Power BI-raportointi – tasapaino tekniikan ja muotoilun välillä
Microsoft Power BI on markkinaa johtava Business Intelligence (BI)-työkalu, joka tarjoaa organisaatioille mahdollisuuden jalostaa raakadataa toimintakelpoisiksi raporteiksi. BI-työkalujen käyttöönotossa keskitytään usein painotetusti alustan teknisiin mahdollisuuksiin, jolloin raporttien ulkoasun muotoilu ja käyttöliittymän merkitykset saattavat jäädä varjoon. Tasapainon löytäminen teknologian ja muotoilun välillä on kriittistä rakennettaessa Power BI-raportteja, jotka ovat sekä toiminnallisesti vankkoja että visuaalisesti houkuttelevia ja intuitiivisia. Pohditaanpa tarkemmin, miksi tämä tasapaino on tärkeä ja miten se voidaan tehokkaasti saavuttaa.
Power BI:n taustateknologiat
Power BI on ytimeltään monipuolinen alusta, joka tarjoaa edistyneitä ominaisuuksia datan käsittelyyn, muokkaamiseen ja visualisointiin, mukaan lukien Power Query -työkalu datan yhdistämiseen ja muokkaamiseen eri lähteistä. Aina datan mallinnuksesta ja DAX-laskelmista interaktiivisiin koontinäyttöihin ja tekoälyohjattuihin oivalluksiin asti, Power BI tarjoaa laajan valikoiman työkaluja, joiden avulla datan potentiaalia voidaan hyödyntää. Kuitenkin teknisten ominaisuuksien moninaisuus saattaa joskus hämärtää muotoilun roolia.
Power BI:n laskenta näkyy loppukäyttäjille usein universaalisti tunnistettavissa visualisoinneissa, kuten taulukoissa, viiva- ja pylväsdiagrammeissa. Tämä taulukkolaskennasta tuttu tapa esittää dataa on usein harhaanjohtava, sillä toisin kuin esimerkiksi Excelissä Power BI:n taustalla oleva laskenta ei tapahdu taulukkokontekstissa vaan perustuen seuraaviin teknologioihin: DAX, formula engine (FE) ja storage engine (SE). Kun loppukäyttäjä käyttää Power BI-raporttia, seuraavat prosessit käynnistyvät:
- Raporttiin määritellyt DAX-laskelmat käynnistyvät
- FE tulkitsee nämä laskelmat ja kyselee SE:tä
- Riippuen yhteystyypistä import/direct query/composite model VertiPaq tai SQL hakee tarvittavan datan, tekee vaaditut transformaatiot ja palauttaa tulokset FE:lle
- FE esittää lasketun datan käyttäjälle visualisaatioiden kautta
Muotoilun merkitys Power BI-raportoinnissa
Muotoilu toimii sillanrakentajana, joka yhdistää käyttäjät dataan. Se ei ole pelkästään raporttien ulkoasun kaunistamista, vaan sen tarkoituksena on parantaa käytettävyyttä, helpottaa ymmärrystä ja lisätä sitoutumista. Tehokas muotoilu varmistaa, että käyttäjät voivat vaivattomasti navigoida läpi monimutkaisten tietojoukkojen, tulkitsevat dataa selkeästi ja tekevät toimintakelpoisia päätelmiä. Väreillä, visualisointien sijainnilla, negatiivisella tilalla ja visualisointien määrällä on kaikilla vaikutusta siihen, miten Power BI-raportteja tulkitaan.
Kuten eräs yleinen lausahdus menee, “form is part of function” tai karkeasti käännettynä, muoto on osa toiminnallisuuutta. Tämä lausahdus pätee erityisesti Power BI:n kontekstissa, sillä hyvin muotoiltu raportti on usein myös performanssiltaan parempi, kuin nopeasti kasaan kyhätty viritelmä. Koska Power BI:n teknologiat lähettävät kyselyitä tallennusmoottorin kautta, monimutkainen raportti on performanssiltaan erittäin huono. Tämä ei suinkaan ole ainoa ongelma, sillä ihmisen lyhytkestoinen muisti pystyy käsittelemään keskimääräisesti viidestä yhdeksään erilaista informaation palasta. Tästä syystä raportit, joissa on kymmeniä mittareita ovat tehottomia, sillä niitä on vaikea käsitellä kokonaisuutena.
