Οπτικοποίηση δεδομένων, γρήγορη και αργή

Υπάρχουν δεκάδες βιβλία και εργαστήρια και σε απευθείας σύνδεση μαθήματα που σας διδάσκουν πώς να κάνετε καλή οπτικοποίηση δεδομένων. Αλλά τι είναι καλή οπτικοποίηση δεδομένων; Πιθανότατα πιστεύετε ότι είναι γρήγορα - διαγράμματα που είναι γρήγορα κατανοητά ή διαγράμματα που γίνονται γρήγορα ή (κατά προτίμηση) και τα δύο. Αυτό οφείλεται στο γεγονός ότι τα περισσότερα από τα πάντα που σας διδάσκει την απεικόνιση δεδομένων, είτε πρόκειται για μια τεχνική προσέγγιση όπως το βιβλίο μου είτε για μια προσέγγιση που επικεντρώνεται περισσότερο στο σχεδιασμό και την τεχνική, επικεντρώνεται στη διδασκαλία σας πώς να κάνετε την απεικόνιση δεδομένων γρήγορα και πώς να κάνετε την απεικόνιση δεδομένων που μπορεί να γίνει γρήγορα κατανοητή .

Λίγα παραδείγματα γρήγορης απεικόνισης δεδομένων που εμφανίζονται σε μαθήματα και βιβλία από τους Edward Tufte, Stephanie Evergreen & Andy Cotgreave

Η σύγχρονη προσέγγιση της απεικόνισης δεδομένων επικεντρώνεται στην γρήγορη οπτικοποίηση δεδομένων. Πιστεύω ότι η εστίαση δημιουργεί μια ελλιπή κατανόηση της οπτικοποίησης των δεδομένων και καταστρέφει την ικανότητά μας να χρησιμοποιούμε και να πραγματοποιούμε οπτικοποίηση δεδομένων.

Η παραδοσιακή οπτικοποίηση δεδομένων trope είναι μια έκθεση για πολυάσχολα στελέχη που δημιουργήθηκαν από ειδικούς του θέματος

Η οπτική επικοινωνία, όπως όλες οι μορφές επικοινωνίας, δεν συμβαίνει σε ένα μόνο τρόπο. Η παραδοσιακή οπτικοποίηση δεδομένων trope είναι μια έκθεση για πολυάσχολα στελέχη που δημιουργήθηκαν από ειδικούς του θέματος. Αυτή η κλασική περίπτωση πηγαίνει πίσω στην ανάλυση του Tufte για μια συνάντηση όπου η NASA πρέπει να αποφασίσει, αυτή τη στιγμή, εάν θα ξεκινήσει το Challenger σε κρύο καιρό. Αλλά μαζί με αυτόν τον τρόπο υπάρχουν προϊόντα απεικόνισης μεγάλων μορφών δεδομένων και αναλυτικές εφαρμογές που απαιτούν χρόνο και επένδυση. Τους εργάζομαι όλη την ώρα στο Netflix και μπορείτε να τα δοκιμάσετε σε διάφορα μέσα ενημέρωσης όπως το Pudding ή οι The New York Times. Αυτή η αναντιστοιχία μεταξύ των πραγματικών τρόπων απεικόνισης δεδομένων και των βέλτιστων πρακτικών στην οπτικοποίηση δεδομένων επιβραδύνει την ανάπτυξη πιο προηγμένων μορφών, αλλά επίσης υπονοεί στους αναγνώστες ότι οποιαδήποτε οπτικοποίηση δεδομένων που δεν είναι άμεσα κατανοητή είναι μια αποτυχία.

Η εστίαση στην γρήγορη απεικόνιση δεδομένων επηρεάζει τον τρόπο με τον οποίο σχεδιάζουμε τα προϊόντα απεικόνισης δεδομένων, τα εργαλεία που χρησιμοποιούμε για τη δημιουργία τους, το ρόλο του δημιουργού της απεικόνισης δεδομένων σε σχέση με το προϊόν τους και τον τρόπο με τον οποίο προβλέπουμε την εμπλοκή με τους αναγνώστες απεικόνισης δεδομένων. Και αυτό το όραμα πωλεί επειδή υπονοεί μια μη ανοησία, "δείξε μου τα δεδομένα" στάση που ευθυγραμμίζεται με την ηγεσία της οργάνωσης που θα προτιμούσε να βλέπει εκφοβισμούς προηγμένες μεθόδους χαρτογράφησης ως άσκοπα πολύπλοκο.

