Data visualization in Business Intelligence and ETL process

Prezentacja na temat: "Data visualization in Business Intelligence and ETL process"— Zapis prezentacji:

1 Data visualization in Business Intelligence and ETL process
1/128 Data visualization in Business Intelligence and ETL process Mateusz Cicheński Artur Jaworski Hurtownie danych,

2 Plan prezentacji Zastosowanie hurtowni danych
2/128 Plan prezentacji Zastosowanie hurtowni danych Istotność zagadnienia wizualizacji danych Klasyczne podejścia Temporal data Jak to wszystko ogarnąć? Po ludzku Wizualizacja kostki danych Wspomaganie prezentacji danych

3 Plan prezentacji Zastosowanie hurtowni danych
3/128 Plan prezentacji Zastosowanie hurtowni danych Istotność zagadnienia wizualizacji danych Klasyczne podejścia Temporal data Jak to wszystko ogarnąć? Po ludzku Wizualizacja kostki danych Wspomaganie prezentacji danych („co oferuje Excel”) (Theme River, Lap Chart) (Fisheye, Table Lenses) (Chernoff Faces) (Augmented Reality)

4 Zastosowanie hurtowni danych
4/128 Zastosowanie hurtowni danych Archiwizacja i agregacja danych Przetwarzanie analityczne Wspomaganie decyzji Analiza efektywności Wsparcie dla systemów CRM (Customer Relation Management)

5 Wizualizacja danych Ułatwia analizę danych Uwypukla trendy, zależności
5/128 Wizualizacja danych Ułatwia analizę danych Uwypukla trendy, zależności Wspomaga podejmowanie decyzji Umożliwia zaprezentowanie informacji dla szerszego grona w sposób intuicyjny i łatwy do interpretacji

6 Wizualizacja danych – problemy towarzyszące
6/128 Wizualizacja danych – problemy towarzyszące Odpowiednia forma prezentacji danych Percepcja człowieka Kolor! Przestrzeń i głębia Wielowymiarowość danych Interakcja, nawigacja, zoom „Focus” i kontekst Skalowalność

7 Wizualizacja danych – popularne formy
7/128 Wizualizacja danych – popularne formy Mindmap Informacje Dane Powiązania między informacjami

8 Klasyczne podejścia Diagram słupkowy/kolumnowy
8/128 Klasyczne podejścia Diagram słupkowy/kolumnowy Diagram punktowy/liniowy Diagram kołowy

9 Klasyczne podejścia – OGRANICZENIA
9/128 Klasyczne podejścia – OGRANICZENIA Specjalizacja do konkretnego typu danych Statyczna prezentacja danych Możliwość prezentacji tylko jednej cechy Trudność w przedstawieniu dużej ilości danych na jednym wykresie

10 ZASADY DOBRYCH WYKRESÓW– DIAGRAM KOŁOWY
10/128 ZASADY DOBRYCH WYKRESÓW– DIAGRAM KOŁOWY Unikaj tworzenia diagramów kołowych Używaj diagramów kołowych tylko dla danych, które sumują się do sensownej całości Nigdy nie używaj trójwymiarowych diagramów kołowych – są jeszcze gorsze niż dwuwymiarowe Unikaj porównań pomiędzy więcej niż jednym diagramem kołowym

11 ZASADY DOBRYCH WYKRESÓW– DIAGRAM KOLUMNOWY
11/128 ZASADY DOBRYCH WYKRESÓW– DIAGRAM KOLUMNOWY Minimalizuj „ilość tuszu”– nie używaj efektu 3D Posortuj dane wg najbardziej znaczącej zmiennej Użyj diagramu słupkowego dla więcej niż 8-10 kategorii Umieść legendę wewnątrz lub poniżej obszaru kreślenia Przy więcej niż jednej serii danych uważaj na różnice w skalowaniu

12 ZASADY DOBRYCH WYKRESÓW– DIAGRAM LINIOWY
12/128 ZASADY DOBRYCH WYKRESÓW– DIAGRAM LINIOWY Czas prawie zawsze powinien być przedstawiony na osi OX od lewej do prawej Pokaż jak najwięcej danych używając jak najmniej atramentu Upewnij się, że osoba czytająca wykres może odróżnić linie poszczególnych serii danych Uważaj na efekty skalowania Pokazując dane finansowe lub walutowe, zwykle najlepiej jest wyświetlać dane znormalizowane (względem inflacji lub PKB)

13 Histogram Histogram dla zbioru danych Castro
13/128 Histogram Histogram dla zbioru danych Castro Trudno wyciągać wnioski dotyczące porównań poszczególnych serii danych!

