Bei GE Aerospace entwickeln wir Prognosemodelle, um die Auslastung von Flugzeugtriebwerken im Verhältnis zu den Wartungskosten zu optimieren. Diese Modelle lassen sich auf viele Triebwerksfamilien anwenden, die jeweils eine Vielzahl an Hardwarekonfigurationen aufweisen. Erschwerend kommt hinzu, dass wir verschiedene Triebwerksgruppen oder -flotten mit unzähligen weiteren Bezeichnungen versehen (z. B. nach Fluggesellschaft, Region usw.).
Parallele Diagramme bieten eine relativ einfache Möglichkeit, die Anwendbarkeit dieser Modelle auf bestimmte Motorseriennummern basierend auf ihrer spezifischen Konfiguration und Gruppierung zu visualisieren und zu verwalten. Als zusätzliche Modellmetrik hilft diese visuelle Verwaltung dabei, Aktualisierungen und Optimierungen einzelner Modelle anhand ihrer Auswirkungen zu priorisieren.
Okay. Hallo. Herzlich willkommen zu meinem Vortrag. Mein Name ist Lee Becker. Ich bin Principal Analytics Engineer bei GE Aerospace und arbeite im Bereich Data Science. In meinem Vortrag stelle ich Ihnen eine interessante Neuerung in JMP vor: ein nützliches grafisches Werkzeug zur Datenexploration.
Sie können meine Zusammenfassung hier lesen. Sie ist auch auf der Website veröffentlicht. Bei GE Aerospace entwickeln wir Vorhersagemodelle, um die Auslastung von Flugzeugtriebwerken im Verhältnis zu den Wartungskosten zu optimieren. Diese Modelle lassen sich auf viele Triebwerksfamilien anwenden, die jeweils über verschiedene Hardwarekonfigurationen verfügen. Erschwerend kommt hinzu, dass wir unzählige weitere Bezeichnungen für verschiedene Triebwerksgruppen oder -flotten verwenden, beispielsweise für bestimmte Fluggesellschaften oder Regionen.
Parallele Diagramme bieten eine relativ einfache Möglichkeit, die Anwendbarkeit dieser Modelle auf bestimmte Motorseriennummern oder Anlagen basierend auf ihrer spezifischen Konfiguration und Gruppierung zu visualisieren und zu verwalten. Als zusätzliche Modellmetrik hilft diese visuelle Verwaltung dabei, Aktualisierungen und Optimierungen dieser Modelle anhand ihrer Auswirkungen zu priorisieren.
Damit fange ich an. Zunächst zu meinem Werdegang: Ich bin seit 23 Jahren bei GE Aerospace in verschiedenen Ingenieursfunktionen tätig. Meine Arbeit drehte sich hauptsächlich um Flugdaten, insbesondere um die Analyse und Auswertung der Daten unserer Flugzeuge. Wie bereits erwähnt, ging es dabei um die optimale Nutzung der Flugzeit und die Balance zwischen diesen Kosten und der Wartung.
Aktuell bin ich als Principal Analytics Engineer in der Abteilung Data Science & Analytics tätig. Ich bin Ingenieur und arbeite nicht im Bereich Data Science, daher werde ich oft nach meiner genauen Rolle gefragt. Ich lerne am besten visuell und die Datenvisualisierung begeistert mich. Abschließend möchte ich noch erwähnen, dass ich bei externen Vorträgen Inhalte improvisiere. Alle Daten wurden anonymisiert, um unsere Kunden zu schützen, basieren aber auf realen Fallstudien.
Wie ich bereits im Abstract erwähnt habe, entwickeln wir bei GE Aerospace zahlreiche Prognosemodelle. Diese Modelle sind in der Regel sehr differenziert und auf spezifische Anlagengruppen und deren Konfiguration zugeschnitten. Konfiguration kann in diesem Zusammenhang beispielsweise die Triebwerksfamilie umfassen. Ich habe entweder kleine Regionalflugzeuge oder große internationale, interkontinentale Flüge, die deutlich größere und leistungsstärkere Triebwerke benötigen.
