ഭയാനകമായ ഡാഷ്‌ബോർഡുകൾ ഉപയോഗിച്ച് തെറ്റായ വിവരങ്ങൾ പ്രചരിപ്പിക്കുന്നു

by ഓഗസ്റ്റ് 29, 29BI/Analytics0 അഭിപ്രായങ്ങൾ

ഭയാനകമായ ഡാഷ്‌ബോർഡുകൾ ഉപയോഗിച്ച് നിങ്ങൾ എങ്ങനെയാണ് തെറ്റായ വിവരങ്ങൾ പ്രചരിപ്പിക്കുന്നത്

 

 

അക്കങ്ങൾ സ്വയം വായിക്കാൻ പ്രയാസമാണ്, അർഥവത്തായ അനുമാനങ്ങൾ വരയ്ക്കാൻ പോലും ബുദ്ധിമുട്ടാണ്. ഏതെങ്കിലും യഥാർത്ഥ ഡാറ്റ വിശകലനം നടത്താൻ വിവിധ ഗ്രാഫിക്സുകളുടെയും ചാർട്ടുകളുടെയും രൂപങ്ങളിൽ ഡാറ്റ ദൃശ്യവൽക്കരിക്കുന്നത് അനിവാര്യമാണ്. 

എന്നിരുന്നാലും, നിങ്ങൾ വിവിധ ഗ്രാഫുകൾ നോക്കാൻ എത്ര സമയം ചിലവഴിച്ചിട്ടുണ്ടെങ്കിൽ, നിങ്ങൾ ഒരു കാര്യം വളരെ മുമ്പുതന്നെ മനസ്സിലാക്കും - എല്ലാ ഡാറ്റാ ദൃശ്യവൽക്കരണങ്ങളും തുല്യമായി സൃഷ്ടിക്കപ്പെടുന്നില്ല.

വേഗത്തിലും എളുപ്പത്തിലും ദഹിക്കാവുന്ന രീതിയിൽ ഡാറ്റയെ പ്രതിനിധീകരിക്കുന്നതിന് ചാർട്ടുകൾ സൃഷ്ടിക്കുമ്പോൾ ആളുകൾ ചെയ്യുന്ന ഏറ്റവും സാധാരണമായ ചില തെറ്റുകളുടെ ദ്രുത ചുരുക്കമാണിത്.

മോശം മാപ്പുകൾ

തുടക്കത്തിൽ xkcd-യെ പിന്തുടരുമ്പോൾ, ഭയങ്കരവും ഉപയോഗശൂന്യവുമായ രീതിയിൽ ഒരു മാപ്പിൽ ഡാറ്റ ഉൾപ്പെടുത്തുന്നത് ശരിക്കും സാധാരണമാണ്. ഏറ്റവും വലുതും സാധാരണവുമായ കുറ്റവാളികളിൽ ഒരാളാണ് കോമിക്സിൽ കാണിച്ചിരിക്കുന്നത്. 

താൽപ്പര്യമില്ലാത്ത ജനസംഖ്യാ വിതരണങ്ങൾ

ഇക്കാലത്ത് ആളുകൾ നഗരങ്ങളിൽ താമസിക്കുന്ന പ്രവണത കാണിക്കുന്നു. 

നിങ്ങൾ നിരീക്ഷിക്കുന്ന പ്രതീക്ഷിക്കുന്ന വിതരണം യുഎസിലെ മൊത്തം ജനസംഖ്യയുടെ വിതരണവുമായി പൊരുത്തപ്പെടുന്നില്ലെങ്കിൽ മാത്രമേ ഒരു മാപ്പ് കാണിക്കാൻ നിങ്ങൾ വിഷമിക്കാവൂ.

ഉദാഹരണത്തിന്, നിങ്ങൾ ഫ്രീസുചെയ്‌ത ടാക്കോകൾ വിൽക്കുകയും നിങ്ങളുടെ വിൽപ്പനയുടെ പകുതിയിലേറെയും വെസ്റ്റ് വെർജീനിയയിലെ പലചരക്ക് കടകളിൽ നിന്നാണ് വരുന്നതെന്ന് കണ്ടെത്തുകയും ചെയ്താൽ, രാജ്യവ്യാപകമായി വിപണിയിൽ സാന്നിധ്യം ഉണ്ടായിരുന്നിട്ടും, അത് വളരെ ശ്രദ്ധേയമായിരിക്കും.

