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 :-)

Radovan Jirka
datový detektiv
LinkedIn

Keboola a Kai PromtLab | Mňamka #524

Keboola a Kai PromtLab | Mňamka #524

Objavte PromptLab, sofistikované riešenie od Kebooly a Kai PromtLab na zlepšenie interakcií s umelou inteligenciou. V tomto článku sa dozviete, ako PromptLab využíva technológiu Streamlit na automatické prispôsobovanie výziev za účelom dosiahnutia lepšej jasnosti a presnosti vo vašich projektoch. Oboznámte sa s intuitívnym rozhraním, ktoré vám umožní porovnávať výsledky a optimalizovať pracovné postupy.

Základní pojmy v datovém modelování | Mňamka #457

Základní pojmy v datovém modelování | Mňamka #457

Co je to datový model? Jaký je rozdíl mezi konceptuálním a logickým modelem? A k čemu slouží proces tzv. normalizace? Bez datového modelování se dnes v BI obejdete už jen stěží, Kuba si o něm proto připravil krátkou minisérii, ve které si vše probereme od úplných základů. V prvním díle se seznámíme s nejdůležitějšími pojmy, které byste v této souvislosti měli znát, a na jednoduchém příkladu z oblasti sales si ukážeme, jak takový datový model vlastně vypadá. Tak pojďme na to!

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

Proč se vyplatí recyklovat metriky v MAQL? Máme tady pokračování naší krátké minisérie o dotazovacím jazyku MAQL od Péti. V minulém díle jsme si osvětlili základní rozdíl mezi SQL a MAQL a dnes se zaměříme na výhody metrik vytvořených pomocí MAQL a jejich recyklaci. Funguje to přitom podobně jako v případě klasické recyklace surovin. Pokud ji dělat nebudete, ušetříte si možná půl minutky práce, v budoucnu se vám to ale může velmi nepříjemně vrátit. Tak se na to pojďte podívat!