Silvia Cacciatore
Abstract
This paper aims to investigate how the visualization of data analytics and the artistic dimension it incorporates effects on organizations and how they are managed.
Big Data has made the development of analytical strategies for management more and more necessary, in order to get value from information and better positioning in a constantly growing competitive environments. Both in academia and management practice, the awareness is growing that analytics, especially analytics connected with big data, may well transform how organizations are managed (Kiron, Boucher Ferguson, & Kirk Prentice, 2013). In all this, visualization is deemed essential to illustrate and link correlations between different data sources and present a representative summary of the general topic: it is a powerful tool to see and query big data (Halford, & Savage, 2017) communicating its structure, model and generate reports (Kitchin, 2014: 106). The visual rendering of data analytics generates alternative forms of aesthetics that can literally deliver the “vision” of a business by assembling real-time got heterogeneous data in abstract maps towards the visual rendering of data analysis. An emerging stream of “Data Art” can work as a tool for the unveiling of critical processes shaping business organizations and contribute additional features to existing diagrams, disrupting assumed models. The aim of data art is to create aesthetic forms and artistic works from the digital nature of the data generated from big data (graphics, simulations, worksheets, statistics, etc.). It also presents the underlying links that exist between the ubiquitous algorithms in business — figures from databases, raw data, data collected by search engines, calculations and statistics (geographical, political, climatic, financial) and artistic creation. Data Art can thus produce new layouts, new metaphorical ways to spatial data that can create new meanings.
Abstract
Il presente articolo si propone di indagare come la visualizzazione dei dati analitici, e la dimensione artistica che incorpora, abbia un impatto sulle organizzazioni e sui modi in cui vengono gestite.
L’avvento dei Big Data ha reso sempre più necessario lo sviluppo di strategie analitiche per la gestione, al fine di ottenere valore dalle informazioni e un migliore posizionamento in un ambiente competitivo in costante evoluzione. Sia nel mondo accademico che nella pratica manageriale sta crescendo la consapevolezza che l’analitica, specialmente quella legata ai Big Data, può trasformare il modo in cui le organizzazioni sono gestite (Kiron, Boucher Ferguson, & Kirk Prentice, 2013). In tutto questo, la visualizzazione è ritenuta essenziale per illustrare e collegare le correlazioni tra diverse fonti di dati e presentare una sintesi rappresentativa dell’argomento generale: è un potente strumento per vedere e interrogare i big data (Halford, & Savage, 2017) comunicandone la struttura, modellare e generare report (Kitchin, 2014: 106). La resa visiva della data analytics genera nuove forme di estetica che possono letteralmente consegnare la “visione” di un business assemblando i dati eterogenei ottenuti in tempo reale in mappe astratte verso la resa visiva dell’analisi dei dati. Come tale, un flusso emergente di “Data Art” può funzionare come uno strumento per svelare i processi critici che modellano le organizzazioni aziendali e contribuire con nuove caratteristiche ai diagrammi esistenti, sconvolgendo i modelli presunti. L’obiettivo della data art è quello di creare forme estetiche e opere artistiche dalla natura digitale dei dati e dalla loro rappresentazione schematica (grafici, simulazioni, fogli di lavoro, statistiche, ecc.). Presenta anche i legami di fondo che esistono tra gli algoritmi onnipresenti negli affari – cifre da database, dati grezzi, dati raccolti da motori di ricerca, calcoli e statistiche (geografiche, politiche, climatiche, finanziarie) – e la creazione artistica. La Data Art può quindi produrre nuovi layout, nuovi modi metaforici di spazializzare i dati, e, insieme ad essi, creare nuovi significati.
Stato dell’arte
La letteratura accademica ha affrontato le questioni sopra menzionate abbastanza recentemente (Card, Mackinlay, & Shneiderman, 1999); il dibattito sta ora procedendo all’illustrazione della relazione tra discipline scientifiche, arti visive e scienze cognitive. (Ware, 2008, 2012). È possibile combinare dati e metafore in un interessante intreccio visivo, creando vere e proprie narrazioni intorno alle vicende umane (Lupi, 2016), oppure, con una lettura “funzionale”, estrarre significato dai dati per aiutarne l’interpretazione (Cairo, 2013). La visualizzazione dei dati può divenire una vera e propria creazione artistica (Viégas, & Wattenberg, 2007) e può essere sviluppata per migliorare le tecniche di visualizzazione dei dati statistici (Cleveland, 1993).
