Vergleich von Visualisierungstools

4.2. Vergleich von Visualisierungstools#

Story

Nachdem Amir Weber sich über die Grundlagen der Visualisierung und das Bauen von Dashboards informiert hat, fragt er sich, welches Tool er zum Bauen eines Dashboards verwenden soll. Dazu sieht er sich mehrere Optionen an.

Weshalb ein Vergleich mit anderen Visualisierungswerkzeugen sinnvoll ist:

Der Vergleich zwischen R Shiny und anderen Visualisierungswerkzeugen wie Python Dash, Power BI oder Tableau ist für datengetriebene Projekte besonders relevant, da jedes dieser Tools unterschiedliche Stärken, Funktionalitäten und Zielgruppen adressiert. Die Auswahl eines geeigneten Visualisierungstools hängt maßgeblich von den konkreten Zielen, Anforderungen und Rahmenbedingungen eines Projekts ab, ebenso wie von den technischen Vorkenntnissen und persönlichen Präferenzen der Nutzer:innen. Während Power BI und Tableau häufig im unternehmerischen Umfeld zum Einsatz kommen, werden R Shiny und Python-basierte Lösungen vor allem im wissenschaftlichen und analytischen Kontext verwendet. Als Verwaltungsmitarbeiter:in oder Führungskraft im Management benötigen Sie in der Regel zügig erstellte, standardisierte Berichte und Dashboards zur Überwachung von KPIs. Programmierkenntnisse sind oft nicht vorhanden, weshalb eine intuitive Bedienung per Drag-and-Drop und eine nahtlose Integration in Office-Umgebungen im Vordergrund stehen.

Im Folgenden werden die jeweiligen Werkzeuge und ihre Besonderheiten näher erläutert und miteinander verglichen.

4.2.1. Erläuterung der ausgewählten Visualisierungswerkzeuge#

R Shiny: R Shiny ist ein Open-Source-Webanwendungs-Framework für R, welches von RStudio entwickelt worden ist. Das Shiny-Framework ermöglicht es R-Nutzern, ihre R-Analysen und Visualisierungen um webbasierte grafische Benutzeroberflächen (GUIs) funktional zu erweitern ().

Der Hauptzweck von Shiny ist es, R-Analysen direkt in besagte GUIs zu übersetzen, ohne dass sie dafür die Programmiersprache wechseln müssen. Das Ziel ist es, die Kluft zwischen Datenanalyse und Endanwender zu schließen, sodass auch Personen ohne Programmierkenntnisse mit den Ergebnissen interagieren können ().

Python Dash: Python Dash ist ein leistungsfähiges Open-Source-Framework, welches von Plotly für Python-Entwickler entwickelt worden ist. Dash ermöglicht es, vollständig ausgestaltete analytische Datenanwendungen und interaktive Dashboards zu kreieren, ganz ohne Kenntnisse in Frontend-Technologien wie HTML, CSS oder JavaScript besitzen zu müssen. Gerade diese technische Abstraktion macht einen wesentlichen Vorteil von Dash aus ().

Power BI: Das von Microsoft entwickelte Power BI ist ein Analysetool für Unternehmen, welches die Analyse von Daten und das Teilen von Erkenntnissen über Berichte und Dashboards ermöglicht. Entwickelt wurde Power BI mit dem Ziel, Business Intelligence und Datenanalyse zu vereinfachen, indem es Einzelpersonen und Organisationen ermöglicht, mit minimalem Zeit- und Arbeitsaufwand Daten beizutragen und somit Berichte zu erstellen oder über die Quick-Insights-Funktion automatisch generieren zu lassen. Zusammengefasst werden diese Berichte in Dashboards, welche anschließend freigegeben werden können ().

Tableau: Bei Tableau handelt es sich um eine Software für die Erstellung von Visualisierungen. Entwickelt wurde Tableau von Tableau Inc. als Visualisierungstool für die Erstellung oder Programmierung von Dashboards im Business-Intelligence-Bereich () (). Die Besonderheit an Tableau ist, dass die Verwendung durch das GUI mit Drag-and-Drop relativ unkompliziert ist ().

