Best Practices für die Datenvisualisierung: Ein praktischer Leitfaden für klare, ehrliche und effektive Diagramme

Richard Tomlinson hat den Großteil seiner Karriere damit verbracht, Unternehmen dabei zu helfen, mit ihren eigenen Daten zu arbeiten und das Vertrauen der eigenen Teams in diese Daten zu stärken. Sowohl in BI- als auch in Produktrollen hat er immer wieder dasselbe Fehlermuster beobachtet: Dashboards, die mit den besten Absichten erstellt, von den Nutzenden dann aber stillschweigend nicht mehr verwendet wurden. Da AI nun in Sekundenschnelle Diagramme erstellen kann, sagt ihm seine Erfahrung, dass „Self-Service“ mehr bedeuten muss als nur Schnelligkeit.

In diesem Gespräch erklärt Richard, warum Dashboards das Vertrauen verlieren, lange bevor sie ihr gutes Design verlieren, was AI an diesem Problem wirklich ändert und was Menschen zu einem Diagramm beitragen müssen, das keine AI-Unterstützung allein liefern kann.

Warum nutzen Menschen keine BI-Dashboards mehr?

Erzählen Sie uns von einem Dashboard, das Ihrer Erfahrung nach gescheitert ist. Keines, das schlecht aussah, sondern eines, das die Leute einfach nicht mehr geöffnet haben.

Richard Tomlinson: Dashboards, die scheitern, sind nicht unbedingt hässlich. Oft scheitern sie, weil jemand eine Zahl sieht, der er nicht glaubt, und nicht schnell nachvollziehen kann, wie sie zustande kommt.

Stellen Sie sich eine Führungskraft vor, die am Montagmorgen ein Umsatz-Dashboard öffnet und eine Zahl sieht, die von dem Bericht abweicht, den die Finanzabteilung am Freitag verteilt hat. Sie weiß nicht, ob das Dashboard eine andere Umsatzdefinition, eine andere Aktualisierungszeit, einen anderen Filter oder einfach die falschen Daten verwendet. Wenn sie erst ein Analystenteam fragen muss, um das herauszufinden, hat das Dashboard bereits eine seiner wichtigsten Aufgaben verfehlt.

Vertrauen schwindet meist viel schneller, als es aufgebaut wird. Nutzende erstellen selten ein Ticket, in dem steht, dass sie der BI-Plattform nicht mehr vertrauen. Sie hören einfach stillschweigend auf, sie zu öffnen, und kehren zu Tabellenkalkulationen, Analysten oder manuell erstellten Berichten zurück.

Deshalb beginnt eine gute Visualisierung für mich schon vor der eigentlichen Visualisierung. Ein klares Diagramm kann eine unklare Metrik, eine fragwürdige Quelle oder eine inkonsistente Business-Definition nicht ausgleichen. In einer AI-gestützten Analyseumgebung ist dies umso wichtiger, da Nutzende viel schneller viel mehr Analysen erstellen können. Wenn die zugrunde liegenden Daten, die Semantik und die Governance inkonsistent sind, hilft AI am Ende nur dabei, inkonsistente Diagramme schneller zu erstellen.

Die besten modernen Analyse-Erlebnisse verknüpfen die Visualisierung wieder mit ihren Daten und deren Bedeutung, sodass es auf jeder Oberfläche nur eine Version der Wahrheit gibt statt fünf. Beispielsweise erben Databricks AI/BI-Dashboard-Datasets die Governance von Unity Catalog, und die Plattform behält die Lineage zwischen den Daten-Assets bei. Das bedeutet, dass Nutzende, die an einer Zahl zweifeln, diese bis zu ihrer Quelle zurückverfolgen können, anstatt das gesamte System abzuschreiben.

Was sollten Führungskräfte bei der Einführung von AI-Dashboard-Tools priorisieren?

Da AI die Art und Weise, wie wir Daten nutzen und mit ihnen interagieren, grundlegend verändert: Was sollten Führungskräfte bei der Einführung neuer AI-Dashboard-Tools priorisieren?

