visual business analytics effektiver zugang zu daten und ... · pdf filevisual business...
Post on 06-Mar-2018
217 Views
Preview:
TRANSCRIPT
Visual Business AnalyticsEffektiver Zugang zu Daten und Informationen
Dr.-Ing. Jörn Kohlhammer
Fraunhofer-Institut für Graphische Datenverarbeitung (IGD)Fraunhoferstraße 564283 Darmstadt
Tel.: +49 6151 155 - 646Fax: +49 6151 155 - 139
Email: joern.kohlhammer@igd.fraunhofer.dehttp://www.igd.fraunhofer.de/iva
2© 2014 Fraunhofer IGD
Nutzen der Visualisierung
“Grafische Unterstützung macht uns klüger.” (Stuart Card)
Zwei Ziele der grafischen Unterstützung
Bessere Kommunikation vorhandener Ideen
Entdeckung neuer Ideen
Nutzung von visuellen Hilfsmitteln zumDenken und Entscheiden
Allein Stift und Papier reduzierendie Rechenzeit um den Faktor 5
3© 2014 Fraunhofer IGD
Beispiel (Statistik)
Vier Datensätze mit identischem linearen Modell(Tufte, 1983)
4© 2014 Fraunhofer IGD
Beispiel (Statistik)
Vier Datensätze mit identischem linearen Modell(Tufte, 1983)
7© 2014 Fraunhofer IGD
Erstes deutschsprachiges Buch zum Thema Visualisierung im BI-Bereich
Anwendung der besten Visual Business Analytics-Techniken zur Verarbeitung massiver Datenmengen und für den Einblick in komplexe Strukturen
Verwendung von Visual BusinessAnalytics für ein effizientesund verständliches Informationsmanagement
Erscheinungstermin: Ende Oktober
8© 2014 Fraunhofer IGD
Ausbaustufen von Visual Business Analytics
Informationsdesign
Gutes Verständnis und adäquate Verwendung von visuellenElementen im Reporting
Informationsvisualisierung
Dynamische Informationen interaktiv und visuell zugänglichmachen
Visuelle Analyse (Visual Analytics)
Neue Erkenntnisse durch das abgestimmte Zusammenspielvon Mensch und System
10
Informations-visualisierung
Informationsvisualisierung
Daten Wissen
Wir benutzen auf natürliche Weise unsereAugen, um die Welt zu verstehen...
„Eine interaktive Grafik sagt mehr als 1000 Excel-Tabellen.“
© 2014 Fraunhofer IGD
(Stephen Few)
11© 2014 Fraunhofer IGD
Beispiel: Tree Maps
Hier: Darstellung der Entwicklung von Börsenkursen (2001)
Übersicht über aktuelle Börsentrends
Branchenklassifikation
Fokus auf relevanteInformationen
15© 2014 Fraunhofer IGD
Informationsvisualisierung
Beachtung der menschlichen Wahrnehmung
Beispiel: Change Blindness
Vorsicht bei:
Animation und interaktiven Visualisierungen
„Springen“ zwischen Darstellungen
Mehrseitigen Darstellungen
16© 2014 Fraunhofer IGD
Menschliche Wahrnehmung
„Hervorspringen“ von Informationen
Ein „Hervorspringen“ erfolgt, wenn das Zielobjekt eine Eigenschaft besitzt, die kein anderes ablenkendes Objekt besitzt.
(Suchen Sie das blaue “T”)
20
Ein „Hervorspringen“ erfolgt, wenn das Zielobjekt eine Eigenschaft besitzt, die kein anderes ablenkendes Objekt besitzt.
Menschliche Wahrnehmung
© 2014 Fraunhofer IGD
21
(Suchen Sie das grüne “T”)
Eine serielle Suche ist nötig, wenn jede visuelle Eigenschaft des Zielobjekts auch unter den ablenkenden Objekten vorkommt.