ഇത് സൂചിപ്പിക്കുന്ന ഒരു മാപ്പ് കാണിക്കുന്നതും ടാക്കോകൾ എവിടെയാണ് പ്രചാരമുള്ളത് എന്നതും ഉപയോഗപ്രദമായ വിവരങ്ങൾ നൽകും. 

സമാനമായ രീതിയിൽ, നിങ്ങൾ പൂർണ്ണമായും ഇംഗ്ലീഷിലുള്ള ഒരു ഉൽപ്പന്നം വിൽക്കുകയാണെങ്കിൽ, നിങ്ങളുടെ ഉപഭോക്താക്കളുടെ വിതരണം ലോകമെമ്പാടുമുള്ള ഇംഗ്ലീഷ് സംസാരിക്കുന്നവരുടെ വിതരണവുമായി പൊരുത്തപ്പെടുമെന്ന് നിങ്ങൾ പ്രതീക്ഷിക്കണം. 

മോശം ധാന്യ വലുപ്പം

ഭൂമിശാസ്ത്രപരമായി ഭൂമിയെ കഷ്ണങ്ങളാക്കി വിഭജിക്കാനുള്ള ഒരു മോശം മാർഗം തിരഞ്ഞെടുക്കുന്നതാണ് ഭൂപടത്തെ കുഴപ്പത്തിലാക്കാനുള്ള മറ്റൊരു മാർഗം. ശരിയായ ഏറ്റവും ചെറിയ യൂണിറ്റ് കണ്ടെത്തുന്നതിനുള്ള ഈ പ്രശ്നം BI-യിൽ ഉടനീളം സാധാരണമാണ്, ദൃശ്യവൽക്കരണങ്ങൾ ഒരു അപവാദമല്ല.

ഞാൻ എന്തിനെക്കുറിച്ചാണ് സംസാരിക്കുന്നതെന്ന് കൂടുതൽ വ്യക്തമാക്കുന്നതിന്, രണ്ട് വ്യത്യസ്ത ഇഫക്റ്റുകൾ ഉള്ള ഒരേ ധാന്യത്തിന്റെ രണ്ട് ഉദാഹരണങ്ങൾ നോക്കാം.

ആദ്യം, ഓരോ കൌണ്ടിയിലെയും ഏറ്റവും ഉയരം കൂടിയ പോയിന്റ് നിർവ്വചിച്ച കീയ്‌ക്കൊപ്പം മറ്റൊരു നിറത്തിൽ ഷേഡുചെയ്‌ത് ആരെങ്കിലും യുണൈറ്റഡ് സ്റ്റേറ്റ്‌സിന്റെ ടോപ്പോഗ്രാഫിക് മാപ്പ് നിർമ്മിക്കുന്നത് നോക്കാം. 

 

 

കിഴക്കൻ തീരത്ത് ഇത് ഒരു പരിധിവരെ ഫലപ്രദമാണെങ്കിലും, ഒരിക്കൽ നിങ്ങൾ റോക്കീസിന്റെ അരികിൽ എത്തിയാൽ, അത് ശരിക്കും ശബ്ദമാണ്.

(സങ്കീർണ്ണമായ ചരിത്രപരമായ കാരണങ്ങളാൽ) നിങ്ങൾ പടിഞ്ഞാറോട്ട് പോകുന്തോറും കൗണ്ടി വലുപ്പങ്ങൾ വലുതാകാൻ സാധ്യതയുള്ളതിനാൽ ഭൂമിശാസ്ത്രത്തിന്റെ നല്ല ചിത്രം നിങ്ങൾക്ക് ലഭിക്കുന്നില്ല. അവർ ഒരു കഥ പറയുന്നു, ഭൂമിശാസ്ത്രത്തിന് പ്രസക്തമായ ഒന്നല്ല. 

കൗണ്ടി പ്രകാരമുള്ള മതപരമായ ബന്ധത്തിന്റെ ഭൂപടവുമായി ഇത് താരതമ്യം ചെയ്യുക.

