तुम्ही भयानक डॅशबोर्डसह चुकीची माहिती कशी पसरवता

संख्या स्वतःच वाचणे कठीण आहे आणि त्यातून अर्थपूर्ण निष्कर्ष काढणे कठीण आहे. कोणत्याही वास्तविक डेटा विश्लेषणासाठी विविध ग्राफिक्स आणि चार्ट्सच्या स्वरूपात डेटाचे व्हिज्युअलायझेशन करणे आवश्यक असते. 

तथापि, जर तुम्ही विविध आलेख पाहण्यात बराच वेळ घालवला असेल, तर तुम्हाला एक गोष्ट फार पूर्वीच लक्षात आली असेल – सर्व डेटा व्हिज्युअलायझेशन समान तयार केले जात नाहीत.

जलद आणि सहज पचण्याजोगे डेटाचे प्रतिनिधित्व करण्यासाठी तक्ते तयार करताना लोक करत असलेल्या काही सर्वात सामान्य चुकांचे हे एक द्रुत रनडाउन असेल.

खराब नकाशे

सुरुवातीला xkcd चा पाठपुरावा केल्यावर, नकाशावर डेटा भयंकर आणि निरुपयोगी अशा प्रकारे दिसणे खरोखर सामान्य आहे. कॉमिकमध्ये दर्शविलेले सर्वात मोठे आणि सर्वात सामान्य गुन्हेगार आहे. 

रसहीन लोकसंख्या वितरण

हे दिसून येते की, लोक या दिवसात शहरांमध्ये राहण्यास प्रवृत्त आहेत. 

तुम्ही पहात असलेले अपेक्षित वितरण यूएस मधील एकूण लोकसंख्येच्या वितरणाशी जुळत नसेल तरच तुम्ही नकाशा दाखवण्याचा त्रास घ्यावा.

उदाहरणार्थ, जर तुम्ही गोठवलेल्या टॅकोची विक्री करत असाल आणि तुमच्या अर्ध्याहून अधिक विक्री वेस्ट व्हर्जिनियामधील किराणा दुकानातून देशभरात बाजारपेठेत असूनही ते येत असल्याचे आढळले तर ते खूपच उल्लेखनीय ठरेल.

हे दर्शविणारा नकाशा दाखवणे, तसेच टॅको कुठे लोकप्रिय आहेत, उपयुक्त माहिती प्रदान करू शकते. 

त्याचप्रकारे, तुम्ही संपूर्णपणे इंग्रजीमध्ये असलेले उत्पादन विकल्यास, तुम्ही तुमच्या ग्राहकांचे वितरण जगभरातील इंग्रजी भाषिकांच्या वितरणाशी संरेखित होण्याची अपेक्षा केली पाहिजे. 

खराब धान्य आकार

नकाशामध्ये गोंधळ घालण्याचा आणखी एक मार्ग म्हणजे भौगोलिकदृष्ट्या जमिनीचे तुकडे करण्याचा खराब मार्ग निवडणे. योग्य सर्वात लहान युनिट शोधण्याची ही समस्या संपूर्ण BI मध्ये सामान्य आहे आणि व्हिज्युअलायझेशन अपवाद नाहीत.

मी कशाबद्दल बोलत आहे हे अधिक स्पष्ट करण्यासाठी, एकाच धान्याच्या आकाराची दोन उदाहरणे पाहू ज्यांचे दोन भिन्न प्रभाव आहेत.

प्रथम, प्रत्येक काउन्टीमधील सर्वोच्च उंचीच्या बिंदूला परिभाषित कीसह भिन्न रंगाची छटा देऊन कोणीतरी युनायटेड स्टेट्सचा स्थलाकृतिक नकाशा बनवतो ते पाहू. 

पूर्वेकडील किनार्‍यासाठी हे काहीसे प्रभावी असले तरी, एकदा तुम्ही रॉकीजच्या काठावर पोहोचलात की, तो खरोखरच आवाज असतो.

तुम्हाला भूगोलाचे फार चांगले चित्र मिळत नाही कारण (जटिल ऐतिहासिक कारणांमुळे) तुम्ही जितके पश्चिमेला जाल तितके काऊंटीचे आकार मोठे होतात. ते एक कथा सांगतात, फक्त भूगोलाशी संबंधित नाही. 

काउन्टीनुसार धार्मिक संलग्नतेच्या नकाशासह याची तुलना करा.

तंतोतंत समान धान्य आकाराचा वापर करूनही हा नकाशा पूर्णपणे प्रभावी आहे. आम्ही युनायटेड स्टेट्सच्या प्रदेशांबद्दल जलद, अचूक आणि अर्थपूर्ण निष्कर्ष काढण्यास सक्षम आहोत, हे प्रदेश कसे समजले जाऊ शकतात, तेथे राहणारे लोक स्वतःबद्दल आणि देशाच्या इतर भागांबद्दल काय विचार करू शकतात.