Asian visualisomiseksi verrataan kahta eri raporttipohjaa:
Kuva 1: Toimiva Raporttipohja
Kuva 2: Liian Monimutkainen Raportti
Kuva 1 on yleinen raporttipohja, mikä noudattaa yleistä silmän liikerataa ja sisältää hallittavan määrän elementtejä. Vaaleansiniset kentät symboloivat erilaisia visualisointeja. Kuva 2 on myös valitettavan yleinen layout, mikä sisältää lukuisia KPI-laatikoita. Tällainen raporttipohja kerää näennäisesti paljon dataa pieneen tilaan, mutta tilastollisesti se on liian monimutkainen ihmisen lyhytkestoiselle muistille. Tällainen raportti on liian ”kiireinen” ja siinä on liian paljon negatiivista tilaa. On epätodennäköistä, että raportin käyttäjä pystyy sisäistämään kaikkia mittareita, mitä raportilla esitetään ja tästä syytä en suosittele tällaista rakennetta.
F, Z ja 19 sekuntia
Web-muotoilu antaa paljon hyviä eväitä raporttien muotoiluun, sillä monet lainalaisuudet mitkä pätevät nettisivujen rakentamisessa ovat totta myös raportointikontekstissa. Kaksi yleisintä tapaa miten ihmiset tulkitsevat raportteja ja nettisivuja ovat F- tai Z-kuviot. Jos raportissa ei ole näiden kuvioiden ”rikkovia” elementtejä, ihmisen silmät aloittavat sisällön tulkitsemisen pohjan vasemmasta yläreunasta. Tästä syystä tämä sijainti on ensisijaisen tärkeä ja tärkein data tulisi aina sijoittaa sinne. Kuvat 3 ja 4 ovat esimerkkejä näistä kuvioista. Numerot esittävät silmien liikejärjestystä näissä skannaustavoissa.
Kuva 3: Z-kuvio
Kuva 4: F-kuvio
Raportteja suunniteltaessa tämä silmien liikerata antaa hyvän lähtökohdan sille, mihin informaatio tulisi sijoittaa. Raportin yläreuna on erityisen tärkeä ja oikeaan alareunaan voi piilottaa salaisuuksia. Skannausprosessi kestää keskimäärin 19 sekuntia mikä on hyvin lähellä lyhytkestoisen muistin keskimääräistä pituutta (22,5). Tämä silmien liikerata selittää myös sitä miksi useimmat hakutulokset ”Power BI Dashboard Examples” noudattavat kyseistä asettelua. Kuva 5 on esimerkki tästä ja useimmissa esimerkeissä nousee esille vasemman yläreunan merkitys.
Kuva 5: Power BI Dashboard Examples
Mainitsemani 19 sekuntia antaa hyvän viitekehyksen sille, miksi raportteja rakennettaessa yksinkertainen on kaunista. Jos loppukäyttäjä ei löydä tarvitsemaansa tietoa nopeasti Power BI-raportilta, on hyvä kohta miettiä, onko raporttisi liian monimutkainen. F- ja Z-kuviot eivät kuitenkaan ole absoluuttisia totuuksia ja tietyt muotoiluelementit muuttavat loppukäyttäjän tyypillistä käytöstä. Power BI-raportoinnin näkökulmasta kaksi merkittävintä tällaista elementtiä ovat kontrasti ja isot numerot. Kuvat 6 ja 7 ovat esimerkkejä näistä tilanteista.
Kuva 6: Iso numero
Kuva 7: Kontrasti
Iso numero ei tässä kontekstissa tarkoita, että numero olisi suuri vaan sitä, että käytetty visualisointi sisältää fontiltaan suuren numeron. Käytettäessä tällaista elementtiä on todennäköistä, että silmä ajautuu kohti tätä numeroa. Suuri värikontrasti aiheuttaa saman ilmiön ja punainen alue kuvassa 7 todennäköisesti herätti huomiosi.
Värien merkitys raportoinnissa
Kontrastin lisäksi väreillä on muitakin merkittäviä ominaisuuksia, jotka vaikuttavat raportin analysointiin. Väreillä voi esimerkiksi signaloida, minkä kaltaista analysoitava data on. Monokromaattinen väripaletti voi signaloida, että data mitä analysoidaan on luonteeltaan samankaltaista, eikä sisällä dimensiotietoja. Lähivärit puolestaan voivat signaloida, että analysoitavat asiat liittyvät läheisesti toisiinsa, mutta eroavat silti keskenään. Esimerkkinä tästä tutkitaan kuvia 8 ja 9.
