科学者とエンジニアのためのデータ可視化に関する「Statistically Speaking」のエピソードを見逃した方は、オンデマンド版をご利用いただけます。分析ワークフロー全体におけるデータ可視化の重要性について、非常に刺激的な視点からお話を伺いました。
Calico Labsのディスカバリーテクノロジー責任者であるAmoolya Singh氏は、「データに潜むパターンを見抜く方法：データ可視化が分析ワークフローをどのように促進するか」と題した素晴らしい基調講演を行いました。ウィービング、コンピューティング、可視化がこれほどまでに相互に関連しているとは、誰が想像したでしょうか？実に興味深いですね！
アムーリヤは、ルンドベックのシニアリサーチアソシエイトであるキャスリーン・シュナイダー氏、そしてSASのプリンシパルアナリティクストレーニングコンサルタントであるスコット・ワイズ氏とともに、パネルディスカッションに参加しました。会場の皆様からいただいた質問に全てお答えする時間がなかったため、パネリストの方々には、ここでいくつかお答えいただくことにご同意いただきました。
多くのビジュアルでは、データが色分けされて表示されます。色覚異常の方にはどのような配慮をお勧めしますか？
スコット: JMP の視覚化開発ディレクターの Xan Gregg は、色覚異常の人向けに JMP でのグラフ作成に関する優れた推奨事項をいくつか提供しています。
ノードグラフとtSNEプロットはどちらもデータが豊富であるにもかかわらず、情報量が乏しいと感じることがよくあります。それらを解釈するためのグラフィックリテラシーがまだ身についていないように感じます。どの部分が情報量が多いのかを明確に把握できるような、先入観に基づいたグラフや表示を常に求めています。何か提案はありますか？
スコット：ノードグラフ（ネットワーク図など）とtSNEプロット（PCA結果など）はどちらも、グラフ内のパターンを「どのように」見るべきかを真に理解するために、グラフに文脈とストーリー（口頭で説明、またはグラフ上またはグラフ周囲にテキストとして記載）を含める必要があります。これらの有用なグラフと組み合わせて、ストーリーを伝えることをためらわないでください。
Web 2.0 はデータ サイエンスと分析にどのような影響を与えるでしょうか?
注: Web 2.0 は、ワールド ワイド ウェブの開発の第 2 段階であり、静的 Web ページから動的またはユーザー生成コンテンツへの変化とソーシャル メディアの成長が特に特徴です。
スコット： Web 2.0は既に到来しています（ソーシャルメディアの台頭からもそれが分かります）。もしあなたが、この動的なデータソースを収集し、トレンドを分析・可視化していないなら（例えば、ソーシャルメディア上で自社、製品、特許、競合他社などに関するテキストマイニングなど）、あなたは既に時代遅れです。良い入門書として、SASのブログ「 Web 2.0の世界で繁栄する」をご覧ください。
3Dグラフについてお話がありましたが、決まった形式で共有するのは難しいと感じています。3Dグラフの知見を共有するには、どのような方法をお勧めしますか？
スコット：最初のルールは、3D グラフが見る人にとって価値を追加しない場合は使用しないことです。JMP では 3D 棒グラフはわかりにくく、価値を追加しないことが多いため、3D 棒グラフは表示されません。
2 つ目のルールは、3D グラフが有益な場合は、固定された静的な形式ではなく、フィルター、インタラクティブな HTML5 形式、さらにはビデオなどを使ってインタラクティブに使用するようにすることです。そうすることで、ユーザーはグラフを適切に操作し、解釈することができます。たとえば、JMP 3D 散布図（3 因子実験設定の確認に関するパネルディスカッションで紹介しました）は、3D キューブを移動して画像内の点の視点の向きを変えることができない場合、JMP 以外では非常に効果が低くなります。そのため、JMP を使用していない方は、一定期間にわたって視点の向きを変えるローカルデータフィルターを設定し、これをインタラクティブな HTML5 として保存することで、3D 散布図を探索する際のインタラクティブ性をシミュレートしてみてください。別の方法としては、ユーザーが 3D グラフを探索している様子を録画した短いビデオを作成し、再生できるようにすることです。
アニメーション化されたバブルプロットは、様々な企業や業界でどのように活用されていますか？アニメーションの再生時に注釈を付けることはできますか？
スコット：アニメーション化されたバブルプロットとマップは、ほぼすべての業界（ハイテク、ヘルスケア、政府機関など）の様々な組織領域で使用されているのを見てきました。製造業やサプライチェーンの分野では、アニメーション化されたバブルプロットは、製品の改良や傾向を経時的に示すために効果的に活用されています（パネルディスカッションでの私の例のように）。研究分野では、アニメーション化されたバブルプロットは、研究開発サイクル全体を通して製品やコンポーネントの成長や変化を生き生きと表現するためによく使われます。営業分野では、アニメーション化されたバブルマップは、地理的な地域をまたいで、経時的な販売実績を示すのに優れています。バブルプロットに直接注釈を追加することもできますが、時間の経過とともに移動することはありません。代わりに、バブルラベルを使用して、必要な注釈情報を経時的に表示します。
