Lepsze wizualizacje danych - ebook

PRZEDMOWA DO WYDANIA POLSKIEGO

Paweł Tkaczyk
Fot. Krzysztof Zaleski

Obraz jest podobno wart więcej niż tysiąc słów. Co jednak, gdy te słowa są… niewłaściwe? Opowiem Ci historię, w której słowa i obrazy mają wspólny morał.

Lata trzydzieste ubiegłego wieku, Stany Zjednoczone wychodzą z wielkiego kryzysu. Ludzie nie mogą spłacać kredytów hipotecznych, więc rząd powołuje agencję, która ma ratować właścicieli przed zajęciem ich domów przez banki. Agencja nazywa się Home Owners Loan Corporation, w skrócie HOLC (Korporacja Pożyczkowa dla Właścicieli Domów) i po pierwszej fali pożyczek zaczyna się zajmować szerszymi tematami. Tworzy na przykład mapy pomagające w wycenie wartości domu i ocenie ryzyka inwestycyjnego dla kupujących. Mapy te, zupełnie bez związku z wycenami, miały dzielnice oznaczone kolorami na podstawie ich… składu rasowego. I tak się złożyło, że dzielnice zamieszkiwane przez Afroamerykanów były kolorowane na czerwono. Sugestia zwiększonego ryzyka bez mówienia o tym. Obraz (a w tym przypadku: kolor) wart więcej niż tysiąc słów. Zjawisko to Amerykanie nazywają redlining (oznaczanie na czerwono). Na dziesięciolecia utrwaliło systemową dyskryminację rasową w USA.

Jonathan Schwabish doskonale rozumie zarówno siłę, jak i pułapki wizualizacji danych. Zaczynał jako ekonomista w amerykańskim Kongresie, gdzie decyzje o prawach obowiązujących latami są podejmowane często na podstawie szybkiego spojrzenia na jedną planszę. Dziś pracuje w pozarządowej organizacji o nazwie Urban Institute – zajmuje się polepszeniem warunków bytowych Amerykanów, a przy okazji stał się wiodącym głosem w dziedzinie wizualizacji danych.

Książka Schwabisha to skarbnica wiedzy dla każdego, kto chce poprawić swoje umiejętności komunikowania danych w sposób jasny i skuteczny. Zaczyna się od zasad wizualizacji danych, z których dowiesz się, jak w ogóle przetwarzamy dane wizualne i jak nadajemy im hierarchię. Schwabish przedstawia pomocne wskazówki, które pomagają twórcom eksponować właściwe dane, zmniejszać wizualny bałagan i skutecznie łączyć grafiki z tekstem. Dowiesz się na przykład, dlaczego nie warto szaleć z wykresami 3D i dlaczego lepiej zacząć od neutralnej palety kolorów (spojler: dane są wtedy w centrum uwagi).

Sercem książki jest druga część, która przeprowadza Cię przez ponad osiemdziesiąt narzędzi wizualizacji danych. Od prostych wykresów słupkowych i liniowych po rzeczy, o których większość ludzi nigdy nie słyszała – diagramy Sankeya czy wykresy strumieniowe. Schwabish dostarcza praktycznych przykładów i rad, kiedy i jak używać każdego typu. Kipi też przykładami, także tymi złymi. Mój ulubiony: diagram kołowy z czasów początków pandemii. Pokazywał różne choroby zakaźne i… sumował ich zakaźność do 100%. Nie muszę chyba dodawać, że obraz danych był nieziemsko zakłamany? Dzięki tej części zrozumiesz mocne i słabe strony poszczególnych narzędzi wizualnych. Książka jest nieoceniona w prowadzeniu Cię przez proces wybrania najlepszego wykresu dla Twoich danych i… Twoich odbiorców.

Schwabish podchodzi do procesu wizualizacji podobnie jak powinno się podchodzić do procesu pisania. Ostatnim etapem jest redakcja, czyli – w przypadku tekstów – „usuwanie zbędnych słów”. To cytat z Ernesta Hemingwaya. Schwabish pokazuje to samo – każe nam usuwać zbędne elementy z wykresu. Mój ulubiony przykład? Wykres pokazujący gęstość zaludnienia w USA, z którego… usunięto kontur kraju. Bo widz może go wywnioskować z samych rozmieszczonych na wykresie kropek. Trzecia część ma więcej takich doskonałych przykładów. Eksploruje palety kolorów, dobór krojów pisma i formaty obrazów. Jeśli do tej pory tworzenie wykresów oznaczało dla Ciebie eksport w domyślnych ustawieniach z Excela… Twoje życie zmieni się na zawsze.

No właśnie, zmienianie życia. Amerykański Kongres to niejedyne miejsce, gdzie decyzje o dużym ciężarze są podejmowane po relatywnie krótkich i uproszczonych przemyśleniach. Tak samo działa to w firmach czy organizacjach pożytku publicznego. Pomyśl: w jaki sposób jest podejmowana decyzja o tym, na co przeznaczasz swój 1,5% z podatków? Jestem gotów się założyć, że u większości ta decyzja nie jest poprzedzona dogłębną analizą danych i raportów różnych organizacji pomocowych.

W swoim wstępie Schwabish pisze o tym, jak zamienił 109-stronicowy dokument o długoterminowych perspektywach biznesowych na serię grafik mieszczących się na jednej kartce. To jest proces, który Cię czeka częściej, niż myślisz. I ma wpływ na ludzi wokół Ciebie, na Twój biznes i na Ciebie. Poświęcamy sporo czasu na to, żeby uczyć się mówić poprawnie. Uważam, że proporcjonalnie niewystarczająco dużo czasu poświęcamy na rozwijanie naszego warsztatu wizualnej wirtuozerii.

