دام شماره 1 – خراش دادن داده ها
همه چیز از راه درست زمانی شروع می شود که شما شروع به برش و برش داده ها برای کشف بینش معنادار می کنید. با این حال، هنگامی که یک قطعه خاص از داده بینش جالبی به دست آورد، هیچ کاری برای بسته بندی آن برای دیگران انجام نمی شود. در این سناریو، شما به اشتباه فرض می کنید که چون اطلاعات خام با شما صحبت می کند، به همان اندازه با مخاطبان شما صحبت می کند. متأسفانه، مانند یک برش کارگردان بدون ویرایش، بخش داده‌ها بیش از حد به تأثیر یا متقاعدکننده بودن حقایق خام بستگی دارد. این امر اهمیت داشتن روایتی خوب و تصاویری توضیحی را برای کمک به دیگران برای درک بهتر معنای بینش نادیده می‌گیرد.
تله شماره 2 – داده ها
جالب است که این تله بعدی از نظر روایت غنی است و برخی از داده های کلیدی را نشان می دهد. با این حال، او با یک داستان از پیش تعیین شده شروع می کند – یا شاید دقیق تر، یک دستور کار – و سپس به دنبال داده های پشتیبانی می شود. فقط نقاط داده ای که روایت مورد نظر را پشتیبانی می کنند انتخاب می شوند، در حالی که موارد متناقض نادیده گرفته می شوند – عمدی (انتخابی، حذف) یا ناخواسته (سوگیری تایید). این رویکرد زمانی رایج است که کسی احساس می‌کند باید یک تصمیم را توجیه کند یا نشان دهد چرا یک ابتکار موفق بوده است. متأسفانه، داده ها فقط به صورت اپیزودیک در این روایت ظاهر می شوند – بیشتر برای نمایش تا به عنوان پایه و اساس داستان که باید باشد. هنگامی که داده ها در داستان کلی مرکزی نیستند، یک داده کوتاه می تواند با بررسی دقیق تر به سرعت آشکار شود.
دام شماره 3 – تزئین داده ها
دام نهایی با دسترسی افراد بیشتری به ابزارهای تجسم داده ها پدیدار شده است. مردم اکنون به داده‌های بیشتری از آنچه که می‌دانند باید انجام دهند دسترسی دارند و می‌توانند آن داده‌ها را به روش‌های مختلف نمایش دهند. این ترکیب اعتیاد آور از داده های نامحدود و آب نبات های گرافیکی باعث تزیین داده ها شد. این سناریو زمانی اتفاق می‌افتد که افراد بدون شناسایی بینش واضح با مرحله اکتشافی مواجه می‌شوند و سپس بدون ایجاد یک روایت قانع‌کننده، به سمت تجسم داده‌ها برای دیگران پیش می‌روند. با به اشتراک گذاری ساده نمودارهای داده ها و اجتناب از کار تحلیلی واقعی، آنها امیدوارند که شخصی که از داده ها استفاده می کند به نحوی چیزی معنادار پیدا کند. با این حال، به جای افزودن ارزش، تزئینات داده اغلب می توانند به سادگی نویزهای ناخواسته اضافه کنند.
هر یک از این تله‌های داستان‌سرایی داده در یک جنبه کلیدی از آنچه که برای شکل‌دهی یک داستان داده مؤثر است برتری دارد، اما در دو حوزه کلیدی دیگر کوتاهی می‌کند. به عنوان مثال، Data Sniping در داده ها قوی است، اما هم از نظر روایت و هم از نظر تصویری ضعیف است. داده‌های کوتاه از نظر روایت غنی است اما از نظر داده مشکوک است. دکوراسیون داده جلوه های بصری جذابی را ارائه می دهد، اما فاقد یک روایت متمرکز است. فقط یک داستان واقعی داده هر سه جنبه – داده، روایت و تجسم – را به طور موثر ترکیب می کند.
این را توییت کنیداز آنجایی که تعداد بیشتری از افراد شما از داده ها در نقش های خود استفاده می کنند، ضروری است که هم مدیران و هم کارمندان یاد بگیرند که داستان های واقعی داده ها را از سایر رویکردهای کمتر مؤثر تشخیص دهند. اگرچه داده ها پتانسیل عظیمی را برای سازمان شما ارائه می دهند، اما اگر به درستی تجزیه و تحلیل و اطلاع رسانی نشود، منجر به تصمیمات تجاری درستی نخواهد شد. همانطور که ایندیانا جونز زمانی اشاره کرد، بدون داستان سرایی داده‌های مؤثر، ممکن است متوجه شوید که «در مکان اشتباهی در حال حفاری هستید» – فعالیت و سر و صدای زیادی با موفقیت کم. با این حال، وقتی روایت و تصاویر بصری درست را بر روی داده‌های درست قرار می‌دهید، قدرت ایجاد تغییرات مثبت و بهبود عملکرد را دارید. داده‌های شما انواع داستان‌های عالی برای به اشتراک گذاشتن دارند – فقط به کسی نیاز دارد که آنها را پیدا کند و به آنها بگوید. و بنابراین ماجرا شروع می شود.
** این مقاله در ابتدا در 25 آوریل 2017 در Forbes.com منتشر شد.