Menschliche Wahrnehmung
© 2014 Fraunhofer IGD
26© 2014 Fraunhofer IGD
Big Data
100 Mio. FedEx Transaktionenpro Tag
Über 1800 Gbps über DE-CIXpeak traffic
7,2 Mrd. VISA Kreditkarten-transaktionen pro Jahr
27© 2014 Fraunhofer IGD
Beispiel: Kreditkarten
Geldautomaten
POSAcquirer
Real-TimeOnline Switch
Host / Issuer
28© 2014 Fraunhofer IGD
Beispiel: Kreditkarten
Daten-bank
Regeln und Abfragen
Alerts! VisualisierungReports
29© 2014 Fraunhofer IGD
Beispiel: Kreditkarten
Amount Merchant# Location Local Trans-action Time
Country Code
POS PAN MCC ExpiryDate
… Card#
50 und mehr Attribute
Große Anzahl Transaktionen(z.B. 7,2 Mrd. VISA-Transaktionen in 2009)
Problem: Fixe Regeln erkennen nur bekannte Betrugsschemata
Wie erkennt man neue Fälle möglichst rasch und proaktiv?
30© 2014 Fraunhofer IGD
Histogramm für ein Attribut
Beispiel:
Zeit der Kreditkarten-transaktion
1-dimensionales Histogramm
05:00-08:59
09:00-11:59
12:00-15:59
16:00-18:59
19:00-22:59
23:00-01:59
02:00-04:59
Time of Day
31© 2014 Fraunhofer IGD
Histogramme und Tabelle für zwei Attribute
Beispiel:Zeit der Transaktion abgebildet auf Zahlungsbetrag
Zwei 1-dimensionale Verteilungen kombiniert in einer Tabelle
(Zahlen stehen für die Größe der verschiedenen Gruppen)
4
6
4
0
1
0
2
10
25
32
31
2
1
5
6
12
41
35
28
12 15 1016
23
28
6
20
6
8
5
10
13 16 12
14
10
30
5
17
3
6
9
4
8
0
2
0
3
5
-$9
$10-$99
$100-$299
$300-$499
$500-$699
$700-$999
$1000-
32© 2014 Fraunhofer IGD
Mustererkennung
Abbildung der Gruppen-größe auf Helligkeit
Interessante Bereiche können „auf einen Blick“ erkannt werden.4
0
1
0
2
10
25
32
31
2
1
5
6
12
41
35
28
12 15 1016
23
28
6
20
6
8
5
10
13 16 12
-$9
$10-$99
$100-$299
$300-$499
$500-$699
$700-$999
$1000-
33© 2014 Fraunhofer IGD
Herausforderung: Sehr viele Attribute
Verwobene Darstellung von drei (und mehr) Attributen
Hier zusätzliches Attribut: POS oder ATM
pos
atm
pos
atm
pos
atm
pos
atm
pos
atm
pos
atm
pos
atm
-$9
$10-$99
$100-$299
$300-$499
$500-$699
$700-$999
$1000-
34
Visualisierung mehrdimensionaler Beziehungen
KVMap: 100.000 Datensätze in sechs Dimensionen
© 2014 Fraunhofer IGD
35
KVMap-System
© 2014 Fraunhofer IGD
Komplexe Muster von 10 und mehrDimensionen als farbige Muster
Erkennen von neuen Zusammen-hängen ohne kognitiven Aufwand
Automatische Methoden imHintergrund
Identifizierung interessanter Musteraus Datenbank oder DWH
Mächtige Analysetechnik für das“Back Office”
36© 2014 Fraunhofer IGD
Dynamische Daten
Verkaufsdaten
Transaktionsdaten
Datenbasierte Betrugs-erkennung
Schnelles Erkennen vonZusammenhängen
Neuartige Verhaltensmuster
Sich verändernde Transaktionsmuster
Experten im Zentrum der Analyse
Weitere Einsatzmöglichkeiten
38© 2014 Fraunhofer IGD
Heutige Graphiken für große Datenmengen?
USA
EU
Japan
0
2
4
6
8
10
12
14
16
0 2 4 6 8 10 12
Portugal
Spanien
Frankreich
Großbritannien
Polen
Slowakei
Tschechien
Slowenien
Schweiz
Italien
Österreich
Irland
Ungarn
Rumnänien
Deutschland
Dänemark
Kroatien
Schweden
Finnland
39© 2014 Fraunhofer IGD
Große und wachsende Datensammlungen (Big Data)
Notwendigkeit schneller und informierterEntscheidungsfindung auf Basis dieser Daten
Reine Visualisierungsmethoden (Informationsvisualisierung)nicht adäquat für Milliarden von Datensätzen
Vollautomatische Knowledge Discovery-Ansätze/Modellenur für wohldefinierte und eindeutig spezifizierbare Probleme
Beispiel: Abwehrsituationen:Betrug, Viren, SPAM, DOS-Angriffe, Wettbewerb, …
Warum Visual Analytics, warum heute?