Amerykańska HOLC została rozwiązana w połowie lat pięćdziesiątych ubiegłego wieku, ale zła sława tworzonych przez nią map i ich wpływu na amerykańskie społeczeństwo ciągnie się latami. Nie chcesz, by Twoje grafiki służyły za przykłady w podobnych opowieściach, prawda?

Pamiętaj: niezależnie od tego, czy tworzysz wykres do biznesowej prezentacji, czy infografikę na post w mediach społecznościowych, sposób wizualizacji danych może zrobić ogromną różnicę. Spraw, aby Twoje dane mówiły głośniej i wyraźniej niż kiedykolwiek wcześniej. I żeby mówiły właściwe rzeczy.WSTĘP

Z dużym prawdopodobieństwem znajdujesz się w grupie osób, których umiejętności tworzenia wizualizacji danych wyglądają mniej więcej tak: analizujesz pewne dane, zapisujesz wyniki, robisz wykres i wklejasz go do raportu, dodając tekst. Następnie opisujesz go raczej standardowo, na przykład „Rysunek 1. Średnie zarobki w latach 1990–2020”, zapisujesz jako plik PDF i publikujesz.

Zbieranie danych, analiza i ułożenie treści raportu mogły zająć miesiące, a nawet lata. Z pewnością wykresom poświęcasz znacznie mniej czasu. Najłatwiej po prostu otworzyć program, dajmy na to Microsoft Excel, wkleić dane, wybrać gotowy wzór wykresu, którego używałeś dziesiątki lub setki razy, zaakceptować domyślne opcje i wkleić go do raportu.

Ale czy w którymś momencie tej czynności zatrzymałeś się, aby zastanowić się, co jest najważniejsze podczas prezentowania owoców swojej pracy? To odbiorcy. To inni ludzie przeczytają Twój raport. Ludzie będą odbierać to, co chcesz im przekazać, oceniać to, jak przekazujesz wynik swojej pracy. Mimo to wielu z nas spędza zbyt mało czasu na przemyśleniach o tym, jak najlepiej zaprezentować swoje ustalenia. Zamiast tego używamy utartych, standardowych opcji, które wydają się najszybsze i najłatwiejsze.

Dlaczego tak jest? Być może nie wierzysz, że posiadasz odpowiednie umiejętności techniczne lub wiedzę projektową potrzebne do tworzenia złożonych, atrakcyjnych wykresów. Albo martwisz się, że nie jest to warte wysiłku, ponieważ Twoi menedżerowie, komisja rekrutacyjna lub ktokolwiek inny tego nie doceni. Wiele osób uważa również, że ich odbiorcy po prostu „wszystko załapią”, tak jakby każdy widział treść setki razy. Jednak wielu z nich, zwłaszcza tych, którzy mają w zakresie tych danych czy raportu moc sprawczą, mogło nigdy wcześniej nie widzieć tych treści. W takich przypadkach – a prawdopodobnie stanowią one większość – dokładne przemyślenie sposobu prezentacji danych jest równie ważne jak same dane.

Z niniejszej książki dowiesz się, jak tworzyć lepsze i bardziej efektywne wizualizacje danych. Dzięki niej wzbogacisz swoje umiejętności graficzne i zakres gotowych wykresów w zestawie narzędzi. Gdy następnym razem otworzysz Excela, Tableau, R lub inne wybrane narzędzie programowe, nie będziesz ograniczany domyślnymi wykresami czy zaleceniami samouczka. Ta książka pomoże Ci wybrać wykres, który najlepiej pasuje do Twoich danych i najskuteczniej komunikuje Twój przekaz.

Często słyszy się, że niestandardowe wykresy nie znajdują zastosowań, ponieważ współpracownicy, menedżerowie czy ogólnie odbiorcy ich nie zrozumieją. Nikt jednak nie urodził się, wiedząc instynktownie, jak czytać wykres słupkowy, liniowy czy kołowy. Jak napisał kiedyś Scott Klein, zastępca redaktora naczelnego ProPublica: „Nie ma czegoś takiego jak grafika z natury intuicyjna. Nikt z nas nie rodzi się z umiejętnością czytania wizualizacji”.

Jako twórcy wizualizacji danych musimy zrozumieć naszych odbiorców i wiedzieć, kiedy niestandardowy, wyróżniający się wykres może ich zainteresować, a także pomóc im poszerzyć ich wiedzę w kontekście danej grafiki.



Książka ta składa się z trzech głównych części. Część I zawiera ogólne wytyczne dotyczące tworzenia skutecznych wizualizacji. Dowiesz się, jak ważni są nasi odbiorcy i jak przeprowadzić analizę sugerującą wybór kategorii wykresu. Żadna książka o wizualizacji danych nie będzie zawierać wszystkich wskazówek dotyczących tworzenia skutecznych wykresów, ale istnieje kilka najlepszych praktyk, które mogą pomóc w Twojej pracy. W miarę tworzenia kolejnych wizualizacji i sprawdzania ich wpływu na odbiorców rozwiniesz własny styl i nauczysz się, kiedy nagiąć, a kiedy złamać przedstawione tu zasady.

Część 2 to sedno książki. Zdefiniujemy i omówimy ponad osiemdziesiąt wykresów, podzielonych na osiem szerokich kategorii: porównania, wykresy czasowe, rozkładu, dotyczące danych geoprzestrzennych, relacyjne, ukazujące część w stosunku do całości, wykresy danych jakościowych i tabele. Omówimy, jak działa każdy wykres oraz jakie są zalety i wady każdego z nich.

