Дата-истории, инструменты для работы с данными без программирования и полезные образовательные курсы - все это вы можете найти в телеграмм-канале дата-журналиста Андрея Дорожного «Дата публикации».

Велкам: https://news.1rj.ru/str/data_publication

Существует масса приёмов и лайфхаков, как помочь пользователям эффективно считывать любые диаграммы и графики. Но все эти приемы бесполезны, когда ваш дашборд открывается 2 минуты, а использование простого фильтра заставляет его подвисать на бесконечно неопределенное время.
Линк с интересным кейсом по оптимизации производительности дашборда в Tableau
Warning! Лонгрид🙈

Есть ли жизнь после выкатки дашборда на PROD?
Раньше я искренне думала, что особо нет, и кроме техподдержки и работы с лицензиями меня в жизни после prod ничего не ждёт.
А потом коллеги рассказали мне про Customer Journey Map как средство диагностики и улучшения пользовательского опыта, и я поняла, что нет предела совершенству. В частности, именно этот инструмент помог мне понять, что следует увеличить глубину каскадирования одной из метрик...и в итоге мы с командой сделали практически новый дашборд😈
Что это за артефакт и как его строить без громоздких консалтинговых исследований, читать тут

Мы с командой делали много воркшопов по Tableau в рамках обучения пользователей self-service, и поняли одну простую вещь: ни нам, ни обучающимся не хочется тратить драгоценное время обучения на "азы". Тому, кто учит, объяснять азы просто не интересно, а пользователи, в свою очередь, чувствуют себя неловко, как будто мы им пересказываем алфавит:) Выход один: давать вводный материал заранее.
Раньше мы просто рассылали пользователям мануал за неделю до обучения.
Теперь мы идем дальше и записываем полезные видео!
Линк на видео " Как собирать модель данных":
https://youtu.be/PVBwSEXPGLo

Как только я глубже погрузилась в бизнес-анализ, у меня возник интерес к этике сбора, обработки, применения и интерпретации данных.
Ура! Теперь это один из новых трендов BI- сообщества. Я рада, что у меня есть единомышленники, которых заботят те же аспекты BI.
Линк на статью 4 important business intelligence considerations for the rest of 2019

Облака и AI наступают, а рынок BI стабилен и, похоже, исчерпал тенденцию к росту.
Значит ли это, что мы сворачиваем с пути экстенсивного развития и начинаем эпоху интенсивного развития?
Что думаете?
https://m.habr.com/ru/amp/post/475470/

Котики, подъехала наша новая рубрика "Аналитика пятничного вечера"🐱
Кто и что предпочитает?
https://youtu.be/P0NJhaeneTQ

Когда я только училась строить дашборды, мне требовалось 2 вещи: хороший датасет и каталог визуализации.
Поиски датасета привели меня на Townfolio, -big data из множества источников в разрезе городов, где я нашла:
-наглядные плюсы и минусы отображения сравнения на разных типах диаграмм/ разных датасетах;
-бенчмарк того, как можно задавать вопросы к одним и тем же данным;
-идеи, как монетизировать big data сборки из открытых источников.
И, что самое главное, понимание, что не всегда для обучения нужны длинные лонгриды. Бенчмарки тоже учат.

Котятки, завтра уже понедельник!😖
А пока можно расслабиться и посмотреть видео "Как собрать дашборд за 15 минут")
Мы с командой пытались в нем решить 2 проблемы: разобрать весьма конкретный кейс и показать всем, что построение дашбордов на Tableau может быть быстрым.
Комменты по видео и предложения кидайте в наш бот @Dashboardets_qbot
https://youtu.be/S-hb-RIQNFg

Вопрос гибкого отчёта(в народе - "сводные таблички") в BI-системе или системе визуализации возникает достаточно часто. И если некоторые системы (OBIEE, SAP, MS SSAS) делают это очень хорошо, в топовых BI- инструментах визуализации иногда таких фич, увы, нет. По умолчанию без доп. затрат на Tableau Server сделать такую визуализацию не получится, приходится искать обходные пути, но...при наличии золотых ручек и светлой головы всё поправимо:)
Смотрите видео, как это сделать в Tableau👇:
https://m.youtube.com/watch?v=0O9_X54l4ic&t=14s

