Falls Sie die Folge „Statistically Speaking“ zum Thema „Datenvisualisierung für Wissenschaftler und Ingenieure“ verpasst haben, ist jetzt die On-Demand-Version verfügbar. Wir haben einige wirklich inspirierende Perspektiven zur Bedeutung der Datenvisualisierung im gesamten Analyse-Workflow gehört!
Amoolya Singh, Leiterin der Discovery Technologies bei Calico Labs, hielt einen beeindruckenden Plenarvortrag zum Thema „Muster in Daten erkennen: Wie Datenvisualisierung den analytischen Workflow erleichtert“. Wer hätte gedacht, dass Weben, Computing und Visualisierung so eng miteinander verbunden sind? Faszinierend!
Amoolya nahm außerdem an der Podiumsdiskussion mit Kathleen Schneider, Senior Research Associate bei Lundbeck, und Scott Wise, Principal Analytic Training Consultant bei SAS, teil. Da wir nicht alle Fragen unseres Publikums beantworten konnten, haben sich unsere Diskussionsteilnehmer freundlicherweise bereit erklärt, einige davon hier zu beantworten.
Viele Grafiken zeigen Daten farblich getrennt. Welche Anpassungen würden Sie für farbenblinde Menschen vorschlagen?
Scott: Xan Gregg, Director of Visualization Development bei JMP, hat einige gute Empfehlungen zur grafischen Darstellung in JMP für farbenblinde Menschen:
Obwohl die Knotendiagramme und die tSNE-Diagramme beide reich an Daten sind, empfinde ich sie oft als informationsarm. Ich habe das Gefühl, dass mir die grafischen Fähigkeiten fehlen, sie zu interpretieren. Ich wünsche mir Diagramme und Darstellungen, die eine präattentive Qualität haben, sodass ich klar erkennen kann, welche Teile informativ sind. Irgendwelche Vorschläge?
Scott: Sowohl Knotendiagramme (Netzwerkdiagramme usw.) als auch tSNE-Diagramme (PCA-Ergebnisse usw.) müssen den Kontext und die Geschichte des Diagramms enthalten (entweder verbal erklärt oder als Text auf/um das Diagramm herum), damit Sie wirklich verstehen, „wie“ die Muster im Diagramm zu erkennen sind. Scheuen Sie sich nicht, die Geschichte in Verbindung mit diesen nützlichen Diagrammen zu erzählen.
Welche Auswirkungen wird Web 2.0 auf Datenwissenschaft und -analyse haben?
Hinweis: Web 2.0 ist die zweite Entwicklungsstufe des World Wide Web, die insbesondere durch den Wechsel von statischen Webseiten zu dynamischen bzw. benutzergenerierten Inhalten und das Wachstum sozialer Medien gekennzeichnet ist .
Scott: Web 2.0 ist bereits da (wie der Aufstieg der sozialen Medien zeigt). Wenn Sie diese dynamische Datenquelle nicht nutzen, um Trends zu analysieren und zu visualisieren (z. B. durch Text Mining in sozialen Medien über Ihr Unternehmen, Ihre Produkte, Patente, Wettbewerber usw.), hinken Sie der Entwicklung hinterher. Eine gute Einführung bietet der Blog „ Thriving in a Web 2.0 World “ von SAS.
3D-Diagramme wurden angesprochen, aber ich habe festgestellt, dass sie in einem festen Format schwer zu teilen sind. Wie würden Sie die Weitergabe von 3D-Diagrammergebnissen empfehlen?
Scott: Die erste Regel besteht darin, 3D-Diagramme zu meiden, wenn sie für den Betrachter keinen Mehrwert bieten. Aus diesem Grund werden in JMP keine 3D-Balkendiagramme angezeigt, da sie oft verwirrend sind und keinen Mehrwert bieten.