私はAP統計学を教えているので、ここにいる中で民間企業に勤めていないのは私だけかもしれません。この分野への関心を高めようと努力している中で、実社会の最新データを分かりやすく解説し、視覚化してプロセスを段階的に説明してくれる動画、TEDトーク、ゲストスピーカーを常に探しています。そうすることで、生徒たちは、学んでいる内容が特定の職業にどのように応用できるかを理解できるようになります。何かおすすめの動画はありますか？
スコット：グラフィック表現を教える上で、常に効果を発揮する秘訣は、物語を伝え、統計を生き生きとさせる魅力的なグラフィックを使って、生徒を早い段階で惹きつけることです。 ハンス・ロスリングの2007年のTEDトーク「見たこともない最高の統計」を見せることほど良い例は思いつきません。ハンスがグラフを操作する様子を見て生徒がワクワクしないなら、おそらく脈がないのでしょう。
また、JMPコミュニティの可視化をテーマにしたJMPブログは、様々な興味深いトピックについて、統計データを強化する可視化に関する興味深いストーリーを入手できる素晴らしい場所です。私、Ryan DeWitt、Byron Wingerdの投稿もぜひご覧ください。また、 JMP Publicサイトのグラフィックには、ストーリーを伝える興味深い、インタラクティブなグラフィックが豊富に掲載されています。
グラフィック性を定義してください。
スコット： Wikipediaの定義が気に入っています。「グラフィカシーとは、スケッチ、写真、図表、地図、計画、チャート、グラフ、その他の非テキスト形式の情報を理解し、提示する能力と定義されます。」この定義は、グラフィカシーが理解と提示の両方を包含することを強調しています。また、グラフィカシーは様々な創造的な形態を通して実現可能であることを示しています。
JMP は、統計的有意性だけでなく実際的有意性も評価するのにどのように役立ちますか?
スコット：実用的な有意性とは、差異の大きさ、つまり効果量を示すことを意味します。したがって、実用的な有意性と統計的有意性を組み合わせる最良の方法は、常に、実用的な有意性を示すグラフを、統計的有意性を示す統計の隣に示すことだと私は考えています。まずグラフを示し、次に統計を示すのが、私たちの脳が情報の違いを処理する方法に最も合致するようです。
キャスリーン：私はバイオ医薬品業界で、下流（精製／分離）プロセスをスケールアップして製造施設へ移管できるよう設計しています。私が設計に携わるプロセスは複雑で、多くの相互作用を持つことが多いです。JMPを使用する際は、通常、プロセス効率の向上（収量の増加やプロセス時間の短縮）やリスクの軽減（不純物やプロセス障害のリスクの低減）といった実用的な問題の解決に取り組んでいます。多くの場合、収量やプロセス効率の向上は、不純物の増加やプロセス障害のリスクの増大を伴います。
私たちが設計するプロセスステップには、複数のサブステップがあります。初期のプロセス条件が、後のプロセスステップまで観察されないプロセス不純物の増加やその他の悪影響につながる場合があります。相互作用の複雑さのため、実験計画と多変量解析（主因子、二乗因子（効果が線形か曲線か）、および2因子相互作用の統計的有意性の評価を含む）にJMPを使用することは、どの主因子と2因子相互作用が追跡および修正すべき最も重要な因子であるか、そしてどの因子がプロセスにとって重要でないかを評価する強力な方法です。JMPを使用してこのデータを視覚化することも非常に強力です。データは、プロセスの改善、プロセスおよび製品関連の不純物の削減、またはプロセス障害の緩和に使用されます。データは、不純物レベルを最小限に抑え、プロセス障害のリスクを最小限に抑えながら、最高のプロセス効率を生み出すようにプロセスを最適化するためのガイドにもなります。
例えば、私は不純物Uを削減するチームの一員として、あるプロセスステップに取り組んでいました。チーム内では、レスポンスUのレベルにとって要因Aと要因Bのどちらがより重要であるかについて盛んに議論が交わされました。そして、全員が間違っていたことが判明しました。決定的な要因は要因Cだったのです！幸いなことに、私たちは要因Cを追跡しており、プロセスにおける要因を追跡するためのデータがありました。この経験や他の経験から、重要ではないと思われる要因も含めて、できるだけ多くの要因を追跡することをお勧めします。きっと驚くような結果が得られるでしょう。
皆様には、いただいた数多くの質問に対し、貴重な時間を割いてそれぞれの見解を述べていただき、感謝申し上げます。皆様の豊富な経験は、これらの回答だけでなく、この「Statistically Speaking」のオンデマンド版でも明らかです。