Modul bedeutet: Ich habe einen Lüfter, einen Verdichter, eine Brennkammer und eine Turbine. Ansaugen, verdichten, zünden, ausblasen. Das ist die allgemeine Konfiguration eines Turbinentriebwerks. Die einzelnen Komponenten können jedoch unterschiedliche Baujahre oder Konfigurationen aufweisen. Die von uns entwickelten Modelle müssen dies berücksichtigen.
Dann verhalten sich Fluggesellschaften nicht nur in ihren Fluggewohnheiten, sondern auch in ihren Einsatzgebieten unterschiedlich. Verschiedene regionale Einflüsse, Streckenstrukturen und andere Aspekte müssen berücksichtigt werden. Wir versuchen, die Nutzungsdauer von Tragflächen und Triebwerken vorherzusagen und diese Anlagengruppen entsprechend zu verwalten. Die Grafik, die ich erstellt habe – und noch eine Anmerkung: Alle Grafiken, die ich hier eingefügt habe, konnte ich mit verschiedenen Plattformen in JMP erstellen.
Vielleicht sprichst du später mit mir, wenn du Interesse daran hast, einige dieser Karten nachzubauen oder sogar auf die einfache Grafik zurückzugreifen… Es ist eine Heatmap des Querschnitts eines Motors, sehr cartoonhaft, aber zumindest die Kolorierung und das Blockieren dieser Kartenelemente wurden alle in JMP durchgeführt.
Zurück zum Thema. Kurz gesagt, es wird kompliziert, all diese Dimensionen zu berücksichtigen. Beim Erstellen von Prognosemodellen dienen all diese Aspekte als potenzielle Kriterien, um Flotten zu trennen und zusammenzuhalten. Der entscheidende Punkt für uns ist jedoch, dass diese Anlagen modernisiert werden. Ihre Konfigurationen werden sich im Laufe der Zeit ändern.
Das Modellmanagement wird zu einem wichtigen Bestandteil, um zu verstehen, welche Hardware sich zu einem bestimmten Zeitpunkt in welchem Asset befindet. Es geht darum, zu verwalten: „Hey, diese Flotte hatte 75 Triebwerke mit dieser Kompressorkonfiguration.“ Letztes Jahr hatte ich 100 Triebwerke mit derselben Konfiguration, während 25 davon aufgerüstet oder auf eine andere Konfiguration umgestellt wurden. Ich werde später auf einige Grafiken eingehen.
Aber kommen wir nun zu dem konkreten Beispiel, das ich heute zur Veranschaulichung erstellt habe. Stellen Sie sich vor, wir beobachten fünf Fluggesellschaften, die jeweils zwei verschiedene Triebwerkstypen einsetzen. Jeder dieser Triebwerkstypen besteht aus vier Komponenten: Fan, Verdichter, Brennkammer und Turbine. Jede dieser Komponenten kann innerhalb der Flotte, die es zu verwalten gilt, in verschiedenen Ausführungen oder Konfigurationen vorliegen.
Es ist wirklich sehr komplex, zu verstehen, welche Assets zu welchem Zeitpunkt welche Konfigurationen haben. Wenn man anfängt, sich damit zu beschäftigen, fragt man sich: Wie sehen diese Verteilungen aus? Der erste Gedanke ist dann wohl: Ich fange einfach mal an, die Daten grafisch darzustellen. Zunächst möchte ich verstehen, wie diese Verteilungen tatsächlich aussehen. Wenn ich gerade erst anfange und mir einen ersten Überblick über Histogramme und sehr einfache Verteilungen verschaffen möchte, dann ist das hilfreich.
Der erste Gedanke ist wahrscheinlich, einfach die Diagramme in der Kopfzeile zu verwenden. Falls Sie diese Funktion in den neueren JMP-Versionen noch nicht kannten, probieren Sie sie aus. Damit erhalten Sie sehr einfache Histogramme. Meine Daten sind alle kategorisch, daher ist es kein Problem, die kontinuierlichen Verteilungen zu betrachten und Ausreißer zu erkennen. Es ist aber recht einfach und unkompliziert, kategorische Daten auf diese Weise zu analysieren und erste Zusammenhänge zu erkennen.
