Wie ist es, als Kunde von The Information Lab, mit der Data School zusammen zu arbeiten?
Ein Gastbeitrag von Andy Kriebel, Leiter der Data School von The Information Lab
Eine der Grundlagen des Data School Curriculums sind die Kundenprojekte. Im Wesentlichen identifizieren wir Kunden, die Probleme haben, die sie lösen müssen, Dashboards, die sie erstellen müssen, usw. und die Data Schoolers bearbeiten diese jeweils für eine Woche. Aber keine Woche wirklich. Nur etwa die Hälfte ihrer Zeit während der Projektwochen verbringen sie mit dem Projekt selbst; die andere Hälfte wird studiert. Einige Schlüsselfertigkeiten, die das Team während dieser Projekte entwickelt, sind:
Kommunikation – Sie müssen die gesamte Kommunikation mit dem Kunden durchführen. Vom ersten Briefing bis zum Abschluss des Projekts bis zur Übergabe am Ende erledigen sie alles.
Projektmanagement – Jeder DSer hat die Chance, für eine Woche Projektleiter zu sein. Dies hilft ihnen, Führungsfähigkeiten zu üben, ein Team zu koordinieren usw.
Business Analysis – Kunden geben dem ganzen Team am Montagmorgen einen kurzen Überblick über das Projekt. Mit Ausnahme des Projektleiters und mir weiß niemand im Team etwas über den Umfang des Projekts. Das bedeutet, dass sie wirklich gut darin sein müssen, Fragen zu stellen, zuzuhören und die Arbeit zu analysieren.
Präsentieren – Jeden Freitag um 15 Uhr präsentiert das Team seine Arbeit für die Woche. Auf Client-Projektwochen präsentieren sie sich direkt dem Kunden, der oft viele Fragen hat. Dies gibt ihnen die Möglichkeit, einem unbekannten Publikum zu präsentieren und Fragen spontan beantworten zu können. Dies ist mein Lieblingsteil jeder Woche.
Vor kurzem hatten wir das Vergnügen, mit Tableau Zen Master Jonathan Drummey an einem Projekt für PATH zu arbeiten. Ich fragte Jonathan, ob er bereit wäre, seine Erfahrungen mit DS7 zu teilen, also hier ist mein Interview mit ihm. Danke, Jonathan!
Andy Kriebel: Du hast kürzlich ein Projekt mit The Data School durchgeführt. Worum ging es bei dem Projekt? Wie bist du darauf gekommen, eine Projektwoche mit ihnen durchzuführen?
Jonathan Drummey: Der Gesamtzusammenhang des Projekts bestand darin, eine Reihe von Visualisierungen und die dazugehörige Anleitung zu erstellen, um mit Tableau „die Kunst des Möglichen“ für Daten aus der öffentlichen Gesundheit aus Entwicklungsländern zu demonstrieren. Wir hatten drei Ziele:
1. Erstellen von Alternativen zu vorhandenen Visualisierungen, um die grundlegenden Fragen zu beantworten, die von PATH-Projekten gestellt werden, sowie zusätzliche Fragen, die mit den derzeit verfügbaren Visualisierungstools nicht beantwortet werden können.
2. Erstellen von Beispielen für Excel-Nutzer, die die Interaktivität von Tableau für schnellere und umfassendere Einblicke in die Daten illustrieren.
3. Bereitstellung einer Leitdokumentation zu den Entwurfsentscheidungen und wichtigen Techniken, die beim Erstellen von Ansichten verwendet werden, einschließlich aufgezeichneter Demonstrationen.
Hintergrund ist, dass PATH Tableau in mehr Projekte in Entwicklungsländern bringt, wo die vorhandenen Datenvisualisierungstools auf MS Excel und andere anwendungsspezifische Visualisierungen wie die in DHIS2 , ONA und Open Data Kit integrierten Anwendungen beschränkt sind . Angesichts dieser Tools haben wir herausgefunden, dass wir Aufklärung darüber benötigen, welche guten Datenschutzpraktiken mit einem Best-of-Breed-Tool wie Tableau möglich sind. Die allgemein verfügbaren Tableau-Ansichten und Dashboards sind für unsere Partner in den Ländern nicht ausreichend relevant. Aus diesem Grund haben wir mit The Data School eine Reihe von Beispielen erstellt, die wir beim Kapazitätsaufbau rund um die Datenvisualisierung verwenden können.
Die Diskussionen zwischen PATH und The Data School begannen informell auf einer der Tableau-Konferenzen. Wir fanden die Data School sehr aufgeschlossen für unsere Vorstellungen von dem, was wir brauchten. Ehrlich gesagt war der schwierigste Teil des gesamten Projekts, die entsprechenden Freigaben zu erhalten, um die (annonymisierten) Daten zu teilen.
AK: Wie funktioniert ein Data School-Projekt?
JD: Wir (PATH) haben ein Brainstorming zu verschiedenen Projektideen durchgeführt und schließlich ein Exemplar bei Andy und David an der Data School eingereicht. Sobald wir gemeinsam den Umfang verstanden hatten, bestanden die nächsten Schritte darin, Vereinbarungen zu treffen, sicherzustellen, dass die Daten und die unterstützende Dokumentation bereit waren, und Beschreibungen der Anwendungsfälle zu verfassen, die analysiert werden sollten.
Am ersten Tag der Projektwoche fand ein Kickoff-Meeting statt, um die Anwendungsfälle mit der Data School-Kohorte zu besprechen, und sie machten sich an die Arbeit. Wir hatten Convo für schnelle Q & A- Themen zur Klärung von Details und einen Check-in in der Wochenmitte , um den Fortschritt formaler zu überprüfen und Feedback zu geben. Am Ende der Woche gab die Data School eine Reihe von Präsentationen der Ergebnisse und lud alle Arbeitshefte und Dokumentationen hoch, die sie vorbereitet hatten.