Wykresów należących do każdej z tych kategorii można używać równocześnie – na przykład wykres słupkowy można wykorzystać do pokazania zmian w czasie lub porównań. Przedstawione tutaj kategorie są podyktowane głównym przekazem danego wykresu. Ale nie zawsze będzie to obiektywna kategoryzacja, Twoja perspektywa i sytuacja mogą się różnić. Nie omawiamy każdego możliwego rodzaju wykresu – istnieje wiele wyspecjalizowanych wykresów z dziedzin takich jak architektura, biologia i inżynieria, o których nie wspominamy. Zamiast tego w kolejnych rozdziałach omówiono najpopularniejsze i najbardziej uniwersalne rodzaje wykresów, idealne dla tych danych, które są najbardziej pożądane.

Każdy z tych sześciu wykresów przedstawia te same dane: Odsetek osób zarabiających płacę minimalną lub niższą w każdym stanie.

Jako podsumowanie posłuży Część 3 w formie swoistego przewodnika po stylu wizualizacji danych mówiącego o tym, jak połączyć różne narzędzia w ramach serii wykresów. Jeśli kiedykolwiek pisałeś artykuł naukowy lub nawet streszczenie książki, prawdopodobnie znasz zasady danego stylu pisania. Każdy styl ma swoje zasady i szczegóły dotyczące ich prawidłowego użycia. Przewodnik po wizualizacji danych pełni podobną funkcję w przypadku wykresów – opisuje je oraz wyszczególnia sposoby ich kreowania i używania. W ostatnim rozdziale tej części wykorzystamy otrzymane wskazówki w praktyce i przeprojektujemy serię wykresów, poprawiając ich odbiór. Niniejsza książka powiedzie Cię w głąb oceanu danych i sposobów ich wizualizacji. Teraz bardziej niż kiedykolwiek, jeśli ma dotrzeć odpowiednio daleko, treść musi rzucać się w oczy. Twoi klienci i współpracownicy, a także odbiorcy, czyli decydenci, są zalewani masami informacji. Wizualizacje muszą się wyróżniać.

Każdy może ulepszyć sposób, w jaki wizualizuje i przekazuje swoje dane – i nie potrzebujesz do tego dyplomu z marketingu, projektowania czy reklamy. Proszę mi wierzyć, zaczynałem karierę jako ekonomista w rządzie federalnym.

JAK OPANOWAŁEM UMIEJĘTNOŚĆ WIZUALIZACJI DANYCH

Kiedy już zdecydowałem się na studiowanie ekonomii na Uniwersytecie Wisconsin w Madison (po nieudanej próbie studiowania matematyki, którą skutecznie udaremniły łańcuchy Markowa), wiedziałem, że chcę wylądować w Waszyngtonie, D.C. Chciałem być blisko centrum porządku publicznego i polityki. Pragnąłem badać aktualne problemy i pomóc w opracowaniu rozwiązań.

Przeniosłem się do D.C. w 2005 roku, aby dołączyć do Biura Budżetowego Kongresu (ang. Congressional Budget Office, CBO). Byłem częścią zespołu opracowującego długoterminowy model mikrosymulacyjny, który służył do badania Systemu Ubezpieczeń Społecznych i prognozowania długoterminowych finansów budżetu federalnego. Wiosna 2005 roku była wyjątkowo fascynująca dla tych, którzy zajmowali się programem Social Security i sferą zabezpieczeń społecznych – prezydent George W. Bush uczynił tę kwestię głównym celem działalności podczas swojej drugiej kadencji. W noworocznym orędziu z 2005 roku powiedział: „Musimy uchwalić reformy, które raz na zawsze rozwiążą problemy finansowe związane z zabezpieczeniami społecznymi”. Reforma została odwołana jeszcze w tym samym roku, ale w ciągu pierwszych kilku miesięcy mojej pracy mój zespół oszacował i przeanalizował dziesiątki propozycji politycznych.

Pięć lat później poszedłem o krok dalej i analizowałem również kwestie dotyczące polityk mających wpływ na niepełnosprawnych pracowników, imigrację i bony żywnościowe (obecnie nazywane Programem Pomocy w Zakresie Dodatkowego Żywienia, ang. Supplemental Nutrition Assistance Program, SNAP). W 2010 roku trzech moich kolegów przygotowywało sprawozdanie specjalne w sprawie opcji politycznych dotyczących zabezpieczenia społecznego. Opracowywali w nim potencjalny wpływ trzydziestu różnych reform. Jedna z głównych liczb w raporcie pokazywała zmiany w podatkach otrzymywanych przez system, świadczeniach wypłacanych w ramach systemu, równowagę między nimi oraz inne miary wypłacalności fiskalnej dla tych trzydziestu opcji. Wyglądało to mniej więcej tak (patrz strona 15).

Nie trzeba być ekonomistą rządowym, aby wiedzieć, że członkowie Kongresu najpewniej nawet nie spojrzą na coś, co wygląda jak arkusz kalkulacyjny. Jest za dużo wierszy, za dużo kolumn, za dużo liczb – za dużo informacji. To właśnie wtedy zacząłem myśleć o lepszych sposobach przedstawienia tych informacji.

Poniżej wyniki mojej pracy nad tabelą (patrz strona 16). Zastąpiliśmy niektóre liczby wykresami o małych rozmiarach, które dają czytelnikowi natychmiastowy wizualny wyraz każdej z opcji – które zwiększyły wypłacalność programu, a które nie.