Ich denke, der nächste Gedanke ist wahrscheinlich: Machen wir weiter… Nutzen wir einfach die Verteilungsplattform, die, wie gesagt, recht unkompliziert ist. Man erhält etwas aussagekräftigere Statistiken für Fälle, in denen man mit kontinuierlichen Daten arbeitet, also weitere Informationen in den Häufigkeiten und Statistiken. Ich habe sie hier der Einfachheit halber ausgeblendet.
Eine dritte Möglichkeit – und die ist vielleicht etwas ungewöhnlich und etwas, woran Sie noch gar nicht gedacht haben oder was Sie vielleicht gar nicht in Betracht ziehen wollten – wäre, für jede dieser einzelnen Kombinationen von Eingangsvariablen oder Achsenpaaren ein Kontingenzdiagramm zu erstellen. Ich habe das hier getan, um zu veranschaulichen, dass es tatsächlich schwer zu erfassen ist. Ich kenne einige Leute, die Daten gerne auf diese Weise visualisieren, aber bei mehreren Dimensionen wird es oft schwierig, den Überblick zu behalten.
Eine weitere Anmerkung: Selbst innerhalb von JMP gibt es zahlreiche Erkundungsmöglichkeiten. Für nahezu jede Aufgabe in JMP gibt es in der Regel zwei oder drei verschiedene Wege. Die Interaktivität ist ein enormer Vorteil, insbesondere beim Erkunden. Wenn ich beispielsweise eine der fünf Fluggesellschaften in meinem Vertriebsnetz auswähle, kann ich sofort sehen, welchen Triebwerkstyp, welche Lüfter- und welche Kompressorkonfiguration sie haben.
Ich kann die Verteilungen in der Hervorhebung sehen, die sich ändern, wenn ich die verschiedenen Balken innerhalb dieser Verteilungen auswähle. In der zugrunde liegenden Datentabelle sehe ich ebenfalls, wie sich die Datensätze aufgrund dieser Auswahlen ändern. Sie können diese visuellen Werkzeuge verwenden, um die Auswahl in jeder der geöffneten Plattformen, einschließlich der Datentabelle, zu erleichtern. Es gibt wirklich viele großartige Interaktionsmöglichkeiten. Aber wie bereits erwähnt, je höher die Dimensionalität ist, desto schwieriger wird es, das Ganze zu verstehen.
Ich habe mich intensiv mit der Suche nach neuen, kreativen Möglichkeiten zur Visualisierung dieser Daten beschäftigt. Dabei bin ich auf die Parallelplot-Methode gestoßen. Um Ihnen zu erklären, was ein Parallelplot ist und wie er angewendet werden kann, möchte ich Ihnen in den nächsten Minuten dieses Vortrags näher darauf eingehen.
Parallelplots sind ein Visualisierungswerkzeug für multivariate Daten, wie sie hier vorliegen. Jede Achse repräsentiert eine andere Variable, und die Achsen werden parallel zueinander angeordnet, anstatt sich zu kreuzen. Datenpunkte werden als Linien dargestellt, die jede Achse an dem Wert schneiden, der der jeweiligen Variable entspricht. Dies ermöglicht die Visualisierung von Mustern, Korrelationen und Ausreißern über mehrere Dimensionen hinweg und ist besonders nützlich für die Analyse hochdimensionaler Daten, da es hilft, Beziehungen, Trends und Cluster innerhalb des Datensatzes zu identifizieren.
Wenn ich das hier nun häufiger generiere, wird deutlich, wie hilfreich die Interaktivität in JMP ist, um die Zusammenhänge zu verstehen. Ich muss jetzt nicht mehr mehrere Diagramme betrachten und deren Beziehungen, beispielsweise innerhalb der Vertriebsplattform, analysieren. Ich kann diese Beziehungen alle gleichzeitig sehen, wie sie sich in diesen Bändern darstellen.
