Smb toolkit: bagaimana memilih visualisasi data yang betul

Spreadsheets telah menjadi usahawan dalam perniagaan sekian lama yang sesetengah orang mempunyai masalah membiarkan mereka pergi. Walau bagaimanapun, kebanyakan perniagaan hari ini telah berpindah melintasi tarikan nostalgia yang berpanjangan memihak kepada alat perisikan perniagaan (BI) yang lebih berkuasa sendiri. Terdapat banyak sebab alat ini lebih unggul daripada spreadsheet, tetapi yang paling jelas ialah keupayaan untuk menghasilkan visualisasi data yang berkesan dan menarik. Faktor satu ini lebih besar daripada apa-apa hujah yang menyokong hamparan untuk satu sebab mudah: Otak manusia menyerap dan memproses representasi visual maklumat lebih cepat dan lebih baik daripada yang mereka lakukan nombor.

Keistimewaan manusia untuk gambar di atas nombor jauh dari penemuan baru-baru ini. Sejarah menunjukkan bahawa konsep ini telah berjaya diuji dari masa ke masa, dari lukisan gua awal kepada tanda-tanda lalu lintas sejagat moden yang diiktiraf di seluruh dunia tanpa mengira bahasa. Satu pandangan pada mesej berasaskan gambar dan maklumat difahami tidak kira kemahiran bahasa atau matematik anda. Visualisasi data moden mengambil medium komunikasi yang kuat ke tahap yang sama sekali baru, menyebarkan carta dan graf kaya yang dihasilkan dengan data yang kaya.

Walau bagaimanapun, memilih visualisasi data yang betul bukanlah satu perkara untuk memilih satu carta pai di atas graf bar atau plot berselerak. Ia tidak semudah memilih tradisional berbanding visualisasi garde avant, seperti gambaran realiti maya 3D (VR). Terdapat lebih banyak daripada rasa peribadi dan keutamaan bermain.

Setiap elemen visualisasi menyampaikan sebahagian daripada keseluruhan mesej. Dari pilihan warna dan nisbah dakwat kepada data itu sendiri (dan semua lapisan yang anda dapat menggerudi ke dalamnya), visualisasi data adalah satu-satunya, perwatakan ringkas perwujudan pandangan perniagaan yang rumit dan berasaskan data.

Jadi apakah visualisasi yang anda pilih? Akhirnya pilihan terpulang kepada anda untuk mengenal pasti representasi visual yang paling sesuai dengan mesej yang anda cuba hantar dengan data yang anda tampilkan. Inilah perkara yang perlu anda ketahui untuk membuat keputusan yang bijak dan strategik.

Jenis Visualisasi

Saya tidak akan melahirkan kamu dengan mengulangi segala percubaan dan percubaan. Sekiranya anda berada dalam perniagaan untuk apa-apa masa yang cukup besar atau bekerja dengan data di luar memasukinya dalam perisian, maka anda sudah terbiasa dengan bentuk visualisasi tradisional: carta pai, graf bar, carta garis, plot bertaburan, dan peta dengan simbol. Ini, antara perwakilan grafik lain, biasanya dianjurkan oleh dua atau tiga ciri termasuk masa, bilangan unit, dan kos atau jualan.

Tidak salah dengan kumpulan visualisasi ini. Mereka telah lama digunakan untuk alasan yang baik: mereka bekerja.

Malah, kebiasaannya sangat bermakna penonton anda tidak perlu berhenti dan memikirkan borang sebelum mereka dapat memahami mesej itu. Itulah yang anda mahu berlaku. Jadi mengapa anda tidak berhenti di sini dan memilih salah satu daripada ini? Atau, seperti pilihan dalam banyak aplikasi BI, biarkan perisian memilih satu untuk anda?