 

 

ഒരേ ധാന്യ വലുപ്പം ഉപയോഗിച്ചിട്ടും ഈ മാപ്പ് പൂർണ്ണമായും ഫലപ്രദമാണ്. യുണൈറ്റഡ് സ്‌റ്റേറ്റ്‌സിന്റെ പ്രദേശങ്ങളെ കുറിച്ചും, ഈ പ്രദേശങ്ങൾ എങ്ങനെ കാണപ്പെടാം, അവിടെ താമസിക്കുന്ന ആളുകൾ തങ്ങളെക്കുറിച്ചും രാജ്യത്തിന്റെ മറ്റ് ഭാഗങ്ങളെക്കുറിച്ചും എന്തു വിചാരിച്ചേക്കാം എന്നതിനെക്കുറിച്ചും വേഗത്തിലും കൃത്യവും അർത്ഥവത്തായതുമായ നിഗമനങ്ങൾ നടത്താൻ ഞങ്ങൾക്ക് കഴിയും.

ഒരു വിഷ്വൽ എയ്ഡ് എന്ന നിലയിൽ ഫലപ്രദമായ ഒരു മാപ്പ് നിർമ്മിക്കുന്നത്, ബുദ്ധിമുട്ടാണെങ്കിലും, വളരെ ഉപയോഗപ്രദവും വ്യക്തത നൽകുന്നതുമാണ്. നിങ്ങളുടെ മാപ്പ് എന്താണ് ആശയവിനിമയം നടത്താൻ ശ്രമിക്കുന്നത് എന്നതിനെക്കുറിച്ച് കുറച്ച് ചിന്തിക്കുന്നത് ഉറപ്പാക്കുക.

മോശം ബാർ ഗ്രാഫുകൾ

ഒരു മാപ്പിൽ അവതരിപ്പിച്ചിരിക്കുന്ന വിവരങ്ങളേക്കാൾ ബാർ ഗ്രാഫുകൾ പൊതുവെ സാധാരണമാണ്. അവ വായിക്കാൻ ലളിതവും സൃഷ്ടിക്കാൻ ലളിതവും പൊതുവെ ഭംഗിയുള്ളതുമാണ്.

അവ നിർമ്മിക്കാൻ എളുപ്പമാണെങ്കിലും, ചക്രം പുനർനിർമ്മിക്കാൻ ശ്രമിക്കുമ്പോൾ ആളുകൾക്ക് സംഭവിക്കാവുന്ന ചില സാധാരണ തെറ്റുകൾ ഉണ്ട്. 

തെറ്റിദ്ധരിപ്പിക്കുന്ന സ്കെയിലുകൾ

മോശം ബാർ ഗ്രാഫുകളുടെ ഏറ്റവും സാധാരണമായ ഉദാഹരണങ്ങളിൽ ഒന്ന്, ഇടത് അച്ചുതണ്ട് ഉപയോഗിച്ച് ആരെങ്കിലും എന്തെങ്കിലും ചെയ്യുമ്പോഴാണ്. 

ഇത് പ്രത്യേകിച്ച് വഞ്ചനാപരമായ ഒരു പ്രശ്നമാണ്, കൂടാതെ ബ്ലാങ്കറ്റ് മാർഗ്ഗനിർദ്ദേശങ്ങൾ നൽകാൻ പ്രയാസമാണ്. ഈ പ്രശ്നം ദഹിപ്പിക്കാൻ അൽപ്പം എളുപ്പമാക്കുന്നതിന്, നമുക്ക് ചില ഉദാഹരണങ്ങൾ ചർച്ച ചെയ്യാം. 

മൂന്ന് ഉൽപ്പന്നങ്ങൾ നിർമ്മിക്കുന്ന ഒരു കമ്പനിയെ നമുക്ക് സങ്കൽപ്പിക്കാം; ആൽഫ, ബീറ്റ, ഗാമ വിജറ്റുകൾ. പരസ്പരം താരതമ്യപ്പെടുത്തുമ്പോൾ അവർ എത്ര നന്നായി വിൽക്കുന്നുവെന്ന് അറിയാൻ എക്സിക്യൂട്ടീവിന് താൽപ്പര്യമുണ്ട്, കൂടാതെ ബിഐ ടീം അവർക്കായി ഒരു ഗ്രാഫ് വിപ്പ് ചെയ്യുന്നു. 

