Best practice per la visualizzazione dei dati: una guida pratica per realizzare grafici chiari, onesti ed efficaci

Richard Tomlinson ha trascorso la maggior parte della sua carriera ad aiutare le organizzazioni a lavorare con i propri dati, compreso fare in modo che le persone si fidino di essi. Sia in ruoli BI che di prodotto, ha visto ripetersi lo stesso schema di fallimento: dashboard create con buone intenzioni che le persone hanno smesso silenziosamente di usare. Ora che l'AI può generare un grafico in pochi secondi, la sua esperienza gli dice che il "self-service" deve significare qualcosa di più della semplice velocità.

In questo scambio, Richard spiega perché le dashboard perdono fiducia molto prima di perdere un buon design, cosa cambia davvero l'AI rispetto a questo problema e cosa devono apportare le persone a un grafico che nessun assistente AI può fornire da solo.

Perché le persone smettono di usare le dashboard BI?

Raccontami di una dashboard che hai visto fallire. Non una che avesse un brutto aspetto, ma una che le persone hanno semplicemente smesso di aprire.

Richard Tomlinson: Le dashboard che falliscono non sono necessariamente brutte. Spesso falliscono perché qualcuno vede un numero a cui non crede e non riesce a capire rapidamente perché si trova lì.

Immagina un dirigente che apre una dashboard dei ricavi il lunedì mattina e vede una cifra diversa da quella del report distribuito dal dipartimento Finance il venerdì. Non sa se la dashboard stia utilizzando una definizione diversa di ricavo, un tempo di aggiornamento differente, un altro filtro o semplicemente dati errati. Se deve chiedere a un analista per scoprirlo, la dashboard ha già fallito uno dei suoi compiti più importanti.

La fiducia tende a scomparire molto più velocemente di quanto si costruisca. Gli utenti raramente aprono un ticket per dire che non si fidano più della piattaforma BI. Smettono silenziosamente di aprirla e tornano a fogli di calcolo, analisti o report preparati manualmente.

Ecco perché penso che una buona visualizzazione inizi prima della visualizzazione stessa. Un grafico chiaro non può compensare una metrica poco chiara, una fonte dubbia o una definizione aziendale incoerente. In un ambiente di analytics basato sull'AI, questo conta ancora di più, perché gli utenti possono generare molte più analisi molto più velocemente. Se i dati sottostanti, la semantica e la governance sono incoerenti, l'AI finirà solo per aiutarti a produrre grafici incoerenti più velocemente.

Le migliori esperienze di analytics moderne collegano la visualizzazione ai suoi dati e al suo significato, in modo che ci sia un'unica versione della verità su ogni superficie invece di cinque. Ad esempio, i dataset delle dashboard AI/BI di Databricks ereditano la governance di Unity Catalog e la piattaforma mantiene la lineage tra gli asset di dati. Ciò significa che un utente che dubita di un numero può risalire alla sua origine invece di scartare l'intero sistema.

A cosa dovrebbero dare la priorità i leader quando adottano strumenti di dashboarding AI?

Poiché l'AI trasforma il modo in cui utilizziamo e interagiamo con i dati, a cosa dovrebbero dare la priorità i leader quando introducono nuovi strumenti di dashboarding AI?

Richard Tomlinson: Mi piace l'idea del "debito di fiducia", perché le organizzazioni lo accumulano ogni volta che gli utenti incontrano due versioni della stessa metrica o una discrepanza inspiegabile, una dashboard obsoleta o una risposta che non possono verificare.

L'AI può peggiorare notevolmente questo debito, perché cambia l'economia dell'analytics. In passato le organizzazioni costruivano centinaia o addirittura migliaia di dashboard curate nel corso degli anni. Con l'AI generativa, chiunque può creare un nuovo grafico in pochi secondi e, con l'authoring agentico, l'AI può ora creare rapidamente un'intera dashboard multipagina, inclusi dataset, visualizzazioni, filtri e layout.