Лучшая мера честности диаграммы - это количество времени, которое требуется для ее "прочтения":)
Ловушки интерпретации, в которые мы легко попадаемся:
1. Трехмерные диаграммы.
-угол отображения 3d объекта может исказить наше восприятие размера и объема, что искажает значимость объекта/сектора объекта;
-утяжеление и ввод не существенных параметров в виде объема отвлекают пользователя от основных параметров.
2. Игры с категоризацией:
-если надо что-то скрыть, просто добавь воды или смежные категории:) Например, чтобы скрыть рост затрат на диаграмме по какой-то категории, можно отобразить на ней затраты на другие категории, и метрика "затеряется";
-укрупнение категории/введение "надкатегории" может скрыть аномальное поведение метрики (пример из жизни: затраты на командировки резко выросли, но, если показать вместо отдельно взятой категории все затраты на персонал, рост уже не кажется большим).
3. Выстраивание несуществующих связей:
человеческий мозг так устроен, что, если отобразить две не связанные друг с другом метрики на одной диаграмме в одних осях, мы интуитивно их свяжем между собой.
4. Изменяющиеся масштабы и "разрывы" осей на диаграмме:
-мы устроены так, что нам трудно одновременно исследовать и масштаб, и данные;
-использование разрывов осей может добавить диаграмме эстетики, но исказить сравнение данных, преувеличивая или преуменьшая проблему.
Подробности с примерами почитать тут👇:
http://m.nautil.us/issue/19/illusions/five-ways-to-lie-with-charts

Котятки🐱
Сегодня пятничка, а значит снова подъехала рубрика "Аналитика пятничного вечера";)
В этот раз мы взяли датасет HI-tech новостей и разложили его в диаграмму "Облако слов". В лидерах цитирования в соцсетях оказались обзоры смартфонов😊
А какие технологии сегодня предпочитаете вы?
Линк на видео👇:
https://youtu.be/W9TZ6NpGyE0

По данным Ассоциации цифровой аналитики, 44 % аналитических команд, которые занимаются внедрением BI и непосредственно анализом, тратят более половины своего времени на доступ и подготовку данных, а не на фактический анализ. Список подводных камней можно дополнять и дополнять, но я выделю 3, на мой взгляд, ключевых:
1. Человек, который выбрал ваш BI для внедрения, -вероятно, из IT, а выгоду должен получать от инструмента-бизнес. Происходит рассинхронизация целей и средств.
2. Даже наличие устойчивой практики контроля качества данных, - не панацея от проблем с исходными данными. Нужно быть готовым проводить глубокий бизнес-анализ сбора и преобразования данных и, при необходимости, менять процессы вместе с бизнес-заказчиком.
3. Аналитическая команда начинает сосредотачиваться на оптимизации своих внутренних процессов вместо того, чтобы думать о помощи бизнесу.
Линк на статью с развернутый анализом причин, по которым ваш Data- проект может "не взлететь":
https://dataconomy.com/2019/07/why-analytics-platforms-are-failing-your-data-scientists/

Хороший аналитический дашборд, как фитнес-трекер компании с возможностью "докопаться до истины":
-содержит метрики, позволяющие идентифицировать проблему (триггеры);
-предусматривает все возможные разрезы метрик, которые могут быть полезны для ответа на вопрос "почему возникла проблема".
Идеальный аналитический дашборд, на мой взгляд, кроме перечисленного выше:
-предоставляет пользователю определенную степень свободы (например, возможность вывести графики по всем атрибутам, связанным с метрикой-триггером), а значит, имеет в основе продуманную логическую модель данных;
-имеет продуманный медиадизайн, где форматы представления данных помогают последовательно проверить гипотезы пользователя без дополнительной когнитивной нагрузки.
Пример удачного лонгрид-анализа с использованием диаграмм и графиков:
https://www.bloomberg.com/graphics/2015-whats-warming-the-world/

Что такое медиадизайн читать тут.

