La domanda fondamentale a cui tutti gli scienziati, dagli studenti di scienze agli ingegneri della NASA e ai dottorandi, mirano a rispondere si è evoluta poco da quando i primi filosofi hanno iniziato a mettere in discussione il mondo che li circonda. Evidente nel continuo balbettio dei bambini che esplorano il loro ambiente con occhi nuovi, è nella natura umana voler sapere “perché“.

Questa curiosità non ci abbandona man mano che cresciamo; piuttosto si trasforma e si evolve quando cambia la portata dei nostri problemi. Negli affari, non chiediamo ai nostri team perché il cielo è blu, ma chiediamo perché una certa combinazione di strategie sia l’approccio migliore per raggiungere gli obiettivi desiderati. Iniziamo con il “perché“, tracciamo la migliore linea d’azione, monitoriamo e analizziamo i KPI e aggiustiamo il tiro in base alle informazioni che troviamo, prima di ripetere tutto da capo. In un ambiente aziendale in continua evoluzione, i dirigenti esecutivi si sforzano di ottenere una chiara comprensione dei propri dati aziendali, di digerirli rapidamente ed eseguire strategie senza rallentare l’innovazione. Ma questo processo non può avvenire senza il supporto di team esperti di dati.

Man mano che le aziende maturano nei loro percorsi di analisi, i loro team dovrebbero evolversi per presentare i dati in modalità che abbiano senso per il contesto e il messaggio delle informazioni trasmesse. Per aiutare i professionisti aziendali a capire come scegliere il corretto tipo di visualizzazione dei dati, ne analizzeremo ogni tipo. Spiegheremo anche quando è il momento migliore per implementarlo mentre crei una dashboard e rafforzi il tuo vocabolario visivo, il tutto nel contesto della distinzione tra consigli e dashboard.

Questa pratica non si limita ai settori e ai verticali ad alto contenuto di data science. CIO, CFO, CMO e persino Chief Data Officer possono trarre vantaggio dal miglioramento del modo in cui i loro team presentano e interpretano i dati.

Che cos’è la scienza dei dati

Per capire come lavorare per implementare i comitati decisionali dobbiamo capire da dove siamo partiti: le dashboard. Ormai conosciamo fin troppo bene le dashboard di analisi, che includono le piattaforme di reporting integrate degli strumenti digitali che conosciamo e amiamo, come Google Analytics e Hubspot. Sono efficaci nel fornire un’istantanea di alto livello delle prestazioni suddivise per categoria (giorno della settimana, luogo, età, sesso) e sono visivamente accattivanti ma richiedono un presentatore che inserisca i dati nel contesto per rispondere alla domanda fondamentale: perché è importante?

I comitati decisionali, d’altra parte, sono fluidi. Aggregano i dati provenienti da canali trasversali all’organizzazione per tracciare un quadro chiaro e facile da seguire che va oltre le metriche descrittive. Si tratta spesso di build personalizzate progettate per le esigenze specifiche di un’organizzazione. Variando in base al livello di maturità dell’analisi e alle risorse di progettazione, i comitati decisionali possono anche illustrare le metriche diagnostiche (il motivo per cui è successo qualcosa), metriche predittive (cosa è probabile che accada) e metriche prescrittive (cosa deve succedere dopo). Per passare dalle dashboard alle decision board è necessaria una conoscenza di base del design thinking, che, se integrato nella cultura di un’organizzazione, può far progredire le sue capacità di analisi e reporting.

Costruire boards decisionali

I consigli decisionali più efficaci vengono creati quando implementiamo il design thinking. Amato da potenze aziendali come Google e Apple e istituzioni accademiche come Harvard, il processo metodico del design thinking significa che arriviamo al cuore del problema rapidamente, ogni volta.

È efficiente e costruito attorno alle persone che lo utilizzeranno: due punti fondamentali delle intuizioni che stiamo cercando di costruire. Nell’ambito del design thinking, i team possono valutare quali delle quattro principali tipi di metriche (o loro combinazioni) sono necessarie per costruire un comitato decisionale.

1. Metriche descrittive: sebbene non siano intrinsecamente preziose per il processo decisionale, i grafici descrittivi forniscono un’istantanea di ciò che è accaduto o sta accadendo attualmente. Sono uno sguardo in tempo reale su come più variabili lavorano insieme. Grafici descrittivi che illustrano le metriche includono:

• • Distribuzione (box plot, istogrammi, dot plot)
  • Da parte a tutto (grafici a torta, cascate, istogrammi in pila)
  • Correlazione (grafici a dispersione, mappe termiche XY, grafici a bolle)

2. Metriche diagnostiche: i grafici diagnostici consentono ai decisori di scalare dalle metriche descrittive al “perché“. Nei comitati decisionali, i grafici diagnostici sono collegati alle relative metriche descrittive, in modo che gli utenti possano logicamente trarre conclusioni quando fanno clic sui dati. La visualizzazione delle informazioni diagnostiche riguarda più il flusso di dati che la struttura del grafico. Quando si sceglie quale grafico utilizzare, è importante valutare a quali domande specifiche si sta cercando di rispondere. Le seguenti strutture sono più spesso utilizzate per i grafici diagnostici:

• • Flusso (diagrammi di accordi, reti, grafici Sankey)
  • Distribuzione (grafici di codici a barre, curve cumulative, piramidi di popolazione)

3. Metriche predittive: forse il più semplice da capire, i grafici predittivi prevedono ciò che accadrà in base al set di dati esistente. Queste metriche sono fondamentali per effettuare la transizione dalle dashboard ai comitati decisionali e, se eseguite correttamente, dovrebbero tracciare un percorso chiaro verso i passaggi successivi.