La funzionalità Genie Code di Databricks, ad esempio, può prendere un obiettivo in linguaggio naturale, trovare i dati rilevanti, creare dataset, generare visualizzazioni, configurare filtri, organizzare pagine e perfezionare il risultato molto più velocemente di quanto si facesse in passato. Si tratta di un reale guadagno di produttività, ma cambia ciò che i leader devono governare, poiché non è possibile verificare a mano ogni grafico generato dall'AI.

Quindi, la mia risposta è che darei la priorità a quattro cose:

1. Governare i dati, in modo che l'AI erediti le stesse autorizzazioni e controlli applicati altrove.
2. Governare il significato, in modo che le misure e le dimensioni importanti provengano da definizioni aziendali riutilizzabili invece di essere reinventate ogni volta che qualcuno genera un grafico.
3. Preservare la provenienza, in modo che un utente possa capire quali dati e calcoli hanno prodotto un risultato importante.
4. Progettare per l'ispezione, in modo che le visualizzazioni invitino a porre domande di approfondimento, a filtrare e a fare drill-down, piuttosto che presentare una risposta non spiegata come un dato di fatto.

Una buona governance in realtà abilita un maggiore self-service. Con solide fondamenta, l'AI può generare in sicurezza molte più esperienze analitiche senza che un team BI centrale debba crearle manualmente una per una.

Dove mostrano i loro limiti i grafici generati dall'AI?

Quando un assistente AI genera il grafico, prende decisioni basate sulla forma dei dati, non sulla decisione che la persona sta cercando di prendere. Dove si riscontra un limite in questo approccio?

Richard Tomlinson: Vorrei correggere leggermente questa premessa. I moderni assistenti AI utilizzano molto più della semplice forma dei dati. Possono interpretare anche la richiesta e il suo contesto. Se dico "Mostra come sono cambiati i ricavi negli ultimi 12 mesi", ciò implica una serie temporale. Se chiedo "Quali sono le cinque regioni che generano più ricavi?", gli stessi dati potrebbero suggerire un grafico a barre ordinato. Idealmente, gli autori dovrebbero essere in grado di descrivere le visualizzazioni in linguaggio naturale, ed è per questo che Databricks consente già a Genie Code di pianificare e creare più visualizzazioni come parte di un obiettivo di dashboard più ampio.

Ciò in cui l'AI fatica ancora è lo scopo. Un dataset ti dice quali valori sono disponibili. Un prompt ti dice cosa ha chiesto qualcuno. Nessuno dei due ti dice in modo affidabile chi utilizzerà la visualizzazione, quale decisione sta cercando di prendere, quale confronto conta di più, cosa dovrebbe attirare l'attenzione per primo, quale livello di precisione è richiesto, quale contesto il pubblico comprende già o cosa potrebbe essere interpretato male.

Ipotizziamo che una metrica sia scesa dal 94% al 91%. L'AI può tracciare correttamente questo calo, ma il fatto che sia catastrofico o un rumore irrilevante dipende interamente dal contesto aziendale, che non si trova in nessuna parte del dataset. Ecco perché il ruolo umano si sta spostando dal disegnare grafici allo specificare l'intento e all'esercitare il giudizio. L'AI può svolgere il lavoro meccanico di creazione di una visualizzazione, ma qualcuno deve ancora decidere cosa deve comunicare e se è accurata.

Perché la BI legacy produce analytics scadenti anche quando i dati sono accurati?

Quali sono le altre sfide che emergono nei sistemi legacy, oltre ai dati imprecisi o mancanti?

Richard Tomlinson: I problemi più difficili non si presentano a causa di righe mancanti, ma a causa del contesto mancante. Un ambiente BI legacy potrebbe contenere dati accurati e produrre comunque analytics scadenti perché la logica aziendale si è frammentata tra dashboard, campi calcolati, estratti, modelli semantici, fogli di calcolo e conoscenza istituzionale.

Ci si ritrova con cose come cinque definizioni diverse dello stesso KPI e nessuno è sicuro di quale dashboard sia quella canonica. La logica di calcolo risiede all'interno dei singoli report, gli utenti devono sapere quale strumento e scheda contengono la risposta e modificare una definizione significa rintracciare ogni punto in cui è stata duplicata.