4.2.2. Direkter Vergleich nach ausgewählten Kriterien#

Lizenzmodell und Einsatzszenarien:

Da Dash und Shiny beides Open-Source-Anwendungen sind, können diese Frameworks kostenlos verwendet werden (). Im Gegensatz dazu setzen Power BI und Tableau für ihre vollständigen Versionen auf kommerzielle Lizenzmodelle. Power BI und Tableau bieten beide zusätzlich auch noch eine kostenfreie Version an, die allerdings nicht alle Funktionen der kostenpflichtigen Version bietet. Besonders für kleine und mittlere Unternehmen ist die kostenlose Option ausreichend ().

Programmiersprache, Zielgruppe, Bedienbarkeit, Erweiterbarkeit:

R Shiny ist vollständig auf der Programmiersprache R aufgebaut und eignet sich besonders für Nutzer:innen aus Wissenschaft und Datenanalyse (). Diese Verbundenheit mit dem R-Ökosystem ist für Shiny ein enormer Vorteil, da Shiny dadurch leicht erweiterbar ist. Die Nutzung setzt jedoch Vorkenntnisse in der Programmiersprache R voraus. ().

Python Dash hingegen basiert auf der Programmiersprache Python und wird häufig in den Bereichen Data Science und Analytics verwendetund richtet sich an Nutzer:innen, die sich bereits mit Datenanalyse-Tools wie pandas oder scikit-learn, die auf Python basieren, auskennen (). Der Vorteil von Dash liegt in der Verwendung der modernen Frontend-Technologie mit React, zudem wird dem Nutzer vollständige Freiheit über die Gestaltung des Codes gegeben. Wie auch bei R Shiny ist die Verbundenheit mit dem Python-Ökosystem für Dash von Vorteil, da auch hier die Anwendung leicht erweiterbar ist ().

Da Power BI und Tableau dafür entwickelt wurden, um im Bereich Business-Intelligence und Unternehmenssektor angewendet zu werden, wird größtenteils auf herkömmliche Programmierung verzichtet, obwohl Tableau mit R verbunden werden kann, um die Darstellung besser auf die Erwartungen des Anwenders anpassen zu können. Anstelle von Programmierung nutzen beide Tools GUIs mit einer Drag-and-Drop-Funktionalität () (). Allerdings bieten Tableau und Power BI eher geringe Erweiterbarkeit, da die Plugin-Optionen begrenzt sind.

Architektur

Ein Screenshot, der zeigt, wie man eine R-Shiny-Anwendung aufbauen kann.

Abb. 4.4 R Shiny Aufbau (Quelle: Best Practice: Shiny Dashboards )#

Eine Shiny-Anwendung besteht aus einer serverseitigen Logik und einer Benutzeroberfläche (UI). Beide Komponenten werden häufig in einer gemeinsamen Datei (app.R) implementiert. Eine Trennung ist jedoch möglich, indem Server- und UI-Teil in die Dateien server.R beziehungsweise ui.R ausgelagert und anschließend über app.R integriert werden (). Dash und Tableau basieren ebenfalls auf ähnlichen Client-Server-Architekturen.

Die Architektur von Power BI hingegen ist cloud-zentriert und umfasst mehrere Module. Eine cloud-zentrierte Architektur bezeichnet ein Systemdesign, bei dem die wesentlichen Prozesse der Datenverwaltung, Bereitstellung und Kollaboration in einer vernetzten Online-Infrastruktur stattfinden. Im Fall von Power BI dient die lokale Anwendung (Power BI Desktop) primär als Entwicklungsumgebung für die Datenmodellierung und das Berichtsdesign. Die zentrale Logik der Distribution und Nutzerinteraktion ist hingegen in den Power BI Service ausgelagert, der als Cloud-Plattform auf der Microsoft-Azure-Infrastruktur basiert. Diese Infrastruktur unterteilt sich in ein Front-End-Cluster zur Authentifizierung und ein Back-End-Cluster, welches die Datenverarbeitung und Visualisierung übernimmt. Durch den Einsatz eines Power BI Gateways wird zudem eine hybride Architektur ermöglicht, die lokale Datenquellen sicher mit der Cloud-Umgebung verbindet ().