AK: Was waren deine Erwartungen in das Projekt?
JD: Wir hatten gehofft, eine Kombination aus „typischen“ Tableau-Visualisierungen für unsere Daten zur öffentlichen Gesundheit zu sehen, zusammen mit einigen neuartigen Lösungen und Dokumentation, damit neue Benutzer in unseren Trainings diese Ansichten mit ihren eigenen Daten erstellen können.
AK: Hat das Team deine Erwartungen erfüllt?
JD: So ziemlich! Wir haben eine Menge Arbeitshefte und Dokumentationen, einige wirklich interessante Ergebnisse zu den vier Beispieldatensätzen und einen neuartigen Diagrammtyp, der die tatsächlichen Werte mit dem Ziel vergleicht, das weder Andy Kriebel noch ich noch Tableaus Jock MacKinlay zuvor gesehen hatten. (Um nicht zu sagen, dass es nicht geschaffen wurde, nur dass sich keiner von uns erinnern konnte, es jemals gesehen zu haben). Ich werde die Überraschung nicht verderben, ich freue mich auf einen Data School-Blogbeitrag zu diesem Diagrammtyp!
AK: Können Sie die Ausgabe des Projekts bei PATH in die Tat umsetzen?
JD: Ja! Wie ich bereits erwähnt habe, müssen wir einige Visualisierungen fertigstellen, bevor wir sie in unseren Trainings einsetzen. Allerdings verwenden wir diese Woche bereits eine Reihe von Visualisierungen zur Impfung von Kindern in einem Training in Mosambik und planen im nächsten Monat eine Visualisierung basierend auf einem der Anwendungsfälle zur Untersuchung der Variationsberichterstattungsraten für Malaria in Sambia Visualisiere kein Malaria-Projekt http://visualizenomalaria.org .
Ich möchte auch eine explorative Visualisierung aufrufen, die auf einer Ad-hoc-Basis von einem der Data Schoolers auf der von uns bereitgestellten Beispiel-Impfdatei für Kinder erstellt wurde. Es hat einige sehr faszinierende Fragen rund um die Gleichberechtigung der Geschlechter für Impfungen aufgeworfen. Dies sind Daten, die noch nicht mit Tableau überprüft wurden, und für mich unterstreicht dies Tableaus Fähigkeit, schnell über eine Vielzahl von Variablen in den Daten zu iterieren und zuvor ungesehene Muster aufzudecken. Wir gehen zurück zu den tatsächlichen Daten, um zu sehen, ob diese ersten Ergebnisse Bestand haben … wenn dies zu einer wirklich interessanten Arbeit führen würde!
AK: Welche Empfehlungen haben Sie für andere, die mit der Data School an Kundenprojekten arbeiten werden?
JD: Ich habe drei Empfehlungen:
Nehmen Sie sich etwas Zeit, um Ihre Anwendungsfälle zu dokumentieren, insbesondere zu den Geschäftsfragen, die Sie beantworten möchten, und zur Zielgruppe. Und achten Sie darauf, keine Annahmen darüber zu machen, was The Data School über die Anwendungsfälle weiß. In unserer Situation bestand der größte Teil der von uns bereitgestellten Dokumentation beispielsweise aus der Terminologie und den Arten von Benutzern, denen wir zu dienen versuchen.
Wenn Ihre Anwendungsfälle für die Data School zum Erstellen von Ansichten und Dashboards bestimmt sind, versuchen Sie auch, die Daten zu bereinigen, bekannte Probleme in den Daten zu dokumentieren, ein Datenwörterbuch zu erstellen, Verknüpfungsschlüssel zu identifizieren und sogar Tableau-Datenquellen zu berechnen und zu berechnen Felder. Wir haben viel getan, um die Daten bereit zu machen, und wir haben von der Kohorte einige Anerkennungen dafür bekommen, wie gut unsere Dokumentation war, und ich denke, wenn wir weiter gegangen wären, hätten sie mehr Zeit für Builds und weniger für Aufgaben wie die Validierung von Joins .
Stellen Sie sicher, dass Platz für Kreativität ist. Eine Möglichkeit war, dass in unseren Anwendungsfällen keine Diagrammtypen angegeben wurden. Stattdessen haben wir Geschäftsfragen angegeben, die wir beantworten wollten. Wir haben The Data School gesehen, die uns Dutzende von Stunden freier Arbeit von einigen wirklich aufgeweckten Leuten mit großartigen Lehrern gab und wir wollten sicherstellen, dass sie etwas Spaß damit haben und in Richtungen gehen konnten, die wir nicht erwartet oder uns vorgestellt hatten. Genau das ist für uns passiert und wir sind sehr zufrieden mit den Ergebnissen.
AK: Eine letzte Frage. Was sind Ihre besten Ratschläge für Leute, die sich für die Data School interessieren?
JD: Mach es! Persönlich bin ich etwas neidisch auf die Erfahrung, die die Data Schoolers bekommen und die Fähigkeiten, die sie zum Üben und Bauen bekommen. Darüber hinaus schlage ich vor, mit Datensätzen zu experimentieren und zu spielen, die Sie interessieren, und mit dem Aufbau Ihrer „Muskeln“ für Fragen und Kreativität zu beginnen.
AK: Danke, Jonathan, dass du uns die Chance gegeben hast, mit dir und mit PATH zu arbeiten. Diese Erfahrungen sind für uns von unschätzbarem Wert.
