Interaktive Dashboards für Big Data als Erfolgsfaktor im Controlling

Überprüfung der Usability von Gestaltungsempfehlungen mithilfe von Eye Tracking

Die effektive Informationsdarstellung im Reporting stellt Unternehmen vor Herausforderungen. Denn nicht selten führt eine unübersichtliche oder irrführende Informationsdarstellung in Dashboards zu einer Überforderung der Anwender und falschen Entscheidungen. Doch wie kann dies verhindert werden? Wie kann Informationsdesign einem Unternehmen dabei helfen, Informationen anwenderfreundlich und mit hoher Effektivität so darzustellen, dass schnell die richtigen Schlüsse aus den Informationen gezogen werden können? Und was muss beachtet werden, damit dies auch bei sehr großen Datenmengen gewährleistet ist? 

Um der o. g. Problematik entgegenzuwirken, zielt das Informationsdesign darauf ab, Informationen im Reporting so darzustellen, dass diese fehlerfrei und in möglichst kurzer Zeit verarbeitet werden können. FH-Prof. Mag. DI Peter Hofer, Professor für Controlling an der Fachhochschule Oberösterreich, schilderte, wie sich die aus seiner Forschung abgeleiteten Gestaltungsempfehlungen für Dashboards mithilfe der Methode des Eye-Tracking auf ihre Usability überprüfen lassen. Die Verwendung des Eye-Trackings ermöglicht es, die visuelle Wahrnehmung des Anwenders transparent werden zu lassen und somit die Qualität des Visualisierungsdesigns in Bezug auf Effektivität, Effizienz und Nutzerfreundlichkeit zu beurteilen. Um Visualisierungsdesigns zu testen, werden Probanden Fragen zu einzelnen Informationen des Dashboards gestellt, während sie mit dem passenden Eye-Tracking-Equipment ausgestattet sind. Abhängig von der Antwortzeit der Probanden sowie der Fehlerrate der gegebenen Antworten ordnet Hofer die Designs in vier verschiedene Kategorien ein:

1. Die sog. "Losers": Die Visualisierungsdesigns dieser Kategorie werden von den Berichtsempfängern nicht verstanden. Sie benötigen nicht nur sehr lange für die Beantwortung der Aufgabenstellungen zu den Inhalten des Dashboards, ihre gegebenen Antworten weisen außerdem eine hohe Fehlerrate auf. 
2. Die "Misleaders": Diese Kategorie ist für Entscheidungen noch gefährlicher als die Kategorie der "Losers", da das Design zu schnellen, aber falschen Schlussfolgerungen verleitet.
3. Die "Brain Teasers": In diese Kategorie ordnet Hofer alle Designs ein, die von den Nutzern zwar zunächst schwer zu verstehen sind, allerdings schlussendlich trotzdem zu einer richtigen Antwort führen. 
4. Die "Winners": Diese Kategorie legt die Zielsetzung der Forschung dar: Visualisierungsdesigns sollen mithilfe von Interaktionskonzepten so gestaltet werden, dass das Design einfach und schnell zu verstehen ist und vor allem zu richtigen Entscheidungen führt. 

Erhöhung der Effizienz durch die optimale Gestaltung eines Dashboards

Werden auf einem Dashboard, wie in der Kategorie „Winners“, die wesentlichen Informationen mit ausgewählten KPIs und guten Designempfehlungen auf einem One-Pager platziert, kann dessen Effizienz um bis zu 50 % erhöht und damit eine hohe Usability erreicht werden, so Hofer. Vor allem bei Dashboards mit hoher Informationsdichte haben Nutzer jedoch oft Schwierigkeiten bei der Informationsverarbeitung. Hofer stellte deshalb wesentliche Gestaltungsempfehlungen für Dashboards vor, die zu einer besseren Informationsverarbeitung führen sollen: 

1. Berichtsempfänger dürfen nicht mit zu vielen Informationen überfordert werden (Information Overload). Um dies zu gewährleisten, sollte das Management in die Erstellung des Dashboards miteinbezogen werden, sodass ihm genau die Kennzahlen zur Verfügung stehen, welche benötigt und gewünscht werden. Zudem sollte eine Reduktion auf sechs Dashboard-Elemente erfolgen. Diese Einschränkung ist wesentlich, um gerade bei ungeübten Lesern einen schnellen Überblick zu ermöglichen und erst dann mithilfe von Interaktion zusätzliche Informationen bereitzustellen. 
2. Ist dies geschehen, sollten die wichtigsten Informationen im linken oberen Bereich auf dem Dashboard platziert werden, da dies der natürlichen Leserichtung entspricht. Informationen, die in diesem Bereich angebracht sind, werden dementsprechend zuerst wahrgenommen. 
3. Zusätzlich sollten auch Interaktionskonzepte wie Filter oder Auswahloptionen in diesem Bereich platziert werden. 
4. Es ist außerdem darauf zu achten, dass einander ähnliche Dashboard-Elemente, also bspw. ähnliche Visualisierungstypen verwendet werden, um ein einheitliches und übersichtliches Auftreten zu gewährleisten.