Raport zadziałał. Otrzymaliśmy zielone światło od kolegów z CBO i innych agencji, a także odbiorców z Kapitolu, którzy podkreślali, jak łatwo było przeczytać i zrozumieć wykresy. Być może po raz pierwszy ja (i być może agencja) przyjrzałem się naszym wizualizacjom danych

Autorska wersja wczesnego projektu załącznika z Biura Budżetowego Kongresu.

dokładniej, w bardziej strategiczny sposób. Od tego momentu zacząłem czytać książki na temat wizualizacji danych, projektowania, teorii kolorów i typografii.

Współpracując z naszym działem redakcyjnym i projektantami, zaczęliśmy udoskonalać wykresy w naszych podstawowych raportach oraz rozpoczęliśmy tworzenie nowych typów raportów i wykresów. Stworzyliśmy infografiki – co było wówczas modnym hasłem odnoszącym się (czasami szyderczo) do dłuższych grafik łączących dane, tekst, obrazy i inne elementy w jedną wizualizację. W 2012 roku stworzyliśmy poniższą infografikę, która stanowi uzupełnienie i podsumowanie 109-stronicowego raportu pt. „Długoterminowa perspektywa finansowa” (patrz strona 17).

W czerwcu tego roku dyrektor CBO stanął przed Komisją Budżetową Izby Reprezentantów USA, aby przekazać wyniki naszej analizy. Na korytarzu słychać było odpalony telewizor, gdy nagle usłyszałem krzyki: „Jon! Jon! Chodź! Twoja infografika jest w telewizji!”.

Ostateczna wersja głównego załącznika do raportu Biura Budżetowego Kongresu na temat zabezpieczenia społecznego. Zauważ, że jest mniej danych i więcej wykresów.

Źródło: Biuro Budżetowe Kongresu.

Rzeczywiście, kongresmen Chris Van Hollen (patrz strona 18) podczas audycji transmitowanej przez C-SPAN pokazywał moją infografikę, pokrytą bazgrołami i notatkami. Moja wizualizacja przykuła uwagę jednego z najbardziej aktywnych ludzi w Ameryce – kogoś, kto mógł pomóc nam uporać się z problemami związanymi z budżetem federalnym. To był moment, w którym zrozumiałem, że sposób, w jaki prezentujemy nasze dane, może mieć równie duże znaczenie jak same dane.

Oryginalna, jednostronicowa infografika opracowana na podstawie długoterminowej perspektywy finansowej na rok 2012, sporządzona przez Biuro Budżetowe Kongresu.

Źródło: Biuro Budżetowe Kongresu.

Kongresmen ze stanu Maryland, Chris Van Hollen, trzymający infografikę dotyczącą długoterminowej perspektywy finansowej podczas posiedzenia Komisji Budżetowej Izby Reprezentantów.

Źródło: C-SPAN.

W 2014 roku przeniosłem się do Urban Institute, instytucji badawczej non profit w Waszyngtonie, aby połowę swojego czasu spędzać na prowadzeniu badań, a połowę w dziale komunikacji, pomagając współpracownikom w prezentowaniu i wizualizacji danych.

Od tego czasu przeprowadziłem setki warsztatów, wygłosiłem wiele wykładów na całym świecie i opublikowałem dwie książki na temat przekazywania danych. Świat zdawał się wspierać to samo, co ja – lepsze treści wizualne i lepsze prezentacje były podstawą badań i polityk. Rozwój mocy obliczeniowej, coraz bardziej zaawansowane platformy mediów społecznościowych i rozwijający się krajobraz medialny sprawiły, że treści wizualne stały się coraz ważniejsze, a może nawet niezbędne do funkcjonowania we współczesnych realiach.

Obecnie współpracuję z osobami z organizacji non profit, agencjami rządowymi, firmami z sektora prywatnego, pomagając im ulepszyć sposób, w jaki tworzą wykresy i przekazują treść. Pracowałem z młodszymi ekonomistami i analitykami zajmującymi się ogromnymi zbiorami danych; pracownikami służby zdrowia próbującymi przekazać wyniki pacjentom, rodzinom i administratorom szpitali; przedstawicielami kadr pracującymi z bazami danych osób poszukujących pracy; reklamodawcami i dyrektorami ds. marketingu sprzedającymi produkty klientom; i wieloma innymi osobami.

Zetknąłem się z setkami różnych rodzajów problemów związanych z wizualizacją danych. Umiejętności pozwalające im sprostać niestety nie są jeszcze na tyle istotne, by nauczano ich w szkołach i zawierano w programach doskonalenia zawodowego. Ale bez problemu można się ich nauczyć – na przykład jak czytać typy wykresów, których nigdy wcześniej nie widzieliśmy, nawet jeśli są złożone. Możemy także nauczyć się przekazywać wyniki naszej pracy w lepszy i skuteczniejszy sposób.

W końcu odkryłem, że jedną z najważniejszych rzeczy, jakie mogę pokazać ludziom, jest niezwykle szeroki wachlarz dostępnych opcji wizualizacji danych. I to właśnie stanowi sedno niniejszej książki, będącej przeglądem ponad osiemdziesięciu rodzajów wizualizacji danych, od tych bardziej znanych po całkowicie niestandardowe.