Die zweite Regel lautet: Wenn 3D-Diagramme hilfreich sind, verwenden Sie sie interaktiv (z. B. mit Filtern, interaktiven HTML5-Formaten oder sogar Videos), anstatt sie in einem festen, statischen Format zu belassen. Auf diese Weise kann der Benutzer richtig mit ihnen interagieren und sie interpretieren. Beispielsweise ist das JMP-3D-Streudiagramm (wie in unserer Podiumsdiskussion zur Überprüfung dreifaktorieller experimenteller Einstellungen vorgestellt) außerhalb von JMP erheblich weniger effektiv, wenn Sie den 3D-Würfel nicht verschieben können, um die Blickwinkelausrichtung der Punkte im Bild zu ändern. Wenn Sie JMP nicht verwenden, versuchen Sie, die Interaktivität der Untersuchung eines 3D-Streudiagramms zu simulieren, indem Sie lokale Datenfilter einrichten, die die Blickwinkelausrichtung über einen bestimmten Zeitraum ändern, und dies als interaktives HTML5 speichern. Eine andere Möglichkeit wäre, selbst eine kurze Videoaufnahme Ihrer Untersuchung des 3D-Diagramms zu erstellen, die der Benutzer abspielen kann.
Haben Sie schon einmal erlebt, dass ein animiertes Blasendiagramm in verschiedenen Unternehmen und Branchen eingesetzt wird? Können die Diagramme während der Animation kommentiert werden?
Scott: Ich habe animierte Blasendiagramme und Karten in fast allen Branchen (Hightech, Gesundheitswesen, Behörden usw.) und in vielen verschiedenen Organisationsbereichen gesehen. In der Fertigung/Lieferkette werden animierte Blasendiagramme erfolgreich eingesetzt, um Verbesserungen oder Trends bei Produkten im Zeitverlauf darzustellen (wie mein Beispiel in der Podiumsdiskussion). In der Forschung werden animierte Blasendiagramme häufig verwendet, um Wachstum oder Veränderungen bei Produkten/Komponenten während ihrer F&E-Zyklen zu veranschaulichen. Im Vertrieb eignen sich animierte Blasendiagramme hervorragend, um die Vertriebsentwicklung im Zeitverlauf über geografische Regionen hinweg darzustellen. Sie können Anmerkungen direkt auf Blasendiagrammen erstellen, diese verändern sich jedoch nicht im Zeitverlauf. Arbeiten Sie stattdessen mit der Blasenbeschriftung, um die gewünschten Anmerkungsinformationen im Zeitverlauf anzuzeigen.
Ich unterrichte AP-Statistik und bin daher möglicherweise der Einzige hier, der nicht in der Privatwirtschaft tätig ist. Da wir versuchen, das Interesse an diesem Bereich zu steigern, bin ich ständig auf der Suche nach Videos, TED-Talks und Gastrednern, die eine Sammlung realer, aktueller Daten durchgehen, eine Visualisierung erstellen und den Prozess Schritt für Schritt demonstrieren, damit meine Schüler sehen können, wie bestimmte Berufe auf das Gelernte anwendbar sind. Haben Sie Videovorschläge?
Scott: Für den grafischen Unterricht scheint es immer zu funktionieren, die Schüler frühzeitig mit fesselnden Grafiken zu fesseln, die eine Geschichte erzählen und die Statistiken lebendig machen. Mir fällt kein besseres Beispiel ein als Hans Roslings TED-Talk aus dem Jahr 2007 „Die besten Statistiken, die Sie noch nie gesehen haben“. Wenn sie nicht begeistert sind, nachdem sie Hans beim Umgang mit dem Diagramm zugesehen haben, haben sie wahrscheinlich keinen Puls!
Auch die JMP-Blogs zum Thema Visualisierung in der JMP-Community bieten spannende Geschichten über Visualisierungen, die Statistiken zu vielen interessanten Themen verbessern. Lesen Sie unbedingt die Beiträge von mir, Ryan DeWitt und Byron Wingerd. Die Grafiken auf der öffentlichen JMP- Site bieten außerdem eine Reihe interessanter und oft interaktiver Grafiken, die eine Geschichte erzählen!
Bitte definieren Sie „Graphizität“.
Scott: Mir gefällt die Definition in Wikipedia : „Graphik ist definiert als die Fähigkeit, Informationen in Form von Skizzen, Fotos, Diagrammen, Karten, Plänen, Schaubildern, Grafiken und anderen nicht-textuellen Formaten zu verstehen und darzustellen.“ Diese Definition betont, dass Graphik sowohl Verständnis als auch Präsentation umfasst. Sie zeigt auch, dass sie in vielen verschiedenen kreativen Formen erfolgen kann.
