Microsoft Power BI lernen

Kapitel 4. Lass uns ein paar Bilder machen (Datenvisualisierung 101)

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Zuvor haben wir die Grundlagen der Power BI-Benutzeroberfläche besprochen und dabei auf die Ansichten Bericht, Daten und Modell sowie Power Query eingegangen. Im vorangegangenen Kapitel haben wir unseren ersten Datensatz aus dem Cool School University-Datensatz importiert.

In diesem Kapitel werden wir einige grundlegende Überlegungen darüber anstellen, warum wir Daten visualisieren. Anhand unserer Daten aus dem vorangegangenen Kapitel gehen wir dann die verschiedenen Visualisierungen durch, die standardmäßig in Power BI verfügbar sind.

Warum Daten visualisieren?

Stell dir Folgendes vor. Wir schreiben das Jahr 1950 und du bist Buchhalter in einer kleinen Produktionsfirma im Mittleren Westen. Du hast im Zweiten Weltkrieg als Buchhalter im Kriegsministerium gedient und dafür gesorgt, dass die Gelder aus den Kriegsanleihen effizient ausgegeben wurden, um die Kriegsanstrengungen der Alliierten zu unterstützen.

Um all deine Arbeit zu erledigen, hattest du ein Hauptbuch. Das war alles. Jeden Tag hast du deine Transaktionen von einem Konto zum anderen aufgezeichnet und sichergestellt, dass das Geld dort war, wo es sein sollte.

Eines Tages kommt der Betriebsleiter in die Buchhaltung, um dir ein paar einfache Fragen zu stellen. "Hey, ich bin neugierig. Welches unserer Produkte bringt uns eigentlich das meiste Geld ein? Wie sieht es pro Stück aus? Und handelt es sich um dasselbe Produkt?"

Würdest du als Buchhalterin oder Buchhalter der 1950er Jahre dein Hauptbuch einfach so aus der Hand geben? Auf keinen Fall. Niemals. Das Hauptbuch war das Lebenselixier eines Buchhalters, und damals hätte es dir jemand aus den kalten, toten Händen reißen müssen, bevor du es aus der Hand gegeben hättest.

Anhand der gesammelten Daten würdest du eine Tabelle erstellen, die die Liste der Produkte, den Gesamtgewinn pro Produkt und den Gewinn pro Einheit für jedes Produkt zeigt. Man könnte diese Tabelle eine sehr einfache Datenvisualisierung nennen.

Nehmen wir einmal an, ein anderer Buchhalter (nicht du, du bist zu schlau) würde sein Hauptbuch aushändigen und sagen: "Klar, das kannst du selbst herausfinden. Hier sind die Unterlagen."

Würde das Sinn machen? Nein. Es ist aus zwei Gründen nicht sinnvoll. Erstens sind der Abteilungsleiter und sein Team nicht so vertraut mit den Daten. Sie haben sie nicht zusammengetragen. Sie haben nicht alle Berechnungen durchgeführt und sind wahrscheinlich auch keine Buchhalter. Selbst wenn ein Buchhalter das Hauptbuch aushändigt, könnte es für den Abteilungsleiter und sein Team schwierig sein, der Logik zu folgen. Zweitens hat der Buchhalter die ganze Arbeit bereits erledigt, warum sollte er sie also noch einmal machen lassen? Das ist einfach nicht effizient.

Kehren wir zu unserem Beispiel und den Daten zurück. Wir stellen fest, dass Widget A die höchste Gesamtrentabilität und Widget B die höchste Rentabilität pro Einheit hat. Die nächste Frage lautet: "Stimmt das nur für dieses Jahr oder auch in der Vergangenheit?"

Ich könnte eine noch kompliziertere Tabelle erstellen. Ich könnte Spalten für jedes Jahr haben und die Berechnung nach Produkt vornehmen und eine schöne Matrix erstellen. Manche Leute können sich die Matrix zwar ansehen und ihr folgen, aber ein Teil unseres Publikums versteht die Bedeutung der Daten nicht.

Ich möchte die Daten so verständlich wie möglich machen, also erstelle ich ein einfaches Diagramm mit einer x-Achse für das Jahr und einer y-Achse für die Rentabilität. Ich trage die Punkte ein und zeichne eine sehr einfache Linie, die den Trend für diese Produkte zeigt, und trenne sie aus Gründen der Übersichtlichkeit in ein eigenes Diagramm.

Was glaubst du, was bleibt besser im Gedächtnis der Menschen? Die Matrix oder die Diagramme?

Beantworte diese Frage für dich selbst. Wahrscheinlich warst du schon einmal in einem Meeting oder einer Präsentation, in der jemand Daten in Form einer langen Tabelle präsentiert hat, und vielleicht hast du dabei gemerkt, dass du ein wenig abdriftest. Ein anderer Präsentator hat Daten mit Hilfe von Grafiken und Bildern dargestellt. Was fandest du fesselnder?

Ich wette, dass die überwältigende Mehrheit der Menschen die grafische Darstellung viel ansprechender findet. Ich bin davon überzeugt, weil wir uns von Natur aus zu Geschichten hingezogen fühlen. Wir fühlen uns zu Geschichten hingezogen, weil wir von Natur aus eher in der Lage sind, aus einer Geschichte zu lernen, als aus einer Liste von Fakten.

Die Tatsache, dass es uns leichter fällt, uns mit diesen Anekdoten zu identifizieren als mit harten Daten, wird ausgenutzt. Es ist zum Beispiel möglich, dass du eine schlechte Erfahrung mit einem Einwanderer ohne Papiere gemacht hast. Diese Anekdote hat einen Eindruck hinterlassen, und wenn eine neue Organisation einzelne Geschichten über Missetaten verbreitet, fällt es leichter, sich an diese qualitative Geschichte zu klammern als an die vielen Daten, die zeigen, dass Menschen ohne Papiere weitaus seltener Straftaten begehen als gebürtige Bürger.

Wir haben alle möglichen Vorurteile, mit denen wir kämpfen müssen, und wir müssen in der Lage sein, die Fakten zu sehen und zu verstehen, um sie zu überwinden. Aber wenn wir die Wahl haben zwischen Daten, die keine Geschichte erzählen, und einer Geschichte, die unsere Voreingenommenheit bedient, wird die Geschichte, die unsere Voreingenommenheit bedient, gewinnen.

Datenvisualisierung nutzt das Phänomen des Geschichtenerzählens als Lehre zu unserem Vorteil. Datenvisualisierung löst auf einzigartige Weise alle drei Teile der altgriechischen Überzeugungsmethoden aus: Ethos, Pathos und Logos. Die Kunst, die Visualisierung zu erstellen, zeigt, dass du die Daten beherrschst und verleiht dir Glaubwürdigkeit im Ethos. Die Darstellung der Daten in Form von Bildern, die leicht verständlich sind und es dir ermöglichen, eine Geschichte zu erzählen, ist der Kern des Pathos oder des emotionalen Appells. Schließlich sollten die Daten selbst - vorausgesetzt, sie wurden ordnungsgemäß erhoben und verwaltet - nur die Wahrheit sagen. Im Kern sind die Datenelemente die Fakten, und die Fakten machen den Logos-Appeal des Arguments aus.

Wir visualisieren Daten, weil wir Geschichtenerzähler sind. Wir erzählen unsere Geschichten nicht aus der Laune unserer Fantasie heraus. Wir erzählen unsere Geschichten aus den Fakten heraus, indem wir unsere Glaubwürdigkeit und unser Verständnis für diese Fakten untermauern. Von dort aus machen wir die Geschichte so verdaulich wie möglich. Und auch hier basiert die Geschichte auf Tausenden, Millionen oder Milliarden von Datenpunkten, nicht nur auf ein paar Anekdoten, was die Glaubwürdigkeit erhöht.

Wenn du dich an das Sprichwort erinnerst, dass ein Bild mehr als tausend Worte sagt, kann eine gute Grafik Millionen oder Milliarden von Datenreihen wert sein. Du bist ein Geschichtenerzähler, und du bist die beste Art von Geschichtenerzähler, nämlich einer, der das, was wirklich passiert, verständlich macht. Egal, ob du die Antwort oder die wirklich wichtige Frage findest, die beantwortet werden muss - Storytelling mit Datenvisualisierung kann dir dabei helfen.

Sprechen wir also über die Visualisierungswerkzeuge, die Power BI uns zur Verfügung stellt, um diese Geschichte mit unseren Daten zu erzählen. Stell dir diese Werkzeuge wie das Alphabet vor. Sobald du dich mit ihnen vertraut gemacht hast, lernst du, wie du aus ihnen Wörter bilden kannst. Mit der Zeit und etwas Übung wirst du herausfinden, wie du jede Visualisierung optimal nutzen kannst. Kommen wir nun zu dem Punkt, an dem das alles beginnt: dem Bereich Visualisierungen.

Das Fenster "Visualisierungen

Der Bereich "Visualisierungen" ist deine Anlaufstelle, um Visualisierungen hinzuzufügen, sie durch Hinzufügen der erforderlichen Datenpunkte zu ändern, deine Visualisierungen zu formatieren oder zusätzliche Analysefunktionen hinzuzufügen, die Power BI in einigen dieser Visualisierungen unterstützt. Der Bereich Visualisierungen besteht aus drei großen Teilen: Felder, Format und Analysen. In Abbildung 4-1 siehst du den kürzlich aktualisierten Bereich Visualisierungen.

Abbildung 4-1. Der Bereich Visualisierungen ist unser Werkzeugkasten für die Visualisierung. Geh nicht ohne deinen Werkzeugkasten aus dem Haus!

Felder

Es ist wichtig zu wissen, dass sich jede Visualisierung von den anderen Visualisierungen im Bereich Felder unterscheidet, weil sie alle unterschiedliche Eingaben akzeptieren. Eine Kartenvisualisierung ist nicht dasselbe wie ein Balkendiagramm, das wiederum nicht dasselbe wie eine Matrix ist. Wenn du bereits Felder in einer Visualisierung hast und dich entscheidest, den Typ dieser Visualisierung zu ändern, wird Power BI sein Bestes tun, um die ausgewählten Felder und Kennzahlen der neuen Visualisierung zuzuordnen. Du kannst den Typ einer Visualisierung, die sich bereits auf der Arbeitsfläche befindet, ändern, indem du diese Visualisierung auswählst und auf eine andere Visualisierung im Bereich Visualisierungen klickst. Das war's.

Zu den gemeinsamen Elementen, die in vielen Darstellungen im Bereich Felder auftauchen, gehören Achse, Legende und Werte. Eine Achse legt fest, wie du deine Daten kategorisierst. Eine Legende unterteilt die Daten in Unterabschnitte und hebt diese Unterscheidungen hervor. Werte sind die tatsächlichen Werte, die du über diese Gruppierungen zusammenfassen möchtest.

In den Feldern gibt es am unteren Rand immer einen Bereich für "Drill through"-Optionen. Mit dieser coolen Funktion kannst du ein Bildmaterial nehmen und die Filter, die sich auf diesem Bildmaterial befinden, auf ein anderes Bildmaterial auf einer anderen Seite anwenden, so dass du direkt zu dieser Berichtsseite und deren Bildmaterial gelangst. Die "Drill-Through"-Funktion ist eine großartige Möglichkeit, Einblicke von einem Teil deines Berichts auf einen anderen zu übertragen und den Kontext aufrechtzuerhalten.

Format

In früheren Versionen wurde der Bereich Format durch ein Farbrollensymbol dargestellt. Wenn ein Bildmaterial nicht ausgewählt ist, erscheint es jetzt als Pinsel über einer Seite. Wenn jedoch ein Bildmaterial auf der Leinwand ausgewählt ist, sieht es wie ein Pinsel über einem Balkendiagramm aus. Mit Format kannst du das Erscheinungsbild einer bestimmten Visualisierung an deine speziellen Bedürfnisse anpassen.

Ähnlich wie bei den Feldern sind die wählbaren Optionen unter Format kontextabhängig von der zu ändernden Visualisierung. Es gibt viele Optionen, und wenn du schon einmal mit PowerPoint gearbeitet hast, werden dir viele davon bekannt vorkommen. Jeder Abschnitt in Format hat einen Pfeil, mit dem er geöffnet oder eingeklappt werden kann. Das kann für die Navigation hilfreich sein. Einige Funktionen unter Format haben unterschiedliche Funktionen, aber für diese Übung solltest du dich auf den Gedanken konzentrieren, dass du mit Format deine Visualisierungen richtig zur Geltung bringen kannst.

Analytik

Die Analysefunktionen von , auf die du zugreifen kannst, indem du auf auf das Symbol einer Lupe klickst, die auf ein Diagramm blickt, funktionieren nicht bei allen Visualisierungen, und es ist wichtig zu beachten, dass keine benutzerdefinierten Visualisierungen den Analysebereich nutzen können. Bei Visualisierungen, bei denen Analytics funktioniert, kannst du diese Funktion jedoch nutzen, um konstante Linien für Vergleiche, Mindestwertlinien, um zu erkennen, wenn etwas unter einem bestimmten Schwellenwert liegt, eine Maximallinie für den umgekehrten Zweck, eine Durchschnittslinie, eine Medianlinie, eine Perzentillinie oder eine Trendlinie einzufügen oder sogar eine Anomalieerkennung durchzuführen.

Es gibt so viele Funktionen unter Analytics, aber sie effektiv zu nutzen, ist kontextabhängig. Hab also keine Angst davor, Dinge auszuprobieren, um zu sehen, was für dich und dein Projekt funktioniert oder nicht funktioniert.

Visuelle Interaktivität

Bevor wir auf die Details der Visualisierungen eingehen, sollten wir eine der leistungsstärksten Funktionen auf einer Power BI-Berichtsseite besprechen: die visuelle Interaktivität. Standardmäßig kann jede Visualisierung, die du auf einer Berichtsseite einfügst, jede andere Visualisierung auf der Seite filtern. So kann ein Nutzer schnell zu bestimmten Datenkombinationen gelangen, nach denen er sucht.

In Abbildung 4-2 siehst du eine einfache Berichtsseite mit zwei Grafiken. Die eine ist eine Karte, die die Anzahl der Schüler/innen in meiner Klasse aus jedem Bundesland anzeigt, und die zweite ist ein einfacher Balken, der die durchschnittliche Punktzahl für alle Aufgaben anzeigt.

Abbildung 4-2. Sie zeigt eine Kombination von Daten, die angeben, woher unsere Schüler/innen kommen. Ich glaube, unser Schüler aus Hawaii hat sich verlaufen.

Wenn ich auf eine dieser Sprechblasen in der Karte klicke, ändert sich die Anzeige der durchschnittlichen Punktzahl und spiegelt die spezifische Untergruppe wider, die ich in der Kartendarstellung ausgewählt habe. Wenn ich mir die Karte anschaue, sehe ich, dass viele meiner Schüler aus Indiana kommen. Ich möchte aber sehen, wie meine Schüler/innen aus anderen Staaten im Vergleich zum Durchschnitt abschneiden. Wenn ich die Blase in Michigan auswähle, erhalte ich das in Abbildung 4-3 dargestellte Ergebnis. Zur Veranschaulichung habe ich das Bild aufgenommen, während ich mit dem Mauszeiger über das Ergebnis des Säulendiagramms fuhr, damit du es besser sehen kannst.

Abbildung 4-3. Hier demonstrieren wir das Cross-Filtering über das Bildmaterial. Wir sehen, dass unsere Schüler/innen aus Michigan über dem Durchschnitt der restlichen Klasse liegen.

Wie du in der Kartendarstellung sehen kannst, sind alle anderen Blasen jetzt transparent, was bedeutet, dass ich eine ausgewählt habe. Auf der rechten Seite siehst du nun, dass das Säulendiagramm ein neues Ergebnis anzeigt. Es zeigt eine hervorgehobene Spalte, und hinter dieser hervorgehobenen Spalte siehst du das ursprüngliche Ergebnis. Daran kann ich schnell erkennen, dass die durchschnittliche Punktzahl meiner Schüler/innen aus Michigan höher ist als der Durchschnitt der gesamten Schülergruppe. Du wirst jedoch feststellen, dass ich nicht sofort den ursprünglichen Durchschnitt ohne die Schüler/innen aus Michigan erhalte. Bei dieser Art der Querfilterung, bei der ein Wert hervorgehoben wird, wird die Auswahl nicht aus dem ursprünglichen Wert entfernt.

Hier wird also der Durchschnitt der Schüler aus Michigan mit dem Durchschnitt aller Schüler verglichen, der auch die Schüler aus Michigan umfasst. Wenn wir etwas anderes machen wollten, könnten wir das mit einigen benutzerdefinierten Kennzahlen tun, die wir in unserem Kapitel über die DAX-Grundlagen näher erläutern werden.

Manchmal möchtest du vielleicht nicht, dass ein bestimmtes Bildmaterial übergreifend gefiltert wird oder dass es übergreifend gefiltert wird, und nicht alle Bildmaterialien haben die gleichen Optionen für die übergreifende Filterung. Wenn du ein Bildmaterial ausgewählt hast, siehst du im Menüband auf der Registerkarte Format die Schaltfläche "Interaktionen bearbeiten". Im Gegensatz zu anderen Schaltflächen, die wir besprochen haben, ist diese Schaltfläche entweder an oder aus. Wenn sie aktiviert ist, siehst du in der Ecke jedes Bildmaterials auf deiner Berichtsseite verschiedene Symbole; auch hier gilt, dass nicht jedes Symbol auf jedem Bildmaterial zu sehen ist.

Nehmen wir zum Beispiel das Säulendiagramm aus den vorangegangenen Abbildungen. Wenn "Interaktionen bearbeiten" aktiviert ist und das Kartenbild ausgewählt wurde, sehen wir drei Symbole, wie in Abbildung 4-4 dargestellt. Die Symbole sind sehr klein. Ich wünschte, Microsoft würde diese Interaktionssymbole etwas deutlicher machen, aber das tun sie nicht. Wenn ich davon spreche, dass ein Symbol ausgewählt ist, wird es als "ausgefüllt" dargestellt, anstatt durchsichtig zu sein. Im Beispiel siehst du, dass die mittlere Schaltfläche ausgefüllt ist. Das ist also die Art von Querfilterung, die von der Kartendarstellung und der Spaltendarstellung vorgenommen wird.

Auf der linken Seite findest du die Option Filter. Damit wird das Ergebnis so gefiltert, dass nur das gefilterte Ergebnis angezeigt wird. In diesem Fall würden wir also nur das Ergebnis der Michiganer sehen und nicht das Ergebnis für den gesamten Durchschnitt. Die zweite Option ist die Option Hervorheben, die das bewirkt, was du in Abbildung 4-3 gesehen hast. Die letzte Option ist Keine, was bedeutet, dass das ausgewählte Bildmaterial überhaupt nicht gefiltert wird.

Abbildung 4-4. Von links nach rechts: Filter, Hervorheben und Keine

Säulen- und Balkendiagramme

Säulen- und Balkendiagramme haben typischerweise ein sehr einfaches x-/y-Achsen-Design. Man vergleicht die Werte über zwei Dimensionen hinweg und gewinnt daraus einen Einblick. Bei einigen Diagrammen können wir eine zweite Y-Achse hinzufügen, wenn wir einen Wert mit einem anderen vergleichen wollen. In der Kategorie der Säulen- und Balkendiagramme verfügt Power BI standardmäßig über die folgenden Grafiken (in der Reihenfolge im Bereich Visualisierungen, von links nach rechts, von oben nach unten, wobei Grafiken übersprungen werden, die für diesen Teil des Textes nicht relevant sind):

• Gestapeltes Balkendiagramm

• Gestapeltes Säulendiagramm

• Geklammertes Balkendiagramm

• Geclustertes Säulendiagramm

• 100% gestapeltes Balkendiagramm

• 100% gestapeltes Säulendiagramm

• Wasserfalldiagramm

Gestapelte Balken- und Säulendiagramme

Die gestapelten Balken- und Säulendiagramme erreichen das gleiche Ziel mit unterschiedlicher Vertikalität. Welches ist deine x-Achse und welches deine y-Achse? Als Faustregel gilt: Verwende Balkendiagramme, wenn du diskrete Werte vergleichst, und Säulendiagramme, wenn du kontinuierliche Werte wie z.B. die Zeit misst. Das ist allerdings keine feste Regel.

In dieser Tabelle möchte ich den Unterschied zwischen den Studierenden, die zum ersten Mal einen Kurs besuchen, und denjenigen, für die dies nicht der Fall ist, untersuchen. Ich möchte wissen, wie hoch ihre Durchschnittsnote ist und wie viele Sprechstunden die einzelnen Gruppen besucht haben.

In Abbildung 4-5 siehst du sowohl das Balken- als auch das Säulendiagramm. Beachte, dass bei diesen beiden Diagrammen die Werte, die du übereinander legst, eine Summe der Werte bilden, aus denen sich die Visualisierung zusammensetzt - in diesem Fall die durchschnittliche Punktzahl der Aufgaben und die Summe der Bürostunden jeder Gruppe. Auf diese Weise erhalten wir einen kombinierten Wert, mit dem wir schnell mehrere Spalten vergleichen und Ergebnisse finden können, die auf den ersten Blick vielleicht nicht intuitiv erscheinen.

Wenn du dir beide Diagramme anschaust, siehst du, dass sie die gleichen Eingaben aus dem Bereich Visualisierungen haben. Du definierst eine Achse. Du kannst eine Legende als Kategorie hinzufügen, um den Balken oder die Spalte weiter zu unterteilen, die Werte, die du überprüfen willst, kleine Multiplikatoren und Tooltips.

Die QuickInfo ist das, was du siehst, wenn du mit deinem Mauszeiger über einen bestimmten Teil des Bildmaterials fährst. Wenn die QuickInfo leer ist, stellt Power BI eine Liste von Werten in der QuickInfo zusammen, die auf den Daten in der Grafik basieren. Sieh es als eine schnelle Tabelle, die du für einen bestimmten Datensatz anzeigen lassen kannst, um dir das Lesen der Grafik zu erleichtern. Du kannst auch Dinge in die QuickInfo einfügen, die nicht unbedingt im Bildmaterial enthalten sind.

Abbildung 4-5. Balken versus Säulen

Geclusterte Balken- und Säulendiagramme

Ein geclustertes Balken- oder Säulendiagramm trennt die Werte in einzelne Positionen auf einer Achse, anstatt sie zu aggregieren. Bei den gestapelten Diagrammen haben wir im Grunde einen Balken oder eine Spalte, in der alle Werte zusammengefasst sind. Im Clusterdiagramm erhalten wir für jeden Wert auf der X-Achse einen eigenen Balken oder eine eigene Spalte.

In dem Beispiel in Abbildung 4-6 möchte ich sehen, ob es eine wirkliche Diskrepanz zwischen den Durchschnittswerten nach ethnischer Herkunft und nach Alter gibt. Ich möchte jede ethnische Zugehörigkeit gesondert hervorheben, aber ich möchte auch sehen, wie die Altersgruppen miteinander verglichen werden und wie die Durchschnittsnote im Vergleich dazu aussieht. Das kann ich erreichen, indem ich die Werte für das Durchschnittsalter und die Durchschnittsnote voneinander trenne. Abbildung 4-6 zeigt uns, wie das in Balken- und Spaltenform aussieht.

Abbildung 4-6. Geclusterte Diagramme werden aufgeteilt, anstatt sie zusammenzuziehen

Diese Diagramme zeigen sehr schön, dass es darauf ankommt, wie du die Daten präsentierst. Wenn wir uns den oberen Teil von Abbildung 4-6 ansehen, ist es einfacher, den Unterschied im Durchschnittsalter der einzelnen ethnischen Gruppen zu erkennen. Im Säulenbeispiel ist das etwas schwieriger zu erkennen. Sowohl die Säulen- als auch die Balkendiagramme zeigen den Unterschied in den Durchschnittswerten jedoch gut auf.

Manchmal kann es einen großen Unterschied machen, wenn du einen Wert von der x- zur y-Achse änderst, und erinnere dich daran, dass die Achsen standardmäßig dynamisch sind. Das solltest du bedenken, wenn du dich für Balken- oder Säulendiagramme entscheidest oder wenn du die Achsenwerte manuell festlegen möchtest (was du im Feldbereich für diese Gruppe von Visualisierungen unter der entsprechenden Achsenkategorie tun kannst).

100% gestapelte Balken- und Säulendiagramme

Die 100% gestapelten Balken- und Säulendiagramme nehmen eine gegebene Menge von Werten über die Dimensionen hinweg und ermitteln für diese Summe, welcher Prozentsatz der Gesamtsumme zu jedem spezifischen Abschnitt der Gruppierung gehört. Dadurch wird das Ergebnis über alle Kategorien hinweg normalisiert, da es auf Prozentsätzen und nicht auf absoluten Werten basiert.

In unserer Klasse gibt es zum Beispiel viel weniger Sportstudenten als Studenten, die keine Sportler sind. Wenn wir uns die Gesamtzahl der von jeder Gruppe besuchten Sprechstunden ansehen würden, sähen die Nicht-Sportler einfach wie eine viel größere Gruppe aus. Was aber, wenn ich herausfinden will, ob eine bestimmte Aufgabe in einer Gruppe mehr Sprechstunden hatte als in einer anderen? Das ist ein Beispiel, bei dem die Normalisierung der Daten sehr nützlich sein kann, wie wir in Abbildung 4-7 sehen.

Hier haben wir 13 Aufgaben, für die Sprechstunden abgehalten wurden. Wir können sehen, dass unsere Schüler/innen nur bei den Aufgaben 5, 6, 7 und 12 Sprechstunden besucht haben. Bei Aufgabe 12 waren es 20 % mehr Sprechstunden als bei den anderen Aufgaben. Bei den Nicht-Sportlern ist die Verteilung auf die Aufgaben ziemlich gleichmäßig. Nicht vollkommen gleichmäßig, aber annähernd.

Wenn wir diese Klasse unterrichten würden, könnten wir einige zusätzliche Fragen stellen. Gab es ein Problem mit dem Sportprogramm, das die Teilnahme an den Sprechstunden erschwert hat? War das zusätzliche Interesse am Ende des Semesters darauf zurückzuführen, dass die Schüler/innen keine guten Leistungen erbrachten, oder war das nur ein Zufall? Einige dieser Fragen kann ich anhand der Daten beantworten, andere wahrscheinlich nicht, aber ich hoffe, du kannst dir ein paar Beispielfragen vorstellen, die ich bei der Ausarbeitung meines Berichts oder bei meiner Recherche zu diesem Thema stellen möchte.

Abbildung 4-7. Prozentuale Vergleiche können nützlich sein; bei vielen Kategorien können sie jedoch unübersichtlich werden

Kleine Multiples

Kleine Multiplikatoren sind eine Funktion, mit der du das Bildmaterial unter Beibehaltung gemeinsamer Achsen in Scheiben aufteilen kannst. Nehmen wir an, ich möchte das Bild in vier Quadranten unterteilen und dabei die Kennung des Schülers und das Geschlecht verwenden. Ich könnte dies für alle vier Kombinationen aufschlüsseln - kein Athlet und weiblich, kein Athlet und männlich, ist ein Athlet und weiblich, ist ein Athlet und männlich - und dabei meinen Kernachsenwert beibehalten. So erhalten wir die in Abbildung 4-8 dargestellte Ansicht, die auch ein Beispiel für einen Tooltip-Wert enthält, der nicht an anderer Stelle in der Grafik zu finden ist (in diesem Fall das Durchschnittsalter für diese Datengruppe).

Abbildung 4-8. Kleine Multiplikatoren sind ein gutes Beispiel dafür, was Power in Power BI ausmacht

Nehmen wir uns einen Moment Zeit, um über die Schlussfolgerungen zu sprechen, die wir ziehen können. Wir wissen, dass es keine männlichen Athleten gibt, für die dies nicht ihr erster Kurs ist. Wir wissen, dass das Gegenteil für weibliche Sportler gilt. Wir können sehen, dass die Durchschnittspunktzahl in allen Gruppen bei denjenigen höher ist, für die es nicht der erste Kurs ist. Und im Allgemeinen wissen wir, dass diejenigen, die ihren ersten Kurs in der Abteilung belegen, mehr Sprechstunden besuchen, aber diese Sprechstunden bringen die Neulinge nicht ganz auf das Niveau der erfahreneren Studenten in der Abteilung.

Wasserfall-Diagramm

Ein Wasserfalldiagramm stellt für eine bestimmte Kategorie zusammen, wie sich ein Wert in dieser Kategorie verändert hat, bis es dir den endgültigen Gesamtwert anzeigt. Das kann nützlich sein, wenn du eine Kombination aus positiven und negativen Merkmalen hast, die zu einem Gesamtwert beitragen, damit du sie aufschlüsseln und miteinander vergleichen kannst. Da wir für niemanden negative Noten haben, zeigt Abbildung 4-9 ein eindirektionales Wasserfalldiagramm, das die Berechnung der besuchten Sprechstunden nach AssignmentID zeigt, bevor die Gesamtzahl der besuchten Sprechstunden für das Semester angezeigt wird.

Abbildung 4-9. Manchmal ist es okay, den Wasserfällen hinterherzujagen!

Linien- und Flächendiagramme

Linien- und Flächendiagramme sind wie Säulen- und Balkendiagramme sehr auf die X- und Y-Achse ausgerichtet. Der Unterschied besteht darin, dass es oft einfacher ist, Trends zu erkennen oder Vergleiche mit Linien oder Flächen anzustellen, um zu sehen, wo sich die Daten einer Zeitreihe überschneiden oder wo bestimmte Kategorien sich überschneiden.

Power BI verfügt außerdem über eine Reihe von Diagrammen, die Säulendiagramme mit Liniendiagrammen kombinieren und die wir in diesem Abschnitt besprechen werden. Auch hier wird die Liste der Visualisierungen in dieser Kategorie von links nach rechts und von oben nach unten gelesen, wobei Visualisierungen, die nicht in diesem Abschnitt enthalten sind, übersprungen werden:

• Liniendiagramm

• Gebietskarte

• Gestapelte Flächentabelle

• Linien- und gestapeltes Säulendiagramm

• Linien- und geclusterte Säulendiagramme

• Bänderkarte

Liniendiagramm

Ein Liniendiagramm unterscheidet sich nicht wirklich von einem Säulendiagramm, außer dass es mit Linien einfacher ist, Trends zu erkennen als mit Säulen. Liniendiagramme funktionieren auch am besten mit einer kontinuierlichen Achse, denn wenn es eine Lücke gibt, unterbricht das Liniendiagramm die Linie und nimmt sie für den nächsten Wert der Achsenreihe wieder auf. Wenn du dir die Optionen im Bereich Visualisierungen für Säulen- und Liniendiagramme ansiehst, wirst du feststellen, dass sie sehr ähnlich aussehen, außer dass das Liniendiagramm eine zusätzliche Option für Sekundärwerte hat. Dieser Abschnitt ist für den Fall vorgesehen, dass wir zwei Y-Achsen gegeneinander stellen wollen, was das Besondere an Liniendiagrammen ist. Das kann nützlich sein, wenn du die Entwicklung zweier Werte vergleichen willst, die aber sehr unterschiedliche Größenordnungen haben können.

Ein gutes Beispiel dafür ist der Vergleich des Durchschnittspreises meiner Produkte mit meinem Gesamtgewinn. Der Durchschnittspreis für meine Produkte wird niedriger sein als mein Gesamtgewinn (oder er sollte es zumindest sein, sonst hast du viel größere Probleme, als dieses Buch wirklich lösen kann). Wenn ich diese Werte auf dieselbe Achse lege - z. B. den Gewinn in Millionen und den Durchschnittspreis im Hunderterbereich -, sieht die Durchschnittspreislinie im Vergleich zu den Millionengewinnen praktisch flach und nahe Null aus. Wenn ich sie jedoch auf verschiedene Achsen lege, wobei jede y-Achse ihre eigene Größenordnung misst, können wir dieses Problem lösen und die Trends besser erkennen.

In Abbildung 4-10 habe ich ein Liniendiagramm erstellt, das die durchschnittliche Punktzahl nach Aufgaben-ID und die Anzahl der Schüler-IDs für jede Aufgabe zeigt. Selbst in diesem Beispiel erreicht die Anzahl der Schüler/innen nicht die Höhe der Durchschnittspunktzahl für jede Aufgabe, auch nicht für die mit der niedrigsten Punktzahl.

Abbildung 4-10. Was passierte bei Aufgabe 14? Bleib dran und finde es heraus!

Gebietstafel

Ein Flächendiagramm hat dieselben Kategorieoptionen wie ein Liniendiagramm. Stell dir ein Flächendiagramm als ein Liniendiagramm vor, bei dem die Werte unterhalb der Linie ausgefüllt sind. Voila, Flächendiagramm! Das Flächendiagramm bietet meiner Meinung nach zwei gute Anwendungsfälle. Der erste Anwendungsfall ist, wenn du Daten hast, die sich im Laufe der Zeit verändern, und du dem Leser ein Gefühl für den Anteil dieser Veränderung geben willst. Ein gutes Beispiel dafür ist die Veränderung der Bevölkerung im Laufe der Zeit.

Du kannst auch ein Flächendiagramm verwenden, um leichter zu erkennen, wo sich zwei oder mehr Werte überschneiden oder - was für mich meist interessanter ist - wo sie sich nicht überschneiden. Abbildung 4-11 ist dasselbe wie Abbildung 4-10, nur dass es sich um ein Flächendiagramm handelt. Ganz am Ende des Diagramms, für Aufgabe 14, siehst du, dass der Bereich, der unter der Zeile mit der Schülerzahl ausgefüllt ist, nicht auch von der Durchschnittsnote ausgefüllt wird, weil die Durchschnittsnote gesunken ist. Dieser ausgefüllte Bereich ist ein guter visueller Indikator dafür, dass dort etwas nicht stimmt oder eine weitere Untersuchung wert ist.

Abbildung 4-11. Das kleine Dreieck am Ende wirft so viele Fragen auf!

Gestapelte Flächentabelle

Ein gestapeltes Flächendiagramm unterscheidet sich insofern von einem Flächendiagramm, als es dir nicht nur die einzelnen Werte im Bereich anzeigt, sondern auch ein Aggregat der Werte des Bereichs erstellt, so dass du sowohl die einzelnen Teile einer Summe als auch die Gesamtsumme gleichzeitig sehen kannst.

Stell dir vor, du hast ein Unternehmen, das mehrere Abonnementmodelle hat: Silber, Gold und Platin. Das gestapelte Flächendiagramm kann in einem solchen Fall sehr hilfreich sein, denn es zeigt dir die Silber-, Gold- und Platinbereiche übereinander an, sodass du sowohl die kombinierten Abonnements als auch ihre Bestandteile sehen kannst.

Abbildung 4-12 zeigt ein gestapeltes Flächendiagramm, in dem wir die durchschnittliche Punktzahl pro Aufgabe nach der Anzahl der Schuljahre eines Schülers sehen können. Wenn wir uns die Aufgaben-ID 3 ansehen, können wir erkennen, dass die Schüler, die erst ein Jahr in der Schule sind, aus irgendeinem Grund große Schwierigkeiten mit dieser Aufgabe haben. Vielleicht haben sie sich schon daran gewöhnt, auszuschlafen?

Abbildung 4-12. Schülerinnen und Schüler mit einem oder zwei Jahren Schulbesuch scheinen hier Schwierigkeiten zu haben

Linien- und gestapeltes Säulendiagramm/Säulendiagramm mit Clustern

Wir haben bereits früher in diesem Kapitel über gestapelte und geclusterte Säulendiagramme gesprochen. Was bedeutet das Hinzufügen einer Linie für diese Diagramme? Eine ganze Menge, wie sich herausstellt! Die Möglichkeit, ein Säulendiagramm zu nehmen und dann einen Linienwert auf einer anderen Achse zu überlagern, kann die Analyse erheblich erweitern.

In Abbildung 4-13 schlüssle ich zum Beispiel meine Durchschnittsnote nach Ethnie auf, verwende aber eine geclusterte Spalte für die Gesamtsumme aller Noten. Diese Ansicht zeigt mir sehr schnell, dass die Weißen die Mehrheit in meiner Klasse sind, aber die schwarzen oder afroamerikanischen Schüler/innen die höchste Durchschnittsnote haben. Die zweite Y-Achse verrät mir aber auch, dass der Unterschied in der Durchschnittsnote zwischen den verschiedenen Rassen nicht sehr groß ist und zwischen 76 und 80 liegt. Wäre ich eine Lehrkraft, die darauf bedacht ist, ihren Kurs pädagogisch auf die Bedürfnisse aller Schüler/innen abzustimmen, würde ich dieses Ergebnis sehr positiv sehen!

Abbildung 4-13. Manchmal können eine zusätzliche Linie und eine Achse uns so viel sagen

Farbbandtabelle

Ein Banddiagramm ist so etwas wie ein Flächendiagramm, aber was es wirklich gut kann, ist zu zeigen, wie die Dinge zueinander stehen. Du kannst sehen, wie das Band über die Kategorie fließt. Die Tooltips für Ribbon-Diagramme sind auch besonders detailliert, wenn du mit dem Mauszeiger über den "Übergang" des Ribbons fährst. So nenne ich den Teil der Diagramme, der nicht zu den verglichenen Spalten gehört.

Einen guten Eindruck von einem einfachen Banddiagramm erhältst du in Abbildung 4-14, wo wir uns den Rang der Durchschnittsnote derjenigen ansehen, die an den Sprechstunden teilgenommen haben, und derjenigen, die nicht teilgenommen haben. Wir sehen, dass zu Beginn des Semesters diejenigen, die nicht an den Sprechstunden teilgenommen haben, besser abgeschnitten haben, aber das ändert sich in Woche 5, so dass diejenigen, die die Sprechstunden besucht haben, besser abgeschnitten haben. Welche Fragen wirft das in deinem Kopf auf?

Abbildung 4-14. Ich möchte wissen, wann die Bürozeiten die größte Wirkung haben

Donuts, Dots und Karten, oh mein Gott!

Dieser nächste Abschnitt der Diagramme deckt ein etwas breiteres Spektrum ab als die beiden vorherigen Kategorien. Ich fasse diese Dinge gerne zusammen, weil sie für mich nicht unbedingt so gut in andere Kategorien passen. Hier geht es eher darum, die Wirkung von Kategorien zu demonstrieren, als einen Wert für eine Kategorie zusammenzufassen. Oder anders ausgedrückt: Was trägt eine bestimmte Kategorie zu etwas bei? Das bringt uns zu der folgenden Liste von Diagrammen, die wiederum in ihrer Reihenfolge im Bereich Visualisierungen aufgelistet sind, von rechts nach links, von oben nach unten:

• Trichterdiagramm

• Punktediagramm

• Kreisdiagramm

• Donut-Tabelle

• Baumkarte

Trichterdiagramm

Ein Trichterdiagramm ist eine flexible Visualisierung. Im Kern geht es bei einem Trichterdiagramm darum, eine Sammlung von Daten mit einer anderen Sammlung von Daten zu vergleichen, um zu sehen, wie nah oder weit entfernt sie ist.

Eines meiner Lieblingsbeispiele für ein Trichterdiagramm stammt aus der Zeit, als ich in einem Call Center in der Betriebsanalytik gearbeitet habe. Dieses Callcenter führte Telefoncoaching durch, und es war wichtig zu wissen, wie oft wir erfolgreich eine Verbindung herstellen oder ein Gespräch führen konnten. Ich benutzte ein Trichterdiagramm, um die Gesamtzahl der in Frage kommenden Personen darzustellen und dann die Anzahl der Personen, die wir einmal, dann zweimal, dann dreimal usw. erreicht haben. Jede weitere Kontaktaufnahme war schwieriger, und man konnte jemanden erst ein drittes Mal erreichen, wenn man ihn ein zweites Mal erreicht hatte. So konnten wir unsere Konversionsrate auf jeder Stufe der Kundenansprache schnell verstehen.

In unserem Beispiel in Abbildung 4-15 sehen wir uns einen anderen Anwendungsfall für den Trichter an: eine vorsortierte Liste mit Durchschnittsnoten nach Schülern. Achte besonders auf den Tooltip, die Information im schwarzen Kasten in Abbildung 4-15. Sie zeigt den prozentualen Anteil des hervorgehobenen Wertes im Vergleich zum Spitzenwert an. Herr Schmitz hat mit einer Durchschnittsnote von 85,36 einen Durchschnitt, der 92,28% des Spitzenwertes (Montegalegre) und 97,47% des Durchschnittswertes von Boomhower beträgt.

Abbildung 4-15. Rang visualisieren

Punktediagramm

Das Punktediagramm ist eine der nützlichsten und zugleich verrücktesten Grafiken in Power BI. Ich will es ganz offen sagen: Es ist unbeständig. Es gibt viel zu viele Möglichkeiten, bei der Erstellung dieses Diagramms einen Fehler zu machen. Wenn du Daten hast, die du gut in X- und Y-Paaren darstellen kannst, ist das Punktediagramm fantastisch. Es kann unter anderem dazu verwendet werden, um darzustellen, wie sich Werte im Laufe der Zeit verändern. Noch ein Hinweis: Deine Y-Achse muss immer numerisch sein; sie kann nicht kategorisch sein. Deine X-Achse kann entweder numerisch oder kategorisch sein.

Im Beispiel in Abbildung 4-16 sehen wir uns die durchschnittliche Punktzahl von Sportschülern und Nicht-Sportlern nach Zuweisung an. Eine Besonderheit des Streudiagramms ist die Play-Achse, mit der wir kategoriale Filter nacheinander durchlaufen können, um zu sehen, wie sich diese Werte im Laufe der Zeit verändern. Das funktioniert besonders gut bei kontinuierlichen Daten mit Datumsangaben oder, wie in diesem Fall, mit den Zuweisungs-IDs, die numerisch sind, um die Veränderung der Zuweisungsreihenfolge durchzuspielen.

Abbildung 4-16. Bewegte Bilder. Sie sind seltsam, aber ich wette, sie werden eines Tages groß sein.

Kreis- und Donut-Diagramm

Oh, ich kann die Schreie der Finanzfachleute überall hören: "Jeremey! Warum sind die beiden zusammen? Das ist doch überhaupt nicht dasselbe!" Ich möchte, dass sich alle darüber im Klaren sind. Ein Donut-Diagramm ist ein Kreisdiagramm mit einem Loch in der Mitte. Sie tun genau das Gleiche, nämlich den prozentualen Anteil einer bestimmten Kategorie an einem Gesamtwert aufzeigen.

Sieh mich an, und mit "mich ansehen" meine ich, dass du aufhörst zu lesen, deine Augen zum Himmel hebst und meine körperlose Stimme in deinem Kopf hörst. Torten- und Donut-Diagramme werden überbewertet und überstrapaziert. Heißt das, dass sie schlecht sind? Nein, natürlich nicht. Allerdings ist es natürlich einfacher, Linien und Balken miteinander zu vergleichen als "Bereiche" von Werten.

Hat dein Kreisdiagramm 74 Werte, die es vergleicht? Das ist schlecht. Ist es ein echter Zucker-Creme-Kuchen aus Zionsville, Indiana? Dann ist er gut. Ist dein Donut aus einem veganen, glutenfreien Mehlersatz aus einer Hintergasse in Portland, Oregon, hergestellt? Wahrscheinlich nicht gut. Im Ernst, geh zu Coco's. Voodoo ist überbewertet. Die Abbildungen 4-17 und 4-18 zeigen gute Torten und Donuts im Vergleich zu schlechten.

Abbildung 4-17. Guter Kuchen, guter Donut. Und warum? Weil sie beide lesbar sind.

Abbildung 4-18. Tu das nicht! Hier ist ein Beispiel für Kuchen- und Donut-Diagramme, die nicht lesbar sind. Wie die Kinder sagen: "Warum machst du das?"

Baumkarte

Die Baumkarte ist das Donut-Diagramm des 21. Jahrhunderts, d.h. sie kann gut genutzt werden, aber auch durch zu viele Kategorien zerstört werden. Ein Vorteil der Baumkarte gegenüber den Torten- und Donut-Diagrammen ist jedoch, dass es einfacher ist, zwischen großen und kleinen Quadraten zu unterscheiden. Ich verwende Treemaps gerne als Querfilter auf vielen Berichtsseiten, auf denen es natürlich Kategorien und Unterkategorien gibt, um bestimmte Unterabschnitte von Daten für weitere Analysen hervorzuheben.

Eine größere Baumkarte wie die in Abbildung 4-19 ist hilfreich, um große Gruppen auf einen Blick zu erkennen. In diesem Fall betrachten wir die Kombinationen aus Geschlecht und ethnischer Zugehörigkeit, um zu sehen, welche Gruppen die meisten Sprechstunden besucht haben. Wir können leicht erkennen, dass Frauen mehr Stunden besucht haben als Männer, und wir können sehen, welche ethnischen Gruppen diese Stunden besucht haben.

Abbildung 4-19. Gruppen- und Detailunterteilungen lassen Baumkarten erstrahlen

Kartenvisualisierungen

Kartenvisualisierungen tun genau das, was du denkst: sie ordnen Daten geografischen Kategorien zu und zeigen dir Details zu den Daten in diesen Kategorien. Das ist ziemlich einfach. Power BI verfügt über verschiedene Kartenvisualisierungen, die dir dabei helfen können, dein Ziel zu erreichen.

Die Grundkarte bietet die Möglichkeit, einen Standort zu definieren oder Datenpunkte für Breiten- und Längengrad anzubieten, um deine Kartenparameter zu definieren. Die ausgefüllte Karte ist im Grunde das Gleiche wie die Karte, nur dass sie die relevanten geografischen Kategorien ausfüllt, anstatt größenbasierte Punkte einzufügen.

Wenn du dieses Buch liest, ist die Shape Map Visual vielleicht endlich aus der Beta-Phase heraus (in der sie sich seit Jahren befindet). Die Shape Map wird nicht von Bing oder Azure betrieben, sondern verwendet benutzerdefinierte TopoJSONs, um die Form und Struktur der Karte zu definieren. Ein TopoJSON ist ein spezielles Dateiformat, das semistrukturierte geografische Daten enthält. Wenn du eine benutzerdefinierte Karte benötigst, solltest du prüfen, ob du eine TopoJSON im Haus hast oder eine der vielen großartigen Ressourcen im Internet finden, um eine TopoJSON der benötigten Karte zu erhalten.

Mit der Azure-Karte kannst du Längen- und Breitengrade definieren, die du an TomTom weitergibst, um eine Karte zu erstellen, die der Shape Map Visualisierung ähnelt. Ich empfehle dir, jede Kartendarstellung auszuprobieren und zu sehen, welche für dich und deine Bedürfnisse am besten geeignet ist.

Das "flache" Bildmaterial

Flat Visuals dienen dazu, einfache, unkomplizierte Informationen darzustellen, die du deinem Leser zeigen willst. Diese Grafiken werden in der Regel nicht durch andere gefiltert, sondern sind selbst gefiltert, mit einer offensichtlichen Ausnahme: die Slicer Grafiken. Diese Grafiken mögen einfach erscheinen, aber sie fügen einem Bericht oft das magische Extra an Kontext hinzu, das die Daten in eine sinnvolle Geschichte verwandelt. Dabei heben sie genau die Dinge hervor, die dein Publikum wirklich verstehen soll. In dieser Kategorie haben wir die folgenden Grafiken:

• Messgerät

• Karte

• Mehrreihige Karte

• KPI

• Aufschnittmaschine

• Tabelle

• Matrix

Messgerät

Messgeräte sind eine der ältesten Formen der Datenvisualisierung, die wir kennen. Sie werden seit fast dem gesamten 20. Jahrhundert in Maschinen und im Maschinenbau verwendet. Ein Messgerät zeigt dir im Grunde, wie sich ein Wert im Vergleich zu seinen Minimal- und Maximalwerten neben einem Ziel verhält. Die Anzeige ist hilfreich, um Ziele zu setzen und schnell zu sehen, ob du über oder unter dem Zielwert liegst. Er kann auch nützlich sein, wenn du einen Wert in einem bestimmten Bereich halten willst, also nicht zu heiß oder zu kalt.

In dem Beispiel in Abbildung 4-20 vergleichen wir die durchschnittliche Punktzahl mit unserem Ziel, die durchschnittliche Punktzahl zu messen.

Abbildung 4-20. Gauge gibt es schon lange; Gauge hat schon einiges gesehen. Das liegt daran, dass Messgeräte zu den frühesten Datenvisualisierungen gehören.

Karte/Multi-Row-Karte

Die Kartendarstellung ist eine der einfachsten Darstellungen in Power BI. Der Name sagt es schon: Es ist selbsterklärend. Wenn du einen Wert erhältst, wird dieser Wert in eine quadratische Karte eingetragen und mit einer kurzen Notiz versehen, was gerade angezeigt wird.

Für mich macht die Karte zwei Dinge gut. Erstens ist sie so einfach, dass man leicht versteht, was man da liest. Kombiniert man dies mit einer Querfilterung, kann die Karte schnell einen bestimmten Wert für eine beliebige Kombination von Daten hervorheben. Zweitens unterstützt sie den Erzählprozess, indem sie die Leser/innen auf bestimmte Werte aufmerksam macht, von denen du denkst, dass sie wichtig sind, entweder weil sie für sich genommen wichtig sind oder weil sie den notwendigen Kontext liefern, der die anderen Grafiken auf deiner Berichtsseite aussagekräftiger macht.

Das mehrreihige Kartenbild ist wie der Cousin des Kartenbildes, den deine Tante und dein Onkel beim Erntedankfest ständig anhimmeln, von dem du aber nicht weißt, ob er wirklich so toll ist. Die mehrzeilige Karte fasst ganz unauffällig mehrere Werte in einem einzigen kartenähnlichen Feld zusammen. Wenn es sich bei allen Werten um Aggregate handelt, sieht das ziemlich sauber aus. Wenn du jedoch Aggregationen und eine Dimension hast, die diese Aggregationen kategorisiert, erstellt die mehrzeilige Karte mehrere Zeilen auf der Karte, in denen die aggregierten Werte für jeden kategorisierten Wert aufgeführt sind.

In Abbildung 4-21 haben wir eine einfache Karte auf der linken Seite und zwei mehrzeilige Karten auf der rechten Seite: eine mit nur Aggregationen oben und eine nach Schüler-ID unterteilt unten, um den Unterschied leichter zu erkennen. Beachte, dass die zweite mehrzeilige Karte auch eine Bildlaufleiste hat, um die Navigation zu erleichtern, da sie nun länger ist als der zugewiesene Platz.

Abbildung 4-21. Du bekommst eine Karte, du bekommst eine Karte, jeder bekommt eine Karte! Dies zeigt den Unterschied zwischen einer Karte und einer mehrreihigen Karte.

KPI

Die Visualisierung von Leistungsindikatoren (Key Performance Indicators, KPIs) gehört zu den Dingen, die auf den ersten Blick toll klingen, aber unweigerlich zu Frustration führen. Es ist zwar nicht so schlimm wie das Punktediagramm, aber die KPI-Anzeige ist anfangs nicht intuitiv.

Es gibt ein Indikatorfeld, und das ist das, was du tatsächlich misst. Es gibt eine Trendachse, auf der die Ergebnisse auf einer nicht angezeigten x-Achse dargestellt werden. Dann gibt es noch das Ziel, das wir entweder überschreiten oder unterschreiten sollten.

Ein klassisches Beispiel für einen KPI-Nutzungsfall ist der Vergleich zwischen dem Umsatz des laufenden Jahres und dem Umsatz des Vorjahres nach Geschäftsmonat. In unserem Beispiel betrachten wir unseren Durchschnittswert im Vergleich zu unserem Zieldurchschnitt von 75. Die Grafik zeigt dann, wie wir im Vergleich zu diesem Ziel abgeschnitten haben.

Das Ärgerliche an der KPI ist, dass sie immer den Wert für den letzten Wert auf der Achse anzeigt, unabhängig davon, was davor passiert ist, obwohl sie diese Werte im Diagrammteil visualisiert. In Abbildung 4-22 siehst du, dass ich das Filterfenster offen gelassen habe, damit du sehen kannst, wie das Diagramm in zwei Szenarien aussieht: einmal, wenn ich die Zuordnung 14 ignoriere, die besonders ist, und einmal, wenn ich das nicht tue, damit du den Unterschied in der Art und Weise sehen kannst, wie der KPI diese Ergebnisse visualisiert.

Abbildung 4-22. Manchmal wünschte ich, ich könnte der KPI-Ansicht eine rote Karte geben

Tabelle/Matrix

Ich entschuldige mich dafür, dass ich dieses eine Mal von der Reihenfolge abweiche und den Slicer überspringe. Ich komme nach den Tabellen- und Matrixdarstellungen darauf zurück. Diese sind leicht zu verstehen, wenn du mit Excel oder Google Sheets gearbeitet oder dir eine Datenbanktabelle angesehen hast.

Der Tisch ist genau das, wonach er klingt. Hier gibt es keinen Schnickschnack. Das Tabellenbild im Bereich Visualisierungen hat nur eine Einfügung, und zwar in ein Wertefeld. Alles ist ein Feld (eine Spalte), und alle Werte werden dieser Spalte zugewiesen. Es mag kontraintuitiv erscheinen, ein Tabellenbild in einem Datenvisualisierungstool zu haben, aber das Tabellenbild kann einige spezifische Details liefern, die zusätzlichen Kontext bieten.

In vielen Fällen würde ich eine Tabelle einer mehrzeiligen Karte vorziehen, um bestimmte Datenpunkte hervorzuheben. Eine weitere coole Sache, die ich mit Tabellenvisualisierungen gemacht habe, ist, dass ich sie an das Ende von Berichten gestellt habe, damit Analysten, die die Daten dieser Tabelle für andere Analysen verwenden wollen, sie leicht extrahieren können.

Die Matrix ist eher mit einer Pivot-Tabelle in Excel vergleichbar, mit der Möglichkeit, mehrere Ebenen von Zeilenmerkmalen zu unterteilen. Matrizen können auch überstrapaziert werden, aber wenn sie verwendet werden, um bestimmte Datensätze oder -kombinationen hervorzuheben, können sie den Lesern helfen, bestimmte Punkte zu beleuchten oder Analysten zusätzlichen Kontext zu liefern, damit sie schnell herausfinden können, welche Fragen sie beantworten müssen.

Viele Jahre lang ging beim Exportieren von Daten aus einer Matrixvisualisierung die Matrixformatierung verloren, da Power BI die Daten erst in eine Tabelle einfügen und dann exportieren musste. Das ist jetzt nicht mehr der Fall. Wenn du also Daten in einem Matrixformat exportieren möchtest, z. B. für eine Präsentation, kannst du auch das tun. Abbildung 4-23 zeigt eine Tabelle auf der linken Seite und eine Matrix auf der rechten Seite.

Abbildung 4-23. Gut, du willst Tabellen? Nimm ein paar Tische.

Aufschnittmaschine

Ich habe den Slicer für als Letztes aufgespart, weil sich seine Funktionalität grundlegend von allen anderen visuellen Elementen unterscheidet, die wir überprüft haben, aber das bedeutet nicht, dass er weniger wichtig ist. Ein Slicer nimmt das Bildmaterial auf einer Seite und filtert es nach dem/den ausgewählten Wert(en) auf dem Slicer.

Ein Slicer unterscheidet sich nicht allzu sehr von einer Spalte, die über die Schaltfläche "Filter auf dieser Seite" im Bereich Filter ausgewählt wird. Der Unterschied ist jedoch, dass du als visuelles Element auf einer Berichtsseite die Interaktion mit allen anderen visuellen Elementen auf der Berichtsseite mit der Funktion "Interaktionen bearbeiten" auf der Registerkarte "Format" im Menüband bearbeiten kannst. Das macht Slicer viel flexibler und intuitiver für deine Berichtsleser. Außerdem hast du als Autor eine weitere Möglichkeit, die Dimensionen festzulegen, die du für wichtig hältst, damit deine Leser verstehen, wie sie über die Daten denken sollten.

In Abbildung 4-24 siehst du, dass das Slicer-Visual in der linken unteren Ecke anhand der Zuweisungs-ID ausgewählt wurde. Beachte, wie sich die Werte ändern, wenn ich verschiedene Kombinationen der Zuordnungs-ID auswähle, die ich mir ansehen möchte.

Abbildung 4-24. Slice, slice, baby!

Fazit

Ja, im Bereich Visualisierungen gibt es noch ein paar andere Visualisierungen, aber das sind nicht wirklich Visualisierungen für den Abschnitt 101. Wenn du in der Lage bist, R- oder Python-Skripte zu schreiben, weißt du bereits, wie du die R- und Python-Visualisierungen nutzen kannst, und wir werden die KI-gesteuerten Visualisierungen in Kapitel 7 etwas genauer besprechen. Power Apps, Power Automate und paginierte Berichte würden den Rahmen dieses Buches sprengen, aber es gibt viele Ressourcen, wenn du dich für diese Themen interessierst.

In diesem Kapitel sind wir die Grundlagen der Visualisierung in Power BI durchgegangen und haben uns viele der Visualisierungen angeschaut, die in Power BI Desktop sofort verfügbar sind. Außerdem haben wir einige ihrer Anwendungsfälle besprochen. In vielen der visuellen Beispiele haben wir ein einfaches Maß, den Durchschnittswert, als Bezugspunkt verwendet, aber wie haben wir dieses Maß erstellt? Hier kommt DAX ins Spiel, und damit werden wir uns als Nächstes befassen. Aufgeregt? Das solltest du auch sein.