Ως αποτέλεσμα, η γρήγορη απεικόνιση δεδομένων κυριαρχεί στην επαγγελματική βιβλιογραφία. Εάν καταλάβαμε μόνο την οπτικοποίηση των δεδομένων μέσω των εγχειριδίων και των εργαλείων που έχουν κατασκευαστεί για την οπτικοποίηση δεδομένων, φαίνεται ότι κυβερνάται από μια σχεδόν απελπιστική βιασύνη.

Από τη μια πλευρά υπάρχουν τεχνικές για να κάνετε την απεικόνιση των δεδομένων σας όσο το δυνατόν πιο εύκολα και γρήγορα κατανοητή. Η γλώσσα και τα μαθήματα γύρω από αυτήν την προσέγγιση κυριαρχούν από ένα λόγο περιορισμού: περιορισμένες επιλογές χρωμάτων, συγκρατημένες διακοσμητικές επιλογές, συγκρατημένη διαδραστικότητα και συγκρατημένοι τύποι γραφημάτων.

Από την άλλη πλευρά είναι εργαλεία για να κάνετε τα προϊόντα οπτικοποίησης δεδομένων να διαφημίζουν πόσο γρήγορα και εύκολα θα είστε σε θέση να δημιουργήσετε διαγράμματα. Τα μαθήματα Tableau χαϊδεύουν να φτιάξουν το ταμπλό σας ενσωματωμένο σε 10 λεπτά (ή ακόμα και ένα λεπτό). Υπάρχει ακόμη και ένας διαγωνισμός όπως ο Iron Chef που ο Tableau κρατάει ονομάζεται Iron Viz. Εργαλεία όπως το Superset συνδέονται με τα δεδομένα σας και σας παρέχουν άμεση γνώση αυτόματα. Δεν μπορείτε να πάρετε πολύ γρηγορότερα από το άμεσο.

Ένας ταμπλός που έγινε γρήγορα με το Superset.

Αυτός ο ρυθμός εξοργισμού είναι ένας πραγματικός περιορισμός απεικόνισης δεδομένων. Δεν είναι μύθος ότι τα γραφήματα αναπτύσσονται συχνά σε χώρους γεμάτους από άτομα που έχουν μόνο ένα μικρό χρονικό διάστημα για να τα κατανοήσουν (ή όχι) και να λάβουν απόφαση. Οι αυτόματες προβολές σε πηγές δεδομένων αποτελούν μια κρίσιμη πτυχή της διερευνητικής ανάλυσης δεδομένων και των ελέγχων υγείας. Η γρήγορη απεικόνιση δεδομένων είναι πραγματική και σημαντική, αλλά όταν την αφήσουμε να γίνει η μόνη μας άποψη σε ποια οπτικοποίηση δεδομένων είναι, περιορίζουμε τον εαυτό μας στον προγραμματισμό για τον τρόπο κατασκευής, υποστήριξης και σχεδίασης οπτικοποίησης δεδομένων. Περιορίζουμε όχι μόνο τους δημιουργούς οπτικοποίησης δεδομένων αλλά και τους αναγνώστες απεικόνισης δεδομένων.

Προκειμένου να αποκαλυφθεί μια "αργή" απεικόνιση δεδομένων, θέλω να εξετάσω τα γραφήματα πιο προσεκτικά και να σκεφτώ δομικά τα όσα λένε τα γραφήματα, τι σημαίνουν τα γραφήματα και τι κάνουν τα γραφήματα. Αυτοί οι δύο τρόποι δεν είναι σε αντίθεση, μάλλον όλα τα διαγράμματα είναι σε θέση να επιβραδυνθούν με ανακλαστική ανάλυση. Η εξέταση αυτή χωρίζεται σε τρία μέρη:

ΤΙ ΤΑ ΧΑΡΤΑ ΠΟΥ ΛΑΜΒΑΝΟΥΝ

ΤΙ ΕΙΝΑΙ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ

ΤΙ ΧΑΡΑΚΤΗΡΙΖΕΤΑΙ

Όλα αυτά μπορεί να φαίνονται πολύ ακαδημαϊκά ή θεωρητικά, άσκοπα περίπλοκα ή επιπόλαια ... σαν ένα διάγραμμα δικτύου. Δεν είναι. Τελικά, η οπτικοποίηση δεδομένων δεν είναι τεχνικό πρόβλημα, είναι ένα πρόβλημα σχεδίασης και, περισσότερο από αυτό, ένα πρόβλημα επικοινωνίας. Είναι καιρός να αρχίσουμε να σκεφτόμαστε πιο βαθιά γι 'αυτό με αυτόν τον τρόπο.