W niedawnych wpisach na tym blogu oraz na Medium omówiłem mój pomysł na zasady tworzenia kokpitów menedżerskich. Dążyłem do tego, by pokazać, jak przekształcić kokpity w efektywne narzędzia storytellingu opartego na danych. W tym artykule przedstawię kilka studiów przypadku dotyczących udanych kokpitów.
Każda prezentacja skupi się na:
Prezentacji wersji kokpitu, którą można by określić jako nieoptymalną,
Następnie przedstawię jego ulepszoną wersję.
W obu sytuacjach wyjaśnię, co nie działało w pierwotnym kokpicie i jakie zmiany wprowadziłem, by osiągnąć lepszy efekt.
Informacje techniczne
Kokpity, które chciałbym Państwu przedstawić, są udostępnione do przeglądania w tym miejscu. Zaprojektowałem je w Looker Studio, a niedługo zamierzam podzielić się z Państwem szkoleniem z tego narzędzia na moim kanale YouTube. Zachęcam do eksploracji tych kokpitów - możecie je łatwo skopiować na swoje konto Looker i przetestować.
Dane, na których bazują kokpity, zostały przygotowane przy użyciu Chat GPT z wykorzystaniem modelu GPT-4 oraz specjalnego dodatku "Advanced Data Analysis". Dla zainteresowanych udostępniam te dane tutaj. Jeżeli chcieliby Państwo dowiedzieć się, jak przygotować takie dane (np. na potrzeby case study czy szkolenia), chętnie podzielę się wiedzą. Proszę o sygnał np. w postaci komentarza.
Studium 1: Daily sales report
Co jest dobre?
Za niewątpliwą zaletę tego raportu można uznać jego przejrzystość. Mimo licznych wizualizacji, raport zachowuje klarowność, co zawdzięcza skutecznemu oddzieleniu treści. Z niewielkim nakładem uwagi można zrozumieć, co przedstawiają poszczególne wykresy, choć wymaga to chwili skupienia.
Co jest złe?
Raport niestety posiada więcej niedoskonałości niż zalet. Choć rozpoznanie treści poszczególnych wykresów nie stanowi dużego wyzwania, wymaga od użytkownika pewnego wysiłku. Poza tym, klarowność tych wykresów pozostawia wiele do życzenia: brakuje odpowiedniego formatowania liczb, niepotrzebne linie siatki i etykiety osi obniżają ich czytelność. Dodatkowo, nierównomierne rozmieszczenie wykresów na dole strony świadczy o pewnej niedbałości. Można mieć zastrzeżenia do kolejności prezentacji dolnych wykresów (mocno subiektywne). Kolejnym mankamentem jest brak domyślnych ustawień filtrów, co zmusza użytkowników do ręcznego dostosowywania wyświetlanych informacji za każdym razem.
Poprawiony kokpit
W zaktualizowanej wersji kokpitu od razu rzuca się w oczy większa klarowność: wprowadzono wyraźne nagłówki i usunięto zbędne elementy z wykresów. Zastosowano domyślne ustawienia filtrów co ułatwia nawigację. Wykresy liniowe zostały wyrównane i pozbawione etykiet, co pozwala lepiej dostrzec trendy. Dodatkowo, kokpit wzbogacono o dwa wykresy podsumowujące średnie przychody oraz liczbę sprzedanych sztuk. W nowej wersji zachowano rozdzielność wykresów. Zamiast cieni i obramowań użyto wypełnione na zielono prostokąty pod wykresami, co wzbogaciło estetykę przy utrzymaniu porządku.
Studium 2: Client funnel report
Co jest dobre?
Na pierwszy rzut oka raport prezentuje się estetycznie. Zastosowano domyślne ustawienia filtrów, co zwiększa jego czytelność, a wizualizacje układają się harmonijnie zgodnie z regułą "Z". Ponadto, wykresy zostały pozbawione zbędnych detali, co dodatkowo podnosi ich klarowność.
Co jest złe?
W tym raporcie dane zostały przedstawione bez głębszej analizy ich znaczenia i tego, co chcielibyśmy przekazać użytkownikowi. Co jest kluczowe dla użytkownika? Załóżmy, że kluczowym wskaźnikiem w tym raporcie jest poziom konwersji, który pokazuje stosunek zawartych transakcji do liczby wizyt w serwisie. Aby jednak ocenić ten poziom konwersji, użytkownik musiałby samodzielnie porównać dane z wykresów "daily purchases" i "daily visits". Taka konieczność samodzielnej analizy przez użytkownika podważa wartość całego raportu.