Je nachdem, ob Ihre Daten kontinuierlich oder kategorisch sind, erhalten Sie unterschiedliche Ansichten. Ich werde später einige Beispiele zeigen. Dies ist jedoch die allgemeine Zusammenfassung meiner Erkenntnisse, und ich habe festgestellt, dass die Darstellung der Daten auf diese Weise und die Verwendung von Parallelplots zur explorativen Analyse sehr wertvoll ist. Im Folgenden finden Sie eine kurze Anleitung zur Erstellung eines Parallelplots nach meiner bevorzugten Methode.
Wenn Sie den Graph Builder öffnen, beginnen wir also wieder mit unserer Datentabelle. Ich öffne den Graph Builder (dieses Symbol finden Sie hier; alternativ können Sie ihn über „Diagramm“ und dann „Graph Builder“ aufrufen). Schritt 2: Wählen Sie alle Spalten aus, die Sie gleichzeitig darstellen möchten. Ziehen Sie sie alle gleichzeitig auf die X-Achse. Klicken Sie dann auf die Schaltfläche „Paralleldiagramm erstellen“ [unverständlich 00:13:00]. Wir sind aber noch nicht ganz fertig. Ich möchte Ihnen… Zunächst einmal eine weitere Technik vorstellen, die Sie in JMP vielleicht kennen oder auch nicht.
Ich möchte, dass die Elemente immer die gleiche Größe und Form haben. Ich kann das so machen: Rechtsklick, Rahmeneinstellungen kopieren und hier einfügen, dann bearbeiten, einfügen, Rahmeneinstellungen – und schon sieht alles im Diagramm gleich groß und rechteckig aus. Das ist nur meine persönliche Vorliebe, aber vielleicht kannten Sie diese Funktion noch nicht.
Und nun zum letzten Punkt meiner Anleitung: Wir sollten das Ganze irgendwie farblich gestalten. In meinem vorherigen Beispiel habe ich die Fluggesellschaft farblich hervorgehoben. Ziehen Sie einfach Ihren Fluggesellschaftsparameter hierher in den entsprechenden Bereich, entweder in das Feld für die Fluggesellschaft oder in das Farbfeld. Fertig, aber noch nicht ganz. Mich nervt es nämlich auch, wenn Leute nicht sagen, dass sie fertig sind, sondern erst dann, wenn sie es sind. So.
Klicken Sie im Graph Builder immer auf „Fertig“, und schon sind Sie fertig. So habe ich das Diagramm für meinen heutigen Vortrag erstellt. Es hat… Ich habe, ich weiß nicht, zwei oder drei Minuten gebraucht, um es Ihnen zu erklären, aber es dauert buchstäblich nur Sekunden, eine schnelle visuelle Hilfe zu erstellen, mit der Sie Ihre Daten auf eine ganz andere Art und Weise erkunden können, als Sie es vielleicht bisher kannten. Es geht dabei nur um einfache Verteilungen und die interaktiven Funktionen von JMP, die Ihnen die Navigation erleichtern.
Ich wollte auch kurz auf einige erweiterte Anpassungsfunktionen eingehen. Die Farbfunktion habe ich Ihnen ja bereits gezeigt. Sie ist in vielen Fällen sehr hilfreich, aber wenn ich die Farbe nur für Fluggesellschaften verwende und diese bereits im Diagramm dargestellt werden, ist sie vielleicht nicht so nützlich. Ich kann einige dieser Bänder durch alle Achsen verfolgen, ohne dass mir die Farbe dabei einen großen Vorteil bringt.
Um die Darstellung zu vereinfachen, können Sie beispielsweise die Farbgebung eines Parameters verwenden, der nicht im Diagramm selbst dargestellt wird. Hier ist ein Beispiel: Ich habe den Motortyp aus dem Diagramm entfernt. Dadurch fehlt unten ein X. Ich habe mich aber entschieden, diese Farbgebung zu verwenden, um die Darstellung besser zu verstehen.
