User-Centered Visual Analytics

User-Centered Visual Analytics Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax: +49 6151 155-139 Email: joern.kohlhammer@igd.fraunhofer.de http://www.igd.fraunhofer.de/iva

Visual Business Analytics 2

Big Data 4

Visual Analytics Was gibt es schon? Automatisches Knowledge Discovery & Data Mining Interaktive visuelle Daten-Exploration Was brauchen wir? Enge Integration visueller und automatischer Datenanalysemethoden mit Datenbanktechnologien für skalierbare interaktive Entscheidungsunterstützung Visuelle Daten-Exploration Visualisierung Daten Wissen Modelle Data Mining Feedback Loop 5 Quelle: Keim (2010)

Vorgehen für Visual Analytics-Projekte Kennenlernen der Daten Kennenlernen der zu treffenden Entscheidungen, des Workflows und der Ziele des Benutzers 6

Design-Methoden Genius Design: Kreativität und Fähigkeiten der Designer bilden das Zentrum der Entwicklung Activity Centered Design: Stellt Vorhaben und Aktivitäten, die durchgeführt werden, in den Vordergrund User-Centered Design: Stellt die Bedürfnisse der Benutzer in den Mittelpunkt aller Designentscheidungen 7

Vorgehen für Visual Analytics-Projekte Kennenlernen der Daten Kennenlernen der zu treffenden Entscheidungen, des Workflows und der Ziele des Benutzers Erwartung Aufgabe Wissen Erlebnis Kontext Wahrnehmung Ziel Fähigkeit 8

Informationsvisualisierung Kennenlernen der Daten Kennenlernen der zu treffenden Entscheidungen, des Workflows und der Ziele des Benutzers 9

User-Centered Design User-centered design (UCD) is a flexible, collaborative process for software development projects that enables teams to more effectively meet the needs of users and customers. (SAP-Community Network 1 ) 10

Daten Vorgehen für Visual Analytics-Projekte Identifizierung und Auswahl der relevanten Daten Nein Modell Ja: Auswahl eines Modells für relevante Daten Aufgabe (teilw.) automatisierbar? Nein Daten gut visualisierbar? Aufgabe voll automatisierbar? Nein: Auswahl der passendsten Visualisierungstechnik Ja: Auswahl der passendsten Visualisierungstechnik Ja Automatische Datenanalyse Visual Analytics Visuelle Datenexploration Quelle: Visual Business Analytics, 2013 11

Vorgehen für Visual Analytics-Projekte Kennenlernen der Daten Kennenlernen der zu treffenden Entscheidungen, des Workflows und der Ziele des Benutzers Design-Prototypen für Visualisierungen Auswahl und erste Implementierungen 12

Vorgehen für Visual Analytics-Projekte Kennenlernen der Daten Kennenlernen der zu treffenden Entscheidungen, des Workflows und der Ziele des Benutzers Design-Prototypen für Visualisierungen Auswahl und erste Implementierungen Einfluss der späteren Nutzer in jeder Phase der Entwicklung 13

Von Descriptive zu Prescriptive Analytics What should we do? Optimization Decision trees Heuristics What will happen? Forecasting Data Mining Regression Simulation What is going on? Dashboards Visualisations in Business Intelligence Prescriptive Predictive Descriptive basierend auf James Sesils Stacked Area Triangle 15

Beispiel Betrugsanalyse und Risikomanagement CRM-Analysen Trendanalysen Sicherheit Netzwerkanalyse (Energie, Social Networks, Internet, etc.) Medizin Analysen im Fertigungsumfeld Überall, wo massive Datenmengen anfallen 16

Überwachung von Trafo-Lastkurven Übersicht über das Gesamtnetz Netzanalyse kurzfristig (Tagesbasis) historisch (über das vergangene Jahr) Besseres Verständnis der kritischen Bereiche Schnellere, gezieltere Reaktion (auf Änderungen durch EEG- Ausbau) Planung des Netzausbaus Priorisierung der Modernisierung Kostenersparnis durch bessere Planung und Wartungsprioritäten Höhere Versorgungssicherheit 17

Netz-Übersicht Mehr Details durch Zoomen Transformatoren in einer Region (Niederspannung) Namen wurden anonymisiert Durch Hinein-zoomen werden mehr Details sichtbar 18

Netz-Übersicht mit Details Wir untersuchen zuerst den Kalender einer einzelnen Station 19

Musteranalyse Wir untersuchen eine konkrete Station auf diese interessanten Muster Saisonale Trends (im Winter höherer Verbrauch) Innerhalb einer Woche (kaum Unterschied zwischen Wochentag/Wochenende) Rückspeisung vor allem von März bis Juni 20

Detail-Ansicht Kurvenverläufe aller Tage von allen Stationen Jedes Muster (jeder Tagesverlauf) entspricht einem Punkt auf der Karte Die Punkte werden nach Ähnlichkeit gruppiert 21

Auswahl eines interessanten Bereichs 22

Daten Vorgehen für Visual Analytics-Projekte Identifizierung und Auswahl der relevanten Daten Nein Modell Ja: Auswahl eines Modells für relevante Daten Aufgabe (teilw.) automatisierbar? Nein Daten gut visualisierbar? Aufgabe voll automatisierbar? Nein: Auswahl der passendsten Visualisierungstechnik Ja: Auswahl der passendsten Visualisierungstechnik Ja Automatische Datenanalyse Visual Analytics Visuelle Datenexploration Quelle: Visual Business Analytics, 2013 23

Fazit Fraunhofer IGD ist der Ansprechpartner für individuelle Lösungen im Bereich Informationvisualisierung und Visual Analytics Angebot Breite Auswahl an verfügbaren Visualisierungs- und Analysemethoden Visualisierungslösung für individuelle Daten Integration in vorhandene Systemumgebungen Erfahrene Analysten und Entwickler Direkte Zusammenarbeit oder als Partner im Verbund 24

Fraunhofer IGD (Stand 2012) 215 Mitarbeiter (FTE) 16,2 Mio Budget 4 Standorte Darmstadt, Rostock, Graz und Singapur 12 F&E-Abteilungen für angewandte Forschung in Visual Computing und die Nutzbarmachung von Forschungsergebnissen in der Wirtschaft Die weltweit führende Einrichtung für angewandtes Visual Computing 25

Fraunhofer IGD Geschäftsfelder Visuell Visuelle Entscheidungshilfe Virtuelles Engineering Virtuell Digital Digitale Gesellschaft 26

Geschäftsfeld Visuelle Entscheidungshilfe Menschen wollen Zusammenhänge verstehen, Einsichten gewinnen und Entscheidungen herbeiführen. Wir machen über Visualisierungen komplexe Sachverhalte in abstrakten Daten, Modellen und Simulationen sichtbar. Wir unterstützen Industrie, Behörden und Privatpersonen mit Analysetechniken und Visualisierungsmethoden dabei, Entscheidungen einfacher, schneller und besser zu treffen. 27

Kontakt Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer IGD Fraunhoferstraße 5 64283 Darmstadt Deutschland Tel.: +49 (6151) 155 646 Fax: +49 (6151) 155 139 Email: joern.kohlhammer@igd.fraunhofer.de http://www.igd.fraunhofer.de 28