40© 2014 Fraunhofer IGD
Was ist das Neue an Visual Analytics?Was gibt es schon?
Automatisches Knowledge Discovery & Data Mining
Interaktive visuelle Daten-Exploration
Was brauchen wir?
Enge Integration visueller und automatischer Datenanalysemethoden mit Datenbanktechnologien für skalierbare interaktive Entscheidungsunterstützung
Feedback Loop
Visualisierung
Visuelle Daten-Exploration
Daten Wissen
Modelle
Data Mining
41
Visual Analytics – ein neuer Ansatz
Kombination aus Informationsvisualisierung, Statistik, Data Mining, Business Intelligenceund anderen Gebieten
Datenbank-management
Statistik
Data Mining
Wissens-management
Visual Analytics
Benutzer-freundlichkeit
Informations-visualisierungWahrnehmungs-
theorie
Interaktivität
Datenbank-management
Statistik
Data Mining
Wissens-management
Visual Analytics
Benutzer-freundlichkeit
Informations-visualisierungInformations-visualisierungWahrnehmungs-
theorie
InteraktivitätInteraktivität
© 2014 Fraunhofer IGD
42© 2014 Fraunhofer IGD
Business Intelligence
Visual Analytics
Neue Möglichkeiten durch Integration mit automatischenVerfahren
Stärkerer Einfluss der menschlichen Erfahrung und Ideenin den Gesamtprozess
Effektiverer Umgang mit Big Data
Erste Ansätze in heutigen Tools in Erweiterungen zur interaktivenExploration, Prediction oder Simulation
43© 2014 Fraunhofer IGD
Weitere Einsatzgebiete von Visual Analytics
CRM-Analysen
Trendanalysen
Sicherheit
Medizin
Analysen im Fertigungsumfeld
Überall, wo massive Datenmengen anfallen
44© 2014 Fraunhofer IGD
Informationsvisualisierung und Visual Analytics
Verkürzung des Weges von Daten zur Entscheidung
Daten InteraktiveInformationen und
Erkenntnisse
Entscheidung Handlung
45
215 Mitarbeiter (FTE)
16,2 Mio € Budget
4 StandorteDarmstadt, Rostock, Graz und Singapur
12 F&E-Abteilungenfür angewandte Forschungin Visual Computing und die Nutzbarmachung vonForschungsergebnissenin der Wirtschaft
Die weltweit führende Einrichtung für angewandtes Visual Computing
Fraunhofer IGD (Stand 2012)
© 2014 Fraunhofer IGD
46© 2014 Fraunhofer IGD
Fraunhofer IGD – Geschäftsfelder
Digital
VirtuellVirtuelles Engineering
Visuell Visuelle Entscheidungshilfe
Digitale Gesellschaft
47
Menschen wollen Zusammenhänge verstehen, Einsichten gewinnen und Entscheidungen herbeiführen.
Wir machen über Visualisierungen komplexe Sachverhalte in abstrakten Daten, Modellen und Simulationen sichtbar.
Wir unterstützen Industrie, Behörden und Privatpersonen mit Analysetechniken und Visualisierungsmethoden dabei, Entscheidungen einfacher, schneller und besser zu treffen.
Geschäftsfeld Visuelle Entscheidungshilfe
© 2014 Fraunhofer IGD
48© 2014 Fraunhofer IGD
Fazit
Fraunhofer IGD als Ansprechpartner für angewandte Forschungim Bereich Informationvisualisierung und Visual Analytics
Informationsdesign
Informationsvisualisierung
Visual Analytics
Angebot
Auswahl an verfügbaren Visualisierungs- und Analysemethoden
Beurteilung der Methoden mit den verfügbaren Daten
Anpassung an den spezifischen Anwendungsfall
top related