Inoltre, diverse università, soprattutto negli Stati Uniti, stanno esplorando questo argomento (Università del Maryland, Università del North Carolina, Università della California, Berkeley e Georgia Tech), che è anche diffuso attraverso riviste specializzate (Information Visualization Journal, Visual Business Intelligence). Viseweek, che comprende le conferenze InfoVis e VAST (Visual Analytics Science and Technology) interamente dedicate alla visualizzazione dei dati, rimane la più grande e forse più importante delle conferenze, insieme a CHI (Computer-Human Interaction) e SIGGRAPH.
Ciononostante, sono necessarie ulteriori ricerche in quest’area.
La visualizzazione dei dati è un campo interdisciplinare in rapida crescita (Ertek, Tokdemir, Sevinç, &, Tunc, 2017), che combina Analytics (Han, & Kamber 2006) e visualizzazione delle informazioni (Hoffman, & Grinstein, 2002), arti visive, design della comunicazione, interazione uomo-computer (Shneiderman, & Plaisant 2009) metodi grafici in statistica (Wackerly et al, 2008), Data mining (Maimon, & Rokach 2005) e metodi di apprendimento automatico (clustering, classificazione, decision tree, tra gli altri) (Alpaydin, 2010).
È quindi possibile rintracciare tre diversi campi di studio: Management, Arti Visive e Informatica-Tecnologie dell’Informazione.
La visualizzazione mira a rendere le informazioni più accessibili e più facili da capire da parte degli esseri umani attraverso le immagini (Hoffman, & Grinstein, 2002; Keim, 2002; Spence, 2001). Una strategia può essere più efficace se illustrata con una buona grafica (Kaplan, & Norton, 1996, 2004) poiché un’immagine più comunicativa permette di osservare e allo stesso tempo personalizzare i dati (Tufte, 1983, 1990).
Una diversa presentazione e visualizzazione delle informazioni può anche influenzare il processo decisionale (O’ Donnell, & Smith David, 2000); lo stesso processo manageriale ha un impatto significativo sulla scelta della migliore forma di visualizzazione per la presentazione delle performance aziendali (Dickson, De Sanctis, & McBride, 1986; De Sanctis, 1984; Bertin, 1983; Ives, 1982).
Una visualizzazione efficace permetterà al decisore di elaborare meglio la maggior parte di ciò che è stato osservato (Blocher, Moffie, & Zmud, 1986). Il metodo di presentazione delle informazioni economiche può, infatti, avere un impatto significativo sulla performance decisionale (Davis, 1989).
Data Art
Anche se oggi l’uso di diverse opzioni di visualizzazione è generalmente utilizzato dalla maggior parte delle aziende, molti studi indicano che c’è un divario significativo tra ciò che è scientificamente possibile e raccomandato e ciò che è effettivamente utilizzato dai professionisti. (Perkhofer et al., 2019; Grammel et al., 2010, Bange et al., 2018; Rowan, 2017). Di conseguenza, gli utenti continuano ad affidarsi a visualizzazioni semplicistiche e tradizionali per problemi complessi (Duarte, 2014), assicurando che le relazioni interessanti rimangano nascoste e che il processo decisionale non sia in grado di considerare adeguatamente tutte le opzioni. (Perkhofer et al., 2019). Per le imprese commerciali la Data Art non riguarda solo la bellezza nella rappresentazione sapiente del dato, ma riguarda anche l’analisi basata su applicazioni funzionali di senso, perseguendo nuovi modi di comprendere e percepire gli ambienti competitivi (Álvaro Sánchez, 2016; Schwabish, 2014; Zhang, 2012; Yigitbasioglu, & Velcu, 2012) in quanto un miglioramento del sistema informativo può facilitare il processo decisionale (Costagliola, De Rosa, Fuccella, & Perna, 2017), rendendo le dinamiche strategiche di maggiore importanza più semplici e accessibili (Dilla, & Steinbart, 2005).