व्हिज्युअल सहाय्य म्हणून प्रभावी नकाशा बनवणे कठीण असले तरी खूप उपयुक्त आणि स्पष्ट करणारे असू शकते. तुमचा नकाशा काय संप्रेषण करण्याचा प्रयत्न करीत आहे यावर थोडा विचार करण्याचे सुनिश्चित करा.

खराब बार आलेख

नकाशावर सादर केलेल्या माहितीपेक्षा बार आलेख सामान्यतः अधिक सामान्य असतात. ते वाचण्यास सोपे, तयार करण्यास सोपे आणि सामान्यतः गोंडस आहेत.

जरी ते करणे सोपे असले तरी, चाक पुन्हा शोधण्याचा प्रयत्न करताना काही सामान्य चुका लोक करू शकतात. 

दिशाभूल करणारे स्केल

खराब बार आलेखांच्या सर्वात सामान्य उदाहरणांपैकी एक म्हणजे जेव्हा कोणीतरी डाव्या अक्षासह काहीतरी अनुचित करते. 

ही एक विशेषतः कपटी समस्या आहे आणि ब्लँकेट मार्गदर्शक तत्त्वे देणे कठीण आहे. ही समस्या पचायला थोडी सोपी होण्यासाठी काही उदाहरणे पाहू या. 

तीन उत्पादने बनवणाऱ्या कंपनीची कल्पना करूया; अल्फा, बीटा आणि गामा विजेट्स. एक्झिक्युटिव्हला जाणून घ्यायचे आहे की ते एकमेकांच्या तुलनेत किती चांगले विकत आहेत आणि BI टीम त्यांच्यासाठी आलेख तयार करते. 

एका दृष्टीक्षेपात, एक्झिक्युटिव्हला असे समजेल की अल्फा विजेट्स स्पर्धेपेक्षा जास्त विक्री करत आहेत, जेव्हा प्रत्यक्षात, ते गामा विजेट्सची विक्री केवळ 20% - व्हिज्युअलायझेशनमध्ये दर्शविल्याप्रमाणे 500% नाही.

हे अगदी स्पष्टपणे घृणास्पद विकृतीचे उदाहरण आहे - किंवा ते आहे? व्हॅनिला 0 - 50,000 अक्षांपेक्षा ही अचूक विकृती अधिक उपयुक्त असेल अशा केसची आपण कल्पना करू शकतो का?

उदाहरणार्थ, आता एक्झिक्युटिव्हला काहीतरी वेगळे जाणून घ्यायचे आहे त्याशिवाय त्याच कंपनीची कल्पना करूया.

या प्रकरणात, प्रत्येक विजेटने किमान 45,000 युनिट्स विकले तरच त्यांना नफा मिळतो. प्रत्येक उत्पादन एकमेकांच्या तुलनेत आणि या मजल्याच्या संबंधात किती चांगले काम करत आहे हे शोधण्यासाठी, BI टीम कामाला लागते आणि खालील व्हिज्युअलायझेशन सबमिट करते. 

Tहे सर्व, निरपेक्ष शब्दांत, एकमेकांच्या 20% विंडोमध्ये आहेत, परंतु ते सर्व महत्त्वाच्या 45,000 चिन्हाच्या किती जवळ आहेत? 

असे दिसते की गामा विजेट्स थोडे कमी पडत आहेत, परंतु बीटा विजेट्स आहेत का? 45,000 ओळीला लेबल देखील नाही.

या प्रकरणात, की अक्षाभोवती आलेख मोठे करणे अत्यंत माहितीपूर्ण असेल. 

अशा प्रकरणांमुळे ब्लँकेट सल्ले देणे खूप कठीण होते. सावधगिरी बाळगणे चांगले. बेपर्वा त्याग करून y अक्ष ताणून आणि क्रॉप करण्यापूर्वी प्रत्येक परिस्थितीचे काळजीपूर्वक विश्लेषण करा. 

नौटंकी बार

जेव्हा लोक त्यांच्या व्हिज्युअलायझेशनसह खूप गोंडस बनण्याचा प्रयत्न करतात तेव्हा बार आलेखांचा खूपच कमी भयानक आणि साधा गैरवापर होतो. हे खरे आहे की व्हॅनिला बार चार्ट थोडा कंटाळवाणा असू शकतो, त्यामुळे लोक त्यात मसाले घालण्याचा प्रयत्न करतील याचा अर्थ होतो.

एक सुप्रसिद्ध उदाहरण म्हणजे राक्षस लाटवियन महिलांचे कुप्रसिद्ध प्रकरण.

काही मार्गांनी, मागील विभागात चर्चा केलेल्या काही मुद्द्यांशी हे संबंधित आहे. जर ग्राफच्या निर्मात्याने संपूर्ण y अक्ष 0'0'' पर्यंत समाविष्ट केले असते, तर भारतीय स्त्रिया राक्षस लॅटव्हियन लोकांच्या तुलनेत पिक्सीसारख्या दिसल्या नसत्या. 

अर्थात, जर त्यांनी फक्त बार वापरला असेल तर समस्या देखील दूर होईल. ते कंटाळवाणे आहेत, परंतु ते प्रभावी देखील आहेत.  

खराब पाई चार्ट

पाई चार्ट हे मानवजातीचे शत्रू आहेत. ते जवळजवळ प्रत्येक प्रकारे भयानक आहेत. हे लेखकाने व्यक्त केलेल्या उत्कट मतापेक्षा जास्त आहे, हे वस्तुनिष्ठ, वैज्ञानिक सत्य आहे.

पाई चार्ट बरोबर मिळवण्यापेक्षा चुकीचे मिळवण्याचे बरेच मार्ग आहेत. त्यांच्याकडे अत्यंत अरुंद ऍप्लिकेशन्स आहेत आणि त्यातही, ते नोकरीसाठी सर्वात प्रभावी साधन आहेत की नाही याबद्दल शंकास्पद आहे. 

असे म्हटले जात आहे, चला फक्त सर्वात गंभीर चूकांबद्दल बोलूया.

गर्दीचे चार्ट

ही चूक अत्यंत सामान्य नाही, परंतु जेव्हा ती समोर येते तेव्हा ती अत्यंत त्रासदायक असते. हे पाई चार्टसह मूलभूत समस्यांपैकी एक देखील प्रदर्शित करते.

लिखित इंग्रजीमध्ये अक्षरांच्या वारंवारतेचे वितरण दर्शविणारा पाय चार्ट, खालील उदाहरण पाहू. 

हा तक्ता पाहता, तुम्हाला असे वाटते का की तुम्ही आत्मविश्वासाने म्हणू शकता की मी R पेक्षा अधिक सामान्य आहे? किंवा ओ? हे याकडे दुर्लक्ष करत आहे की काही स्लाइस अगदी लहान आहेत की त्यावर लेबल बसवताही नाही. 

चला याची तुलना एका सुंदर, साध्या बार चार्टशी करूया. 

कविता!

इतर सर्वांच्या संबंधातील प्रत्येक अक्षर तुम्ही ताबडतोब पाहू शकत नाही, परंतु तुम्हाला त्यांच्या फ्रिक्वेन्सीबद्दल अचूक अंतर्ज्ञान आणि वास्तविक टक्केवारी दर्शविणारा सहज दृश्यमान अक्ष मिळतो.

तो मागील चार्ट? अनफिक्स करण्यायोग्य. फक्त खूप व्हेरिएबल्स आहेत. 

3 डी चार्ट

पाई चार्टचा आणखी एक गंभीर गैरवापर म्हणजे जेव्हा लोक त्यांना 3D मध्ये बनवतात, अनेकदा त्यांना अपवित्र कोनात वाकवतात. 

चला एक उदाहरण पाहूया.

एका दृष्टीक्षेपात, निळा "EUL-NGL" लाल "S&D" सारखाच दिसतो, परंतु तसे नाही. जर आपण झुकावासाठी मानसिकदृष्ट्या दुरुस्त केले तर फरक दिसते त्यापेक्षा खूप मोठा आहे.

या प्रकारचा 3D आलेख कार्य करेल अशी कोणतीही स्वीकार्य परिस्थिती नाही, ती केवळ सापेक्ष स्केल म्हणून वाचकाची दिशाभूल करण्यासाठी अस्तित्वात आहे. 

फ्लॅट पाई चार्ट अगदी छान दिसतात. 

खराब रंग निवडी

अविवेकी रंग योजना निवडणे ही लोकांची अंतिम चूक आहे. इतरांच्या तुलनेत हा एक लहान मुद्दा आहे, परंतु तो लोकांसाठी मोठा फरक करू शकतो. 

खालील तक्त्याचा विचार करा. 

शक्यता आहे, हे तुमच्यासाठी ठीक आहे. सर्व काही स्पष्टपणे लेबल केलेले आहे, आकारांमध्ये मोठ्या प्रमाणात विसंगती आहेत की विक्री एकमेकांच्या तुलनेत कशी आहे हे पाहणे सोपे आहे.

तथापि, जर तुम्हाला रंगांधळेपणाचा त्रास होत असेल, तर हे खूप त्रासदायक आहे. 

सामान्य नियमानुसार, लाल आणि हिरवा रंग एकाच आलेखावर, विशेषत: एकमेकांना लागून वापरला जाऊ नये. 

इतर रंगसंगती त्रुटी प्रत्येकासाठी स्पष्ट असाव्यात, जसे की 6 भिन्न छटा किंवा लाल निवडणे.

टेकवेये

डेटा व्हिज्युअलायझेशन तयार करण्याचे बरेच, बरेच मार्ग आहेत जे भयंकर आहेत आणि लोक डेटा किती चांगल्या प्रकारे समजून घेण्यास सक्षम आहेत. या सर्वांचा थोडासा विचार करून टाळता येऊ शकतो.

इतर कोणीतरी आलेख कसा पाहणार आहे, डेटाशी जवळून परिचित नसलेला कोणीतरी विचार करणे महत्त्वाचे आहे. डेटा पाहण्याचे उद्दिष्ट काय आहे आणि लोकांची दिशाभूल न करता ते भाग कसे हायलाइट करायचे याचे तुम्हाला सखोल ज्ञान असणे आवश्यक आहे.