Visual Analytics

Definition

Der Begriff Visual Analytics wurde im Jahr 2004 eingeführt und bereits ein Jahr später in dem Buch Illuminating the Path [Thomas and Cook 2005] beschrieben.^[1] Es handelt sich hierbei um einen interdisziplinären Ansatz, der die Vorteile aus unterschiedlichen Forschungsgebieten verbindet. Das Ziel der Visual Analytics-Methode ist, Erkenntnisse aus extrem großen und komplexen Datensätzen zu gewinnen. Der Ansatz kombiniert die Stärken der automatischen Datenanalyse mit den Fähigkeiten des Menschen, nämlich sehr schnell Muster oder Trends visuell zu erfassen. Durch geeignete Interaktionsmechanismen können Daten visuell exploriert und nützliche Erkenntnisse gewonnen werden.

Die Bandbreite des Visual Analytics [Keim et al 2008]

Motivation

Die stetig wachsende Menge an zu verarbeitenden Daten hat dazu geführt, dass immer größere Speichermedien entwickelt wurden. Häufig wird die gesammelte Datenmenge für die spätere Verarbeitung allerdings weder gefiltert noch bereinigt sondern als Rohdaten abgespeichert. Diese Daten sind für sich genommen nutzlos, können allerdings wichtige Informationen beinhalten. Mit Hilfe des Visual Analytics-Ansatzes wird diese Datenflut elektronisch analysiert, wobei der Mensch stets Einfluss auf die automatisch generierten Ergebnisse hat. Mittels geeigneter interaktiver Visualisierungen kann der Mensch den Analyseprozess beliebig lenken. Im Gegensatz zur reinen Informationsvisualisierung werden dem Menschen also nicht nur Resultate präsentiert, sondern darüber hinaus wird ihm die Möglichkeit gegeben, in die Analyse einzugreifen und die Algorithmen zu beeinflussen.

Prozess

Data: Heterogene Datenquellen müssen vor der visuellen oder automatischen Analyse zuerst vorverarbeitet werden (z.B. bereinigen, normalisieren, etc.).

Models: Mit Hilfe von Data Mining-Techniken werden Modelle der Originaldaten generiert, welche daraufhin zu Evaluationszwecken oder für weitere Verbesserungen visualisiert werden.

Visualization: Um die Modelle durch einen Benutzer zu überprüfen werden Visualisierungen generiert, welche mit Interaktionstechniken für eine Analyse angereichert werden.

Die Vorgehensweise orientiert sich dabei an folgendem Paradigma:

„Analyse First – Show the Important – Zoom, Filter and Analyse Further – Details on Demand“ [Keim et al. 2008]

Dabei ist ein stetiger Wechsel zwischen visuellen und automatischen Vorgängen eine wichtige Eigenschaft des Visual Analytics-Prozesses. Verfälschte Resultate können dadurch frühzeitig erkannt werden, um ein besseres und vertrauenswürdigeres Endergebnis zu erhalten.

Anwendungsgebiete

Anwendungsbereiche in denen große Mengen an Daten verarbeitet und visualisiert werden müssen profitieren von Visual Analytics.

Das sind zum Beispiel:

Physik und Astronomie. Das Erkennen von unerwarteten Phänomenen in riesigen und dynamischen Datenströmen.
Katastrophenschutz. Die Analyse einer Notsituation um geeignete Gegenmaßnahmen zu entwickeln, die helfen den Schaden einzugrenzen (Naturkatastrophen, etc.).
Biologie und Medizin. Die Analyse großer Mengen an Bio-Daten (das menschliche Genom, etc.).
Business-Intelligence. Analyse von Kundendaten.

Forschungseinrichtungen

Einzelnachweise

↑ Keim D, North S, Panse C, Sips M: Visual Data Mining in Large Geo-Spatial Point Sets. In: IEEE Computer Graphics and Application. Nr. 12, 2004, S. 36–44.

Literatur

[Thomas and Cook 2005] Thomas, J.J. and Cook, K.A. eds., 2005. Illuminating the path: The research and development agenda for visual analytics. IEEE Computer Society

[Keim et al 2010] Keim, D. A, Kohlhammer, J., Ellis, G. P. and Mansmann, F. eds., 2010. Mastering The Information Age - Solving Problems with Visual Analytics. Eurographics

[Keim et al 2008] Keim D, Mansmann F, Schneidewind J, Thomas J, Ziegler H 2008. Visual analytics: Scope and challenges. Visual Data Mining: 76-90.

[1] Keim D, North S, Panse C, Sips M: Visual Data Mining in Large Geo-Spatial Point Sets. In: IEEE Computer Graphics and Application. Nr. 12, 2004, S. 36–44.

[1]