Poprawiony kokpit
W zaktualizowanej wersji kokpitu, w głównym miejscu, umieszczono wykres w formie prędkościomierza, ukazujący bieżący poziom konwersji w porównaniu do założonego w planie. Wprowadzono również wykres przedstawiający cały lejek sprzedażowy ("Sales funnel") z podziałem na poszczególne tygodnie. Dzięki temu możemy zauważyć problem w tygodniu 52, gdzie nie zaobserwowano żadnej transakcji sprzedażowej. Chociaż wykresy trendów zostały zachowane, zostały one przesunięte niżej i zmniejszone. Aby lepiej je rozróżnić, zastosowano kolorystykę z wykresu "Sales funnel".
Studium 3: Store user report
Co jest dobre?
Tak jak poprzednio, raport wyróżnia się przejrzystością: wykresy są pozbawione niepotrzebnych detali i są odpowiednio rozmieszczone.
Co jest złe?
Raport, mówiąc delikatnie, nie jest przyjazny dla użytkownika. Zbyt wiele filtrów i list sprawia, że łatwo się zgubić. Co więcej, prezentowane wykresy dostarczają informacji o wątpliwej użyteczności. W moim przekonaniu, pewne dane przedstawione na wykresach powinny zostać przeniesione do filtrów. Jako twórcy raportu powinniśmy przemyśleć, czy nie możemy w nim zawrzeć bardziej wartościowych informacji. Dane takie jak wiek czy płeć, które nie ulegają dynamicznym zmianom, prawdopodobnie nie są kluczowe z punktu widzenia zarządzania organizacją.
Poprawiony kokpit
Na wstępie raportu dodano przycisk umożliwiający resetowanie filtrów. Dzięki temu, nawet gdy użytkownik poczuje się zagubiony, może łatwo przywrócić domyślny widok raportu jednym kliknięciem. Wykresy zostały wyposażone w czytelne tytuły. Zastąpiono dane dotyczące płci i wieku wykresami prezentującymi status klientów (na przykład datę dokonania transakcji), ich lokalizację oraz staż współpracy. Zredukowano liczbę filtrów, wprowadzając jednocześnie filtrowanie krzyżowe między wykresami, gdzie wybór jednego elementu na jednym wykresie wpływa na prezentację danych na innych. W celu wizualnego oddzielenia wykresów zastosowano "wyspy" - szare prostokąty umieszczone pod nimi.
Studium 4: Daily basket
Co jest dobre?
Czytelność, brak zbędnych elementów oraz przycisk resetowania.
Co jest złe?
Problemem tego raportu są zbyt zawiłe i trudne do zrozumienia wizualizacje.
Poprawiony kokpit
W udoskonalonej wersji kokpitu wykresy mapy drzewa zostały zastąpione przez proste i zrozumiałe wykresy liniowe. Dzięki zastosowanej hierarchii dat, uzyskujemy możliwość analizowania danych, przechodząc do ich bardziej szczegółowego widoku. Nie musimy od razu zarzucać użytkownika pełną szczegółowością.
Podsumowanie
Podsumowując, kluczem do skutecznego raportowania jest klarowność i intuicyjność prezentowanych danych. Jak pokazuje powyższa analiza i dyskusja, nawet dobrze przygotowane dane mogą stracić na wartości, jeśli zostaną przedstawione w sposób zbyt skomplikowany lub niejasny. Wprowadzenie prostych zmian, takich jak czytelne tytuły, odpowiednie rozmieszczenie wykresów czy zastosowanie hierarchii dat, może znacząco poprawić użyteczność i czytelność raportu. Warto też inwestować czas w optymalizację wizualizacji, aby zapewnić odbiorcom jak najbardziej wartościowe informacje w przystępnej formie.
Czy podobał się Państwu ten artykuł? Zachęcam do subskrypcji newsletteru (link w stopce). Informuję w nim o wszystkich nowych postach na blogu. Zapraszam tez do odwiedzin na moim blogu w ramach medium.com oraz na kanale YouTube.
Comments