• • Correlazione (linea+colonna, grafico a dispersione, grafico a bolle)
  • Modifica nel tempo (grafico a linee, grafico a dispersione connesso, area)
  • Deviazione (barra divergente, surplus/deficit)

4. Metriche prescrittive: la divergenza tra le metriche prescrittive sposta la scala dalle dashboard ai veri e propri organi decisionali. Queste visualizzazioni di dati indicano i passaggi successivi per i leader aziendali. Richiedendo le conoscenze di data science più avanzate, questi grafici utilizzano AI e ML per ottimizzare le prestazioni.

Mentre costruisci i consigli decisionali, concentrati sul flusso. Pensa a come verranno digerite le tue informazioni e mira a creare la struttura più logica per le tue schede. È qui che i principi di base della progettazione UX/UI gioveranno maggiormente ai tuoi team.

La curva di apprendimento per la creazione di grafici può essere difficile, ma non così difficile che un utente aziendale generico non riesca ad imparare entro un tempo accettabile. Per aiutare con la costruzione del tuo comitato decisionale, LatentView ha creato un vocabolario visivo, che è una guida open source per creare grafici personalizzati in Tableau. Periodicamente, LatentView rilascerà tutorial passo-passo che guideranno gli utenti nell’utilizzo dei filtri di Tableau. La prima installazione copre l’origine dati e i filtri di estrazione.

Man mano che la tua azienda avanza nel suo percorso di analisi dei dati, ci sono alcuni pilastri chiave da ricordare. Innanzitutto, rendi i tuoi organi decisionali facilmente accessibili alle parti interessate. Fatte bene, queste schede fungono da risorsa continua a cui si dovrebbe accedere regolarmente anziché essere presentate alle riunioni trimestrali. Questo è il motivo principale per cui i comitati decisionali sono uno strumento più efficace rispetto alle precedenti iterazioni di visualizzazione dei dati.

In secondo luogo, continua a chiedere feedback e perfeziona la struttura dei tuoi organi decisionali. La composizione delle tue schede si evolverà in base alle tue esigenze aziendali.

Infine, sii implacabile nella tua ricerca del “perché“. Renderà i tuoi grafici predittivi più forti, più intuitivi e più sostenibili a lungo termine.

Tipi di grafico

Metriche descrittive

Grafico a bolle: un grafico a bolle è una visualizzazione di dati che mostra più cerchi (bolle) in un grafico bidimensionale. È una generalizzazione del grafico a dispersione, che sostituisce i punti con le bolle. Più comunemente, un grafico a bolle mostra i valori di tre variabili numeriche, dove i dati di ciascuna osservazione sono mostrati da un cerchio (“bolla”), mentre le posizioni orizzontale e verticale della bolla mostrano i valori di altre due variabili.

Grafico a cascata: un grafico a cascata è una tecnica di visualizzazione dei dati che mostra come un valore iniziale può essere influenzato dall’effetto cumulativo di valori positivi e negativi sequenziali. Questo grafico può essere utilizzato per mostrare dati sequenziali o categoriali. Utilizza una serie di barre che mostrano guadagni e perdite, mostrando chiaramente come una cifra di apertura è stata modificata dagli eventi e ha portato alla cifra di chiusura.

Metriche diagnostiche

Grafico Sankey: i diagrammi di Sankey sono caratterizzati da frecce direzionate che hanno una larghezza proporzionale alla quantità di flusso visualizzata: se un flusso è largo il doppio rappresenta il doppio della quantità. I diagrammi di flusso possono mostrare ad es. energia, materiali, acqua o costi.

All’interno di un grafico Sankey il flusso diretto viene sempre tracciato tra almeno due nodi (processi). Quindi mostra non solo valori ma anche informazioni sulla struttura e la distribuzione del sistema definito. Quindi sono un’ottima alternativa al flusso comune o ai grafici a barre e a torta.

Grafico a imbuto: un grafico a imbuto è una rappresentazione grafica utilizzata per visualizzare come i dati si muovono attraverso un processo. In un grafico a imbuto, il valore della variabile dipendente diminuisce nelle fasi successive del processo. I grafici a imbuto sono ampiamente utilizzati per rappresentare i processi di imbuto di vendita, reclutamento e evasione degli ordini.

Metriche predittive

Riguardano, ad esempio, la rappresentazione delle vendite trimestrali che mostrano un trend in crescita esponenziale nel corso di diversi anni. È sempre bene sapere come potrebbe essere il trend futuro. Quindi, il grafico di previsione gioca un ruolo inestimabile in alcuni casi. La previsione delle vendite aiuterà le aziende a stimare fattori come l’allocazione delle risorse o l’espansione dei mercati.

Metriche prescrittive

Grafico a cluster: un grafico a cluster è come un grafico a barre, tranne per il fatto che raggruppa diverse barre in una categoria e visualizza ciascun cluster separatamente dal resto. Ad esempio, puoi classificare i dati sulle vendite trimestrali per ciascun venditore del tuo team, in modo che ogni persona abbia quattro barre: una per ogni trimestre. Ciò ti consente di vedere come i ricavi delle vendite di ogni persona sono cambiati nel tempo e quale persona ha ottenuto i risultati migliori in ogni trimestre, il tutto dallo stesso grafico.