Kerana tidak semua output analitik boleh atau harus dinyatakan dalam pengangkut yang terlalu mudah. Lampu lalu lintas dikurangkan kepada tiga ciri kerana terdapat hanya tiga mesej untuk disampaikan: pergi, melambatkan, dan berhenti. Sekiranya anda ingin mengatakan sesuatu yang lain, maka anda perlu menambah visual lain. Mungkin satu tanda yang berbunyi "Tidak betul menghidupkan merah" atau mungkin anda akan menambah satu lagi lampu berhenti hanya untuk lorong seterusnya. Dalam papan pemuka dan laporan, semua penambahan visual boleh ditimbun dan, pada masa penonton anda sampai ke hujung timbunan, mereka telah lupa bagaimana maklumat itu berkaitan dengan visual pertama atau yang lain dalam timbunan itu. Itulah tidak cekap dan tidak mengajar. Tambahan lagi, penggunaan terlalu banyak visualisasi boleh menyebabkan keletihan pengguna. Mesej hilang pada minda yang merayau.

Dalam sebarang kes, anda tahu visualisasi ini. Mari kita teruskan dan pertimbangkan bentuk baru.

'Twixt dan' Tween

Kelas visualisasi ini menggambarkan lebih banyak ciri daripada kumpulan tradisional tetapi mesej itu cenderung mempunyai satu teras. Sebagai contoh, pertimbangkan "awan perkataan." Penglihatan ini mengukur banyak perkataan yang berkaitan dengan satu sama lain sehingga setiap perkataan digambarkan dalam saiz berkadaran dengan penggunaannya berbanding dengan kata lain. Warna boleh digunakan untuk menggambarkan kumpulan kecil dalam kumpulan, atau maklumat lain, atau semata-mata untuk memudahkan untuk melihat saiz perkataan individu dengan pantas.

Bila mungkin visualisasi awan perkataan yang baik untuk digunakan? Terdapat beberapa kes penggunaan termasuk suasana pelanggan / pengguna di media sosial, peningkatan dan / atau masalah pelanggan yang semakin meningkat di pusat panggilan, pertanyaan pelanggan mengenai produk tertentu, jualan produk, dan kes-kes lain. Contoh-contoh lain dari jenis ini sering dilihat dalam infographics kerana mereka menggambarkan data berdasarkan tema.

Vendor-Friendly But User-Averse

Kemudian ada visualisasi yang vendor BI berbangga untuk menawarkan tetapi beberapa pembeli dan pengguna memahami. Tetapi tunggu, anda mungkin berkata. Jika saya tidak dapat melihat visualisasi dan memberitahu bagaimana ia berfungsi, maka bagaimanakah penonton saya dapat mengetahui data yang dikatakannya?

Memang benar bahawa kadang kala visualisasi mengandungi maklumat tetapi gagal menyampaikannya. Sebagai contoh, contohnya "The Starry Night" karya Vincent van Gogh yang dicat pada tahun 1889. Kerja ikoniknya secara tepat menggambarkan pergolakan angin tetapi tidak ada ahli matematik atau saintis yang mengerti bahawa pemahaman hingga berabad-abad kemudian. Bercakap mengenai kegagalan menyampaikan maklumat.

"Para saintis telah berjuang selama berabad-abad untuk menggambarkan aliran bergelora-sesetengah dikatakan telah menganggap masalah lebih keras daripada mekanik kuantum, " menurut sebuah laporan dalam Alam. "Beberapa karya van Gogh memperlihatkan Kolmogorov berskala dalam taburan kebarangkalian luminans mereka. Ke mata, corak ini dapat dilihat sebagai eddies saiz yang berbeza, termasuk kedua-dua pusaran besar dan eddies kecil diciptakan oleh kerja sikat."

Walaupun mana-mana kejayaan visualisasi bergantung pada sekurang-kurangnya sebahagiannya pada perspektif dan pengetahuan penonton, terkadang maklumat itu sangat rumit sehingga memerlukan visualisasi yang lebih canggih dan tepat. Jika tidak, maklumat itu hilang dalam pengangkutan atau terjemahan.

Sesetengah vendor BI menawarkan tahap kecanggihan dalam palet visualisasi mereka. Rajah Sankey, yang sangat berguna dalam menerangkan aliran maklumat dalam set data, adalah satu contoh.

"Contohnya, visualisasi ini dapat memperlihatkan proses melalui mana pelanggan perbankan memindahkan wang, dengan mengukur aliran tunai setiap transaksi. Rajah Sankey berguna bila-bila masa anda ingin menunjukkan aliran maklumat merentasi langkah yang berbeza dalam proses, " jelas Daphne Tan, Pengurus Pemasaran Produk di MicroStrategy, yang menghasilkan visualisasi Sankey Diagram di bawah.