Um das zu erreichen, öffne ich mein Bedienfeld erneut und entferne den Motortyp aus der Liste. Ich nehme die Farbe aus dem Farbfilter (unserer Auswahlzone) und füge den Motortyp in [unverständlich 00:16:12] ein. Das ist im Prinzip dasselbe. Ich werde Ihnen wahrscheinlich nicht mehr jedes Beispiel so erklären. Es geht aber darum, verschiedene Möglichkeiten aufzuzeigen, wie Sie die Daten betrachten und die parallele Darstellung mithilfe der Farbgebung analysieren können, um die Datenexploration und die Mehrfachauswahl zu erleichtern.
Kommen wir zurück zu meinem Beispiel 2. Hier ist ein Beispiel, in dem ich… Ich habe jetzt nur drei Achsen eingezeichnet und meine Lüfterkonfiguration farblich markiert, entweder mit einem 2D- oder einem 3D-Lüfterblatt. Ich kann sehen, dass alle meine 2D-Lüfterblätter blau sind und alle diese 2D-Lüfterblätter meiner alten V1-Turbinenkonfiguration entsprechen. Ich hätte das vielleicht schon aus dem Blick auf die übergeordnete Parallelgrafik ableiten können, aber es ist klar, dass es sich um eine Eins-zu-Eins-Beziehung handelt.
Auch dies ist nur eine weitere Technik, mit der Sie die Darstellung vereinfachen können. Hierbei dient die Farbe als Hilfsmittel, um die Dimensionen der Daten zu verdeutlichen. Besonders interessant ist, dass man deutlich rote oder blaue Bevölkerungsgruppen jenseits einer Achse erkennen kann, die links davon violette Farbtöne aufweisen. Bei sehr binären Datensätzen, die stark in die eine oder andere Richtung tendieren, ist dies oft leicht zu erkennen.
Ich könnte also eine dieser Variablen außer Acht lassen, die Unterscheidung zwischen Blau und Rot aufheben und mich stattdessen auf den Violettton verlassen, um vielleicht zu bestimmen, wie weit ich innerhalb der Bevölkerung zu einem dieser Extreme tendiere. Allein anhand des visuellen Hinweises dieses Violetttons. Entweder bin ich sehr blau oder sehr rot, oder ich liege irgendwo dazwischen.
Eine weitere Technik, die Sie ausprobieren könnten: Lokale Datenfilter sind sehr hilfreich, um verschiedene Kombinationen Ihres Datensatzes zu erkunden und die Einrichtung zu vereinfachen. Unser lokaler Datenfilter befindet sich hier. Sie können einen lokalen Datenfilter für jede Variable in Ihrem Datensatz einrichten, nicht nur für die dargestellten. Legen wir los. Diese Ansicht ist im Grunde dieselbe wie die vorherige.
Der Vorteil dieser Vorgehensweise und der Verwendung des lokalen Datenfilters liegt darin, dass ich nun mithilfe dessen verschiedene Flotten oder Untergruppen innerhalb des Datensatzes auswählen kann. Wenn ich beispielsweise nur Air America betrachten und deren Darstellung auf den anderen Achsen analysieren möchte, ist das hier sehr einfach möglich, anstatt mich nur auf die anderen Achsen zu konzentrieren. Ich kann diese Auswahl treffen und versuchen, die Daten im Kontext aller anderen zu interpretieren. Alternativ kann ich mir auch nur diese eine Flotte ansehen. Oder ich kann dasselbe für eine meiner anderen Achsen tun und nur bestimmte Flottenkonfigurationen betrachten, um deren Darstellung zu analysieren.
Es ist lediglich eine weitere Möglichkeit, die zu untersuchenden Daten zu analysieren und einzugrenzen. Letztes Beispiel für einen lokalen Datenfilter. Also, dieses Beispiel habe ich erstellt, um den zuvor erwähnten zeitlichen Aspekt des Datenverhaltens zu verdeutlichen. Die Ansicht für 2024 sollte exakt dem Datensatz entsprechen, den ich bisher beschrieben habe. Zuvor hatte ich bereits die Historie dieser Anlagen- bzw. Triebwerksflotten erfasst, und deren Konfigurationen haben sich im Laufe der Zeit verändert. Genau diese Veränderungen möchte ich hier darstellen und visualisieren.