14 Theme river Ten sam histogram w postaci „rzeki”
14/128 Theme river Ten sam histogram w postaci „rzeki” łatwość śledzenia poszczególne trendów zachowane są właściwości histogramu

15 Theme river – w analizie (1)
15/128 Theme river – w analizie (1) Atrybuty zmapowane są jako „prądy” rzeki płynącej w czasie Grubość prądu – siła atrybutu Długość prądu – znaczenie atrybutu Mapowanie wydarzeń, łatwa analiza porównawcza atrybutów

16 Theme river – w analizie (2)
16/128 Theme river – w analizie (2) Możliwość połączenia z histogramem Łatwość porównania dwóch „rzek”

17 Theme river – w analizie (3)
17/128 Theme river – w analizie (3) Zgodność z „teorią Gestalta” (postrzeganie całości, a nie poszczególnych elementów) Nakładające się prądy rzeki umożliwiają porównanie między atrybutami Płynne przejścia między kolejnymi punktami na osi czasu (uwaga: przekłamania wynikające z interpolacji!) Łatwość utworzenia wykresu (jak histogram)

18 Theme river – zastosowanie w hurtowniach danych
18/128 Theme river – zastosowanie w hurtowniach danych Rozkład wydatków w firmie Aktywność poszczególnych placówek firmy (wyrażona jako wypracowany zysk, liczba dokonanych transakcji, wielkość sprzedaży) Popularność sprzedawanych produktów W ogólności: analiza danych zmieniających się w czasie

19 LAP Chart Inspirowany Formułą I
19/128 LAP Chart Inspirowany Formułą I Przedstawianie zależności między sekwencjami w kolejnych chwilach czasowych Zgodny z koncepcją focus – pomija nieistotne dane

20 LAP CHART - przykład KONTROLA JAKOŚCI LOGISTYKA

21 LAP CHART – zastosowanie w hurtowniach danych
21/128 LAP CHART – zastosowanie w hurtowniach danych Porównanie sekwencji produktów na linii produkcyjnej Analiza zmieniających się preferencji klientów W ogólności: analiza danych tworzących sekwencje zmieniające się w czasie

22 Fisheye Obiektywy typu „rybie oko” o dużym kącie widzenia w fotografii
22/128 Fisheye Obiektywy typu „rybie oko” o dużym kącie widzenia w fotografii Zgodność z koncepcją „focus” – ważne dane są powiększone, nieistotne dane są małe Rozwiązanie dla małej przestrzeni prezentacji danych

23 23/128 Fisheye - przykład

24 24/128 Table lenses Prezentowanie tabelarycznych danych numerycznych w dużych ilościach Koncepcja „fisheye” Dane numeryczne prezentowane w formie graficznej Korelacja między atrybutami! 30-100x więcej danych na ekranie!

25 Table lenses - przykład
25/128 Table lenses - przykład

26 FISHEYE&Table lenses – zastosowanie w hurtowniach danych
26/128 FISHEYE&Table lenses – zastosowanie w hurtowniach danych Analiza zależności między popularnością produktu a jego parametrami Zysk na pokojach w hotelu w stosunku do jakości wyposażenia, położenia w obiekcie W ogólności: poszukiwanie relacji pomiędzy wymiarami i faktami

27 CHERnoff faces Zdolność człowieka do rozpoznawania twarzy
27/128 CHERnoff faces Zdolność człowieka do rozpoznawania twarzy „Łatwość” w wychwyceniu drobnych różnic Mapowanie atrybutów do cech opisujących twarz (uwaga: pewne cechy są ważniejsze od innych!) Analiza porównawcza Problem z przygotowaniem danych

28 CHERnoff faces - przykład
28/128 CHERnoff faces - przykład

29 CHERnoff faces – zastosowanie w hurtowniach danych
29/128 CHERnoff faces – zastosowanie w hurtowniach danych Stan życia ludzi w poszczególnych dzielnicach Zadowolenie klientów z obsługi w punktach sprzedaży Jakość leczenia pacjentów W ogólności: dane, które mogą być interpretowane jako emocje wyrażane przez mimikę twarzy (trudne do stwierdzenia!!!)

30 30/128 Kostka danych

31 Kostka danych – POPULACJA STANÓW ZJEDNOCZONYCH
31/128 Kostka danych – POPULACJA STANÓW ZJEDNOCZONYCH

32 Kostka danych – ANALIZA MATRYC DNA
32/128 Kostka danych – ANALIZA MATRYC DNA

33 33/128 Augmented reality Czas na krótki film …

34 34/128 Referencje „Milestones in the history of thematic cartography, statistical graphics, and data visualization” Michael Friendly (2008) „Data Visualization: Modern Approaches” Graphics, August 2nd, 2007 University of British Columbia, Faculty of Computer Science, Information Visualization courses ( Gallery of Data Visualization: The Best and Worst of Statistical Graphics ( „ThemeRiver: Visualizing Thematic Changes in Large Document Collections” Susan Havre, Elizabeth Hetzler, Paul Whitney, Lucy Nowell. IEEE Transactions on Visualization and Computer Graphics, 8(1), pp 9-20, 2002. The Continuous Zoom: A Constrained Fisheye Technique for Viewing and Navigating Large Information Spaces L. Bartram, A. Ho, J. Dill and F. Henigman, UIST '95, pp DateLens: A Fisheye Calendar Interface for PDAs Benjamin B. Bederson, Clamage, A., Czerwinski, M. P., & Robertson, G. G. ACM Transactions on Computer-Human Interaction (TOCHI), March 2004, 11(1), pp „The Use of Faces to Represent Points in K-Dimensional Space Graphically” Herman Chernoff, Journal of the American Statistical Association (American Statistical Association) 68 (342): 361–368 „Constructing Good Charts and Graphs” Gary Klass, Illinois State University, „Multiscale Visualization Using Data Cubes” Chris Stolte, Diane Tang, Pat Hanrahan, Stanford University, 2002.

35 Wizualizacje http://www.informationarchitects.jp/en/ia-trendmap-2007v2
35/128 Wizualizacje

36 …/128 Pytania?

37 128/128 Dziękujemy za uwagę!