8 nejčastějších chyb při návrhu dashboardu | Mňamka #82
Internetem bohužel koluje tolik tzv. “krásných” návrhů dashboardů, které naprosto ignorují základní pravidla, až je to s podivem. A pak se divíte, když vám tuhle “krásnou” hrůzu přinese klient s tím, že takto by jeho dashboard mohl vypadat. Analytický tým tyhle prohřešky občas obhajuje, protože “byznys to tak chce”. O jakých prohřešcích je řeč? Pojďme se podívat na ty nejčastější.
1. “Ultimátní dashboard” pro všechny a pro nikoho
Ještě vtipněji se tomu často říká “kokpit”. Prostě vyrobíte dashboard se všemi možnými KPIs, které vás napadnou, protože “je to prostě zajímavé”, “potřebujeme to vidět” apod. Viděl jsem i dashboardy, kde najednou bylo víc než 30 (!!!) KPI widgetů najednou, ideálně ještě se srovnáním s minulým obdobím.
Proč takhle ne? Takový dashboard porušuje základní pravidlo data storytellingu: Vždy je nezbytné uvažovat CO a KOMU chcete sdělit, přičemž řešení VŠECHNO VŠEM nereaguje na základní omezení, které má lidské vnímání. Příliš mnoho informací najednou vede k tomu, že si prostě nevšimneme, co je opravdu důležité.
Tato řešení vznikají obvykle ze dvou důvodů: buď management vlastně neví, co má sledovat a pak se snaží sledovat “všechno” - často je to v počátcích, kdy firma nastoupí data-driven cestu. Druhá příčina často tkví v pragmatickém šetření licencemi vizualizačního toolu, takže takový ultimátní dashboard je obvykle distribuován emailem všem, kdo si o to řeknou. A když děláte něco, co má vyhovovat všem, nutně musíte dělat fůru kompromisů.
Co s tím? Jednoduše, rozdělit podle jednoduchého pravidla. jeden use case pro jednu roli na jeden dashboard. Např. průběžné plnění měsíčních kvót po týmech pro Obchodního ředitele je docela dobrý příklad.
2. Výstavka
Často dashboardy, prezentované jako “ty krásné” jsou spíš přehlídkou možností daného vizualizačního nástroje. Na jedné stránce najdeme snad všechny typy grafů a widgetů, co daný nástroj nabízí.
Proč takhle ne? Stále stejný problém. Lidský mozek má omezené možnosti vstřebávání informací, a tyhle galerie různých grafů fakticky spíše tříští pozornost.
Co s tím? Méně je často více. Dobře volit jednotlivé vizualizace s ohledem na to CO chceme sdělit.
3. Toaleťák
Často proto, že “business to tak chce”, vznikají tyhle toaleťáky. Jedna dloooouhá stránka, na které je prostě všechno. Protože někdo se nechce “překlikávat” apod. Kromě toho, že je dokázané, že často uživatelé prostě nedoscrollují a taky taková stránka trpí vším, co je popsáno výše, má ještě jeden problém a tím je typicky výkon. Pokud na jednu stránku umístíme 118 vizualizací (ano, i takový příklad máme), nemůžeme se potom divit, že načítání trvá dlouho a reakce takového dashboardu jsou velmi zpomalené. Prostě daný analytický engine má fůru práce - často celkem zbytečně - a tak mu to trvá.
4. Filtrované peklo
S toaleťákem souvisí i filtrované peklo - dashboard, na kterém jsou umístěny klidně i desítky různých filtrů, často není jasné, na který filtr odpovídá který graf apod. Takové fujtajbl řešení, poplatné automatickým filtrům v Excelu. Kromě toho i načtení hodnot do filtru - zvlášť, pokud má zobrazovat pouze relevantní hodnoty - prostě nějakou dobu zabere. Pak si stěžovat na výkon je trošku “s křížkem po funuse”.