Ich habe hier noch eine weitere Dimension, die ich bisher nicht berücksichtigt habe: die Zeit. Beispielsweise interessiert mich, wie sich die Teilflotte der CM5-5 im Laufe der Zeit durch Ausmusterungen verringert hat. Ich kann die Ansicht komplett herauszoomen, mir den gesamten Datensatz ansehen und diese Teilflotte bzw. in meinem Fall diese Triebwerksgruppe auswählen.
Ich kann nun die Jahre Revue passieren lassen und sagen: „Okay, 2020 hatte anscheinend jeder Kunde mindestens ein paar dieser Flugzeuge. 2021 gingen dann einige dieser Kunden in Rente. 2022 hatte ich anscheinend nur noch vier davon.“ Air America hat ihre gesamte Flotte zwischen 2021 und 2022 ausgemustert. Jetzt besitzen nur noch zwei Kunden diese Flugzeugtypen. Im aktuellsten Stand sieht man, wie die Flotte bis zu diesem Zeitpunkt deutlich reduziert wurde.
Eine weitere nützliche Technik, die ich anhand dieser Methode zur Betrachtung von Entwicklungen im Zeitverlauf veranschaulichen möchte. Ich hatte einmal diese Kompressorkonfiguration, eine sehr alte Konfiguration. Um die Daten als Auswahlwerkzeug zu nutzen, greife ich auf die zugrunde liegende Datentabelle zurück und wähle für die entsprechenden Anlagen im Zeitverlauf die Anlagennummer aus. Anschließend wählt man im Menü „Zeilenauswahl“ die passenden Zellen aus.
Das Skript wählt die Assets aus, die jemals diese extrem alte Konfiguration hatten, und zeigt ihren aktuellen Standort an. Anschließend wird das anhand eines Beispiels erläutert. Ich habe nun – und das ist noch nicht ganz fertig – die Visualisierung. Ich habe alle Assets ausgewählt, die nicht nur aktuell, sondern jemals diese extrem alte Konfiguration hatten.
Jetzt kann ich sie durch die Zeit führen und sehen, wo sie im Jahr 2020 standen. Ich kann sie bis ins Jahr 2021 zurückverfolgen. Wie sich das bis 2022 verändert hat. Es sieht so aus, als ob einige von ihnen bereits aktualisiert wurden. Aber Sie werden hier den großen Unterschied zwischen ihrer uralten Konfiguration und dem Jahr 2024 sehen.
Sie alle wurden aktualisiert… Viele von ihnen wurden auf diese neue Konfiguration umgestellt. Der Unterschied zwischen diesem Diagramm und jenem Diagramm war auf dieser übergeordneten Ebene möglicherweise nicht offensichtlich. Aber auch dies ist eine weitere Technik, mit der Sie Daten untersuchen können. Betrachten Sie eine Dimension oder eine X-Variable, die Sie nicht auf der X-Achse dargestellt haben, und verwenden Sie Farben und lokale Datenfilter, um Daten zu untersuchen und auszuwählen.
Zum Schluss möchte ich noch auf den Aspekt der kontinuierlichen Daten eingehen. Hier ist der Iris-Datensatz. Ich bin beim Recherchieren und Erstellen dieser Präsentation darauf gestoßen. Wenn Sie sich das Diagramm ansehen und „Paralleles Diagramm“ auswählen, sehen Sie folgendes Ergebnis. Ich habe mir das angesehen. Diese Technik eignet sich hervorragend zur Darstellung kontinuierlicher Daten, ist aber für kategoriale Daten weniger geeignet.
Wenn ich in der Grafik- und Parallelplot-Funktion meine ursprünglichen Daten darstelle, sieht das Ergebnis nicht annähernd so ansprechend aus. Es gibt sicher noch andere Möglichkeiten, die Darstellung etwas attraktiver zu gestalten, aber Geschmäcker sind ja bekanntlich verschieden. Es ist eben eine etwas andere Art der Datenvisualisierung, als Sie sie vielleicht bisher selbst gefunden haben. Bedenken Sie aber, dass es verschiedene Anwendungsbereiche und Herangehensweisen an die Datenanalyse gibt.
