Datavisualisering, hurtig og langsom

Der er snesevis af bøger og workshops og onlinetutorials, der lærer dig, hvordan du laver god datavisualisering. Men hvad er god datavisualisering? Du synes sandsynligvis, at det er hurtigt - diagrammer, der hurtigt forstås, eller diagrammer, der hurtigt laves eller (helst) begge dele. Det er fordi de fleste alt, hvad der lærer dig datavisualisering, hvad enten det er en teknisk tilgang som min bog eller en der fokuserer mere på design og teknik, er fokuseret på at lære dig, hvordan man hurtigt kan visualisere datavisualisering og hvordan man kan gøre datavisualisering, der hurtigt kan forstås .

Bare et par eksempler på hurtig datavisualisering, der vises i tutorials og bøger fra Edward Tufte, Stephanie Evergreen og Andy Cotgreave

Vores moderne tilgang til datavisualisering er fokuseret på hurtigt at gøre datavisualisering. Jeg tror, ​​at fokus skaber en ufuldstændig forståelse af datavisualisering og skader vores evne til at bruge og foretage datavisualisering.

Den traditionelle datavisualisering trope er en rapport for travle ledere oprettet af fageksperter

Visuel kommunikation, som alle former for kommunikation, sker ikke i kun én tilstand. Den traditionelle datavisualisering trope er en rapport for travle ledere oprettet af fageksperter. Denne klassiske sag går tilbage til Tufte's analyse af et møde, hvor NASA nødt til at beslutte lige nu, om Challenger skal lanceres i koldt vejr. Men sammen med denne tilstand er der langvarige datavisualiseringsprodukter og analytiske applikationer, der kræver tid og investering. Jeg arbejder dem hele tiden på Netflix, og du kan opleve dem i forskellige medier som Pudding eller The New York Times. Denne uoverensstemmelse mellem de faktiske tilstande for datavisualisering og den bedste praksis inden for datavisualisering bremser udviklingen af ​​mere avancerede former, men indebærer også for læserne, at al datavisualisering, der ikke umiddelbart forstås, er en fiasko.

Fokus på hurtig datavisualisering påvirker, hvordan vi designer datavisualiseringsprodukter, hvilke værktøjer vi bruger til at skabe dem, rollen som datavisualiseringskaberen i forhold til deres produkt, og hvordan vi ser for os at engagere os i datavisualiseringslæsere. Og denne vision sælger, fordi det indebærer en intet vrøvl, "vis mig dataene" -holdning, der er i overensstemmelse med organisatorisk ledelse, som foretrækker at se skræmmende avancerede kortlægningsmetoder som unødvendigt komplekse.

Som et resultat dominerer hurtig datavisualisering den professionelle litteratur. Hvis vi kun skulle forstå datavisualisering gennem de bedst sælgende manualer og værktøjer, der er bygget til datavisualisering, ser det ud til, at det styres af et næsten desperat rush.

På den ene side findes teknikker til at gøre din datavisualisering så let og hurtigt forståelig som muligt. Sproget og lektioner omkring denne tilgang er domineret af en diskurs om tilbageholdenhed: Begrænsede farvevalg, begrænsede dekorative valg, behersket interaktivitet og begrænsede diagramtyper.

På den anden side er værktøjer til at fremstille datavisualiseringsprodukter, der reklamerer for, hvor hurtigt og nemt du kan fremstille diagrammer. Tableau-tutorials prale af at få dit dashboard bygget på 10 minutter (eller endda et minut). Der er endda en Iron Chef-lignende konkurrence, som Tableau har, kaldet Iron Viz. Værktøjer som Superset tilslutter dine data og giver dig øjeblikkelig indsigt. Du kan ikke komme meget hurtigere end øjeblikkeligt.

Et instrumentbræt lavet hurtigt med Superset.

Dette gennembrudt tempo er en reel begrænsning af datavisualisering. Det er ikke en myte, at diagrammer ofte bruges i værelser fyldt med mennesker, der kun har kort tid til at forstå dem (eller ikke) og tage en beslutning. Automatiske oversigter over datakilder er et kritisk aspekt af efterforskende dataanalyse og sundhedskontrol. Den hurtige tilstand af datavisualisering er reel og vigtig, men når vi lader det blive vores eneste syn på, hvad datavisualisering er, begrænser vi os selv i planlægningen af, hvordan vi bygger, understøtter og designer datavisualisering. Vi begrænser ikke kun datavisualiseringskabere, men også datavisualiseringslæsere.

For at afsløre en "langsom" datavisualisering vil jeg undersøge diagrammer nærmere og tænke strukturelt over, hvad diagrammer siger, hvad diagrammer betyder, og hvad diagrammer gør. Disse to tilstande er ikke i opposition, snarere er alle diagrammer i stand til at blive nedsat med reflekterende analyse. Denne undersøgelse er opdelt i tre dele:

HVIS CHARTS SIGER

HVIS CHARTS BETYDER

HVIS CHARTS DO

Dette kan virke alt sammen meget akademisk eller teoretisk, unødvendigt kompleks eller useriøs ... som et netværksdiagram. Det er ikke. I sidste ende er datavisualisering ikke et teknisk problem, det er et designproblem og mere end det, et kommunikationsproblem. Det er på tide, at vi begyndte at tænke mere dybt på det på den måde.