5. Bloudění časem
Tenhle vzor vypadá na první pohled nevinně: máte dashboard který se jmenuje “Měsíční plnění plánu”, filtr na přepínání měsíců a na konec dashboardu umístíte report, který ukazuje dlouhodobé tržby od začátku roku. Matoucí. Navíc, když začnete filtrovat (tento měsíc, minulý měsíc), v lepším případě se report s tržbami za celý rok po měsících nebude měnit.
6. Válka barev
Trošku souvisí s “výstavkou”. Klíčové je, aby stejné hodnoty atributů (např. jednotlivé obchodní týmy) měli všude přidělenou stále stejnou barvu. Protože jinak jsou barvy pro jednotlivé barvy spíš matoucí. Pokud každé části dashboardu budou mít týmy přeřazené pokaždé jiné barvy, opět to snižuje čitelnost celé informace.
7. Začít se musí od "Z"
Zní to divně. Ale písmeno “Z” je pro návrh dashboardu klíčové. Ukazuje, jak jednotlivé vizualizace umisťovat na dashboard Tj. zleva doprava, shora dolů. Nejdůležitější informace musí být vlevo nahoře, směrem dolů se umisťují potom podrobnější informace (drilldowns apod.).
Zase, souvisí to s tím, jak lidský mozek konzumuje informace. Porušení tohoto vzorce při návrhu dashboardu vede opět k jeho nečitelnosti.
8. Exportní tabulka
Snad nejčastější prohřešek vůbec. Dashboard, na kterém je mj. umístěna tabulka, která zobrazuje všech vašich osm tisíc (!!!) klientů a k nim 20 různých metrik. Cílem je jediné - kliknout na Export to XLS a pak vesele filtrovat v Excelu. Když se stane, že jste donuceni vytvořit takové řešení, věřte, že je někde hodně něco špatně. Kromě toho, že zobrazení tabulky bude trvat velmi dlouho, hlavně úplně měníte use case celého vizualizačního toolu. Neslouží potom jako analytický / prezentační nástroj, ale jako pouze nástroj k získání dat. Vlastní analytická práce se potom děje v Excelu. To opravdi chcete?
Máte k článku nějaké otázky nebo připomínky? Klidně mi napište, rád to s Vámi proberu :-)
Síla dobře navržených dashboardů a KPI | Mňamka #535
V dnešní době chce být každý "data-driven" – rozhodovat se na základě dat, a ne podle pocitů. Jedním z klíčových způsobů, jak toho dosáhnout, jsou správně nastavené KPI a přehledné dashboardy. Ty poskytují jasný přehled o výkonnosti a pomáhají firmám činit rozhodnutí, která opravdu stojí na datových základech, ne na odhadech.
Klíčové ukazatele výkonnosti (KPI): Jak je správně nastavit a efektivně vyhodnotit pomocí business intelligence | Mňamka #534
Jak efektivně řídit růst a sledovat dosažení cílů? Jak klíčové ukazatele výkonnosti (KPI) pomáhají firmám zlepšovat výkon a naplňovat strategické záměry?V článku najdete příklady KPI pro oblasti jako finance, marketing, zákaznický servis, výroba, lidské zdroje a IT, včetně praktických příkladů jejich využití. Zjistěte, jak zavést a sledovat KPI, abyste získali lepší přehled o efektivitě klíčových procesů.
Datové sklady, jezera a lakehouse: Jak vybrat správnou architekturu pro správu dat? | Mňamka #533
Svět správy dat prošel rychlým vývojem, který je poháněn rostoucí potřebou zpracovávat a analyzovat obrovské množství dat v reálném čase. Firmy, které chtějí porozumět svým datům, narazily na různé architektury – datové sklady, datová jezera a nyní i tzv. lakehouse – které nabízejí různé možnosti pro ukládání a správu dat. Tento článek se zabývá těmito třemi architekturami, porovnává jejich výhody a nevýhody a podrobněji se zaměřuje na lakehouse, nejnovější inovaci, která se snaží řešit problémy z dřívějších systémů.