Markkinatutkimus, Menetelmät, Tiedon visualisointi, Yleinen

Esimerkkejä data-aineistojen visualisoinnista: miten nähdä metsä puilta?

Teemu Putto
29.3.2022

Data ja tilastot. Ne kertovat pikavilkaisulla aina jotain, mutta jättävät vielä enemmän kertomatta. Ne voivat sisältää paljon informaatiota, joka ei paljastu pelkistä taulukoista tai pylväistä. Todellista tietoa ja vastauksia aletaan saamaan vasta sitten, kun osataan käyttää tilanteeseen sopivia työkaluja.

Otetaan yksinkertainen esimerkki – välimatkataulukko, eli taulukko, johon on koottu tietoja eri paikkakuntien välisistä etäisyyksistä. Voimme valita taulukon riveiltä yhden paikkakunnan, sarakkeilta toisen, ja katsoa taulukosta näiden leikkauskohdasta sen, miten kaukana ne sijaitsevat toisistaan.

Taulukko: paikkakuntien väliset etäisyydet (datalähde: valimaetka.org)

Kuvittele tilanne, että sinulla ei olisi mitään ymmärrystä Suomen maantieteestä, ja sinulle annettaisiin tämä taulukko. Jos sinulta kysyttäisiin, kuinka pitkä matka on Oulusta Helsinkiin, pystyisit nyt helposti vastaamaan tähän kysymykseen. Vastaushan on helposti taulukosta nähtävissä.

Mutta entä jos sinua pyydettäisiin – edelleen ilman ymmärrystä Suomen maantieteestä – piirtämään tämän taulukon perusteella paikkakunnat kartalle sen mukaan, miten ne sijaitsevat suhteessa toisiinsa? Väittäisin, ettei ehkä ihan niin helposti onnistuisikaan. Ei, vaikka tämä taulukko sisältää kaiken tarvittavan tiedon sen tekemiseen.

Moniulotteisten aineistojen visualisointiin on kuitenkin käytössä analyysimenetelmiä, joiden avuilla pystymme hahmottamaan aineistoista kokonaisuuksia yksittäisten havaintojen sijaan. Puhutaan esimerkiksi moniulotteisesta skaalauksesta (Multidimensional Scaling) tai Perceptual Mapping -tekniikoista.

Kuva: Moniulotteinen skaalaus välimatkataulukosta

Ja kas – nythän meillä onkin käsissämme Suomen kartta, jossa paikkakunnat ovat suhteessa toisiinsa melko lailla oikeilla paikoillaan. Kaikki tämä vain hyvin yksinkertaisen etäisyystaulukon pohjalta.

Mutta vaikka jo tämäntyyppinenkin kartta voi olla mielenkiintoinen markkinatutkimusaineistoissa, muuttuu homma todella mielenkiintoiseksi silloin, kun meillä on käsissämme aineisto, jossa yhdistyvät eri ulottuvuudet, vaikkapa brändit ja brändeihin liitettävät ominaisuudet.

Taulukko: Yrityksiin liittyvät attribuutit prosentteina

Tällaista taulukkoa tuijottamalla ei vielä kovinkaan pitkälle pääsisi. Yksittäisiä havaintoja voi tehdä, mutta kokonaisuutta ja sitä, miten yritykset oikeasti positioituvat suhteessa toisiinsa on mahdotonta hahmottaa. Eikä sitä tilannetta paranna yhtään se, vaikka taulukko muutettaisiin vaikkapa pylväsgraafiksi.

Mutta jos jälleen kaivamme työpakista visuaaliset analyysimenetelmät, voimme muuttaa taulukon kartaksi. Esimerkiksi analysointi Biplot-tekniikalla tuottaa oheisenlaisen lopputuloksen:

Kuva: Biplot -kartta yritysten markkinapositioista

Ja näin meillä olisi käsissämme kartta, joka kertoo meille sekä yrityksiä erottelevat ulottuvuudet sekä sen, missä oma yrityksemme sijaitsee suhteessa kilpailijoihin. Ja mikä tärkeää, mitään ennakko-oletuksia yrityksiä erottelevista ominaisuuksista ei tehty, vaan data (kuluttajat) määrittivät lopputuleman.

Tämän havainnollistuksen ja markkinapositioiden visualisoinnin jälkeen on helppo siirtyä seuraavaan vaiheeseen, eli kilpailuedun määrittämiseen/rakentamiseen. Se vaatii toki tuekseen vielä yhden ulottuvuuden, eli ominaisuuden tärkeyden, sillä pelkästään erilaisuus ei ole vahvuus.

Kilpailuedun määrittämisen keinoihin tutkimuksen keinoin voi perehtyä aiemmassa kirjoituksessa (https://www.designtutkimus.fi/tutkimusopas-esimerkki/).