Data-driven storytelling: How to use data to tell compelling stories and drive business outcomes
Notice bibliographique
Résumé
In today's data-rich landscape, the ability to distill meaning from data and effectively communicate it has become the bedrock of modern business strategy. Data storytelling, a blend of data science's analytical precision, the narrative's emotional resonance, and the simplicity of visual communication, is the key. This hybrid approach empowers organizations to transform raw data into compelling narratives that drive decisions, foster team unity, and deliver measurable business outcomes. This paper traces data storytelling's evolution and strategic value, from its origins in cognitive science and narrative theory to its practical application in business intelligence and decision-making, equipping readers with the knowledge to implement these strategies. This study employs a mixed-methods design, integrating a review of academic and professional literature with primary data from case studies and industry surveys. This research establishes the frameworks, tools, and competencies needed to create successful narratives by investigating how companies incorporate storytelling into their data practices. The findings illustrate storytelling's cognitive and behavioral impacts, showing that narratives rooted in credible data are more likely to engage stakeholders and drive actionable change than standalone data, thereby demonstrating the potential business impact of data storytelling. Furthermore, this paper delves into the ethics and design issues crucial for ethical storytelling in business. It also positions data storytelling not just as a communications methodology but as a strategic skill that influences perception, fosters collaboration, and extends the business value of analytics. The experiences shared in this paper serve as a guide for data professionals, business executives, and communicators who seek to leverage storytelling as a strategic advantage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,022 | 0,038 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».