L'AI mette in luce questo problema molto rapidamente. Un assistente può comprendere correttamente la domanda e non avere comunque un modo affidabile per determinare quale delle cinque definizioni di ricavo l'azienda consideri autorevole. Ecco perché il tassello mancante non è semplicemente collegare un modello linguistico a un livello di visualizzazione. Le dashboard basate sull'AI hanno bisogno di una base di dati governati, oltre a semantica e contesto aziendali riutilizzabili.

Persino Microsoft avverte, nelle sue attuali linee guida su Power BI, che l'output di Copilot può essere di bassa qualità o fuorviante se i dati sottostanti, il modello semantico e gli utenti non sono stati adeguatamente preparati. Databricks affronta lo stesso problema portando dashboard, dataset governati, semantica aziendale e analytics conversazionali su un'unica base di dati governata. I dataset AI/BI possono attingere direttamente da tabelle, viste e Metric Views, oltre a ereditare le autorizzazioni di Unity Catalog. Questa architettura conta di più in un mondo AI-first perché l'AI deve riutilizzare il significato aziendale anziché ricostruirlo ogni volta che crea un grafico.

Come si scrivono prompt AI migliori per grafici e dashboard?

Quali sono le abitudini delle persone che ottengono costantemente ciò di cui hanno bisogno da un assistente AI senza tre round di follow-up?

Richard Tomlinson: Gli utenti di successo forniscono il contesto decisionale, non solo le istruzioni per il grafico. Un prompt debole è: "Mostra le vendite per prodotto". Uno molto più forte è: "Sto preparando la nostra revisione settimanale delle vendite. Mostra quali categorie di prodotti hanno contribuito maggiormente alla variazione dei ricavi rispetto allo scorso trimestre. Rendi facilmente identificabili i principali fattori positivi e negativi". La seconda versione indica all'AI il pubblico, il confronto, la metrica e lo scopo della visualizzazione.

Fornire questo tipo di contesto può migliorare notevolmente i prompt analitici. Cosa sto cercando di capire? Specifica la domanda aziendale invece di nominare semplicemente un dataset. Cosa dovrei confrontare? Periodi di tempo, regioni, segmenti, pianificato rispetto a effettivo o prima rispetto a dopo? Quale definizione di metrica è importante? In caso di ambiguità, specifica la metrica aziendale invece di lasciare che sia l'AI a inventarne una. A chi è rivolto? Una dashboard per i dirigenti e l'esplorazione di un analista richiedono solitamente livelli di dettaglio completamente diversi. E quale decisione dovrebbe supportare questo elemento? Questo è il tassello che le persone tralasciano più spesso.

Inoltre, si sta verificando un altro cambiamento. Sistemi AI migliori dovrebbero ridurre la quantità di prompt engineering necessaria fin dall'inizio. I sistemi agentici sono sempre più in grado di chiarire requisiti ambigui, ispezionare i dati disponibili, elaborare un piano analitico e iterare sul risultato. Ad esempio, Genie Code può scoprire dati, creare dataset e visualizzazioni e perfezionare progressivamente una dashboard, anziché richiedere all'autore di definire ogni singolo passaggio di implementazione. Questo non significa che in futuro tutti dovranno diventare prompt engineer di altissimo livello; si tratta piuttosto di consentire agli esseri umani di esprimere chiaramente l'intento, mentre gli agenti diventano più bravi a gestire l'implementazione.

Quali sono le best practice per la visualizzazione dei dati nell'era dell'AI?

Nel momento in cui le persone iniziano a interrogare l'AI direttamente su dashboard, query e pipeline, come cambiano le caratteristiche di una "buona" progettazione della visualizzazione?

Richard Tomlinson: Questo potrebbe essere il cambiamento più interessante di tutti. In passato, la visualizzazione era il punto di arrivo. Si apriva una dashboard per guardare grafici predefiniti da un analista. Questo aiutava a comprendere i dati, ma il trasferimento di informazioni si fermava lì.

Con l'AI, l'interazione con le visualizzazioni assomiglia di più a una conversazione. A un'interrogazione dell'utente, il sistema genera una risposta e magari un grafico, il grafico rivela qualcosa di interessante, l'utente chiede spiegazioni in merito, quindi il sistema esegue un'altra analisi e produce un'altra visualizzazione. L'esperienza è dinamica, non predefinita.