Wie kann JMP dem Benutzer helfen, nicht nur die statistische, sondern auch die praktische Bedeutung zu bewerten?
Scott: Praktische Signifikanz bedeutet, das Ausmaß des Unterschieds bzw. der Effektstärke aufzuzeigen. Daher denke ich, dass die beste Möglichkeit, praktische und statistische Signifikanz zu kombinieren, darin besteht, immer die Grafik (die die praktische Signifikanz veranschaulicht) neben der Statistik (die die statistische Signifikanz behandelt) einzufügen. Beginnen Sie mit der Grafik und zeigen Sie dann die Statistik, da dies am besten mit der Art und Weise zusammenpasst, wie unser Gehirn Informationsunterschiede verarbeitet.
Kathleen: Ich arbeite in der biopharmazeutischen Industrie und konzipiere Downstream-Prozesse (Reinigung/Trennung), damit diese skaliert und in Produktionsanlagen übertragen werden können. Die Prozesse, die ich mitgestalte, sind häufig komplex und weisen viele Interaktionen auf. Wenn ich JMP verwende, versuche ich in der Regel, praktische Probleme zu lösen, darunter die Steigerung der Prozesseffizienz (höhere Ausbeute oder kürzere Prozesszeiten) oder die Risikominimierung (Verringerung von Verunreinigungen und des Risikos von Prozessfehlern). Häufig geht die Steigerung der Ausbeute oder der Prozesseffizienz mit einer Erhöhung der Verunreinigungen oder eines erhöhten Risikos von Prozessfehlern einher.
Die von uns konzipierten Prozessschritte bestehen aus mehreren Unterschritten. Manchmal können frühe Prozessbedingungen zu erhöhten Prozessverunreinigungen oder anderen negativen Ergebnissen führen, die erst in späteren Prozessschritten sichtbar werden. Aufgrund der Komplexität der Wechselwirkungen ist die Verwendung von JMP für die Versuchsplanung und multivariate Analyse – einschließlich der Bewertung der statistischen Signifikanz von Hauptfaktoren, quadrierten Faktoren (unabhängig davon, ob der Effekt linear ist oder eine Kurve aufweist) und Zwei-Faktor-Wechselwirkungen – eine leistungsstarke Methode, um zu ermitteln, welche Hauptfaktoren und Zwei-Faktor-Wechselwirkungen die wichtigsten zu verfolgenden und zu ändernden Faktoren sind und welche Faktoren für den Prozess unkritisch sind. Auch die Visualisierung dieser Daten mit JMP ist sehr leistungsstark. Die Daten werden verwendet, um den Prozess zu verbessern, prozess- und produktbezogene Verunreinigungen zu reduzieren oder Prozessfehler zu minimieren. Die Daten können auch als Leitfaden für die Optimierung eines Prozesses dienen, um höchste Prozesseffizienz bei geringsten Verunreinigungswerten und geringstem Ausfallrisiko zu erzielen.
Ein Beispiel: Ich arbeitete als Teil eines Teams an einem Prozessschritt, der die Verunreinigung U reduzieren sollte. Im Team wurde viel darüber diskutiert, ob Faktor A oder Faktor B für die Höhe der Reaktion U wichtiger sei. Wir stellten fest, dass wir alle falsch lagen. Der entscheidende Faktor erwies sich als Faktor C! Glücklicherweise hatten wir Faktor C verfolgt und verfügten über Daten, um ihn im Prozess zu verfolgen. Aufgrund dieser und anderer Erfahrungen empfehle ich, so viele Faktoren wie möglich zu verfolgen, auch solche, die man für unwichtig hält. Sie werden überrascht sein.
Wir danken diesen Experten, dass sie sich die Zeit genommen haben, uns ihre Sicht auf einige der vielen Fragen zu erläutern, die wir erhalten haben. Ihr umfangreicher Erfahrungsschatz spiegelt sich in diesen Antworten sowie in der On-Demand-Version dieser Folge von „Statistically Speaking“ wider.