Kuva 8: Liikevaihto Q1
Kuva 9: Liikevaihto Q1 kustannuspaikoittain
Molemmat kuvat esittävät pylväsdiagrammeja, joissa liikevaihto esitetään kuukausittain. Kuvassa 9 liikevaihto on kuitenkin jaoteltu kustannuspaikoittan lähivärit sininen ja vihreä signaloivat tässä kontekstissa sitä, että molemmissa tapauksissa analysoitava data on samankaltaista, mutta kuitenkin eroaa toisistaan. Kuvassa 10 liikevaihtoa halutaan analysoida muutoksen näkökulmasta. Tästä syystä vastavärit vihreä ja punainen luovat maksimaalisen kontrastin ja esittävät positiivista sekä negatiivista muutosta.
Kuva 10: Liikevaihdon muutos viime kuukauteen verrattuna
Suunniteltaessa Power BI-raporttia ja rakentaessa tarinaa, minkä haluat datallasi kertoa, tämänkaltaiset tavat hyödyntää värejä voivat auttaa loppukäyttäjiä sisäistämään raportin datan nopeammin. Toisaalta väreillä voidaan myös johtaa harhaan ja luoda vääränlaisia mielikuvia datasta. Tästä syystä värien merkitys on aina hyvä pitää mielessä raportteja rakennettaessa.
Akselien merkitys
Kuten autoissa, akselit ovat kriittinen osa datan visualisointia. X- ja Y-akseleilla voidaan vaikuttaa siihen, missä kontekstissa dataa tulkitaan. Kuva 11 sisältää saman datan kuin kuva 10, mutta sitä on rajattu muuttamalla Y-akselien skaalaa.
Kuva 11: Rajattu Y-akseli
Kuva 11 on äärimmäinen esimerkki, ja tämän kaltaista tahallista datan väärinesittämistä ei esiinny usein. Toisaalta jos akselien merkitykseen ei kiinnitä riittävää huomioita raporttia rakentaessa, Power BI:n oletusasetus akselien autoskaalauksesta voi aiheuttaa samankaltaisen ilmiön huomaamatta. Kuvassa 12 käytetty data on muuten sama kuin kuvissa 10 ja 11, mutta helmikuun liikevaihto on kolminkertainen. Autoskaalaus muuttaa tässä tapauksessa Y-akselin miljooniin.
Kuva 12: Akselin autoskaalaus voi muuttaa kontekstia
Jos raportin käyttäjät ovat käyttäneet raporttia pidemmän aikaa ja tämä ilmiö tapahtui datan automaattisen päivityksen yhteydessä, on mahdollista, että muutos jää huomaamatta. Vaikutus ei tässä esimerkissä ole suuri, mutta se muuttaa datan tulkinnan kontekstia. Jos uusi käyttäjä tutustuu raporttiin tässä kohtaa, hän tulkitsee dataa eri kontekstista kuin aikaisemmat käyttäjät.
Yhteenveto
Käsittelin tässä blogissa erilaisia tapoja, miten raporttien muotoilu vaikuttaa datan tulkintaan ja miksi se on erityisen tärkeää Power BI-raportteja rakentaessa. Monimutkaiset ja huonosti muotoillut raportit ovat raskaita tallennusmoottorille ja ne voivat johtaa vääränlaiseen datan tulkintaan. Visualisointien sijainnilla ja esitystavalla on merkitystä siihen kuinka todennäköisesti loppukäyttäjä tarkastelee kuvaajaa ja minkälaisia mielikuvia data herättää. Väreillä voidaan luoda mielikuvia datasta ja niillä voidaan ohjata käyttäjän katsetta. Akselit voivat vaikuttaa siihen. missä kontektissa data tulkitaan ja niillä voidaan rajata data erilaisten käsitysten luomiseksi. Jos haluat välttää näitä muotoilun sudenkuoppia ja kuulla lisää asiasta, älä epäröi olla yhteydessä.
Lähteitä ja lisälukemista aiheesta:
Design effective reports in Power BI – Training | Microsoft Learn
Dashboard Design: A study on eye tracking (tableau.com)
https://create.microsoft.com/en-us/learn/articles/what-is-color-theory
Formula engine and storage engine in DAX – SQLBI
Lue myös:
Mitä on Power BI vuonna 2024,
Miksi ulkoistaa data-analytiikan kehitys?