Werden diese Gestaltungsempfehlungen berücksichtigt, resultiert dies nach Hofer in einer deutlich höheren Usability und in hohen Effizienzgewinnen des Dashboards. Hofer erwähnt jedoch auch, dass diese Gestaltungsempfehlungen bei der Visualisierung von großen Datenmengen nicht ausreichen. Um auch in einem Big-Data-Umfeld einen Effizienzgewinn bei der Informationsdarstellung in Dashboards zu erreichen, muss auf weitere Designkonzepte zurückgegriffen werden.

Big Data: Herausforderung eines mehrdimensionalen Datenmodells

Speziell im Big-Data-Umfeld finden sich nach Hofer neben den hohen Daten-Volumina auch sehr viele verschiedene Dimensionen, die dargestellt werden sollen (bspw. Händler, Verkäufer, Kunden etc.). Auch die verschiedenen Attribute (Wertausprägungen wie Preis, Mengen, Umsätze etc.) für bspw. einzelne Bestellungen oder Lieferungen eines Unternehmens führen schnell dazu, dass die o. g. Designempfehlungen im Dashboard aufgrund der hohen Datenmenge nicht mehr eingehalten werden können. Hofer verdeutlicht mit seinen Ausführungen, dass neue Visualisierungskonzepte im Big Data Umfeld benötigt werden, in denen entweder 

• zu einem einzelnen Attribut mehrere Dimensionen oder 
• zu einer einzelnen Dimension mehrere Attribute 

dargestellt werden. In der Darstellungsweise unterscheidet Hofer hier in kartesische und radiale Visualisierungen (s. Titelabbildung). 

Sollen zu einem Attribut (wie bspw. Absatz) mehrere Dimensionen (bspw. verschiedene Länder oder Kontinente) dargestellt werden, so bietet sich nach Hofer zum einen die kartesische „Sankey“-Visualisierung, zum anderen die radiale „Sunburst“-Visualisierung an. 
Umgekehrt ist es nach Hofer in Bezug auf eine verständliche Darstellung auch möglich, mehrere Attribute zu nur einer Dimension darzustellen, hier unterscheidet er die kartesische „Parallel Coordinates“-Visualisierung sowie die radiale „Polar Coordinates“-Visualisierung. 
Bei einer Überprüfung der Usability mithilfe einer Online-Umfrage konnten Prof. Hofer und sein Team die Effektivität und die Usability der einzelnen Visualisierungstypen quantitativ testen und die Zufriedenheit der Nutzer bestimmen.

Kartesische Sankey-Visualisierung erzeugt hohe Usability und Nutzerzufriedenheit

Beim Vergleich zwischen „Sankey“ und „Sunburst“ führte die kartesische Visualisierung „Sankey“ zu einer höheren Effektivität und Zufriedenheit der Nutzer. Auch die mentale Anstrengung ist bei „Sankey“ niedriger, welche letztendlich auch in Beziehung zur Entscheidungsqualität steht. Im Vergleich zwischen „Parallel Coordinates“ und „Polar Coordinates“ weist die kartesische Visualisierung „Parallel Coordinates“ eine deutlich höhere Effektivität, Effizienz und Nutzerzufriedenheit auf, während sich gleichzeitig die mentale Anstrengung der Entscheider verringert. 

Zusammenfassend erläutert Professor Hofer, dass bei komplexeren Aufgabenstellungen ein spezifisches Farbkonzept sowie die Erweiterung der Interaktionsmöglichkeiten wesentlich dafür sind, dass Informationen in Dashboards schnell und vor allem fehlerfrei verarbeitet werden können. Nur für einfachere Aufgaben wie Identifikationsaufgaben empfiehlt Hofer die zu Anfang genannten Standardvisualisierungen. Im Big Data Umfeld und bei der Entscheidung zwischen kartesischen und radialen Visualisierungstypen betont Hofer seine klare Präferenz für die kartesischen Visualisierungen „Parallel Coordinates“ und „Sankey“, da diese die höchste Effektivität und Nutzerzufriedenheit erreichen konnten. Grundsätzlich ist der Einsatz dieser Visualisierungen jedoch noch sehr beschränkt, weshalb Hofer Unternehmen zur verstärkten Nutzung dieser aufruft, sodass diese den Management-Anforderungen im Reporting in einem Big Data Umfeld auf lange Sicht effizient und effektiv gerecht werden können.

Das könnte Sie auch interessieren

Neue interaktive Big-Data-Visualisierungen einsetzen und gestalten