Vor einigen Wochen haben wir einen Beitrag in unserem Blog veröffentlicht der sich mit den 5 besten Tipps zur Datenvisualisierung beschäftigte. Der Artikel befasste sich vorwiegend mit der gelungenen Visualisierung der Projektpräsentation, die in den meisten Fällen aus einem Set von Folien besteht, die man dem Kunden am Ende eines Projektes mit den wichtigsten Erkenntnissen und Empfehlungen vorstellt. Heute geht es uns nun um die unterschiedlichen Möglichkeiten der Visualisierung, die wir in der jeweiligen Phase des Marktforschungsprojektes einsetzen können.
Erwartungsgemäß verarbeiten Marktforscher Unmengen von Daten. Für ungeübte Augen kann diese Flut an Daten schier überwältigend wirken und daraus noch ein sinnvolles Ergebnis zu ziehen kann eine gewaltige Herausforderung sein.
Abhilfe schafft da die Visualisierung. Daten visuell darzustellen erleichtert es gewisse Muster und Abweichungen zu erkennen. Dennoch heißt das nicht einfach Daten in Excel zu importieren und nur noch auf „Insert Chart“ zu drücken. Effektive Datenvisualisierung berücksichtigt bei der Entscheidung für das richtige Format den Grund und das Ziel der Information.
Das bringt uns zu einem Artikel, der in der Ausgabe des Harvard Business Review im Juni 2016 mit dem Titel „Visualization that really works“ veröffentlicht wurde. Der Artikel beleuchtet zwei Fragen, die wenn richtig beantwortet zur Auswahl einer der vier Arten der gewünschten Visualisierung führen. Die erste Frage gilt der Art der gewünschten Information. Ist diese konzeptionell oder datengestützt? Oder in anderen Worten: sucht man nach qualitativen oder quantitativen Informationen. Geht es um Konzepte oder Statistik? Die zweite Frage beschäftigt sich mit dem Ziel der Visualisierung: soll etwas erklärt oder eher untersucht werden? Der Bericht des Quartalsumsatzes an die Geschäftsleitung würde beispielsweise in die Kategorie „Erklärung“ fallen. Die genannten Verkaufszahlen nun auf die Regionen aufzuschlüsseln, um festzustellen ob einige Niederlassungen hinter dem durchschnittlichen Gesamtergebnis zurückliegen, wäre dann ein Beispiel für die Kategorie „Untersuchung“. Diese beiden Fragen wurden zu einer Matrix aus 4 Abschnitten zusammengefügt Jede Abschnitt repräsentiert eine der vier Arten der Visualisierung: Ideenillustrierung (Idea Illustration), Ideengenerierung (Idea Generation), Visuelle Entdeckung (Visual Discovery) und Alltägliche Datenvisualisierung (Everyday Dataviz).
In einem typischen Marktforschungsprojekt kommen gewöhnlich alle vier Arten der Visualisierung zum Einsatz.
Ideenillustrierung
Zwischen den Sektionen „konzeptionell“ und „erklärend“ finden wir die „Ideenillustration“ (Idea Illustration). Dieser Typ der Visualisierung wird zur Präsentation von Prozessen und Modellen eingesetzt, um eine eingängige Darstellung eines sonst eher komplexen Konzeptes zu ermöglichen. Beispiel: Man setzt eine Directional Policy Matrix am Ende einer Segmentierungsstudie ein und kommuniziert damit die erstrebenswerten attraktiven Segmente (und natürlich auch die weniger attraktiven, die es auszuschließen gilt). Ein anderes Beispiel zeigt sich am Ende einer Studie zu Marktchancen, wobei die Matrix eingesetzt werden kann, um zu demonstrieren, in welchen Märkten sich ein Eintritt lohnt und in welche nicht.
Eine Customer Journey Map ist ein weiteres Beispiel der Darstellung der Marktforschungsergebnisse, das unter die Rubrik „Ideenillustrierung“ fällt. Das Diagramm wird zur Darstellung eines jeden Touchpoint während der Customer Journey eingesetzt und zeigt darüber hinaus die Punkte auf, an denen zu viel oder eben auch zu wenig für die Customer Experience getan wird.
Ideengenerierung
In der „Ideengenerierung“ (Idea Generation) geht um die Entwicklung von neuen Konzepten und Prozessen. Die Art der Visualisierung ist typisch für die Ideenfindung in Workshops, bei denen man so viele unterschiedliche Sichtweise wie möglich aufgreifen will. Beispiel: Workshops zur Konzeptentwicklung mit Kunden finden oft im Zusammenhang mit Studien zur Neuproduktentwicklung statt. Solche Workshops sind interaktiv und werden von einem Moderator begleitet, der die Ideen und Gedanken der Gruppe erfasst und mit Hilfe von Mindmaps und ähnlichen Techniken zusammenfasst. Im Ergebnis stellt sich die Ideengenerierung oft als wenig strukturiert dar und hängt entscheidend von der Entwicklung der gesamten Diskussion ab.
Visuelle Entdeckung
Zwischen „datengestützt“ und „erklärend“ befindet sich die „Visuelle Entdeckung“ (Visual Discovery). Sie ist die komplizierteste Sektion und taucht gerne während des Stadiums der Analyse eines Projektes auf. Datenwissenschaftler und -analysten setzen auf eine große Anzahl von Charts und statistischen Modellen, um Daten nach Mustern, Trends und Abweichungen zu durchforsten. Diese Charts ändern sich ständig, da Parameter angepasst werden müssen und neue Datenquellen hinzugefügt werden. Beispiel: In einer Studie zur Segmentierung kommt die visuelle Entdeckung zum Einsatz, wenn Befragungsergebnisse zusammengefasst und mögliche Kundensegmente identifiziert werden. Andere Beispiele beinhalten die Zusammenfassung einer Conjoint Analyse, SIMALTO und Preiselastizitätsanalyse, um die optimale Preisgestaltung zu ermitteln.
Alltägliche Datenvisualisierung
Schließlich haben wir noch die „Alltägliche Datenvisualisierung“ (Everyday Dataviz) zwischen den Bereichen „datengestützt“ und „erklärend“. Das sind einfache Charts und Grafiken, die für Präsentationen und Reports bei der Darstellung von wesentlichen Ergebnissen (Key Findings) eingesetzt werden. Sie bestehen aus Linien-, Balken- und Torten-Diagrammen sowie Scatterplots.
Beispiel: In Marktforschungsreports setzt man Linien-Diagramme für eine Darstellung der Entwicklung des NPS Scores ein und verwendet Balken-Diagramme zum Vergleich von Bekanntheitsgraden verschiedener Marken und Produkte. Da diese Art von Visualisierung in jeder Ergebnispräsentation zum Einsatz kommt, muss sie leicht verständlich sein und eine klare und stimmige Geschichte erzählen.