La necessità di utilizzare i dati e migliorare i processi rende la visual analytics uno strumento sempre più importante. Ecco cos’è e perché


Per comprendere il valore della Visual Analytics, si deve guardare ai due termini che la costituiscono: analisi visiva. La prima è la scomposizione del tutto nelle parti che la costituiscono, la seconda è la possibilità di riuscire a visualizzarle. In un mondo in cui la generazione di dati è sempre più voluminosa, dare loro un senso e riuscire a farlo in modo immediato e dettagliato, è quanto mai essenziale. Gli esempi dell’utilità della visual analytics sono numerosi: dalla raccolta e organizzazione di informazioni meteo per produrre una previsione, alla registrazione delle transazioni bancarie per determinare i saldi dei conti e persino l’esame delle statistiche dei giocatori e delle squadre per cercare di prevedere i risultati delle partite. Tutto passa o può passare dalla analisi visiva, a vantaggio di professionisti come data engineer e data scientist.

Per questo il suo valore e l’interesse aumentano: secondo Technavio, la dimensione del mercato visual analytics dovrebbe crescere di 4,39 miliardi di dollari dal 2020 al 2025, registrando un tasso di crescita annuale del 9,23%.

Come vedremo, visual analytics ha a che fare con data visualization, ovvero con la visualizzazione dei dati, ma è molto di più. La sua importanza è tale che il Il Dipartimento della Sicurezza Interna degli Stati Uniti (DHS) ha fondato nel 2004 il National Visualization and Analytics Center per sostenere gli sforzi nel contrasto dei futuri attacchi terroristici negli USA e nel mondo. Uno dei principali obiettivi del NVAC è quello di “definire un programma di ricerca e sviluppo a lungo termine sulla visual analytics per affrontare le esigenze più pressanti nella R&D per facilitare la comprensione analitica avanzata”.

Cos’è la visual analytics?

La visual analytics può essere definita come la scienza del ragionamento analitico facilitato da interfacce visive interattive. Così la definiscono gli autori di James Thomas e Kristin Cook, scienziati del Pacific Northwest National Laboratory, in “Illuminating the Path: The Research and Development Agenda for Visual Analytics”, pubblicato nel 2005 come documento programmatico, voluto dal DHS statunitense, per definire i criteri di ricerca e sviluppo legati alla miglior comprensione e applicazione della visual analytics.

L’analisi visiva dei dati è da considerarsi come un approccio integrale e integrato capace di combinare visualizzazione, fattori umani e analisi dei dati. Chi utilizza strumenti e tecniche specifiche lo fa per sintetizzare informazioni e ricavare intuizioni da volumi molto grossi di dati (più avanti parleremo della relazione con i Big Data), ma anche – spiegano ancora Thomas e Cook – “individuare il previsto e scoprire l’inaspettato; fornire valutazioni tempestive, difendibili e comprensibili; e comunicare valutazione in modo efficace per l’azione”.

Visual Analytics - Le interfacce grafiche facilitano l'analisi dei dati ma non si sostituiscono mai alle competenze umane
Visual Analytics – Le interfacce grafiche facilitano l’analisi dei dati ma non si sostituiscono mai alle competenze umane

Riuscire a visualizzare i dati in grafici, diagrammi e mappe aiuta gli utenti a identificare i modelli e quindi a sviluppare intuizioni utilizzabili. Queste intuizioni aiutano le organizzazioni a prendere decisioni migliori, basate sui dati. Significa così avere la possibilità di fare data analytics in modo più comprensibile, efficace e – volendo – anche creativo.

Come è possibile farlo? Attraverso dashboard, strumenti di data visualization, software di integrazione delle fonti di dati e strumenti collaborativi.

Un’interfaccia davvero efficace fornisce visualizzazioni interattive dei dati, favorendo l’esplorazione. Non solo: permette di utilizzare una risorsa visiva per aumentare quelle cognitive, riducendo allo stesso tempo la ricerca con il monitoraggio percettivo di grandi quantità di dati in uno spazio ridotto. Inoltre consente di organizzare le informazioni per migliorare il riconoscimento dei pattern; e supportare la facile inferenza percettiva delle relazioni tra i punti dati.

