive Air“, eine Tableaus Superstore nachempfundene, fiktive Fluggesellschaft.

Wenn wir nun die Daten genauer unter die Lupe nehmen, fällt uns auf, dass Gepäckverlust offenbar besonders große Unzufriedenheit hervorruft. Warum sorgt gerade dieses Thema für derart schlechte Laune sowohl bei Anrufern als auch bei Callcenter-Mitarbeitern?

Wenden wir Explain Data auf die Markierung dieses Ausreißers an, werden in der Datenquelle alle sonstigen Daten, die damit in Zusammenhang stehen, abgefragt – einschließlich Dimensionen, die wir hier nicht im Dashboard sehen. Die Quintessenz des Ganzen: Für einen unserer Callcenter-Manager, Tom Taylor, ergibt sich hier eine Chance, seine Mitarbeiter besser im Umgang mit Fällen von Gepäckverlust zu schulen.

Wie Sie gesehen haben, trägt Explain Data dazu bei, den Analytics-Prozess zu vereinfachen und zu beschleunigen.

Explain Data hat das Potenzial, Workflows auf ähnliche Weise zu revolutionieren wie einst Tableau Desktop. Tableau Desktop ermöglichte den direkten Zugriff auf Daten und deren eigenständige Untersuchung, ohne dass die Anwender erst auf einen fertigen Bericht aus der zuständigen Abteilung warten mussten. Für Tableau Desktop sind keine Programmierkenntnisse erforderlich. In Zukunft wird Explain Data weitere Benutzergruppen in die Lage versetzen, ihre Daten zu untersuchen, denn mit dieser Funktion lassen sich Fragen nach dem „Warum“ einfach per Mausklick beantworten.

Wenn Sie mehr erfahren möchten, probieren Sie die interaktive Demo aus und melden Sie sich für das On-Demand-Webinar zu Explain Data an. Explain Data ist in Tableau Desktop 2019.3 ohne Aufpreis enthalten.