Zanim jednak przejdziemy do przykładowych grafik, zajmiemy się bardziej naukowymi kwestiami związanymi z przetwarzaniem informacji wizualnych oraz przedstawimy najlepsze praktyki i podejścia, które można stosować w stosunku do wizualizacji danych.1
PRZETWARZANIE WZROKOWE I RANKING PERCEPCYJNY

Zanim zaczniemy tworzyć własne wykresy i grafy, musimy omówić podstawowe kwestie teoretyczne dotyczące tego, jak mózg postrzega bodźce wzrokowe. Pomoże Ci to w podjęciu decyzji, jaki typ wykresu będzie najbardziej odpowiedni do wizualizacji Twoich danych.

Kiedy zastanawiamy się, jak zwizualizować nasze dane, musimy zadać sobie pytanie, z jaką dokładnością odbiorca będzie w stanie dostrzec ich wartości. Czy niektóre wykresy lepiej wskazują na konkretną różnicę między, powiedzmy, 2 procent a 2,3 procent? Jeśli tak, w jaki sposób powinniśmy ukazać tę różnicę podczas tworzenia naszych wizualizacji?

Istnieje pewna grupa badaczy specjalizujących się w dziedzinie wizualizacji danych, która próbuje odpowiedzieć właśnie na to pytanie. Na podstawie oryginalnych badań przeprowadzonych w ciągu ostatnich czterdziestu lat rysunek na następnej stronie przedstawia spektrum wykresów – lub bardziej ogólnie: rodzaje kodowania danych, takie jak kropki, linie i słupki – uporządkowanych według tego, jak łatwe będzie dla odbiorcy określenie ich wartości. Sposoby kodowania, które są najdokładniejsze, znajdują się na górze, a te, które umożliwiają bardziej ogólne szacunki, na dole.

Wyniki nie zaskakują. Łatwiej jest porównywać dane na wykresach liniowych, słupkowych i warstwowych, które mają tę samą oś lub linię bazową. Wykresy, na których dane są rozmieszczone na niewyrównanych osiach – pomyślmy o parze słupków przesuniętych względem siebie na różnych osiach – są dla nas nieco trudniejsze do odczytania.

Dalej na osi pionowej znajdują się kodowania operujące różnymi kątami, figurami przestrzennymi, wielkościami i kolorami. Intuicyjnie wiesz, że znacznie łatwiej jest rozpoznać dokładne wartości danych i różnice między wartościami, odczytując wykres słupkowy, niż patrząc na mapę, na której kraje zostały oznaczone jedynie różnymi kolorami.

Diagram ukazujący ranking percepcyjny. To, jaki rodzaj wizualizacji danych wybierzesz, będzie zależeć od Twoich upodobań oraz potrzeb, doświadczeń i wiedzy. Dane opierają się na badaniach Alberta Cairo (2016), Clevelanda i McGilla (1984), Heera, Bostocka i Ogievetskiego (2010) i innych.

Wykresy standardowe, takie jak wykresy słupkowe i liniowe, stały się tak powszechne, ponieważ są percepcyjnie dokładniejsze, znane odbiorcom i łatwe do utworzenia. Niestandardowe wykresy – na przykład te, które wykorzystują okręgi lub krzywe – mogą nie pozwalać odbiorcy na najdokładniejsze odczytanie wartości przedstawionych danych.

Jednak dokładność percepcji nie zawsze jest naszym celem.

Czasami równie ważne jest zachęcanie odbiorców do interakcji z wykresem. Niejednokrotnie jest to nawet ważniejsze niż dokładność danych. Niestandardowe typy wykresów są tutaj bardzo pożądane. W niektórych przypadkach niestandardowe wykresy mogą lepiej obrazować wzorce i trendy niż wykresy standardowe. W innych przypadkach fakt, że te niestandardowe wykresy są inne, może sprawić, że będą bardziej intrygujące, co czasami może być konieczne, aby najpierw zwrócić uwagę na wizualizację.

Poniższa grafika autorstwa projektantki informacji Federiki Fragapane przedstawia pięćdziesiąt najbardziej niebezpiecznych miast na świecie w 2017 roku. Oś pionowa mierzy populację każdego miasta, a oś pozioma przedstawia wskaźnik zabójstw na 100 tysięcy osób. Liczba linii na każdej ikonie reprezentuje liczbę zabójstw, a dodatkowe kolory, kształty i znaczniki przedstawiają takie dane jak kraj pochodzenia (symbol pośrodku każdej ikony), region (pionowa linia przerywana) i zmiany w porównaniu do 2016 roku (niebieski dla spadków, czerwony dla wzrostów). Można by przedstawić te dane równie dobrze w formie wykresu słupkowego, liniowego etc. Ale gdyby tak zrobiono, czy byłbyś skłonny powiększyć obraz, przeczytać go uważnie i przyjrzeć się mu?

Wizualizacja danych to połączenie nauki i sztuki. Czasami chcemy być bliżej naukowej strony spektrum – innymi słowy zastosować wizualizacje, które pozwalają odbiorcom dokładniej dostrzec wartości bezwzględne danych i dokonać porównań. Innym razem możemy chcieć zbliżyć się do artystycznej strony spektrum i stworzyć elementy wizualne, które angażują i ekscytują odbiorcę, nawet jeśli nie pozwalają na dokładniejsze porównania.

Czasami musisz sprawić, by Twoje wizualizacje były interesujące i wciągające, nawet kosztem absolutnej dokładności percepcyjnej. Odbiorcy mogą nie być tak zainteresowani tematem, jak oczekujemy, lub mogą nie mieć wystarczającej wiedzy, aby od razu zrozumieć przekazywaną im treść. Jednak naszym zadaniem – jako twórców treści – jest zachęcanie ludzi do czytania i korzystania z wykresu, nawet jeśli „naruszymy” zasady percepcyjne, o których wiemy, że utrudnią czyjąś zdolność do wyciągania najdokładniejszych wniosków. Myślenie o różnych typach odbiorców nie polega jedynie na wybieraniu spośród decydentów, naukowców czy ogółu społeczeństwa – ale także na zwracaniu uwagi na różne poziomy zainteresowania lub zaangażowania samym obrazem. Jak pisze historyk Cecelia Watson w książce o historii i użyciu średnika: „A co by było, gdybyśmy mniej myśleli o zasadach, a więcej o komunikacji, gdybyśmy uznali za swój obowiązek wobec siebie nawzajem próbę zrozumienia, co tak naprawdę druga osoba próbuje przekazać?”.

Grafika autorstwa Federiki Fragapane dla „La Lettura – Corriere della sera” przedstawiająca pięćdziesiąt najbardziej niebezpiecznych miast na świecie. Na następnej stronie można bliżej przyjrzeć się legendzie.

Legenda grafiki Federiki Fragapane w powiększeniu. Zwróć uwagę na wszystkie szczegóły i elementy danych zawarte w każdej ikonie. Można byłoby ująć je w wykresie słupkowym lub liniowym, ale czy wtedy byłbyś skłonny powiększyć go i uważnie przeczytać?

Nie powinniśmy zakładać, że odbiorcy zwrócą uwagę na wszystko, co przedstawiamy w naszej grafice, nawet jeśli użyjemy dobrze znanego, popularnego typu wykresu. Bądźmy szczerzy: ludzie cały czas mają do czynienia z wykresami słupkowymi, liniowymi i kołowymi, a te często są po prostu nudne, innymi słowy – niezapadające w pamięć. Różne kształty i nietypowe formy, które wykraczają poza granice naszego standardowego doświadczenia z wizualizacją danych, mogą okazać się bardziej pociągające. Czytanie wykresu to nie to samo, co przyglądanie się fotografii. Wiąże się ono z bardziej złożonymi procesami poznawczymi niż czytanie akapitu.

Nie oznacza to, że nie powinniśmy zajmować się percepcją wzrokową lub umożliwianiem naszym odbiorcom dokonywania najdokładniejszych porównań, ale cel, którym jest zaangażowanie, może okazać się najbardziej wartościowy. Elijah Meeks, inżynier wizualizacji danych, napisał: „Wykresy, jak każda inna forma komunikacji, muszą być atrakcyjne, aby były przekonujące, a jeśli Twój wykres słupkowy, choćby najbardziej optymalny, stał się po prostu jednym w morzu innych wykresów słupkowych na ekranie interesariusza, to Twoim obowiązkiem jest uczynić go bardziej przekonującym, nawet jeśli nie jest on bardziej precyzyjny ani dokładny niż jego prostsza forma”.

Wprowadzenie nowego lub innego typu wykresu może również sprawiać odbiorcy trudności. Nowości, takie jak zupełnie nowy typ wykresu lub wyjątkowo nietypowa reprezentacja danych, z pewnością będą traktowane jako utrudnienie odczytania danych. Trochę łatwiej będzie, gdy zastosujemy wykresy o niższej pozycji w skali dokładności percepcyjnej lub wykresy, z którymi odbiorcy mogli spotkać się już wcześniej. Aby pokonać te przeszkody, konieczne może być wyjaśnienie sposobu odczytywania wykresu. Ale nawet większy nakład pracy może być tego wart, ponieważ to właśnie wyróżniające się wykresy przyciągają uwagę odbiorców i wzbudzają ich ciekawość.

Powyższa grafika pochodząca z interaktywnej wizualizacji Organizacji Współpracy Gospodarczej i Rozwoju (Organisation for Economic Co-operation and Development, OECD) umożliwia użytkownikom poznanie różnych wskaźników i definicji tego, co oznacza „lepsze życie”. Bardziej standardowy typ wykresu, np. wykres słupkowy, mógłby ułatwić porównania, ale czy byłby równie atrakcyjny?

Źródło: Organizacja Współpracy Gospodarczej i Rozwoju.

Kiedy warto zastosować niestandardowy wykres? Prawdopodobnie nie będą to wykresy przeznaczone do celów naukowych, ponieważ nie umożliwiają one dokładnej analizy danych. W kwestiach związanych z nauką dokładność jest najważniejsza. Zależy nam, aby nasz odbiorca w sposób jasny i skuteczny był w stanie porównać prezentowane przez nas wartości. Jednak w innych przypadkach – tworząc nagłówki lub samodzielne grafiki, posty na blogu, krótkie sprawozdania lub raporty, a także wykresy dla mediów społecznościowych – próbując czegoś innego, można przyciągnąć wielu nowych odbiorców i utrzymać ich uwagę na tyle długo, aby przekazać pożądane argumenty, dane lub treść.

Poniższa wizualizacja autorstwa artysty i dziennikarza Jaime’a Serry Palou jest najlepszym przykładem tego rodzaju niestandardowej i kreatywnej wizualizacji danych. Korzystając z plam po filiżankach z kawą, sporządził wykres swojego dziennego spożycia kawy w ciągu roku. Od razu wyklarowało się, które pory roku wymagały dodatkowego zastrzyku kofeiny. Tak, wykres liniowy może przekazywać te same dane, ale czy poświęciłbyś dodatkową chwilę na jego przeczytanie?

Czasami możesz połączyć te dwie kwestie – niestandardową, przyciągającą uwagę grafikę, obok której znajduje się bardziej klasyczny wykres. To, co i jak zaprezentujesz, zależy od odbiorców. Grafika Serry może posłużyć jako główna grafika w książce lub raporcie na temat spożycia kawy, a bardziej szczegółowe wykresy w środku mogą mieć formę standardowych wykresów i tabel. Niektóre badania akademickie wykazały, że tworzenie nowatorskich wykresów, na przykład umożliwiających użytkownikowi personalizację treści (poprzez wprowadzenie własnych informacji) lub po prostu bardziej estetycznych, zachęca odbiorców do aktywnego przetwarzania treści.

Artysta i dziennikarz Jaime Serra Palou sporządził wykres swojego codziennego spożycia kawy przez rok, wykorzystując plamy z filiżanki.

KWARTET ANSCOMBE’A

Wartość wizualizacji danych najlepiej ilustruje kwartet Anscombe’a, opublikowany w 1973 roku przez statystyka Francisa Anscombe’a. Kwartet pokazuje, jaką siłę mają wykresy i to, jak wraz z obliczeniami statystycznymi mogą lepiej przekazywać nasze dane.

Przeanalizuj poniższą tabelę, która pokazuje cztery pary danych, X i Y.

Dokonajmy wstępnej analizy danych. Widzimy, że pierwsze trzy serie X są takie same; wszystkie wartości X w ostatniej serii wynoszą 8 z wyjątkiem jednego 19; i wszystkie X są liczbami całkowitymi, podczas gdy Y nie. Możemy nawet zauważyć, że wartość 12,7 w trzeciej kolumnie Y jest większa niż w pozostałych. Z mojego doświadczenia wynika, że większość ludzi nie analizuje korelacji między różnymi seriami, co ostatecznie chcemy zrozumieć. Okazuje się, że każda z czterech par ukazuje tę samą standardową informację: te same średnie wartości serii X i serii Y; ta sama wariancja dla każdego; ta sama korelacja między X i Y; i to samo równanie regresji liniowej.

Kiedy jednak zobaczymy te same dane przedstawione na czterech wykresach, od razu możemy zobaczyć te zależności, na przykład dodatnią korelację we wszystkich czterech parach, krzywiznę w drugiej parze, której nie widać w tabeli, oraz wartości odstające 12,7 i 19,0.

Przykład ten, znany jako kwartet Anscombe’a, pokazuje, jak trudno jest nam zauważyć podstawowe wzorce i podsumowujące statystyki.

Źródło: Francis Anscombe.

O wiele łatwiej zapamiętamy te cztery małe wykresy niż oryginalną tabelę. W bestsellerowej książce Brain Rules biolog molekularny John Medina pisze: „Im bardziej wizualny staje się przekaz, tym większe prawdopodobieństwo, że zostanie rozpoznany i zapamiętany”. Im bardziej nasze dane i treści staną się wizualne, tym większa szansa, że nasi odbiorcy je zapamiętają i, miejmy nadzieję, wykorzystają je.

Przykłady wizualizacji danych kwartetu Anscombe’a. Zwróć uwagę, o ile łatwiej jest dostrzec bliski związek między dwiema zmiennymi, krzywizną wzoru na wykresie w prawym górnym rogu i wartościami odstającymi na dwóch dolnych wykresach.

Źródło: Francis Anscombe (1973).

ZASADY GESTALT PERCEPCJI WIZUALNEJ

Jak postrzegamy informację? I w jaki sposób, jako twórcy wykresów, możemy wykorzystać te zasady rządzące percepcją, aby skuteczniej przekazywać nasze dane? Teoria Gestalt to jedna z metod, którą możemy wykorzystać podczas przewidywania odbioru naszych wykresów. Została opracowana na początku XX wieku przez niemieckich psychologów i odnosi się do tego, że mamy tendencję do organizowania elementów wizualnych w grupy. Dalszy rozwój w tej dziedzinie został przerwany przez powstanie reżimu nazistowskiego w Niemczech, a następnie II wojnę światową, po wojnie zaś krytykowano go za brak rygorystycznej metodologii. Jednak idee znajdują odzwierciedlenie w wielu dyscyplinach, w tym w teorii informacji, naukach o wzroku i neuronauce poznawczej.

Poniższych sześć zasad organizacyjnych z teorii Gestalt jest szczególnie przydatnych do tworzenia wykresów i wizualizacji, które wykorzystują sieć przetwarzania wizualnego naszego odbiorcy.

BLISKOŚĆ

Obiekty znajdujące się blisko siebie postrzegamy jako należące do grupy. Istnieje wiele elementów graficznych, które możemy pogrupować: znaczniki z punktami, słupki między sobą lub, jak na tym wykresie, wiele punktów skupionych blisko siebie na wykresie, na którym możemy zobaczyć dwie grupy lub skupienia, jedno w prawym górnym rogu i drugie bliżej lewego dolnego rogu.

PODOBIEŃSTWO

Nasze mózgi grupują obiekty, które mają ten sam kolor, kształt lub kierunek. Dodanie koloru do powyższego wykresu punktowego wzmacnia obie grupy.

ROZGRANICZENIE

Odseparowane od siebie obiekty są postrzegane jako grupa. Tutaj oprócz użycia koloru możemy obydwie grupy zamknąć okręgami lub innymi kształtami.

UZUPEŁNIANIE

Nasze mózgi mają tendencję do ignorowania luk i uzupełniania ich własnymi wyobrażeniami. W podstawowej formie nie mamy problemu z postrzeganiem prostego wykresu, który ma oś poziomą i oś pionową, jako pojedynczego obiektu, ponieważ te dwie linie wystarczą nam do zdefiniowania zamkniętej przestrzeni. Niemniej jednak na wykresie liniowym z brakującymi danymi mamy tendencję do mentalnego uzupełniania luki w możliwie najbardziej bezpośredni sposób, nawet jeśli w tym brakującym obszarze może dziać się coś innego. Na przykład na wykresie liniowym po lewej stronie w myślach zamykamy lukę między dwoma segmentami linią prostą, nawet jeśli brakujące dane mogą dać wzór poruszający się w górę, a następnie w dół.

CIĄGŁOŚĆ

Poniżej obiekty, które są ze sobą połączone lub stanowią kontynuację, są postrzegane jako grupa. Dlatego nasze oczy, podążając za sekwencją kształtów, szukają łagodnej ścieżki. Na przykład nie potrzebujesz poziomej linii osi na wykresie słupkowym, ponieważ słupki są ułożone wzdłuż spójnej ścieżki między znacznikami a dołami słupków.

POŁĄCZENIA

Zgodnie z tą zasadą połączone obiekty postrzegamy jako członków tej samej grupy. Weźmy tę serię kropek: na początku postrzegamy ją jako pojedynczą serię, masę niebieskich kropek. Dodanie koloru wyraźnie pokazuje, że istnieją dwie różne serie. Połączenie kropek wyjaśnia, w jaki sposób te dwie serie początkowo podobnych wartości potem się rozchodzą.

PRZETWARZANIE WSTĘPNE

Koncepcja „przetwarzania wstępnego” jest podzbiorem teorii Gestalt i jest to proces wizualny, który najczęściej biorę pod uwagę podczas tworzenia wizualizacji danych. Jak właśnie pokazaliśmy, ponieważ nasze oczy potrafią wykryć ograniczony zestaw cech wizualnych, łączymy różne cechy przedmiotu i nieświadomie postrzegamy je jako pojedynczy obraz. Innymi słowy, konkretne cechy przeważnie zwracają naszą uwagę na konkretną część obrazu lub, w naszym przypadku, na wykres.

Spróbuj teraz znaleźć cztery największe liczby w tej tabeli.

Ciężkie zadanie, prawda? Teraz wypróbuj wersję, która wykorzystuje kolor (po lewej) i nasycenie (po prawej).

Cechy inicjujące przetwarzanie wstępne natychmiast kierują naszą uwagę na konkretne liczby.

Liczby w tych dwóch tabelach są lepiej widoczne niż w pierwszej, ponieważ są kodowane przy użyciu cech inicjujących przetwarzanie wstępne: koloru i wagi. Każde rozróżnienie pomaga nam bez wysiłku zidentyfikować numer klucza.

Przykłady cech inicjujących przetwarzanie wstępne, które możemy wykorzystać w naszych wizualizacjach, aby skierować uwagę naszych odbiorców na dane.

Cechy związane z przetwarzaniem wstępnym to takie, które wydają się znacznie wyróżniać w stosunku do ich otoczenia. Istnieje wiele metod, których możemy użyć, aby wykorzystać sieć przetwarzania wizualnego naszych odbiorców i przyciągnąć ich uwagę: polegać na różnych kształtach, szerokości linii, kolorze, położeniu, długości i innych aspektach.

Zjawisko przetwarzania wstępnego jest istotne również w przypadku zdjęć. Przeanalizuj poniższe obrazy owoców i warzyw. Na zdjęciu po lewej stronie wzrok przyciąga prawy górny róg. Niektóre pomidory są nieco większe od pozostałych i umieszczone dalej. Na zdjęciu po prawej stronie wzrok nie skupia się na żadnej konkretnej pozycji. To zdjęcie jest bardziej zrównoważone, więc żaden obiekt nie wyróżnia się na tle pozostałych.

Zwróć uwagę, jak twój wzrok kieruje się w stronę czterech pomidorów w prawej górnej części obrazu po lewej stronie. Obraz po prawej stronie jest zrównoważony, więc oko nie skupia się na żadnym konkretnym obszarze.

Zdjęcia: NordWood Themes (po lewej) i Tim Gouw (po prawej) pobrane z serwisu Unsplash.

Możemy zastosować te atrybuty do wizualizacji danych. Wykres liniowy wykorzystuje położenie punktów, natomiast wykres słupkowy wykorzystuje ich długość. Dzięki atrybutom przetwarzania wstępnego możesz zwrócić uwagę odbiorców na konkretne aspekty wykresów i skierować na nie ich uwagę.

Na przykład, w przypadku wykresu liniowego po lewej, mogę kontynuować go i wyróżnić dane dotyczące prognoz szarym tłem – zwróć uwagę, jak bardzo przyciąga on nasz wzrok. W podobny sposób mogę użyć innej kolorystyki, aby wyróżnić kilka punktów na wykresie rozrzutu po prawej stronie (i pozostawić pozostałe kropki w kolorze szarym).

DOPEŁNIENIE

Dzięki tym podstawowym zasadom dotyczącym percepcji jesteśmy teraz lepiej przygotowani do rozpoznawania i interpretowania cech wizualnych, których możemy użyć do kodowania i wyróżniania naszych danych. Zanim zaczniemy dodawać więcej wykresów do naszego zestawu narzędzi do wizualizacji danych, przedstawimy kilka podstawowych wskazówek dotyczących bardziej efektywnych wizualizacji danych – o czym należy pamiętać niezależnie od rodzaju tworzonego wykresu.

Zastosowanie prostych, lecz inicjujących przetwarzanie wstępne cech kieruje wzrok na obszar „Prognozy” wykresu po lewej stronie i na dwa wyróżnione kraje na wykresie po prawej stronie.