Ein Screenshot, der zeigt, wie man eine Power-BI-Anwendung aufbauen kann.

Abb. 4.5 Power BI Aufbau (Quelle: Power BI Architecture: a Complete Guide to Mastering the Platforms )#

Interaktivität und Visualisierungstiefe

In Bezug auf Interaktivität bieten Shiny und Dash das höchste Maß an Flexibilität, da die beiden auf einem reaktiven Programmiermodell basieren. In Shiny-Anwendungen können Benutzer aktiv in den Analyseprozess eingebunden werden. Benutzer:innen können die Daten über interaktive Elemente wie Dropdowns, Karten oder Slider filtern. Jede Eingabe löst eine serverseitige Aktualisierung der Visualisierung aus. Dash regelt das auf eine ähnliche Art und Weise, durch sogenannte Callback-Funktionen werden UI-Elemente mit Diagrammen verknüpft, was explorative Datenanalyse ermöglicht ().

Auch Power BI und Tableau bieten Interaktivität, dies jedoch innerhalb ihrer Benutzeroberflächen. Standardmäßig sind nur Filter, Drilldowns und Highlighting-Funktionen vorhanden (). Im Vergleich zu Shiny und Dash ist die Tiefe der Interaktivität jedoch begrenzt, da es schwieriger und komplexer ist, benutzerdefinierte Logiken umzusetzen.

Einbindung externer Daten

R Shiny ist extrem flexibel im Bereich der Datenintegration, da es auch hier von den Vorteilen der Anbindung des R-Ökosystems profitiert. Dies ermöglicht es R-Nutzern, mit einer Vielzahl von Datenquellen zu arbeiten, darunter CSV-, Excel- und JSON-Dateien sowie mit relationalen Datenbanken ().

Python Dash ist vergleichbar in der Flexibilität der Datenverbindung mit Shiny. Dash profitiert genauso wie Shiny vom Python-Ökosystem. Deshalb lassen sich auch hier zahlreiche Datenquellen einbinden, wie zum Beispiel lokale Dateien, SQL- oder NoSQL-Datenbanken, REST-APIs oder Cloud-basierte Speicherlösungen ().

Power BI bietet eine umfangreiche Anzahl an Datenkonnektoren, die eine unkomplizierte Verbindung zu verschiedenen Datenquellen ermöglichen. Hierzu gehören unter anderem Excel, CSV-Dateien, relationale Datenbanken wie SQL Server, Oracle oder MySQL sowie Cloud-Dienste wie Azure, Salesforce oder Google Analytics (). Es ermöglicht zusätzlich die Integration von ETL-Prozessen zur Datenbereinigung (Extract, Transform, Load) ().

Tableau erlaubt ebenso eine Vielzahl an Datenanbindungen. Es unterstützt strukturierte Daten aus Datenbanken (z. B. MySQL, PostgreSQL, Snowflake) sowie Daten aus Cloud-Diensten und unstrukturierte Quellen wie Excel- oder Textdateien ().