Ia mungkin mengambil sedikit usaha untuk mengajar khalayak anda bagaimana membaca beberapa visualisasi yang lebih canggih. Bagaimanapun, ia berbaloi jika anda perlu menyampaikan maklumat secara terperinci secara teratur dan tidak mahu menarik van Gogh. Bagaimanapun, anda akan menemui banyak penonton yang sudah biasa dengan metrik dan representasi data yang lebih tepat ini, termasuk ahli statistik, jurutera, dan banyak profesional yang bekerja dalam sains.

Berikut adalah penerangan ringkas mengenai beberapa visualisasi dalam kategori ini yang patut dipertimbangkan dan di mana anda ingin menggunakannya:

1. Rajah rajah: Rajah ini unik yang mampu mewakili corak kompleks dalam data rentetan, yang bermaksud urutan yang sering juga mengandungi berulang-ulang berulang. Fikirkan DNA dan data aliran dari Internet Perkara (IoT). Anda akan menemui maklumat yang lebih mendalam tentang Rajah Arc dalam karya ini oleh IBM Research.

2. Carta Sunburst: Juga dipanggil carta pai pelbagai peringkat, ini digunakan terutamanya untuk memvisualisasikan data hirarki menggunakan bulatan sepusat. Anda boleh membuatnya dalam Microsoft Excel, sebagai contoh. Berikut ialah contoh:

3. Streamgraph: Microsoft dan GitHub menerangkan stregraph sebagai "carta kawasan yang disusun dengan interpolasi yang lancar, sering digunakan untuk memaparkan nilai dari masa ke masa." Bentuk bentuk organik yang mengalir dalam graf ini dan hasilnya boleh menuntut dan mengecewakan. Walau bagaimanapun, ia mempunyai penggunaan yang sangat sah seperti memaparkan set data volum tinggi untuk mencari trend dan corak dari masa ke masa dalam pelbagai kategori. Ya, ini adalah visualisasi sumber terbuka supaya anda boleh mendapatkannya di kedai Microsoft Office atau di GitHub.

4. Hyperbolic Tree: Juga dikenali sebagai hypertree, visualisasi ini diilhamkan oleh geometri hiperbolik dan pada dasarnya merupakan cara untuk menarik pokok yang sangat besar dalam ruang yang terhad sambil mengelakkan membuat gumpalan. Anda meletakkan segala sesuatu pada cakera dan bukan pada satah rata supaya cawangan lebih jauh kelihatan lebih kecil. Tetapi anda boleh menyeretnya kepada anda, menjadikannya lebih besar dan lebih mudah untuk diperiksa. Hyperbolic trees menunjukkan maklumat yang besar dengan perincian dan konteks dalam satu pandangan (berbanding dengan paging atau sebaliknya memanggil dan menggambarkan butiran butiran dalam pandangan lain).

Visualisasi Sprung dari Teknologi Baru

Terdapat begitu banyak jenis visualisasi yang tersedia hari ini, anda mungkin menjangkakan bahawa setiap cara yang dapat dilihat dari visual yang menggambarkan data telah tersedia. Malangnya, tidak. Kesemua teknologi dan kes penggunaan baru tidak dapat dielakkan menimbulkan bentuk visualisasi baru juga.

Realiti realiti (AR) dan realiti maya (VR) segera teringat. Para vendor BI sudah pun menggunakan visualisasi unik untuk sistem ini. Satu contoh ialah sistem visualisasi data Pusat Data Vantage 'dalam sistem lawatan maya 3D, VR yang dibolehkan. Ia kelihatan seperti ini:

"Kami mula melancarkan platform konsep3D pada Mei 2017 untuk membantu kami mempromosikan kemudahan pusat data baru kami di Santa Clara yang pada masa itu sedang dalam pembinaan. Platform ini luar biasa apabila anda cuba memasarkan bangunan yang tidak wujud, "kata Steve Lim, Naib Presiden dan Ketua Pemasaran di Vantage Data Centers.