L’utilizzo di un approccio grafico alle tecniche di Data Mining può consentire una concettualizzazione e una comunicazione più efficace della complessità strategica, permettendo alle organizzazioni di illustrare efficacemente i percorsi che intendono intraprendere (Cummings, & Angwin, 2011).
Le tecniche di visualizzazione sono importanti non solo per permettere una migliore comprensione di grandi quantità di dati, ma anche e soprattutto per aiutare nella costruzione della conoscenza (Eppler, & Bresciani, 2013). La comunicazione visiva è essenziale per il business (finanza, marketing, organizzazione, ecc.) e il management moderno dovrebbe acquisire competenze in arte e design per comprendere nuovi modi di pensare e progettare strategie (Zhang, 2012: 343).
Le organizzazioni si aspettano che la capacità di visualizzare i dati in modo diverso sarà la tecnica più preziosa nei prossimi anni (LaValle, Lesser, Shockley, Hopkins, & Kruschwitz, 2011: 27). Gli strumenti e le tecniche di visualizzazione sono sempre più importanti e utilizzare nuove tecniche di analisi nel business può aiutare i leader a riformulare le loro sfide in modi che solo i big data possono affrontare (McAfee, & Brynjolfsson, 2012: 8).
Le organizzazioni con le migliori performance hanno maggiori probabilità di usare sistemi di analytics: i leader vogliono usare i dati aziendali per far crescere le imprese in modo intelligente e innovativo. La correlazione tra performance e gestione guidata dagli analytics ha importanti implicazioni per le organizzazioni in termini di crescita, efficienza e differenziazione competitiva (LaValle et al., 2011).
Nonostante questo, sono ancora pochi gli studi che illustrano ed esplorano le importanti implicazioni che i big data e in particolare le tecniche di Information and Knowledge Visualization (Zhang, K. 2012), possono avere per il Management (George, Haas, & Pentland, 2014) e in particolar modo, per il Management culturale. Ciò che è interessante capire è come applicare efficacemente la dimensione visiva e tecnologica alla dimensione umana, basata sulla conoscenza e sulla gestione dei pensieri, della cultura e delle strategie manageriali (Zhang, 2016).
Conclusione
Da un punto di vista teorico il presente articolo mira a fornire una migliore comprensione delle relazioni interdisciplinari sul tema della Data Art e di come questa possa contribuire, nell’ambito delle Digital Humanities, a rendere maggiormente conoscibili e, perché no, esteticamente validi, dati e informazioni inerenti il patrimonio culturale. Da un punto di vista applicativo, mira a identificare le principali possibili sinergie riconoscibili tra Arte, Data Mining e Management culturale e il loro impatto soprattutto in termini strategici. Le tecniche di visualizzazione dei dati potrebbero essere utilizzate per la costruzione di immagini 3D, animazioni grafiche, schemi visivi per l’illustrazione, ad esempio, della frequenza di determinate parole, mappe concettuali e strategiche- inoltre, e soprattutto, potrebbe aiutare gli addetti del settore a ravvisare legami e correlazioni tra variabili connesse ai dati sul patrimonio, sull’affluenza dei visitatori, sugli incassi di musei e i flussi turistici, rappresentando una visione d’insieme di un flusso informativo enorme qual è quello connesso ai big data.
Utilizzando una metodologia empirica, l’analisi di dati reali in contesti specifici e applicati potrebbe potenzialmente contribuire allo sviluppo di nuove visioni e strategie per il settore del management culturale, sia pubblico che privato.
Riferimenti bibliografici
Álvaro Sánchez,S. (2016). Art and data: the aesthetic emergence of knowledge, in Archiving and Questioning Immateriality Proceedings of the 5th Computer Art, Paris, Europia Productions.