Richard Tomlinson: Mir gefällt das Konzept der „Vertrauensschulden“ (Trust Debt), weil Unternehmen diese jedes Mal anhäufen, wenn Nutzende auf zwei Versionen derselben Metrik, eine ungeklärte Diskrepanz, ein veraltetes Dashboard oder eine nicht überprüfbare Antwort stoßen.

AI kann diese Schulden erheblich vergrößern, da sie die Wirtschaftlichkeit von Analysen verändert. Unternehmen haben früher über Jahre hinweg Hunderte oder sogar Tausende von kuratierten Dashboards erstellt. Mit generativer AI kann nun jeder in Sekundenschnelle ein neues Diagramm erstellen, und mit agentischer Erstellung (Agentic Authoring) kann AI jetzt schnell ein ganzes mehrseitiges Dashboard erstellen – einschließlich Datasets, Visualisierungen, Filtern und Layout.

Der Genie Code von Databricks kann beispielsweise ein in natürlicher Sprache formuliertes Ziel aufnehmen, die relevanten Daten finden, Datasets erstellen, Visualisierungen generieren, Filter konfigurieren, Seiten organisieren und das Ergebnis viel schneller verfeinern, als das früher möglich war. Das ist ein echter Produktivitätsgewinn, aber es ändert auch das, was Führungskräfte steuern müssen, da man nicht jedes von einer AI erstellte Diagramm manuell überprüfen kann.

Meine Antwort lautet daher, dass ich vier Dinge priorisieren würde:

1. Die Daten steuern (Governance), damit die AI dieselben Berechtigungen und Kontrollen erbt, die auch überall sonst gelten.
2. Die Bedeutung steuern, damit wichtige Kennzahlen und Dimensionen aus wiederverwendbaren Business-Definitionen stammen, anstatt jedes Mal neu erfunden zu werden, wenn jemand ein Diagramm erstellt.
3. Die Herkunft (Provenance) bewahren, damit Nutzende nachvollziehen können, welche Daten und Berechnungen zu einem wichtigen Ergebnis geführt haben.
4. Auf Überprüfbarkeit auslegen, sodass Visualisierungen zu Folgefragen, Filterungen und Drilldowns einladen, anstatt eine ungeklärte Antwort als Tatsache zu präsentieren.

Eine gute Governance ermöglicht tatsächlich mehr Self-Service. Mit einem starken Fundament kann AI sicher weitaus mehr Analyse-Erlebnisse generieren, ohne dass ein zentrales BI-Team jedes einzelne manuell erstellen muss.

Wo stoßen AI-generierte Diagramme an ihre Grenzen?

Wenn ein AI-Assistent ein Diagramm erstellt, trifft er Entscheidungen basierend auf der Struktur der Daten, nicht auf der Entscheidung, die die Person treffen möchte. Wo stößt das an seine Grenzen?

Richard Tomlinson: Ich würde diese Prämisse ein wenig anpassen. Moderne AI-Assistenten nutzen mehr als nur die Struktur der Daten. Sie können auch die Anfrage und ihren Kontext interpretieren. Wenn ich sage: „Zeige, wie sich der Umsatz in den letzten 12 Monaten verändert hat“, impliziert das eine Zeitreihe. Wenn ich frage: „Welche fünf Regionen erzielen den meisten Umsatz?“, weisen dieselben Daten eher auf ein Ranking-Balkendiagramm hin. Idealerweise sollten Ersteller in der Lage sein, Visualisierungen in natürlicher Sprache zu beschreiben. Aus diesem Grund ermöglicht Databricks bereits Genie Code, mehrere Visualisierungen als Teil eines größeren Dashboard-Ziels zu planen und zu erstellen.

Womit AI immer noch Probleme hat, ist der Zweck. Ein Dataset sagt Ihnen, welche Werte verfügbar sind. Ein Prompt sagt Ihnen, was jemand gefragt hat. Keines von beiden verrät Ihnen verlässlich, wer die Visualisierung nutzen wird, welche Entscheidung getroffen werden soll, welcher Vergleich am wichtigsten ist, was zuerst Aufmerksamkeit erregen sollte, welcher Grad an Präzision erforderlich ist, welchen Kontext das Publikum bereits versteht oder was missverstanden werden könnte.