Data muncul sebagai tindanan pada skrin dalam VR tetapi tempat itu sahaja akan terlalu mengehadkan.

"Dalam jangka masa terdekat, kami menjangkakan kebanyakan pelanggan dan pekerja kami menggunakan sistem tanpa VR di desktop atau mudah alih mereka. Ia mengesankan untuk pertama kalinya, dan terdapat potensi besar bagaimana sistem ini boleh membantu kami dalam operasi dan mengakses real data masa dari mana-mana sahaja di dunia, "tambah Lim.

Pilih mengikut Tugas

Setiap jenis visualisasi dibina untuk tugas analisis tertentu seperti pengedaran, komposisi, hubungan, atau perbandingan. Pastikan anda memahami setiap tugas dan memilih visualisasi dengan sewajarnya. Sebagai contoh, memahami jualan produk pada hari cuti seperti Krismas adalah kajian hubungan. Pilihan visualisasi yang baik untuk itu akan menyebarkan plot, awan perkataan, dan gambarajah Venn.

Memahami sama ada kot atau tayar menjual lebih baik adalah gambaran perbandingan. Grafik bar, carta pai, carta peluru, dan carta garis adalah pilihan yang baik di sini. Menggambarkan bahagian pasaran dan analisis kompetitif adalah tugas komposisi. Pertimbangkan carta bar / kawasan yang disusun, carta pai, air terjun, atau mana-mana peta pokok, bergantung kepada berapa banyak maklumat dalam konteks yang anda perlukan untuk dipaparkan.

Tugas pembahagian melibatkan pemahaman jenis barangan yang dihantar ke kedai dan / atau disimpan di mana gudang, dan juga menggambarkan bagaimana sumber-sumber diagihkan oleh kerajaan mengikut pelbagai demografi. Pilihan visualisasi yang baik termasuk histogram, plot jalur, dan petak kotak.

"Dalam kes ini, kita mahu melihat di mana kita boleh melihat semua data sekaligus dan cuba mencari julat nilai, bentuk, atau mengatasi masalah, " jelas Patrik Lundbald, Penasihat Visualisasi di BI dan syarikat perisian visualisasi Qlik.

Senarai Semak untuk Memilih Visualisasi

1. Ketahui Pemirsa Anda: Memilih visualisasi penonton anda kemungkinan besar untuk mencari relatabel dan menarik. Jadi, jika hotdogs lucu dalam infographic menggambarkan jualan penjual kaki lima anda, pergi dengan itu. Tetapi jangan berikan sedikit maklumat jika anda menyampaikannya kepada penonton yang mengalami statistik, sains data, kejuruteraan, atau kemahiran rak atas yang lain. Pilih visualisasi yang akan menyampaikan butiran dan konteks yang mereka perlukan untuk bertindak atas maklumat itu, tanpa harus menyusun tumpukan visualisasi yang berkaitan dengannya.

2. Buat Keutamaan Utama Anda: Bersihkan dan ringkas, walaupun dengan maklumat yang sangat terperinci dan rumit. Matlamat anda adalah untuk menghasilkan visualisasi yang mudah dibaca walaupun kandungannya hanyalah sesuatu.

3. Beri Perhatian kepada Setiap Butiran: Jadi anda ingin graf bar dalam aplikasi BI ini untuk menyampaikan maklumat ini. Tetapi adakah bar betul-betul berkaitan dengan satu sama lain atau berskala? Butiran perkara. Segala-galanya dalam setiap visualisasi menceritakan kisah. Pastikan anda menceritakan kisah yang anda maksudkan.

4. Merancang untuk Mencegah Keletihan Pengguna: Terlalu banyak penglihatan tayar penonton keluar, seperti penggambaran yang tidak dikenali atau grafik terlalu kompleks. Menyampaikan maklumat dalam naratif tepat dan pendek supaya penonton tetap terlibat dan mengingati apa yang mereka pelajari. Hadkan bilangan visualasi dalam papan pemuka dan laporan.