Wenn ich zum Iris-Datensatz zurückkehre und die Parallelplot-Funktion wie gewohnt erstelle, meine Liste potenzieller Achsen auswähle, sie der X-Kategorie zuordne und dann den Parallelplot auswähle, erhalte ich möglicherweise etwas aussagekräftigere Daten. Aber wie gesagt, es sind nur verschiedene Wege zum selben Ergebnis. Doch genau darum geht es mir heute: die mehrdimensionalen Daten und diese Technik zu ihrer Analyse zu nutzen.
Damit wäre im Grunde alles abgedeckt, was ich in diesem Vortrag behandeln wollte. Abgesehen von ein paar Tipps zur Datennutzung und -visualisierung. Dazu habe ich einige Anregungen aus einem On-Demand-Webinar, das Sie auf der JMP-Website finden. Sie können sich das Webinar ansehen oder den Referenten direkt kontaktieren. Er hat jedenfalls einige hervorragende Tipps zur Datenvisualisierung und zur Vereinfachung der Darstellung.
Das nehme ich mir wirklich zu Herzen, denn man muss sehr vorsichtig sein, wenn man sich im sogenannten explorativen versus erklärenden Modus befindet. Wenn ich Daten analysiere und sie für meine Zwecke visualisiere, weiß ich genau, warum ich was anklicke und warum ich die Dinge auf die jeweilige Weise angehe. Wenn man dieselben Grafiken jedoch zur Erklärung von Sachverhalten verwendet, kann es schwierig sein, sich selbst verständlich zu machen.
Seien Sie vorsichtig und versuchen Sie, die Dinge so einfach wie möglich zu halten, wenn Sie etwas so Komplexes wie dieses zu Erklärungszwecken verwenden. Es ist zwar ein hervorragendes Werkzeug für die explorative Visualisierung, aber ich denke, Sie sollten auf einige der hier erwähnten Methoden zurückgreifen, um die Ansichten zu vereinfachen und schneller zum Kern der Sache zu kommen, wenn Sie etwas einem Publikum oder Ihrer Führungsebene erklären. Einfachheit ist immer besser.
Und hier ist die wichtigste Erkenntnis: Es mag selbstverständlich klingen, aber gehen Sie niemals davon aus, dass das, was Ihnen offensichtlich erscheint, auch für Ihr Publikum offensichtlich ist. Wenn Sie etwas in einem Diagramm oder einer PowerPoint-Präsentation dargestellt haben, also eine Argumentation entwickelt haben, die etwas erklären soll, erläutern Sie diese und stellen Sie sicher, dass Sie beschreibende Stichpunkte verwenden, die den Weg zu Ihrer Schlussfolgerung erläutern. Formulieren Sie die Schlussfolgerung klar und deutlich. Was möchte ich aus dieser Darstellung ableiten? Gehen Sie niemals davon aus, dass das, was Ihnen offensichtlich erscheint, auch für Ihr Publikum offensichtlich ist.
Und zum Schluss noch ein Punkt, über den ich ehrlich gesagt selbst immer wieder stolpere: Es gibt ein feines Gleichgewicht zwischen Visualisierung und Kunst. Gestalten Sie es also nicht nur schön, um schön zu sein. Achten Sie darauf, dass die Grafiken, die Sie erstellen, nützlich sind, die Geschichte unterstützen und sie nicht behindern.
Visualisierung um der Visualisierung willen, Kunst um der Kunst willen. Ich habe hier auch die Links zur JMP-Hilfe für parallele Diagramme eingefügt. Wie bereits erwähnt, gibt es das On-Demand-Webinar von Mike Anderson. Es kann sehr hilfreich sein, daher kann ich es wärmstens empfehlen. Damit bedanke ich mich für Ihre Aufmerksamkeit. Vielen Dank.