Nehmen wir an, eine Metrik ist von 94 % auf 91 % gefallen. AI kann diesen Rückgang korrekt darstellen, aber ob er katastrophal oder nur irrelevantes Rauschen ist, hängt ganz vom geschäftlichen Kontext ab, der nirgendwo im Dataset hinterlegt ist. Deshalb verlagert sich die Rolle des Menschen vom Zeichnen von Diagrammen hin zur Definition der Absicht und zur Ausübung von Urteilsvermögen. AI kann die mechanische Arbeit des Erstellens einer Visualisierung übernehmen, aber jemand muss immer noch entscheiden, was sie vermitteln soll und ob sie korrekt ist.

Warum liefert Legacy-BI schlechte Analysen, selbst wenn die Daten korrekt sind?

Welche anderen Herausforderungen treten in Legacy-Systemen auf, abgesehen von ungenauen oder fehlenden Daten?

Richard Tomlinson: Die schwierigsten Probleme entstehen nicht durch fehlende Zeilen, sondern durch fehlenden Kontext. Eine Legacy-BI-Umgebung enthält möglicherweise korrekte Daten und liefert dennoch schlechte Analysen, weil die Geschäftslogik über Dashboards, berechnete Felder, Extrakte, semantische Modelle, Tabellenkalkulationen und Erfahrungswissen fragmentiert ist.

Am Ende hat man fünf verschiedene Definitionen desselben KPI, und niemand ist sich sicher, welches Dashboard das maßgebliche ist. Die Berechnungslogik befindet sich in einzelnen Berichten, Nutzende müssen wissen, welches Tool und welcher Tab die Antwort enthält, und die Änderung einer Definition bedeutet, dass man jede Stelle aufspüren muss, an der sie dupliziert wurde.

AI deckt dieses Problem sehr schnell auf. Ein Assistent versteht die Frage vielleicht richtig, hat aber dennoch keine verlässliche Möglichkeit festzustellen, welche von fünf Umsatzdefinitionen das Unternehmen als maßgeblich erachtet. Deshalb besteht das fehlende Puzzleteil nicht einfach darin, ein Sprachmodell an eine Visualisierungsebene anzubinden. AI-gestützte Dashboards benötigen ein Fundament aus gesteuerten Daten sowie wiederverwendbarer Business-Semantik und Kontext.

Selbst Microsoft warnt in seinen aktuellen Power BI-Richtlinien, dass die Ergebnisse von Copilot von geringer Qualität oder irreführend sein können, wenn die zugrunde liegenden Daten, das semantische Modell und die Nutzenden nicht ordnungsgemäß vorbereitet wurden. Databricks geht dasselbe Problem an, indem es Dashboards, gesteuerte Datasets, Business-Semantik und konversationelle Analysen auf einer einzigen gesteuerten Datenbasis zusammenführt. AI/BI-Datasets können direkt aus Tabellen, Views und Metric Views schöpfen sowie Unity Catalog-Berechtigungen erben. Diese Architektur ist in einer AI-First-Welt umso wichtiger, da die AI die geschäftliche Bedeutung wiederverwenden muss, anstatt sie jedes Mal neu zu konstruieren, wenn sie ein Diagramm erstellt.

Wie schreibt man bessere AI-Prompts für Diagramme und Dashboards?

Welche Gewohnheiten haben Menschen, die von einem AI-Assistenten konsistent das bekommen, was sie brauchen, ohne drei Runden von Nachfragen zu benötigen?

Richard Tomlinson: Erfolgreiche Nutzende liefern Entscheidungskontext, nicht nur Diagrammanweisungen. Ein schwacher Prompt lautet: „Zeige Verkäufe nach Produkt.“ Ein viel stärkerer ist: „Ich bereite unseren wöchentlichen Vertriebsbericht vor. Zeige, welche Produktkategorien am meisten zur Umsatzveränderung im Vergleich zum letzten Quartal beigetragen haben. Sorge dafür, dass die größten positiven und negativen Einflussfaktoren leicht zu erkennen sind.“ Die zweite Version teilt der AI das Publikum, den Vergleich, die Metrik und den Zweck der Visualisierung mit.