Для того, чтобы что-то понять, необходимо прежде всего увидеть, в каких моментах явления отличаются друг от друга:)
Сравнение как сопоставление различных свойств для поиска и идентификации отклонений и проблем может использоваться в дашбордах на разных уровнях с использованием разных подходов:
-сравнение поведения одной метрики в динамике;
-сравнение разных сущностей по одной и той же метрике;
-логическое сопоставление связанных процессов по независимым метрикам(в основном, с помощью зеркального отображения элементов макета).
Статья про визуальные элементы, помогающие пользователю сравнивать и сопоставлять:
https://www.klipfolio.com/blog/dashboard-design-comparison-values?amp

Котятки🐱, про что хотите почитать завтра?

Начнем с определений😉
Gartner определяет Self-service BI (далее SSBI) как ситуацию, когда конечные пользователи разрабатывают, проектируют и внедряют свои собственные отчеты (дашборды) в рамках утвержденной и поддерживаемой архитектуры и набора инструментов.
Технопедия (https://www.techopedia.com/) считает, что SSBI - это подход к бизнес-аналитике, который позволяет менее технически подкованным конечным пользователям самостоятельно выполнять анализ данных, а не полагаться на опытные и опытные профессиональные команды.
Евангелисты из TBWI определяют SSBI как предоставление пользователям, не имеющим технических навыков, прямого доступа к данным для самостоятельного обнаружения, анализа, визуализации и проверки гипотез.
Сами компании-создатели инструментов (например, Tableau) дают более общее определение, считая, что SSBI - это предоставление бизнес-пользователям возможности самостоятельно анализировать и представлять данные.
И это далеко не все🙈
Подходы к определению разные; в зависимости от источника, в описании термина SSBI затрагиваются или игнорируются:
-инструменты BI;
-источники данных;
-технические скиллы пользователей;
-задачи пользователей SSBI;
-архитектура;
-устойчивость/регулярность отчетности, которую делают пользователи;
-аналитическая культура.
Для себя мы выделили следующую трактовку:
Self-service BI - самостоятельный анализ данных с использованием BI- инструмента(ПО), когда подготовка и очистка данных, разработка аналитических отчетов, панелей выполняются сотрудниками бизнес-подразделений Компании, без привлечения (или с минимальным привлечением) сотрудников ИТ-подразделения.
Линк на руководство "Введение. Self-Service BI" от Power BI:
http://powerbirussia.ru/2019/02/03/self-service-bi/

Определившись, что Self-service BI - это процесс самостоятельного анализа данных пользователями, переходим к ролевой модели процесса.
Выделяются следующие роли:
-пользователи (сторона-выгодополучатель/ бизнес-пользователи);
-группа предоставления сервиса(обобщенно назовем их IT);
-прочие заинтересованные роли.
К числу прочих относим те подразделения, которые влияют на реализацию процесса путём принятия решений или выделения ресурсов, но не принимают участия в его операционной части (например, финансовая служба). "Прочие заинтересованные" могут одновременно быть выгодополучателями, а могут и не быть😉
Как понять, кто потенциально является целевой аудиторией SSBI? Для этого классифицируем пользователей по следующим критериям:
-кастомизация текущей отчетности (пользуются стандартными формами/настраивают себе шаблоны по параметрам);
-знание системы-источника, включая проблематику качества данных;
-"глубина" запроса на данные(только агрегаты/расширенная аналитика);
-владение sql;
-степень готовности осваивать новые инструменты.
Самый простой способ понять, кто есть кто - запустить короткое анкетирование. В итоге группа для каждого конкретного пользователя может поменяться, но границы групп останутся те же, плюс-минус.
Нельзя ожидать, что все, кого мы определили как свою ЦА, сразу сядут в процесс SSBI. Чтобы понять, как будут прирастать пользователи, можно использовать классическую модель Роджерса, но, говорят, она теряет актуальность. Кто знает🤷‍♀
Линк:
https://www.socium-a.ru/lifehack/article/tipologiya-lyudey-po-kriteriyu-gotovnosti-k-prinya-15957

С чего начать утро? 🌄🙋

Книга этого утра -"Big book of dashboards".
Кратко о ней:
-минимум классической теории;
-отраслевые бизнес-сценарии;
-множество примеров дашбордов.
Отлично подойдет тем, кто любит что-то постигать в стиле "подсмотрел у профи".