Víc než BI: Když data vyprávějí příběhy

Vizualizace, jako jsou grafy či diagramy, jednoduše prezentují data. Typická reakce publika v takovém okamžiku je: „Na co se to díváme?“ Datové příběhy odpovídají právě na takové otázky – rovnou tak překládají základ příběhu dat a spouštějí proces přemýšlení o nich a o dalších souvislostech.

Lukáš Erben, redakce INSIDE

Datové vypravěčství (data storytelling) je podle všeho dalším milníkem vývoje BI a analytiky. Navazuje na dnes již poměrně běžnou samoobslužnou BI – nabízí kombinaci tradičního zkoumání a vizualizace dat s popisnými technikami způsobem, který je snáze stravitelný a cílové publikum spíše zaujme. Lidé zkrátka a dobře umějí vyprávět a naslouchat příběhům, teď jde o to  naučit to vaši analytiku a BI.

Cílem a smyslem rozvoje nových schopností a funkcí BI je podpořit nové trendy v oblasti řízení – zejména kolaborativní rozhodování distribuované do více úrovní řízení. Využití těchto „datových příběhů“ přitom cílí na tři hlavní oblasti:

• Usnadnit aktivní zapojení a pochopení toho, co data „sdělují“
• Doplnit kontextuální informace, které nejsou obsaženy v datech samotných (mohou být v jiných systémech, vycházet ze zkušeností lidí nebo externích událostí)
• Vyvolat bezprostřední diskuzi o datech a jejich příběhu

Datové příběhy prostě zkoumají a vysvětlují, jak a proč se data v průběhu času měnila – často pomocí několika provázaných vizualizací. Vizualizace jsou téměř vždy klíčovým prvkem datového příběhu, nejsou ale totéž co příběh. Ten by měl vždy propojovat data a časovou osu (nebo události) pomocí plynulého narativu (vyprávění). Oproti tomu vizualizace samotné často ukazují data pro konkrétní časový bod.

Příběh umístěný jasně na časové ose lze při rozhodování snáze uchopit a vyvodit z něj otázky typu „jak tuto příležitost využijeme“, „jaký bude další krok“ nebo „co se bude dít dál“. Tyto otázky jsou důležité, protože napomáhají jasnému zacílení na výsledky. Datový příběh se od těch tradičních (knižních či novinářských) liší – nemá strukturu typu začátek, střed a konec – vytváří rámec pro otázky, možné výsledky, o nichž lze uvažovat či diskutovat a následně se pro některý rozhodnout.

Není to věda

Datový příběh není v praktickém podání až taková věda, jak by se mohlo zdát (vytvoření nástroje či funkce, která jej dokáže dynamicky, automaticky a smysluplně generovat z dostupných dat – například kombinací dat firemních s daty z otevřených zdrojů už pochopitelně věda je, ostatně i proto se české Stories prodaly tak rychle a tak výhodně – neoficiální zdroje hovoří o devítimístné dolarové částce). V praxi může jít o anotovaný dohledový panel (dashboard), zajímavě pojatý a okomentovaný flowchart, prezentaci propojenou na datové zdroje a vizualizace dat, infografiku nebo třeba storyboard. Vše je podřízeno prosté poučce:

Lidé víc důvěřují datům, která „dobře vypadají“ nebo jsou „dobře převyprávěna“. To vždy pomáhá obecnému povědomí o příslušných datech a analýzách a přirozeně to zvyšuje význam, který je datům a analýzám přikládán v procesu rozhodování.

Jedním z nejlepších příkladů, jak může datové vypravěčství fungovat například při práci s daty OSN, nabízí TED přednáška Hanse Roslinga z roku 2006:

Úskalí datového vypravěčství

Každý vypravěč nevyhnutelně vkládá do příběhu svůj osobní subjektivní pohled – všichni podléháme subjektivnímu zkreslení a chybám. Součástí kvalitního datového vypravěčství by proto měly být techniky, jak toto zkreslení potlačit – tou nejjednodušší metodou je vytvořit datový příběh tak, aby se o něm mohlo kriticky diskutovat. To v praxi znamená, že datové příběhy vyprávěné prostřednictvím BI platforem by měly být vytvořeny ze „živých“ objektů, tedy vizualizací a komentářů, jež jsou napojeny přímo na zdrojová data (buď v aktuální verzi, nebo ještě lépe ve verzi jež byla aktuální v okamžiku vytvoření datového příběhu) a posluchači/čtenáři je mohou interaktivně a kolaborativně zkoumat a přezkoumávat. To je jeden z typických rozdílů mezi obyčejnou prezentací a datovým příběhem. Cestou, jak potlačit bias, je také automatické generování datového příběhu v BI/analytickém systému (například tzv. rozšířené analytice – augmented analytics), ani tak ale nelze zkreslení eliminovat zcela (v případě AI/ML systémů může být způsobeno například daty, na kterých se „učí“).

Tento text vychází ze studie společnosti Gartner „Beyond BI Reporting: Engaging Decision Makers Through Data Storytelling“, analytik: James Richardson, červen 2018, G00318669.

Více o datovém vypravěčství a dalších trendech v analytice a práci s firemními daty se dočtete v INSIDE Report 2018-2.