Die Bereitstellung eines solchen Kontextes kann analytische Prompts drastisch verbessern. Was versuche ich zu verstehen? Formulieren Sie die geschäftliche Frage, anstatt nur ein Dataset zu nennen. Was sollte ich vergleichen? Zeiträume, Regionen, Segmente, Soll-Ist-Vergleiche oder Vorher-Nachher-Vergleiche? Welche Metrikdefinition ist wichtig? Wenn Unklarheiten bestehen, geben Sie die Business-Metrik an, anstatt die AI eine erfinden zu lassen. Für wen ist das gedacht? Ein Dashboard für Führungskräfte und die Untersuchung eines Analysten erfordern in der Regel völlig unterschiedliche Detailtiefen. Und welche Entscheidung soll dadurch unterstützt werden? Das ist der Teil, den die Leute am häufigsten weglassen.

Es findet auch eine weitere Veränderung statt. Bessere AI-Systeme sollten den Aufwand für Prompt Engineering von vornherein reduzieren. Agentenbasierte Systeme können zunehmend unklare Anforderungen präzisieren, die verfügbaren Daten prüfen, einen Analyseplan erstellen und das Ergebnis iterativ verbessern. Beispielsweise kann Genie Code Daten finden, Datensätze und Visualisierungen erstellen und ein Dashboard schrittweise verfeinern, anstatt vom Ersteller zu verlangen, jeden einzelnen Implementierungsschritt im Detail vorzugeben. Das bedeutet nicht, dass in Zukunft jeder ein erstklassiger Prompt Engineer werden muss – es geht vielmehr darum, dass Menschen lernen, ihre Absichten klar auszudrücken, während Agenten immer besser darin werden, die Umsetzung zu übernehmen.

Was sind die Best Practices für die Datenvisualisierung im Zeitalter von AI?

Wenn Menschen beginnen, AI direkt über Dashboards, Abfragen und Pipelines abzufragen, wie verändern sich dann die Merkmale eines "guten" Visualisierungsdesigns?

Richard Tomlinson: Dies ist vielleicht die interessanteste Veränderung von allen. Früher war eine Visualisierung das Endziel. Jemand öffnete ein Dashboard, um sich Diagramme anzusehen, die von einem Analysten vordefiniert wurden. Dies half ihnen, die Daten zu verstehen, aber an diesem Punkt endete der Informationsfluss.

Mit AI ähnelt die Interaktion mit Visualisierungen eher einem Gespräch. Ein Benutzer stellt eine Frage, das System generiert eine Antwort und vielleicht ein Diagramm, das Diagramm zeigt etwas Interessantes, der Benutzer fragt danach, und das System führt eine weitere Analyse durch und erstellt eine neue Visualisierung. Das Erlebnis ist dynamisch und nicht vordefiniert.

AI/BI-Dashboards berücksichtigen dies bereits. Ein veröffentlichtes Dashboard kann einen begleitenden Genie Agent enthalten, der es Betrachtern ermöglicht, Fragen in natürlicher Sprache zu den zugrunde liegenden Daten zu stellen, anstatt auf statische Inhalte beschränkt zu sein.

Das bedeutet, dass das erste Diagramm nicht jede mögliche Frage vorwegnehmen muss. Es muss lediglich die wichtigste Erkenntnis klar vermitteln und die nächste Frage naheliegend und einfach zu stellen machen.

All dies führt zu den vier Merkmalen, die Ihre Visualisierungen im AI-Zeitalter aufweisen sollten. Sie müssen folgende Eigenschaften haben:

1. Selbsterklärend: Da ein generiertes Diagramm auch außerhalb des ursprünglichen Dashboards angezeigt werden kann, müssen Titel, Einheiten, Zeiträume und Metriken für sich selbst stehen.
2. Rückverfolgbar: Damit Benutzer nachvollziehen können, woher eine wichtige Zahl stammt.
3. Interaktiv: Damit Filtern, Drilldowns und dialogbasierte Nachfragen einen natürlichen Übergang von der Beobachtung zur Untersuchung ermöglichen.
4. Kontextbewusst: Damit die Visualisierung die Frage des Benutzers und die Geschäftsterminologie widerspiegelt, anstatt einfach nur die zufällig zurückgegebenen Felder darzustellen.