Visual analytics e data visualization: differenze e affinità

La data visualization è parte integrante della visual analytics. È un processo che favorisce la possibilità di tradurre dati e metriche in immagini, grafici, diagrammi, consentendo una comunicazione chiara di ciò che dicono i dati. La sua principale finalità è comunicare chiaramente ciò che i dati dicono, aiutare a spiegare le tendenze e le statistiche, e mostrare modelli che altrimenti sarebbe impossibile vedere. Se essa permette di rendere il più semplice l’interpretazione e la comprensione dei dati, visual analytics svolge il lavoro più complesso, usando una varietà di processi e tecniche di AI, Machine Learning, natural language processing ecc per identificare e rivelare modelli e tendenze.

Data Visualization - Immagine con tanti esempi diversi di dashboard e grafici per la visualizzazione dei dati
Data Visualization – Esempi diversi di dashboard e grafici per la visualizzazione dei dati

C’è una relazione quasi simbiotica tra data visualization e visual analytics. Una buona “visualizzazione dei dati” fa sì che l”analisi visiva” sia più efficace e mostri agli utenti migliori intuizioni. Insieme, possono essere di aiuto a persone, enti, imprese a essere più efficienti, ottenendo un vantaggio competitivo sui propri competitor.

A cosa serve

Visual Analytics rientra nella categoria della visual business intelligence e della visual business analytics, impiegando pratiche come il data mining e il lavoro statistico per visualizzare le informazioni in un formato facile da comprendere.

Da ciò si può capire cosa serva e quale sia la sua utilità al più ampio livello e in disparati settori. La visual analytics può elevare la sicurezza sul lavoro. In questo caso è utile monitorare il funzionamento dei macchinari: questi, collegati con i grafici, possono consentire di rilevare in anticipo possibili guasti o anomalie e anche possibili incidenti che coinvolgano persone sul posto di lavoro.

Qualche altro esempio arriva dal settore automobilistico. Il team di Mercedes-AMG e quello di TIBCO Data Science hanno collaborato per sviluppare strumenti di visual analytics per varie finalità. La prima è permettere al team di dinamica del veicolo di condividere le loro intuizioni con gli ingegneri di pista, per analizzare l’andamento della macchina (per cui è stato realizzato un digital twin) e migliorare le prestazioni. Inoltre, le soluzioni di analisi visiva forniscono informazioni aggiornate sui costi e sul valore agli ingegneri e al personale commerciale.

Persino in campo civile, adottare processi e soluzioni di visual analytics è utile. Lo sta dimostrando, in Australia, il team di ricercatori della Bangor University che sta lavorando con l’ente Gwynedd Council per sviluppare uno strumento avanzato di analisi visiva per modellare l’impatto del cambiamento dell’uso del suolo sull’idrologia del fiume e fornire preziosi approfondimenti per applicazioni sul territorio sicure ed economicamente vantaggiose.

Visual analytics e big data

La visual analytics ha una grande utilità nel processo di big data analytics. Essa, infatti, è particolarmente utile nelle applicazioni di business analytics che coinvolgono grandi quantità di set di dati complessi e processi analitici che richiedono interazione e monitoraggio. La crescente domanda per integrare software di visual analytics è guidata dalla generazione di sempre maggiori dati di elevato volume, complessità e velocità.

L’obiettivo della big data analytics è approfittare delle capacità cognitive dell’uomo nel visualizzare le informazioni mentre si utilizza la capacità del computer nell’analisi automatica. Combinando i vantaggi offerti da uomo e computer, insieme ai metodi di analisi interattiva e alle tecniche di interazione, la visual analytics dei big data può aiutare le persone a comprendere meglio le informazioni e servirsene per ottimizzare a loro volta processi e prestazioni.