 

 

ഒറ്റനോട്ടത്തിൽ, ആൽഫ വിജറ്റുകൾ മത്സരത്തേക്കാൾ വളരെയേറെ വിറ്റഴിക്കപ്പെടുന്നു എന്ന ധാരണ എക്‌സിക്യൂട്ടീവിന് ലഭിക്കും, വാസ്തവത്തിൽ, അവർ ഗാമാ വിജറ്റുകളെ വെറും 20%-നേക്കാൾ കൂടുതലായി വിൽക്കുന്നു - ദൃശ്യവൽക്കരണത്തിൽ സൂചിപ്പിക്കുന്നത് പോലെ 500% അല്ല.

ഇത് വളരെ വ്യക്തമായും ഹീനമായ വക്രീകരണത്തിന്റെ ഒരു ഉദാഹരണമാണ് - അതോ അതാണോ? വാനില 0 - 50,000 അച്ചുതണ്ടിനെക്കാൾ ഈ കൃത്യമായ വക്രീകരണം കൂടുതൽ ഉപയോഗപ്രദമാകുന്ന ഒരു സാഹചര്യം നമുക്ക് സങ്കൽപ്പിക്കാമോ?

ഉദാഹരണത്തിന്, എക്സിക്യൂട്ടീവിന് വ്യത്യസ്തമായ എന്തെങ്കിലും അറിയാൻ താൽപ്പര്യമുണ്ടെന്നതൊഴിച്ചാൽ അതേ കമ്പനിയെ സങ്കൽപ്പിക്കുക.

ഈ സാഹചര്യത്തിൽ, ഓരോ വിജറ്റും കുറഞ്ഞത് 45,000 യൂണിറ്റുകൾ വിറ്റാൽ മാത്രമേ ലാഭമായി മാറുകയുള്ളൂ. ഓരോ ഉൽപ്പന്നവും പരസ്പരം താരതമ്യപ്പെടുത്തുമ്പോൾ എത്രത്തോളം നന്നായി പ്രവർത്തിക്കുന്നുവെന്നും ഈ നിലയുമായി ബന്ധപ്പെട്ട്, BI ടീം പ്രവർത്തിക്കുകയും ഇനിപ്പറയുന്ന ദൃശ്യവൽക്കരണം സമർപ്പിക്കുകയും ചെയ്യുന്നു. 

 

 

Tഹേയ് എല്ലാവരും, തികച്ചും പദത്തിൽ, പരസ്പരം 20% ജാലകത്തിനുള്ളിൽ, എന്നാൽ അവർ എല്ലാ പ്രധാനപ്പെട്ട 45,000 മാർക്കിന് എത്ര അടുത്താണ്? 

ഗാമാ വിജറ്റുകൾ അൽപ്പം കുറയുന്നതായി തോന്നുന്നു, പക്ഷേ ബീറ്റ വിജറ്റുകളാണോ? 45,000 ലൈൻ ലേബൽ പോലും ചെയ്തിട്ടില്ല.

ആ കീ അക്ഷത്തിന് ചുറ്റുമുള്ള ഗ്രാഫ് മാഗ്നിഫൈ ചെയ്യുന്നത്, ഈ സാഹചര്യത്തിൽ, വളരെ വിവരദായകമായിരിക്കും. 

ഇതുപോലുള്ള കേസുകൾ പുതപ്പ് ഉപദേശം നൽകുന്നത് വളരെ ബുദ്ധിമുട്ടാണ്. ജാഗ്രത പാലിക്കുന്നതാണ് നല്ലത്. അശ്രദ്ധമായി കൈവിട്ടുകൊണ്ട് y അക്ഷം വലിച്ചുനീട്ടുന്നതിനും ക്രോപ്പ് ചെയ്യുന്നതിനും മുമ്പ് ഓരോ സാഹചര്യവും ശ്രദ്ധാപൂർവ്വം വിശകലനം ചെയ്യുക. 

ഗിമ്മിക്ക് ബാറുകൾ

ബാർ ഗ്രാഫുകളുടെ വളരെ ഭയാനകവും ലളിതവുമായ ദുരുപയോഗം ആളുകൾ അവരുടെ ദൃശ്യവൽക്കരണത്തിലൂടെ വളരെ മനോഹരമാക്കാൻ ശ്രമിക്കുമ്പോഴാണ്. ഒരു വാനില ബാർ ചാർട്ട് അൽപ്പം വിരസമാകുമെന്നത് ശരിയാണ്, അതിനാൽ ആളുകൾ അത് മസാലയാക്കാൻ ശ്രമിക്കുമെന്ന് അർത്ഥമുണ്ട്.

ഭീമാകാരമായ ലാത്വിയൻ സ്ത്രീകളുടെ കുപ്രസിദ്ധമായ കേസാണ് അറിയപ്പെടുന്ന ഉദാഹരണം.

 

 

ചില തരത്തിൽ, മുമ്പത്തെ വിഭാഗത്തിൽ ചർച്ച ചെയ്ത ചില പ്രശ്നങ്ങൾക്ക് ഇത് പ്രസക്തമാണ്. ഗ്രാഫിന്റെ സ്രഷ്ടാവ് മുഴുവൻ y അക്ഷവും 0'0'' വരെ ഉൾപ്പെടുത്തിയിരുന്നെങ്കിൽ, ലാത്വിയൻ എന്ന ഭീമാകാരനെ അപേക്ഷിച്ച് ഇന്ത്യൻ സ്ത്രീകൾ പിക്‌സികളെപ്പോലെ കാണില്ല. 

തീർച്ചയായും, അവർ ബാറുകൾ ഉപയോഗിച്ചിരുന്നെങ്കിൽ, പ്രശ്നവും ഇല്ലാതാകും. അവ വിരസമാണ്, പക്ഷേ അവ ഫലപ്രദവുമാണ്.  

മോശം പൈ ചാർട്ടുകൾ

പൈ ചാർട്ടുകൾ മനുഷ്യരാശിയുടെ ശത്രുവാണ്. അവർ മിക്കവാറും എല്ലാ വിധത്തിലും ഭയങ്കരരാണ്. ഇത് രചയിതാവിന്റെ വികാരാധീനമായ അഭിപ്രായത്തെക്കാൾ കൂടുതലാണ്, ഇത് വസ്തുനിഷ്ഠവും ശാസ്ത്രീയവുമായ വസ്തുതയാണ്.

പൈ ചാർട്ടുകൾ ശരിയാക്കാൻ ഉള്ളതിനേക്കാൾ കൂടുതൽ വഴികളുണ്ട്. അവർക്ക് വളരെ ഇടുങ്ങിയ പ്രയോഗങ്ങളുണ്ട്, അവയിൽ പോലും, അവ ജോലിക്കുള്ള ഏറ്റവും ഫലപ്രദമായ ഉപകരണമാണോ എന്നത് സംശയാസ്പദമാണ്. 

പറഞ്ഞുവരുന്നത്, ഏറ്റവും ഗുരുതരമായ തെറ്റിദ്ധാരണകളെക്കുറിച്ച് നമുക്ക് സംസാരിക്കാം.

തിരക്കേറിയ ചാർട്ടുകൾ

ഈ തെറ്റ് വളരെ സാധാരണമല്ല, പക്ഷേ അത് വരുമ്പോൾ അത് വളരെ അരോചകമാണ്. പൈ ചാർട്ടുകളിലെ അടിസ്ഥാന പ്രശ്‌നങ്ങളിലൊന്നും ഇത് പ്രകടമാക്കുന്നു.

ഇനിപ്പറയുന്ന ഉദാഹരണം നോക്കാം, എഴുതിയ ഇംഗ്ലീഷിൽ അക്ഷരങ്ങളുടെ ആവൃത്തിയുടെ വിതരണം കാണിക്കുന്ന ഒരു പൈ ചാർട്ട്. 

 

 

ഈ ചാർട്ട് നോക്കുമ്പോൾ, ഞാൻ R നേക്കാൾ സാധാരണമാണെന്ന് നിങ്ങൾക്ക് ആത്മവിശ്വാസത്തോടെ പറയാൻ കഴിയുമെന്ന് നിങ്ങൾ കരുതുന്നുണ്ടോ? അതോ ഒ? ചില സ്ലൈസുകൾ അവയിൽ ഒരു ലേബൽ ഒട്ടിക്കാൻ പോലും കഴിയാത്തത്ര ചെറുതാണെന്ന് ഇത് അവഗണിക്കുകയാണ്. 

മനോഹരമായ, ലളിതമായ ഒരു ബാർ ചാർട്ടുമായി ഇതിനെ താരതമ്യം ചെയ്യാം. 

 

 

കവിത!

മറ്റെല്ലാ അക്ഷരങ്ങളുമായി ബന്ധപ്പെട്ട് നിങ്ങൾക്ക് ഓരോ അക്ഷരവും ഉടനടി കാണാൻ കഴിയുമെന്ന് മാത്രമല്ല, അവയുടെ ആവൃത്തികളെക്കുറിച്ചുള്ള കൃത്യമായ അവബോധവും യഥാർത്ഥ ശതമാനങ്ങൾ പ്രദർശിപ്പിക്കുന്ന എളുപ്പത്തിൽ ദൃശ്യമാകുന്ന അക്ഷവും നിങ്ങൾക്ക് ലഭിക്കും.

ആ മുൻ ചാർട്ട്? പരിഹരിക്കാനാകാത്തത്. വളരെയധികം വേരിയബിളുകൾ ഉണ്ട്. 

3D ചാർട്ടുകൾ

പൈ ചാർട്ടുകളുടെ മറ്റൊരു മോശമായ ദുരുപയോഗം, ആളുകൾ അവ 3D-യിൽ നിർമ്മിക്കുകയും പലപ്പോഴും അവയെ അവിശുദ്ധ കോണുകളിൽ ചായിക്കുകയും ചെയ്യുന്നു എന്നതാണ്. 

ഒരു ഉദാഹരണം നോക്കാം.

 

 

ഒറ്റനോട്ടത്തിൽ, നീല "EUL-NGL" ചുവപ്പ് "S&D" പോലെ കാണപ്പെടുന്നു, പക്ഷേ അങ്ങനെയല്ല. ചരിവ് മാനസികമായി ശരിയാക്കുകയാണെങ്കിൽ, വ്യത്യാസം തോന്നുന്നതിനേക്കാൾ വളരെ വലുതാണ്.

ഇത്തരത്തിലുള്ള 3D ഗ്രാഫ് പ്രവർത്തിക്കുന്ന സ്വീകാര്യമായ സാഹചര്യമൊന്നുമില്ല, അത് ആപേക്ഷിക സ്കെയിലുകളെ കുറിച്ച് വായനക്കാരനെ തെറ്റിദ്ധരിപ്പിക്കാൻ മാത്രമാണ്. 

ഫ്ലാറ്റ് പൈ ചാർട്ടുകൾ നന്നായി കാണപ്പെടുന്നു. 

മോശം വർണ്ണ തിരഞ്ഞെടുപ്പുകൾ

പരിഗണിക്കാത്ത വർണ്ണ സ്കീമുകൾ തിരഞ്ഞെടുക്കുന്നതാണ് ആളുകൾ ചെയ്യുന്ന അവസാന തെറ്റ്. മറ്റുള്ളവരുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഇത് ഒരു ചെറിയ പോയിന്റാണ്, എന്നാൽ ഇത് ആളുകൾക്ക് വലിയ മാറ്റമുണ്ടാക്കും. 

ഇനിപ്പറയുന്ന ചാർട്ട് പരിഗണിക്കുക. 

 

 

സാധ്യത, ഇത് നിങ്ങൾക്ക് നന്നായി തോന്നുന്നു. എല്ലാം വ്യക്തമായി ലേബൽ ചെയ്‌തിരിക്കുന്നു, വലുപ്പങ്ങൾക്ക് മതിയായ പൊരുത്തക്കേടുകൾ ഉണ്ട്, പരസ്പരം താരതമ്യം ചെയ്യുമ്പോൾ വിൽപ്പന എങ്ങനെയെന്ന് കാണാൻ എളുപ്പമാണ്.

എന്നിരുന്നാലും, നിങ്ങൾ വർണ്ണാന്ധത അനുഭവിക്കുന്നുണ്ടെങ്കിൽ, ഇത് വളരെ അരോചകമാണ്. 

ഒരു പൊതു നിയമമെന്ന നിലയിൽ, ചുവപ്പും പച്ചയും ഒരേ ഗ്രാഫിൽ, പ്രത്യേകിച്ച് പരസ്പരം ചേർന്ന് ഉപയോഗിക്കരുത്. 

മറ്റ് വർണ്ണ സ്കീം പിശകുകൾ എല്ലാവർക്കും വ്യക്തമായിരിക്കണം, അതായത് 6 വ്യത്യസ്ത നേരിയ ഷേഡുകൾ അല്ലെങ്കിൽ ചുവപ്പ് തിരഞ്ഞെടുക്കുക.

ടീനേജ്സ്

ഡാറ്റാ വിഷ്വലൈസേഷനുകൾ സൃഷ്ടിക്കാൻ നിരവധി മാർഗങ്ങളുണ്ട്, അത് ഭയങ്കരവും ആളുകൾക്ക് ഡാറ്റ എത്ര നന്നായി മനസ്സിലാക്കാൻ കഴിയും എന്നതിനെ തടസ്സപ്പെടുത്തുന്നു. അൽപ്പം ശ്രദ്ധിച്ചാൽ അതെല്ലാം ഒഴിവാക്കാം.

മറ്റൊരാൾ ഗ്രാഫ് എങ്ങനെ കാണുമെന്ന് പരിഗണിക്കേണ്ടത് പ്രധാനമാണ്, ഡാറ്റയുമായി അടുത്ത പരിചയമില്ലാത്ത ഒരാൾ. ഡാറ്റ നോക്കുന്നതിന്റെ ലക്ഷ്യം എന്താണെന്നും ആളുകളെ തെറ്റിദ്ധരിപ്പിക്കാതെ ആ ഭാഗങ്ങൾ എങ്ങനെ ഹൈലൈറ്റ് ചെയ്യാമെന്നും നിങ്ങൾക്ക് ആഴത്തിലുള്ള ധാരണ ഉണ്ടായിരിക്കണം. 

 

BI/Analytics
AI: പണ്ടോറസ് ബോക്സ് അല്ലെങ്കിൽ ഇന്നൊവേഷൻ

AI: പണ്ടോറസ് ബോക്സ് അല്ലെങ്കിൽ ഇന്നൊവേഷൻ

AI: Pandora's Box അല്ലെങ്കിൽ ഇന്നൊവേഷൻ AI ഉന്നയിക്കുന്ന പുതിയ ചോദ്യങ്ങളും നവീകരണത്തിന്റെ നേട്ടങ്ങളും തമ്മിലുള്ള സന്തുലിതാവസ്ഥ കണ്ടെത്തൽ AI, ബൗദ്ധിക സ്വത്തവകാശം എന്നിവയുമായി ബന്ധപ്പെട്ട് രണ്ട് വലിയ പ്രശ്‌നങ്ങളുണ്ട്. ഒന്ന് അതിന്റെ ഉള്ളടക്കത്തിന്റെ ഉപയോഗമാണ്. ഉപയോക്താവ് ഉള്ളടക്കം നൽകുന്നത് ഒരു...

കൂടുതല് വായിക്കുക

BI/Analytics
ജീവിതത്തിന്റെ ഗാമിഫിക്കേഷൻ

ജീവിതത്തിന്റെ ഗാമിഫിക്കേഷൻ

ജീവിതത്തിന്റെ ഗാമിഫിക്കേഷൻ ഡാറ്റ സാക്ഷരത മെച്ചപ്പെടുത്താനും മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ ഓർഗനൈസേഷനുകളെ സഹായിക്കാനും ഇതിന് കഴിയുമോ? ഞാനൊരു കബ് സ്കൗട്ടായിരുന്നു. ഫ്രെഡ് ഹഡ്‌സന്റെ അമ്മയായിരുന്നു അമ്മ. ഞങ്ങളുടെ അടുത്ത സാഹസികതയെക്കുറിച്ച് അറിയാൻ ഞങ്ങൾ ഫ്രെഡിന്റെ ബേസ്‌മെന്റിൽ തറയിൽ കാലുകൾ കയറ്റി ഇരിക്കും. സാഹസികത...

കൂടുതല് വായിക്കുക

BI/Analytics
NCAA ബാസ്കറ്റ്ബോൾ ഡാറ്റ ബയസ്
Swish അല്ലെങ്കിൽ Miss: NCAA ബാസ്കറ്റ്ബോൾ പ്രവചനങ്ങളിൽ ഡാറ്റാ ബയസിന്റെ പങ്ക്

Swish അല്ലെങ്കിൽ Miss: NCAA ബാസ്കറ്റ്ബോൾ പ്രവചനങ്ങളിൽ ഡാറ്റാ ബയസിന്റെ പങ്ക്

Swish അല്ലെങ്കിൽ Miss: NCAA ബാസ്‌ക്കറ്റ്‌ബോൾ പ്രവചനങ്ങളിലെ ഡാറ്റാ ബയസിന്റെ പങ്ക് 2023 കോളേജ് ബാസ്‌ക്കറ്റ്‌ബോൾ സീസണിൽ രണ്ട് അപ്രതീക്ഷിത ചാമ്പ്യന്മാരായി, LSU വനിതാ, യുകോൺ പുരുഷ ടീമുകൾ യഥാക്രമം ഡാളസിലും ഹൂസ്റ്റണിലും ട്രോഫികൾ ഉയർത്തി. ഞാൻ അപ്രതീക്ഷിതമായി പറയുന്നു, കാരണം...

കൂടുതല് വായിക്കുക

BI/Analytics
ഒരു ബോക്സിൽ രണ്ട് - കോൺഫിഗറേഷൻ മാനേജ്മെന്റ്

ഒരു ബോക്സിൽ രണ്ട് - കോൺഫിഗറേഷൻ മാനേജ്മെന്റ്

ഒരു ബോക്സിൽ രണ്ട് (നിങ്ങൾക്ക് കഴിയുമെങ്കിൽ), ഡോക്യുമെന്റേഷനിലുള്ള എല്ലാവരും (എല്ലായ്പ്പോഴും). ഒരു ഐടി സന്ദർഭത്തിൽ, "രണ്ട് ഇൻ എ ബോക്‌സ്" എന്നത് രണ്ട് സെർവറുകളെയോ ഘടകങ്ങളെയോ സൂചിപ്പിക്കുന്നു, അവ ആവർത്തനവും വർദ്ധിച്ച വിശ്വാസ്യതയും നൽകുന്നതിന് ഒരുമിച്ച് പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നു. ഒരു ഘടകം...

കൂടുതല് വായിക്കുക

മേഘം
എന്താണ് ക്ലൗഡിന്റെ പിന്നിൽ
ക്ലൗഡിന് പിന്നിൽ എന്താണ്, എന്തുകൊണ്ട് ഇത് പ്രധാനമാണ്?

ക്ലൗഡിന് പിന്നിൽ എന്താണ്, എന്തുകൊണ്ട് ഇത് പ്രധാനമാണ്?

ക്ലൗഡിന് പിന്നിൽ എന്താണ്, എന്തുകൊണ്ട് അത് പ്രധാനമാണ്? ലോകമെമ്പാടുമുള്ള സാങ്കേതിക ഇടങ്ങൾക്കായുള്ള ഏറ്റവും ആഴത്തിലുള്ള പരിണാമ മുന്നേറ്റങ്ങളിലൊന്നാണ് ക്ലൗഡ് കമ്പ്യൂട്ടിംഗ്. മറ്റ് കാര്യങ്ങളിൽ, ഉൽപ്പാദനക്ഷമതയുടെയും കാര്യക്ഷമതയുടെയും പുതിയ തലങ്ങളിൽ എത്താൻ ഇത് സ്ഥാപനങ്ങളെ അനുവദിക്കുന്നു, കൂടാതെ പുതിയ ജന്മം നൽകി...

കൂടുതല് വായിക്കുക

BI/Analytics മേഘം
ക്ലൗഡിന്റെ 5 മറഞ്ഞിരിക്കുന്ന ചെലവുകൾ
ക്ലൗഡിന്റെ 5 മറഞ്ഞിരിക്കുന്ന ചെലവുകൾ

ക്ലൗഡിന്റെ 5 മറഞ്ഞിരിക്കുന്ന ചെലവുകൾ

ഓർഗനൈസേഷനുകൾ അവരുടെ ഓർഗനൈസേഷനായി ക്ലൗഡ് സേവനങ്ങളുടെ ഒരു പുതിയ നിർവ്വഹണവുമായി ബന്ധപ്പെട്ട ചെലവുകൾ ബജറ്റ് ചെയ്യുമ്പോൾ, ക്ലൗഡിലെ ഡാറ്റയുടെയും സേവനങ്ങളുടെയും സജ്ജീകരണവും പരിപാലനവുമായി ബന്ധപ്പെട്ട മറഞ്ഞിരിക്കുന്ന ചെലവുകൾ കൃത്യമായി കണക്കാക്കുന്നതിൽ അവർ പലപ്പോഴും പരാജയപ്പെടുന്നു. അറിവ്...

കൂടുതല് വായിക്കുക