Alpaydin, E. (2010). Introduction to machine learning. Cambridge, Massachusetts, The MIT Press. Bange, C., Bloemen, J., Derwisch, S., Fuchs, C., Grosser, T., Janoschek, N., Keller, P., Seidler, L., Tischler, R. and Iffert, L. (2018), “BI TrendMonitor 2018 – The world-s largest survey on BI Trends”, available at: https://barc.de/trend-monitor (accessed June 13, 2018).
Barros, M. (2014). Tools of legitimacy: The case of the Petrobras Corporate blog. Organization Studies, 35: 1211–1230.
Bertin, J. (1983). Semiology of graphics: diagrams, networks, maps. New York, NY: Esri Press.
Blocher, E., Moffie, R. P., & Zmud, R.W. (1986). Report Format and Task Complexity: Interaction in Risk Judgments Accounting, Organizations and Society: 457-469.
Cairo, A. (2013). The functional art: an introduction to information graphics and visualization. Berkeley, CA: New Riders.
Card, S. K., Mackinlay, J. D., & Shneiderman, B. (eds.) (1999). Readings in information visualization: using vision to think. Academic Press.
Cleveland, W. S. (1993). Visualizing data. Summit. NJ: Hobart Press.
Costagliola, G., De Rosa, M., Fuccella, V., & Perna, S. (2017). Visual languages: A graphical review, Information Visualization, July 2017.
Cummings, S., & Angwin, D. (2011). Stratography: The art of conceptualizing and communicating strategy, Business Horizons, 54 (5): 435-446.
Davis, L. R. (1989). Report format and the decision maker’s task: an experimental investigation, accounting organizations and society, 14 (5/6): 495-508.
Davison, J. (2015). Visualizing accounting: An interdisciplinary review and synthesis. Accounting and Business Research, 45: 121–165.
De Sanctis, G. (1984). Computer graphics as decision aids: directions for research, Decision Sciences: 463-487.
Dickson, G. W., De Sanctis, G. & McBride, D. J., (1986). Understanding the effectiveness of computer graphics for decision support: a cumulative experimental approach, Communications of the ACM: 40-47.
Dilla, W. N., & Steinbart, P. J. (2005). The effect of alternative supplementary display formats on balanced scorecard judgements, International Journal of Accounting Information Systems, 6 (2005): 159-176.
Eppler, M. J., &, Bresciani, S. (2013). Visualization in management: From communication to collaboration. A response to Zhang, Journal of Visual Languages & Computing, 24 (2): 146-149.
Ertek, G., Tokdemir, G., Sevinç, M., &, Tunc, M. (2017). New knowledge in strategic management through visually mining semantic networks, Information System frontiers, 19: 165.
George, G., Haas, M. R., & Pentland, A. (2014). Big Data and Management, Academy of Management Journal, 57 (2): 321-326.
Grammel, L., Tory, M. and Storey, M.A. (2010), “How information visualization novices construct visualizations”, IEEE Transactions on Visualization and Computer Graphics, Vol. 16 No. 6, pp. 943-952
Halford, S., & Savage, M. (2017). Speaking sociologically with Big Data: symphonic social science and the future for Big Data Research, Sociology, 51 (6): 1132-1148.
Han, J., & and Kamber, M. (2006). Data Mining: concepts and techniques. San Francisco, Morgan Kaupfamm.
Hoffman, P. E., & Grinstein, G. G. (2002). A survey of visualizations for high-dimensional data mining, Information visualization in data mining and knowledge discovery, 104: 47- 82.
Ives, B. (1982). Graphical user interfaces for business information systems, Special Issue, 15-47.
Kaplan, R. S., & Norton, D. P. (1996). The balanced scorecard: Translating strategy into action. Harvard Business School Press, Boston.
Kaplan, R. S., & Norton, D. P. (2004). Strategy maps: converting intangible assets into tangible outcomes. Harvard Business School Press, Boston.
Keim, D. A. (2002). Information visualization and visual data mining, IEEE transactions on visualization and computer graphics, 7 (1): 100- 107.
Kiron, D., Ferguson, R. B., Prentice, P. K. (2013). From Value to Vision: Reimagining the Possible with Data Analytics, Cambridge: MIT Sloan Management Review.
