Comparative evaluation of business analytics and visualization tools and applications

Abstract

In den letzten Jahren ist die visuelle Analytik ein entscheidender Faktor für die datengetriebene Entscheidungsfindung in vielen Branchen geworden. Je mehr Daten zur strategischen Steuerung genutzt werden, desto wichtiger wird es, komplexe Informationen klar zu visualisieren. Eine Vielzahl von Werkzeugen und Bibliotheken, die unterschiedliche Nutzergruppen und Kompetenzniveaus bedienen, ist als Ergebnis dieses Trends entstanden. Anwendungen mit benutzerfreundlichen Drag-and-Drop-Funktionalitäten wie Microsoft Power BI, Tableau und Excel werden immer beliebter. Ohne dass man programmieren können muss, erlauben sie es, aussagekräftige Visualisierungen zu erstellen; deshalb sind sie im Bereich der Business Intelligence für Anwender ohne technische Ausbildung besonders interessant. Im Gegensatz dazu sind Bibliotheken wie Plotly, GGPlot und D3 für Entwickler gedacht und bieten fortgeschrittene Funktionen für statistische Analysen, komplexe Datenmanipulationen und hochgradige Anpassungen von Visualisierungen. Frühere Untersuchungen haben Unterschiede zwischen diesen Werkzeugen aufgezeigt, vor allem in Bezug auf die Unterstützung explorativer Analysen im Vergleich zur Ergebnispräsentation. Aber es gibt inzwischen Lösungen, die leistungsfähiger sind und mehr Funktionen bieten, um den neuen Anforderungen der Nutzer gerecht zu werden. Die vorliegende Untersuchung hat das Ziel, eine vergleichende Analyse von ausgewählten, gängigen visuellen Analytikwerkzeugen zu bieten. Entscheidende Kriterien wie Benutzerfreundlichkeit, Anforderungen an die Datenaufbereitung und weitere relevante Eigenschaften werden bewertet. Ein Clustering-Ansatz, der funktionale Ähnlichkeiten berücksichtigt, wird zur Klassifikation der Werkzeuge angewandt. Um eine ausgewogene und umfassende Betrachtung zu garantieren, schließt die Analyse sowohl innovative, neuere Ansätze als auch etablierte Plattformen ein. Basierend auf den Ergebnissen sollen Empfehlungen für Praktiker und Wissenschaftler formuliert und Forschungsfragen identifiziert werden, die zur Weiterentwicklung von visuellen Analytiktechnologien beitragen – vor allem im Hinblick auf die Herausforderungen durch großskalige Datenmengen.

In recent years, Visual Analytics has transformed how we approach data-driven decision making across many industries. As organizations increasingly turn to data to guide their strategies, being able to clearly visualize complex information has become more important than ever. This rising demand has led to the creation of a wide variety of tools and libraries, each designed to suit different users and skill levels. Because of their easy drag-and-drop functionality, programs like Microsoft Power BI, Tableau, and Excel are growing in popularity. Since they can generate insightful visuals without any programming, which is gaining a lot of attention in the field of Business Intelligence, these applications are especially helpful for professionals who lack technical skills. In contrast, Plotly, GGPlot and D3 are charting libraries that cater to programmers by offering options for more sophisticated statistical analysis, advanced levels of data manipulation, and even greater customization for sophisticated visualizations. Prior conducted researches marked disparities among these tools, particularly with respect to how well their design supports data exploration in comparison to data presentation. Nevertheless, and as the field progresses, today’s tools for Visual Analytics are more comprehensive and robust than in the past, providing new features and enhancements to keep pace with user demand.This thesis sets out to carry out a detailed comparative analysis of some of the most widely used visualization tools in the field today. The goal is to evaluate their core strengths, limitations, and overall performance in the context of data visualization. Primary visualization criteria, including usability, data preparation requirements, and other pertinent aspects, will be the main focus of the evaluation. A clustering approach will be used to analyze the features of the tools, classifying them according to similarities in their features. To make sure the overview is thorough and balanced, both more recent, cutting-edge solutions and older, more established platforms will be covered. The goal of this thesis is, through these findings, provide guidance to the users regarding the tools that best address their specific requirements. Additionally, the analysis is anticipated to highlight questions that need further exploration and identify solutions aimed at improving visualization technologies in general, particularly as these technologies face new challenges posed by large-scale data.