Le dashboard AI/BI tengono già conto di questo aspetto. Una dashboard pubblicata può includere un assistente Genie Agent che consente a chi la visualizza di porre domande in linguaggio naturale sui dati sottostanti, anziché limitarsi a un elemento statico.

Ciò significa che il primo grafico non deve anticipare ogni possibile domanda. Deve solo comunicare chiaramente l'insight principale e rendere la domanda successiva ovvia e facile da porre.

Tutto questo porta alle quattro caratteristiche fondamentali che si desiderano nelle visualizzazioni dell'era dell'AI. Devono essere:

1. Autoesplicative, perché un grafico generato può apparire al di fuori della dashboard in cui ha avuto origine, quindi titoli, unità di misura, periodi di tempo e metriche devono essere chiari di per sé.
2. Tracciabili, in modo che gli utenti possano capire da dove proviene un numero importante.
3. Interattive, in modo che filtri, drill-down e follow-up conversazionali consentano di passare in modo naturale dall'osservazione all'indagine.
4. Consapevoli del contesto, in modo che la visualizzazione rifletta la domanda dell'utente e la terminologia aziendale, anziché limitarsi a tracciare i campi restituiti in modo casual.

C'è anche un'implicazione più profonda. Dashboard, query, pipeline e documenti non sono più solo elementi fruiti dagli esseri umani. Gli artefatti analitici possono ora diventare parte della conoscenza leggibile dalle macchine di un'organizzazione, non solo del suo livello di presentazione. Possono diventare il contesto che i sistemi AI utilizzano per capire come funziona l'organizzazione. Ad esempio, Genie Code consente già agli autori di fare riferimento a tabelle, pipeline, notebook, query e file come contesto durante la creazione di un'esperienza analitica.

Perché gli utenti smettono di fidarsi della self-service analytics?

Qual è il comportamento tipico subito prima che qualcuno smetta di fidarsi della self-service analytics e torni a rivolgersi direttamente a un analista?

Richard Tomlinson: Di solito, il problema non è che il sistema non restituisce nulla. Piuttosto, fornisce qualcosa di plausibile che l'utente non riesce a conciliare con ciò che già sa. Forse un numero sembra errato, oppure modificando un filtro si ottiene un risultato inaspettato, o ancora due dashboard non concordano e non è chiaro quale definizione venga utilizzata. L'utente potrebbe porre una domanda di follow-up e ottenere un altro grafico, che però non spiega la discrepanza.

A quel punto, si hanno due scelte: continuare a fare il debug del sistema analitico da soli o inviare un messaggio a qualcuno per chiedere spiegazioni. Nel momento in cui chiedere a una persona diventa più veloce che verificare la risposta del self-service, il self-service ha già fallito.

Ecco perché la metrica fondamentale per la BI moderna non dovrebbe essere solo il tempo di risposta (time to answer). Dovrebbe essere anche il tempo necessario per fidarsi (time to trust). L'AI migliora drasticamente la prima metrica. Query, visualizzazioni e intere dashboard possono essere generate in pochi secondi. Ma se non migliora anche la seconda metrica, tutto ciò che si è fatto è accelerare la produzione di elementi di cui le persone non si fidano.

Gestire correttamente questo aspetto significa combinare tre elementi che la BI tradizionale ha spesso trattato separatamente: risposte facili da capire, prove che rendono credibile la risposta e un percorso di indagine quando qualcosa non quadra. Una buona esperienza self-service non è quella che esclude l'analista a tutti i costi. È quella in cui le persone hanno bisogno dell'analista solo quando una domanda richiede effettivamente competenze umane, e non perché non riescono a comprendere o a fidarsi del sistema che hanno di fronte.

In definitiva, questo è il motivo per cui la visualizzazione è ancora importante nell'era agentica. L'AI può generare un'enorme quantità di analisi. Una buona visualizzazione consente di ispezionare, contestare e, soprattutto, tradurre in azione tale analisi.

Scopri come la creazione assistita dall'AI e i dati governati consentono di realizzare dashboard di cui le persone si fidano. Esplora le dashboard AI/BI.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale