Databerättelse och viktiga frågor att ställa

När det gäller databerättelse finns det tre viktiga faktorer att tänka på för att säkerställa att vår rapport berättar rätt historia – användaren , sammanhanget och lösningen . Dessa faktorer är kritiska eftersom de beskriver syftet med varje rapport.

I en , beskrev vi databerättelse som processen att överföra information till en given publik. Med effektivt berättande kan vi få det engagemang vi letar efter från slutanvändarna.

Hur gör vi våra databerättelser mer effektiva? Vi behöver bara ställa de rätta frågorna så att vi vet vilken metod vi ska använda när vi utvecklar våra rapporter.

Innehållsförteckning

Effektiv databerättelse genom att förstå användaren

Den första frågan vi alltid bör ställa är "Vem är publiken?"

Databerättelse och viktiga frågor att ställa

Att inte identifiera slutanvändaren innebär att vi sammanställer en rapport utan att riktigt veta vilka element vår rapport behöver. Ett gammalt citat säger: "Om man inte vet till vilken hamn man seglar, är ingen vind gynnsam".

Databerättelse och viktiga frågor att ställa

Detta gäller rapportutvecklingsprocessen, särskilt berättande. Vi bör göra rapporter utifrån vad publiken behöver, och inte utifrån vad vi personligen vill presentera.

Vem är publiken? Vilken roll har de i sin organisation? Vad är deras analytiska mognad? Har de preferenser och vanor som borde diktera hur data presenteras? Vilken typ av verktyg använder de?

Vi bör också förstå deras smärtpunkter och deras begränsningar. Har de vanor som kan diktera hur de analyserar data?

Analytiker kontra chefer

Genom att känna till publiken kan vi fatta beslut om hur vi ska bygga vår rapport. En del publik är helt visuella och uppskattar till exempel överanvändning av diagram. Andra kanske behöver mer grundliga förklaringar på varje avsnitt i rapporten.

Det är också viktigt att förstå detoch chefer kommer alltid att ha olika perspektiv.

Databerättelse och viktiga frågor att ställa

Analytiker tenderar att lägga mer tid på att analysera problemet och mindre på att uttrycka problemet eller arbeta med en syntes. Chefer är exakta motsatser och skulle hoppa in i att uttrycka problemet och arbeta på en syntes utan att lämna mycket tid för analys.

Eftersom analytiker och ledning har två radikalt olika sätt att ta itu med ett problem måste du också ställa rätt frågor. Vilka är deras förväntningar? Vad ska de göra med rapporten? Kommer det att användas för att lyfta fram specifika trender och använda det för beslutsfattande?

Att känna till slutmålet för projektet är extremt viktigt eftersom det här berättar hur du skapar en berättelse som leder till de resultat de behöver. Genom att identifiera din publik som antingen analytiker eller chefer (eller en blandning av båda) kan du justera ditt tillvägagångssätt baserat på deras prioriteringar.

Två tillvägagångssätt i logik och flöde

Det finns två grundläggande typer av tillvägagångssätt när det gäller berättelselogik och flöde. Det första tillvägagångssättet kallas induktivt tillvägagångssätt.

Databerättelse och viktiga frågor att ställa

Det induktiva tillvägagångssättet är en vanlig väg de flesta av oss använder vid problemlösning. Vi börjar med fakta och analyserar data innan vi gör vår analys. Därifrån kommer vi med en slutsats, som kommer att ligga till grund för våra rekommendationer.

Det andra tillvägagångssättet kallas det deduktiva tillvägagångssättet.

Databerättelse och viktiga frågor att ställa

Detta deduktiva tillvägagångssätt börjar med rekommendationer om vad som bör göras innan man ställer frågor om varför det bör göras. Om det finns fler frågor är det enda gången du hoppar in i analysen och metodiken.

Detta tillvägagångssätt är främst för chefer som är mindre intresserade av att se fakta och metodik och som vill se åtgärder vidtagna omedelbart. Slutsatserna och åtgärderna kommer att vara deras primära grund för att ställa frågor om det behövs. Genom att veta detta kan du vara förberedd med tydliga svar på dessa frågor.

Den största fördelen med detta tillvägagångssätt är den detaljerade informationen som ges inom en begränsad tidsram. Det låter dig delta i en fråge- och svarsdiskussion som hjälper publiken att förstå dina idéer. Detta låter dig markera nyckelbudskap vid optimala tidpunkter.

Detta tillvägagångssätt har två potentiella resultat. För det första kunde slutanvändarna hitta den snabba tillgången till information som mycket användbar och kunde trösta dem om resultaten överensstämmer med deras ursprungliga hypotes. Detta kommer att öka ägandet.

Å andra sidan, om det slutar med att du bevisar deras insikter felaktiga, kommer det att väcka intresse och kommer att vara ett utmärkt tillfälle för dig att få deras uppmärksamhet. Detta kan sluta som en vändpunkt i din berättelse.

Förstå sammanhanget för din databerättelse

Att känna till sammanhanget är en annan nyckel till framgångsrik databerättelse. Glöm aldrig att du skapar en rapport för någon annan. Det betyder att sammanhanget kan skilja sig från vad du förväntar dig.

Databerättelse och viktiga frågor att ställa

Varför finns det ett behov av denna rapport? Har något utlöst detta behov? Vilka är omständigheterna?

Feedbackinteraktioner visar sig vara användbara i detta fall. Den visar dig vad problemet är och ger dig chansen att se på helheten. Det låter dig skapa en rapport som potentiellt kan bana väg till en lösning.

En god förståelse för sammanhanget hjälper dig också att förstå vilka affärsfrågor som bör besvaras först. Det låter dig strukturera din rapport på ett logiskt sätt, baserat på vad de aktuella behoven är. Det skapar en koppling mellan problemet, förväntningarna och lösningen.

Kommer på en lösning

Den tredje viktiga faktorn att tänka på när man kommer med en databerättelse är lösningen. Vilka frågor skulle du vilja få svar på?

Databerättelse och viktiga frågor att ställa

Det finns många saker som dina slutanvändare inte vet men skulle vilja ta reda på genom rapporten du arbetar med. Observera att detta inte bara handlar om befintliga frågor som de redan har. När du arbetar med datan kommer de att formulera nya frågor längs vägen. Dessa frågor kommer att leda dig till rätt story att följa.

Att ta reda på vilka lösningar som ska tillhandahållas kommer också att hjälpa dig att avgöra om du behöver en undersökande rapport eller en förklarande. Återigen, detta knyter an till den typ av publik du har. Om du har chefer som slutanvändare skulle du med största sannolikhet behöva förklarande rapporter som presenterar mindre detaljer men täcker ett större omfång. Din prioritet skulle vara att presentera tydliga åtgärder istället för att gå igenom varje del av informationen.

Men om din publik består av personer som arbetar i operationer, skulle du behöva en undersökande rapport där du kommer att presentera mer detaljer med en begränsad omfattning. De skulle behöva verktyg för interaktion som filter så att de kan navigera i rapporten mer effektivt.

Det är också viktigt att förstå om rapporten tar upp ett nytt krav eller om det är tänkt att ersätta en befintlig lösning. Om rapporten är tänkt att ersätta en befintlig lösning har du fördelen att se vad som fungerade och vad som inte fungerade i den senaste lösningen de använde.

Om detta är ett nytt krav skulle det bästa sättet att skapa en effektiv rapport vara att förstå var behovet kom ifrån. Är rapporten tänkt att ta upp aktuella problem, eller bör rapporten utvecklas när nya data avslöjas?

Ju mer du kommunicerar med din publik och ställer de rätta frågorna, desto mer kommer du att lära känna deras verkliga behov.




Slutsats

En rapport är ett kommunikationsverktyg som gör teknisk analys lättare att förstå. Det har ett syfte och skickar en uppmaning till handling. Den utbildar och tillhandahåller information som hjälper slutanvändare att fatta beslut.

Det är därför du vill skapa en relevant, intuitiv och visuellt tilltalande upplevelse för dina slutanvändare varje gång du producerar en rapport. Du vill påverka. Det är något som du kan uppnå genom effektiv.

Med vänliga hälsningar,


Pipe In R: Anslutningsfunktioner med Dplyr

Pipe In R: Anslutningsfunktioner med Dplyr

I den här handledningen kommer du att lära dig hur du kopplar ihop funktioner med hjälp av dplyr-röroperatorn i programmeringsspråket R.

RANKX Deep Dive: A Lucky Templates DAX-funktion

RANKX Deep Dive: A Lucky Templates DAX-funktion

RANKX från LuckyTemplates låter dig returnera rankningen av ett specifikt nummer i varje tabellrad som utgör en del av en lista med nummer.

Extrahera LuckyTemplates-teman och bilder från PBIX

Extrahera LuckyTemplates-teman och bilder från PBIX

Lär dig hur du tar isär en PBIX-fil för att extrahera LuckyTemplates-teman och bilder från bakgrunden och använda den för att skapa din rapport!

Excel Formler Fuskblad: Mellanvägledning

Excel Formler Fuskblad: Mellanvägledning

Excel Formler Fuskblad: Mellanvägledning

LuckyTemplates Kalendertabell: Vad är det och hur man använder det

LuckyTemplates Kalendertabell: Vad är det och hur man använder det

LuckyTemplates Kalendertabell: Vad är det och hur man använder det

Python i LuckyTemplates: Hur man installerar och ställer in

Python i LuckyTemplates: Hur man installerar och ställer in

Lär dig hur du installerar programmeringsspråket Python i LuckyTemplates och hur du använder dess verktyg för att skriva koder och visa bilder.

Beräkna dynamiska vinstmarginaler – enkel analys av LuckyTemplates med DAX

Beräkna dynamiska vinstmarginaler – enkel analys av LuckyTemplates med DAX

Lär dig hur du beräknar dynamiska vinstmarginaler vid sidan av LuckyTemplates och hur du kan få fler insikter genom att gräva djupare i resultaten.

Sortering av datumtabellkolumner i LuckyTemplates

Sortering av datumtabellkolumner i LuckyTemplates

Lär dig hur du sorterar fälten från en utökad datumtabells kolumner korrekt. Detta är en bra strategi att göra för svåra fält.

Hitta dina bästa produkter för varje region i LuckyTemplates med DAX

Hitta dina bästa produkter för varje region i LuckyTemplates med DAX

I den här artikeln går jag igenom hur du kan hitta dina toppprodukter per region med hjälp av DAX-beräkningar i LuckyTemplates, inklusive TOPN- och CALCULATE-funktionerna.

Skräpdimension: Vad är det och varför det är allt annat än skräp

Skräpdimension: Vad är det och varför det är allt annat än skräp

Lär dig hur du använder en skräpdimension för flaggor med låg kardinalitet som du vill infoga i din datamodell på ett effektivt sätt.