<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=974250883405448&amp;ev=PageView&amp;noscript=1">
Data Science Process: 5 Tipps für effektives Data Storytelling

Data Intelligence

Data Science Process: 5 Tipps für effektives Data Storytelling

Jaime Perez Cuadrado | Dez 09, 2021

Beim Data Science Prozess arbeiten wir mit vielen Daten, verarbeiten und analysieren sie und entwickeln Modelle mit einer Reihe von Variablen, um die Lösung unseres Problems zu erhalten.  In diesem Beitrag geht es darum, die Lösung unserer Zielgruppe zu präsentieren und zu erklären, wie wir zum Ziel gekommen sind und was für unsere Kunden dabei herausspringt.

Bei der Präsentation der Ergebnisse und der Lösung ist es wichtig, den "richtigen Ton" in der Kommunikation mit dem Kunden zu treffen und klar und präzise zu argumentieren. Bleiben Zahlen oder Prozesse unklar, ist die ganze Mühe, die in den vorherigen Prozessschritten investiert wurden, umsonst. Hier präsentieren wir Ihnen 5 Tipps für effektives Data Storytelling beim Kunden.

#1. Rufen Sie das ursprüngliche Ziel in Erinnerung

Es kommt häufig vor, dass man die Lösung nicht mehr mit dem ursprünglichen Problem verbinden kann, wenn man in alle möglichen operativen Aufgaben vertieft ist und die Zeit knapp wird. Dann wirkt die Lösung plötzlich sehr abstrakt, wenn man sie dem Kunden präsentiert.

Unser erster Rat ist, ein wenig zurückzuspulen. Ordnen Sie Ihre Ideen neu, indem Sie das ursprüngliche Problem in den Mittelpunkt stellen und dann auf die Details eingehen, die Sie veranlasst haben, den einen oder anderen Weg zu gehen, die eine oder andere Lösung zu wählen. Sieht das aus wie Mindmaps? Nun, sie könnten hilfreich sein, um Ideen in einem "freien Fluss" zu sammeln und zu skizzieren und dann zu entscheiden, was man für das Storytelling behalten will.

#2. Daten - zwischen Freude und Leid

Es sollte jetzt klar sein, dass der Eckpfeiler, auf dem Ihr Haus (Ihre Lösung) beruht, die Daten sind, sie spielen die Hauptrolle in Ihrer Geschichte und müssen deshalb unangreifbar sein. Prüfen Sie die Genauigkeit der Daten und Ihre Fähigkeit, sie klar zu erklären; widersprüchliche Daten, unzuverlässige Quellen, undurchsichtige Umrechnungen werden die Glaubwürdigkeit Ihrer Geschichte insgesamt beeinträchtigen.

Haben Sie perfekte Daten? Das reicht nicht aus. Wenn Ihre Erläuterung für Ihr Publikum zu komplex und schwer verständlich ist (selbst wenn sie richtig sind), sollten Sie alternative Möglichkeiten zur Darstellung Ihrer Konzepte prüfen. Mehr denn je gilt, dass beim Storytelling weniger mehr ist.

#3. Sprechen Sie Fachjargon

Dies ist ein klassischer Fallstrick: Ihr Data-Science-Team ist technisch superstark, in den Kaffeepausen sprechen sie in Python miteinander, aber sie haben Schwierigkeiten, eine "gemeinsame Basis" mit den Anwendern zu schaffen. Die besten Storyteller sind diejenigen, die einen fachlichen Hintergrund haben, sie laufen nicht Gefahr, zu technisch zu werden (weil sie es oft nicht können), und sie haben in der Regel das Businessvokabular des Publikums, dem sie präsentieren müssen (oder lernen es schnell).

Verwenden Sie eine geschäftsnahe Sprache, d. h. sprechen Sie nicht über Felder einer Tabelle, die niemand kennt, oder über Python-Bibliotheken, die Ihr Publikum nicht kennt. Sprechen Sie über Entitäten und Geschäftsaufgaben, sprechen Sie über Geschäftskonzepte, versuchen Sie, Daten in Geschäftsterminologie zu übersetzen.

Lassen Sie unnötige Details weg; technische Details sind immer da, in Ihrer Hosentasche, und Sie können Ihr technisches Ego befriedigen, indem Sie sie zeigen. Allerdings nur wenn jemand ausdrücklich danach fragt.

#4. Ein Bild sagt mehr als tausend Worte

Denken Sie an Ihre Kindheit, die allerersten Bücher bestanden nur aus Bildern, dann kamen die Comics und erst Jahre später die reinen Textbücher; der Grund ist einfach, der Mensch kann mit Bildern besser umgehen als mit Worten.