Kitchin, R. (2014). The data revolution: big data, open data, data infrastructures and their consequences. London: SAGE.
LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz, N. (2011). Big Data, Analytics and the Path from Insights to Value, MITSloan Management Review, 52 (2): 21.
Lupi, G., & Posavec, S. (2016). Dear Data. Princeton Architectural Press.
Maimon, O., & Rokach, L. (2005). Data Mining and Knowledge Discovery Handbook. Boston, MA, Springer.
McAfee, A. & Brynjolfsson, E. (2012). Big Data. The management revolution, Harvard Business Review, Special Issue, Oct. 2012.
O’ Donnell, E., & Smith David, J. (2000). How information systems influence user decisions: a research framework and literature review, International Journal of Accounting Information Systems, 1 (3): 178-203.
Perkhofer, L.M., Hofer, P., Walchshofer, C., Plank, T., and Jetter, H.C. 2019. Interactive visualization of big data in the field of accounting. A survey of current practice and potential barriers for adoption, Journal of Applied Accounting Research, Vol. 20 No. 4, 2019, pp. 497-525.
Quattrone, P. & Puyou, F.-R., (2018). The visual and material dimensions of legitimacy: accounting and the search for societies, Organization studies, Special Issue: the material and visual turn in organization theory: 1-26.
Rowan, J. (2017), “Data visualization: why a picture can be worth a thousand clicks”, The Wall Street Journal, available at: http://deloitte.wsj.com/cfo/2017/11/17/data-visualization-why-a-picturecan-be-worth-a-thousand-clicks/ (accessed June 13, 2018).
Schwabish, J. A. (2014) An economist’s guide to visualizing data, Journal of Economic Perspectives, 28 (1): 209–234.
Shneiderman, B., Plaisant, C., Cohen, M., & Jacobs, S. (2009). Designing the user interface: strategies for effective human-computer interaction. Boston, Addison-Wesley Publishing Company.
Tufte, E. R. (1983). The visual display of quantitative information. Cheshire, CT, Graphics Press.
Tufte, E. R. (1990). Envisioning information. Graphics Press, New York.
Tufte, E. R. (1997). Visual explanations: images and quantities, evidence and narrative. Hardbound, Graphics Press.
Tukey, J. W. (1977). Exploratory Data Analysis, Pearson College.
Viégas, F. B., & Wattenberg, M. (2007). Artistic data visualization: beyond visual analytics. OCSC’07 Proceedings of the 2nd international conference on Online communities and social computing, Heidelberg, Springer-Verlag Berlin, 182-191.
Wackerly, D. D., Mendenhall, W., Scheaffer, L. R. (2008). Mathematical statistics with applications, London: Brooks/ Cole.
Ware, C. (2008). Visual thinking for design. Morgan Kaufmann.
Ware, C. (2012). Information visualization: perception for design. 3rd ed. Waltham, MA: Morgan Kaufman.
Yigitbasioglu, O. M., & Velcu, O. (2012). A review of dashboards in performance management: Implications for design and research, International Journal of Accounting Information Systems, 13 (1): 41-59.
Zhang, K. (2012). Using visual languages in management, Journal of Visual Languages & Computing, 23 (6): 340-343.
Zhang, K., & Zheng, X. S. (2016). Special issue on Visual information communication – theory and practice, Information Sciences, 330 (10).
Biografia dell’autrice
Silvia Cacciatore, Università Ca’ Foscari (Dipartimento di Management)
Si occupa di temi legati all’economia e al management della cultura, in particolare legati alla data analysis. Dopo aver studiato teatro e il settore delle arti visive, in cui ha lavorato per più di dieci anni, ha rivolto la sua attenzione al business e al management culturale, e infine alla ricerca. Attualmente lavora come assegnista di ricerca, consulente e project manager, indagando il settore museale, svolgendo ricerche sulle industrie culturali e creative, studiando le sperimentazioni artistiche nelle aziende, oltre a dedicare particolare attenzione al rilancio del settore dello spettacolo dal vivo.