Visual Analytics

Früher gab es "Statistik" (Zahlen). Ergebnisse waren Tabellen. Dann gab es "Visualisierung" (Bunte Bilder). Ergebnisse waren statische Charts. Visual Analytics ist die Hochzeit von beidem. "Die Wissenschaft des analytischen Denkens, unterstützt durch interaktive visuelle Schnittstellen." Der Computer rechnet (Clustering, Filterung). Der Mensch sieht (Mustererkennung, Intuition). Der Mensch steuert den Computer interaktiv. Nicht nur "Anschauen", sondern "Reinzoomen, Umdrehen, Parameter ändern, neu rechnen".

Merksatz: Ein interdisziplinäres Forschungsfeld, das automatisierte Analysemethoden mit interaktiven Visualisierungen kombiniert, um effektives Verständnis, Schlussfolgern und Entscheidungsfindung auf Basis sehr großer und komplexer Datensätze zu ermöglichen.

Tools: Tableau, Power BI, D3.js. Szenario: Finanzbetrug. Die KI flaggt 10.000 Transaktionen als "verdächtig". Niemand kann das lesen. Visual Analytics zeigt eine Netzwerk-Grafik ("Wer überwies an wen?"). Der Ermittler sieht: "Da ist ein Cluster, das aussieht wie ein Spinnennetz. Zoom rein." Er klickt auf einen Knoten -> KI zeigt Details. Er filtert "Nur Ausland" -> Grafik ändert sich sofort.

1. The Mantra (Schneiderman)

"Overview first, zoom and filter, then details-on-demand." Das Grundgesetz jedes Dashboards. Erst das große Bild (Heatmap). Dann Interaktion (Slider). Dann erst die Rohdaten (Tabelle).

2. Keim's Mantra (Erweiterung)

"Analyze first, show the important, zoom, filter and analyze further, details on demand." Bei Big Data (Terabytes) kann man keinen "Overview" zeigen (zu viele Punkte). Die KI muss erst analysieren (aggregieren), was wichtig ist, und nur die Zusammenfassung zeigen.

1. Linking and Brushing

Eine Kerntechnik in VA. Du hast zwei Ansichten: Ein Streudiagramm (Preise) und eine Karte (Standorte). Brushing bedeutet: Du markierst mit der Maus einen Bereich im Streudiagramm (alle teuren Häuser). Linking bedeutet: Das System hebt sofort die entsprechenden Punkte auf der Karte hervor. In der Produktion (z.B. bei der Analyse von Sensor-Daten in Kraftwerken) erlaubt dies, Korrelationen über verschiedene Dimensionen hinweg zu entdecken, die in einer einzelnen Grafik unsichtbar wären.

2. Parallel Coordinates

Wie visualisiert man 10 Dimensionen gleichzeitig? Man nutzt Parallel Coordinates. Jede Dimension ist eine vertikale Linie. Ein Datensatz ist eine Linie, die alle vertikalen Achsen schneidet. Das sieht erst mal aus wie ein "Spaghetti-Plot". Aber: Durch Interaktion (Filtern auf einer Achse) erkennt man plötzlich Muster: "Alle Autos mit wenig PS haben einen hohen Verbrauch, außer diese 3 Ausreißer dort." Es ist das wichtigste Werkzeug für Hochdimensionale Datenanalyse, erfordert aber Übung beim Lesen.

3. Der VA-Prozess nach Keim

Visual Analytics ist eine Feedback-Schleife:

Data Preprocessing: Daten reinigen.
Visual Data Exploration: Mensch schaut und findet Hypothese.
Automated Analysis: Mensch lässt Modell (KI) auf Basis der Hypothese rechnen.
Model Validation: Mensch prüft das Ergebnis visuell. In der Forschung (z.B. an der UNI Konstanz) wird untersucht, wie man diesen Prozess "nahtlos" macht: Der Computer soll merken, wohin der Mensch schaut, und proaktiv die passenden Statistiken dazu berechnen.