Versuchen Sie, so visuell wie möglich zu arbeiten; in einem vollständig datengesteuerten Prozess sollte dies keine komplexe Aufgabe sein. Heutzutage gibt es so viele "Visual Tools", die Sie zur Unterstützung Ihres Storytellings verwenden können, dass es oft eine Frage der Übung ist, das richtige (für Sie und Ihr Publikum) zu finden. Die meisten der Tools, mit denen Ihr Team während des Data Science-Prozesses gearbeitet hat (e.g. Python, R-Studio, MatLab, Octave, …) haben einige Darstellungsmöglichkeiten, sind aber auf die Aufgaben beschränkt, für die sie entwickelt wurden, d. h. hauptsächlich Manipulations-, Erkundungs- und Forschungsaufgaben.

Ihr Storyteller (denken Sie daran, dass er/sie höchstwahrscheinlich kein Technikguru ist) kann viel effektiver sein, wenn er/sie eine der vielen verfügbaren Datenvisualisierungslösungen verwendet, die mehr oder weniger alle über integrierte Funktionen zur Unterstützung des Storytellens verfügen. Tools wie Tableau, Qlik, Power BI, SAS Visual Analytics, Oracle Data Visualization helfen dem Benutzer, die Leinwand zu füllen, indem er Berichte, Dashboards, hochwirksame Visualisierungsrahmen auswählt und ihnen Anmerkungen, Erklärungen, Multimedia-Beiträge und alles, was Sie brauchen, um Ihre Präsentation zu einem unvergesslichen Erlebnis zu machen, hinzufügt (natürlich können alle Inhalte in Office-Tools exportiert werden, vor allem in Powerpoint).

Darüber hinaus können die meisten dieser Tools durch den Import oder die Verknüpfung externer Funktionen erweitert werden, um ganz spezielle Anforderungen zu erfüllen, um nur einige zu nennen, D3.js, Dygraphs, oder JIT können verwendet werden, um grafische Effekte zu verbessern, während CartoDB, Mapbox, Google Maps können von Vorteil sein, wenn Sie Ihre Daten auf Karten darstellen wollen.

All diese Dinge wirken auf den ersten Blick cool, so dass Ihr Storyteller versucht sein könnte, "zu viel zu leisten"; nutzen Sie sie, aber missbrauchen Sie sie nicht. In der Kommunikation ist weniger mehr. Es ist eine bewährte Praxis, jeweils nur ein Diagramm zu zeigen: Das verwirrt das Publikum nicht und hilft dem Präsentierenden, klar zu erklären, was gezeigt wird und was es im breiteren Kontext des behandelten Problems bedeutet.

#5. Eine gute Story hat einen Anfang und ein Ende

Sie und Ihr Team haben vier bis sechs Monate damit verbracht, dieses brillante Machine-Learning-Projekt zu implementieren, Sie haben die genau definierten Schritte einer agilen Methodik befolgt, es war ein auf und ab... was Sie zu erzählen haben, ist im Wesentlichen die Geschichte einer Reise.

Die Kommunikation sollte aus einer kurzen, klaren und einfachen Beschreibung der Etappen auf dem Weg zur Lösung bestehen.

Im Grunde müssen Sie erklären:

  • Die Gründe für die Reise - die geschäftlichen Probleme, die zu dem Projekt geführt haben.
  • Der Ausgangspunkt - das Ist-Szenario, wie die Dinge vor dem Projekt gehandhabt wurden.
  • Die Reiseroute - Überblick über die wichtigsten Schritte, Erläuterung der Entscheidungen, die Sie vor den Kreuzungen getroffen haben.
  • Die Schönheit der Ankunft - der Nutzen, den Sie den Geschäftsanwendern bieten.

Der wahrscheinlich wichtigste Tipp zum Schluss: Für jede Geschichte, für jedes Publikum gibt es viele Werkzeuge und Techniken, die Ihnen bei dieser kritischen Aufgabe helfen können, aber denken Sie daran, dass der Storyteller selbst das bei weitem wichtigste Element der Präsentation ist.

 

Sie möchten mehr über Data Intelligence erfahren?

Sind Sie bereit, eine wissenschaftlichere, datengesteuerte Strategie für Ihre Geschäftsprozesse einzuführen? Sehen Sie sich unsere Services und Lösungen für Data Intelligence an.

MEHR ERFAHREN

 

Abonnieren!