Dies hat auch eine tiefere Bedeutung. Dashboards, Abfragen, Pipelines und Dokumente werden nicht mehr nur von Menschen konsumiert. Analyse-Artefakte können nun Teil des maschinenlesbaren Wissens eines Unternehmens werden und nicht mehr nur dessen Präsentationsebene. Sie können als Kontext dienen, den AI-Systeme nutzen, um zu verstehen, wie das Unternehmen funktioniert. Beispielsweise ermöglicht Genie Code den Erstellern bereits, Tabellen, Pipelines, Notebooks, Abfragen und Dateien als Kontext zu referenzieren, wenn sie eine Analyseumgebung aufbauen.

Warum verlieren Benutzer das Vertrauen in Self-Service-Analysen?

Welches Muster zeigt sich unmittelbar bevor jemand das Vertrauen in Self-Service-Analysen verliert und sich wieder direkt an einen Analysten wendet?

Richard Tomlinson: Normalerweise liegt das Problem nicht darin, dass das System dem Benutzer gar nichts liefert. Vielmehr liefert es etwas Plausibles, das sie jedoch nicht mit ihrem bestehenden Wissen vereinbaren können. Vielleicht sieht eine Zahl falsch aus, oder sie ändern einen Filter und erhalten ein unerwartetes Ergebnis, oder zwei Dashboards widersprechen sich und es ist nicht ersichtlich, welche Definition verwendet wird. Sie stellen vielleicht eine Folgefrage und erhalten ein weiteres Diagramm, das die Diskrepanz jedoch nicht erklärt.

An diesem Punkt hat man zwei Möglichkeiten: Entweder man sucht selbst weiter nach dem Fehler im Analysesystem oder man schreibt jemandem und fragt nach. Sobald das Fragen einer Person schneller geht als das Überprüfen der Self-Service-Antwort, ist Self-Service bereits gescheitert.

Deshalb sollte die entscheidende Metrik für modernes BI nicht nur die Zeit bis zur Antwort sein. Es sollte auch die Zeit bis zum Vertrauen sein. AI verbessert die erste Metrik drastisch. Abfragen, Visualisierungen und ganze Dashboards können in Sekundenschnelle erstellt werden. Aber solange sich die zweite Metrik nicht ebenfalls verbessert, hat man lediglich die Erstellung von Inhalten beschleunigt, denen die Menschen nicht vertrauen.

Um dies richtig umzusetzen, müssen drei Dinge kombiniert werden, die im traditionellen BI oft getrennt betrachtet wurden: leicht verständliche Antworten, Belege, die die Antwort glaubwürdig machen, und ein Weg zur Untersuchung, wenn etwas nicht richtig aussieht. Ein gutes Self-Service-Erlebnis zeichnet sich nicht dadurch aus, dass der Analyst um jeden Preis außen vor gelassen wird. Es ist vielmehr ein Erlebnis, bei dem die Benutzer den Analysten nur dann benötigen, wenn eine Frage tatsächlich menschliches Fachwissen erfordert – und nicht, weil sie das System vor sich nicht verstehen oder ihm nicht vertrauen.

Das ist letztendlich der Grund, warum Visualisierung auch im Zeitalter der Agenten weiterhin wichtig ist. AI kann eine enorme Menge an Analysen generieren. Eine gute Visualisierung sorgt dafür, dass diese Analysen überprüfft, hinterfragt und vor allem in konkrete Maßnahmen umgesetzt werden können.

Erfahren Sie, wie AI-gestützte Erstellung und verwaltete Daten für Dashboards sorgen, denen die Benutzer vertrauen. Entdecken Sie AI/BI-Dashboards.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag