Paano mo Ipinakalat ang Maling Impormasyon gamit ang Mga Kakila-kilabot na Dashboard

Ang mga numero sa kanilang sarili ay mahirap basahin, at mas mahirap pa sa pagkuha ng mga makabuluhang hinuha. Kadalasan ang pag-visualize ng data sa mga anyo ng iba't ibang mga graphic at chart ay kinakailangan upang makagawa ng anumang tunay na pagsusuri ng data. 

Gayunpaman, kung gumugol ka ng anumang oras sa pagtingin sa iba't ibang mga graph, natanto mo ang isang bagay matagal na ang nakalipas - hindi lahat ng mga visualization ng data ay nilikha nang pantay.

Ito ay magiging isang mabilis na rundown ng ilan sa mga pinakakaraniwang pagkakamali na ginagawa ng mga tao kapag gumagawa ng mga chart upang kumatawan sa data sa mabilis at madaling natutunaw na paraan.

Masamang Mapa

Ang pagsubaybay sa xkcd sa simula, talagang karaniwan na makita ang data na inilalagay sa isang mapa sa paraang kakila-kilabot at walang silbi. Isa sa pinakamalaki at pinakakaraniwang nagkasala ay ang ipinapakita sa komiks. 

Hindi Kawili-wiling Pamamahagi ng Populasyon

Tulad ng lumalabas, ang mga tao ay may posibilidad na manirahan sa mga lungsod sa mga araw na ito. 

Dapat ka lang mag-abala sa pagpapakita ng mapa kung ang inaasahang pamamahagi na iyong naobserbahan ay hindi nakaayon sa distribusyon ng kabuuang populasyon sa US.

Halimbawa, kung nagbebenta ka ng mga frozen na tacos at nalaman mong higit sa kalahati ng iyong mga benta ay nagmumula sa mga grocery store sa West Virginia sa kabila ng kanilang presensya sa mga merkado sa buong bansa, iyon ay magiging kapansin-pansin.

Ang pagpapakita ng mapa na nagsasaad nito, pati na rin kung saan pa sikat ang mga tacos, ay maaaring magbigay ng kapaki-pakinabang na impormasyon. 

Sa katulad na paraan, kung nagbebenta ka ng produkto na ganap na nasa English, dapat mong asahan na ang iyong pamamahagi ng mga customer ay umaayon sa pamamahagi ng mga nagsasalita ng ingles sa buong mundo. 

Masamang Laki ng Butil

Ang isa pang paraan upang guluhin ang isang mapa ay sa pamamagitan ng pagpili ng hindi magandang paraan upang hatiin ang lupa sa heograpiya sa mga tipak. Ang isyung ito ng paghahanap ng tamang pinakamaliit na unit ay karaniwan sa buong BI, at hindi eksepsiyon ang mga visualization.

Upang gawing mas malinaw kung ano ang aking pinag-uusapan, tingnan natin ang dalawang halimbawa ng parehong laki ng butil na may dalawang magkaibang epekto.

Una, tingnan natin ang isang tao na gumagawa ng topographic na mapa ng United States sa pamamagitan ng pagtatabing sa punto ng pinakamataas na elevation sa bawat county ng ibang kulay kasama ng tinukoy na key. 

Bagama't medyo epektibo ito para sa silangang baybayin, ngunit kapag narating mo na ang gilid ng Rockies, talagang puro ingay lang.

Hindi ka nakakakuha ng napakagandang larawan ng heograpiya dahil (para sa mga kumplikadong makasaysayang dahilan) ang mga sukat ng county ay malamang na lumaki sa mas malayong kanluran na iyong pupuntahan. Nagkukuwento sila, hindi lang isang may kaugnayan sa heograpiya. 

Ihambing ito sa isang mapa ng relihiyosong kaugnayan ayon sa county.

Ganap na epektibo ang mapa na ito, sa kabila ng paggamit ng eksaktong parehong laki ng butil. Nagagawa naming gumawa ng mabilis, tumpak, at makabuluhang mga hinuha tungkol sa mga rehiyon ng United States, kung paano maaaring isipin ang mga rehiyong ito, kung ano ang maaaring isipin ng mga taong nakatira doon sa kanilang sarili at sa iba pang bahagi ng bansa.

Ang paggawa ng isang epektibong mapa bilang isang visual aid, kahit mahirap, ay maaaring maging lubhang kapaki-pakinabang at maliwanag. Siguraduhing isipin kung ano ang sinusubukang ipaalam ng iyong mapa.

Masamang Bar Graph

Ang mga bar graph ay karaniwang mas karaniwan kaysa sa impormasyong ipinakita sa isang mapa. Ang mga ito ay simpleng basahin, simpleng gawin, at sa pangkalahatan ay medyo makinis.

Kahit na madaling gawin ang mga ito, may ilang karaniwang pagkakamali na maaaring gawin ng mga tao habang sinusubukang muling likhain ang gulong. 

Mga Mapanlinlang na Timbangan

Ang isa sa mga pinakakaraniwang halimbawa ng masamang bar graph ay kapag may gumawa ng hindi maganda sa kaliwang axis. 

Ito ay isang partikular na mapanlinlang na problema, at mahirap magbigay ng mga alituntunin ng kumot. Upang gawing mas madaling matunaw ang problemang ito, talakayin natin ang ilang halimbawa. 

Isipin natin ang isang kumpanya na gumagawa ng tatlong produkto; Mga widget na Alpha, Beta, at Gamma. Gustong malaman ng executive kung gaano kahusay ang pagbebenta nila kumpara sa isa't isa, at ang BI team ay naglalagay ng graph para sa kanila. 

Sa isang sulyap, ang ehekutibo ay makakakuha ng impresyon na ang Alpha Widgets ay malayo sa pagbebenta ng kumpetisyon, kapag ang totoo, sila ay nabentahan ng Gamma widgets nang halos 20% – hindi 500% gaya ng ipinahiwatig sa visualization.

Ito ay isang halimbawa ng isang napakalinaw na kasuklam-suklam na pagbaluktot - o ito ba? Maaari ba nating isipin ang isang kaso kung saan ang eksaktong parehong pagbaluktot na ito ay magiging mas kapaki-pakinabang kaysa sa vanilla 0 - 50,000 axis?

Halimbawa, isipin natin ang parehong kumpanya maliban ngayon ang executive ay gustong malaman ang ibang bagay.

Sa kasong ito, kumikita lang ang bawat widget kung nagbebenta sila ng hindi bababa sa 45,000 unit. Para malaman kung gaano kahusay ang performance ng bawat produkto kumpara sa isa't isa at kaugnay ng floor na ito, ang BI team ay magtatrabaho at isusumite ang sumusunod na visualization. 

They're all, in absolute terms, within a 20% window of each other, but how close are they to the all important 45,000 mark? 

Mukhang kulang ang mga Gamma widget, ngunit ang mga Beta widget ba? Ang 45,000 na linya ay hindi nilagyan ng label.

Ang pag-magnify sa graph sa paligid ng key axis na iyon, sa kasong ito, ay magiging lubos na nagbibigay-kaalaman. 

Ang mga ganitong kaso ay nagpapahirap sa pagbibigay ng kumot na payo. Pinakamabuting mag-ingat. Maingat na pag-aralan ang bawat sitwasyon bago i-stretch at i-crop ang y axis nang walang ingat na pag-abandona. 

Mga Gimmick Bar

Ang hindi gaanong nakakatakot at simpleng maling paggamit ng mga bar graph ay kapag sinusubukan ng mga tao na magpa-cute sa kanilang mga visualization. Totoo na ang isang vanilla bar chart ay maaaring medyo nakakainip, kaya makatuwiran na subukan ng mga tao na pagandahin ito.

Ang isang kilalang halimbawa ay ang kasumpa-sumpa na kaso ng mga higanteng babaeng Latvian.

Sa ilang mga paraan, ito ay may kaugnayan sa ilang mga isyu na tinalakay sa nakaraang seksyon. Kung isinama ng gumawa ng graph ang buong y axis hanggang sa 0'0'', hindi magmumukhang pixies ang mga babaeng Indian kumpara sa mga higanteng Latvian. 

Siyempre, kung gumamit lang sila ng mga bar, mawawala din ang problema. Ang mga ito ay mayamot, ngunit sila ay epektibo rin.  

Masamang Pie Chart

Ang mga pie chart ay ang kaaway ng sangkatauhan. Sila ay kakila-kilabot sa halos lahat ng paraan. Ito ay higit pa sa isang madamdaming opinyon na itinataguyod ng may-akda, ito ay layunin, siyentipikong katotohanan.

Mas maraming paraan para magkamali ang mga pie chart kaysa gawin ang mga ito nang tama. Mayroon silang napakakitid na mga aplikasyon, at kahit na sa mga iyon, kaduda-dudang kung sila ang pinakaepektibong tool para sa trabaho. 

Iyon ay sinabi, pag-usapan na lang natin ang tungkol sa mga pinakamatinding maling hakbang.

Napakasikip na mga Chart

Ang pagkakamaling ito ay hindi masyadong karaniwan, ngunit ito ay lubhang nakakainis kapag ito ay dumating. Ipinapakita rin nito ang isa sa mga pangunahing problema sa mga pi chart.

Tingnan natin ang sumusunod na halimbawa, isang pie chart na nagpapakita ng distribusyon ng dalas ng titik sa nakasulat na Ingles. 

Sa pagtingin sa tsart na ito, sa tingin mo ba ay masasabi mo nang may kumpiyansa na ako ay mas karaniwan kaysa sa R? O kaya O? Ito ay hindi pinapansin na ang ilan sa mga hiwa ay masyadong maliit upang magkasya ang isang label sa kanila. 

Ihambing natin ito sa isang maganda, simpleng bar chart. 

Mga tula!

Hindi lamang makikita mo kaagad ang bawat titik na nauugnay sa lahat ng iba pa, ngunit nakakakuha ka ng tumpak na intuwisyon tungkol sa kanilang mga frequency, at isang madaling nakikitang axis na nagpapakita ng aktwal na mga porsyento.

Yung nakaraang chart? Hindi maaayos. Napakaraming variable lang. 

Mga 3D Chart

Ang isa pang matinding pang-aabuso sa mga pie chart ay kapag ginawa ng mga tao ang mga ito sa 3D, madalas na ikiling ang mga ito sa hindi banal na mga anggulo. 

Tingnan natin ang isang halimbawa.

Sa isang sulyap, ang asul na "EUL-NGL" ay halos kapareho ng pulang "S&D," ngunit hindi iyon ang kaso. Kung itatama natin ang pag-iisip para sa pagtabingi, ang pagkakaiba ay mas malaki kaysa sa tila.

Walang katanggap-tanggap na sitwasyon kung saan gagana ang ganitong uri ng 3D graph, umiiral lamang ito upang iligaw ang mambabasa tungkol sa mga kamag-anak na sukat. 

Maganda ang hitsura ng mga flat pie chart. 

Mahina ang Mga Pagpipilian sa Kulay

Ang panghuling pagkakamali na madalas gawin ng mga tao ay ang pumili ng mga hindi isinasaalang-alang na mga scheme ng kulay. Ito ay isang maliit na punto kumpara sa iba, ngunit maaari itong gumawa ng isang malaking pagkakaiba para sa mga tao. 

Isaalang-alang ang sumusunod na tsart. 

Malamang, mukhang ayos lang ito sa iyo. Ang lahat ay malinaw na may label, ang mga sukat ay may sapat na malaking pagkakaiba na madaling makita kung paano ang mga benta kumpara sa isa't isa.

Gayunpaman, kung dumaranas ka ng pagkabulag ng kulay, ito ay malamang na lubhang nakakainis. 

Bilang pangkalahatang tuntunin, hindi kailanman dapat gamitin ang pula at berde sa parehong graph, partikular na katabi ng isa't isa. 

Ang iba pang mga error sa scheme ng kulay ay dapat na halata sa lahat, tulad ng pagpili ng 6 na magkakaibang bahagyang lilim o pula.

Takeaways

Mayroong marami, marami pang paraan upang lumikha ng mga visualization ng data na kakila-kilabot at humahadlang sa kung gaano kahusay na naiintindihan ng mga tao ang data. Lahat ng mga ito ay maaaring iwasan na may kaunting pag-iisip.

Mahalagang isaalang-alang kung paano makikita ng ibang tao ang graph, isang taong hindi masyadong pamilyar sa data. Kailangan mong magkaroon ng malalim na pag-unawa sa kung ano ang layunin ng pagtingin sa data, at kung paano pinakamahusay na i-highlight ang mga bahaging iyon nang hindi nanlilinlang ng mga tao.