Creating visualizations for Internet of Things (IoT) data can be a challenge due to the uncertain and voluminous nature of this type of data. Many different tools have been made to visualize voluminous data. One such tool is Amazon Web Service (AWS) Quicksight. Quicksight is marketed as a scalable system for big data. For IoT developers, the visualization task is only a smaller subtask, which is often not the focus for the developer. Therefore it is in the developer’s best interest to use an easy tool for visualizing their data. To study if Quicksight is a viable tool for developers of IoT systems a user study was executed. Both the perceived usability and measured understanding when using the system were studied. This was done by using the System Usability Scale (SUS) for the perceived usability. For measured understanding some questions regarding trends and errors were asked and a statistical classification was made. The study showed a tendency for the users to rely too much on the visual structure Autograph as well as their difficulty to extract information from aggregated visualizations. In addition it was cumbersome to connect data between different datasets.

Att skapa visualiseringar för IoT data kan vara utmanande på Internet of Things (IoTs) oförutsägbara och voluminösa natur. Det finns många olika verktyg för att visualisera data. Ett sådant verktyg är Amazon Web Service (AWS) Quicksight. Quicksight marknadsförs som ett skalbart system för big data. För IoT utvecklare är dock visualisering oftast en mindre deluppgift som inte ligger i fokus. Därför är det viktigt för utvecklare att använda ett lättanvänt verktyg för att visualisera data. För att undersöka ifall Quicksight är ett bra alternativ som verktyg för utvecklare av IoT system så utfördes en användarstudie. Både den uppfattade och uppmätt förståelsen av systemet studerades. System Usability Scale (SUS) användes för att mäta den uppfattade användbarheten. För att mäta den uppmätta förståelsen ställdes frågor om trender och fel i data som sedan delades in i statistisk klassificering. Studien visade att användare tenderar att förlita sig för mycket på den visuella strukturen Autograph samt att dem hade svårigheter att utvinna information från aggregerad visualisering. Därtill ansåg användarna att det var besvärligt att koppla samman flera dataset i en visualisering.