Zusammenfassung

Die folgende Tabelle fasst die Unterschiede der Werkzeuge mithilfe eines Vergleiches entlang relevanter Kriterien zusammen:

Kriterium

R Shiny

Python Dash

Power BI

Tableau

Programmiersprache

R

Python

Softwareanwendung

Softwareanwendung

Zielgruppe

Wissenschaft, Datenanalyse

Data Science, Analytics

Business, Management

Business, Management

Bedienbarkeit durch Erstellende

Mittel (Erfahrung in R)

Mittel (Erfahrung in Python)

Sehr einfach (Drag & Drop)

Sehr einfach (Drag & Drop)

Nutzerfreundlichkeit von Konsumentenseite

Mittel

Mittel

Hoch

Hoch

Interaktivität

Sehr hoch (frei programmierbar)

Sehr hoch (frei programmierbar)

Hoch (vorgefertigte Elemente)

Hoch (vorgefertigte Elemente)

Erweiterbarkeit

Sehr hoch (eigener R-Code)

Sehr hoch (eigener Python-Code)

Gering (Plugins)

Gering (Plugins)

Einsatzgebiet

Forschung, Open Data, Reports

Data Science Apps, ML-Dashboards

Business-Intelligence-Berichte

Business-Intelligence-Berichte

Lizenz/Kosten

Open Source, kostenlos

Open Source, kostenlos

Proprietär, kostenpflichtig (mit Free Tier)

Proprietär, kostenpflichtig

Visualisierungstiefe

Hoch (flexibel anpassbar)

Hoch (flexibel anpassbar)

Mittel (vordefinierte Visuals)

Mittel (vordefinierte Visuals)

Einbindung externer Daten

Sehr einfach (R-Pakete)

Sehr einfach (pandas, APIs)

Sehr einfach (GUI-Connectoren)

Sehr einfach (GUI-Connectoren)

Programmiererfahrung nötig?

Ja (R-Grundkenntnisse)

Ja (Python-Grundkenntnisse)

Nein

Nein

Architektur

Client-Server

Client-Server

Cloud- oder Serverbasiert

Client-Server

Einbettung in Webprojekte

Einfach (Shinyapps.io, Server)

Einfach (Deployment auf Servern)

Eingeschränkt (hauptsächlich Business Reporting)

Eingeschränkt

Lernkurve

Moderat bis steil

Moderat bis steil

Flach

Flach

4.2.3. Fazit#

Die Entscheidung für R Shiny als primäres Visualisierungswerkzeug in diesem Projekt begründet sich durch die spezifischen Anforderungen an analytische Tiefe, methodische Transparenz und Flexibilität. Als kostenloses Open-Source-Framework fügt sich Shiny ideal in den wissenschaftlichen sowie verwaltungstechnischen Kontext (Open Data) ein und vermeidet die Pfadabhängigkeiten und Einschränkungen proprietärer Lizenzmodelle, wie sie bei Power BI oder Tableau bestehen. Da Shiny auf der Programmiersprache R basiert, profitieren Erstellende von einer guten Erweiterbarkeit durch das R-Ökosystem. Zwar erfordert dies, im Gegensatz zu intuitiven Drag-and-Drop-Lösungen, fundierte Programmierkenntnisse bei der Erstellung, jedoch überwiegt der analytische Nutzen: Die Client-Server-Architektur von Shiny ermöglicht es, komplexe Prozesse der Datenbereinigung und die Anbindung vielfältiger externer Datenquellen nahtlos mit der visuellen Ausgabe zu verzahnen. Dies sichert die Datenkontrolle und die wissenschaftliche Reproduzierbarkeit der Ergebnisse. Darüber hinaus bietet Shiny eine bessere Visualisierungstiefe und Interaktivität. Im Gegensatz zu den vordefinierten Funktionen standardisierter Business-Intelligence-Software lassen sich mit Shiny maßgeschneiderte, interaktive Weboberflächen (GUIs) frei programmieren. Dies erlaubt es der Zielgruppe (also auch Endanwender:innen ohne Programmierkenntnisse), tief in die explorative Datenanalyse einzutauchen. Zusammenfassend stellt R Shiny in unserem Anwendungsfall das passendste Werkzeug dar, um komplexe, datengetriebene Modelle transparent, reproduzierbar und mit großem Gestaltungsspielraum in eine interaktive Webanwendung zu übersetzen.

Literatur