5. Borang Visualisasi Uji: Visualisasi adalah seperti jenaka. Jika anda perlu menjelaskannya, maka anda gagal. Ia harus dapat menyampaikan maklumat dengan teks minimum. Sebelum anda mula menggunakan visualisasi secara rutin, mengujinya pada orang yang tidak dekat dengan subjek. Pilih orang yang mesti mencari maklumat dalam visualisasi dan bukannya orang yang sudah mengenalinya. Adakah mereka tercerahkan atau keliru? Sekiranya keliru, kemudian pilih bentuk visualisasi lain atau bersiaplah untuk mendidik khalayak anda.

"Kecuali maklumat khusus yang memerlukan ilmu pengetahuan yang mendalam dalam kecerdasan buatan, rintangan blok, pendarahan petechial, atau fizik kuantum, visualisasi yang terbaik melayani pembaca apabila ia dapat ditafsirkan sendiri, bukan hanya dengan konteks artikel, " kata Mark Nicholson, Wakil Presiden Pemasaran dan Pembangunan Perniagaan di NiceJob, sebuah syarikat pembinaan reputasi media sosial / pelanggan.

6. Ingat van Gogh: Maklumat kompleks boleh hilang dalam gambaran ringkas. Oleh itu, visualisasi mudah mungkin bukan pilihan yang tepat. Tumpukan pada menyampaikan maklumat, itulah yang penting. Juga, van Gogh mengajar kita bahawa warna bukan sahaja atau cara terbaik untuk menyampaikan maklumat dengan cepat. Van Gogh's "kerja sikat megah menggunakan harta yang dikenali sebagai pencahayaan, ukuran kecerahan relatif antara mata yang berbeza. Mata lebih sensitif kepada perubahan cahaya daripada perubahan warna, bermakna kita bertindak balas dengan lebih pantas kepada perubahan kecerahan daripada warna, "dilaporkan NPR. Gunakan pelbagai tahap kecerahan dan warna untuk menyerlahkan maklumat atau menunjukkan pergerakan.

7. Pelajari Visualisasi Vendor Baru: Minta tutorial, contoh, dan maklumat lain mengenai sebarang visualisasi yang ditawarkan oleh vendor yang anda tidak faham. Lebih baik belajar di tempat kerja daripada berpegang pada visualisasi yang sudah anda ketahui. Mengapa? Kerana teknologi berubah dan, seperti yang dilakukan, bentuk visualisasi yang lebih baru akan muncul. Ia seperti tidak pernah mengemaskini atau menaik taraf telefon anda. Cepat atau lambat anda tidak akan dapat sampai kepada sesiapa sahaja.

8. Kadang-kadang Automated Is Best: Beberapa vendor BI meletakkan banyak pemikiran ke dalam ciri visualisasi automatik mereka. Salah satu contoh yang diingati adalah Salesforce Einstein Analytics. Syarikat ini mempunyai pengalaman bertahun-tahun dalam analisis pelanggan, penjualan, dan pemasaran, sejak kembali kepada pengurusan hubungan pelanggan awal (CRM) mereka yang awal. Penglihatan automatik mereka mencerminkan pengalaman itu. Oleh itu, jika anda menggunakan data jualan dan pelanggan setiap hari, bergantung kepada Einstein untuk mengendalikan visualisasi adalah penyelesaian pintar dan praktikal. Tidak ada sebab untuk mencipta semula roda.

9. Pertimbangkan Naratif: Pilih visualisasi yang meningkatkan naratif anda, yang menceritakan kisah. Jika tidak, anda kembali menggambarkan nombor dan rakan sekerja atau bos perniagaan anda tidak akan menyerap dan mengekalkan maklumat itu juga. Pastikan perwakilan dalam konteks, gunakan langkah yang betul (contohnya, nilai mutlak berbanding saudara), dan periksa skala. Gunakan warna untuk menyerlahkan mata penting tetapi hadkan bilangan warna yang anda gunakan. Visualisasi itu sendiri tidak seharusnya menjadi fokus penonton, kandungannya haruslah.

10. Simpan Petikan Anda: Ingatlah bahawa visualisasi direka untuk tugas tertentu dan menggunakannya dengan sewajarnya. Walau bagaimanapun, mudah hampir selalu lebih baik daripada kompleks. Matlamatnya ialah untuk mencari cara terbaik, terpantas, dan paling jelas untuk memindahkan maklumat dari mesin ke manusia.