Jorge Camoes says you can learn a lot about/from the data during the preparation stage.Jorge Camoes says you can learn a lot about/from the data during the preparation stage.Jorge Camoes says you can learn a lot about/from the data during the preparation stage.Jorge Camoes says you can learn a lot about/from the data during the preparation stage.Jorge Camoes sagt, dass man während der Vorbereitungsphase viel über/aus den Daten lernen kann. Jorge Camoes hat eine Leidenschaft für Datenvisualisierung. Nach einer erfolgreichen Karriere im Bereich Business Analytics bei Merck gründete Camoes WiseVis, ein Beratungsunternehmen für Datenvisualisierung mit Sitz in Oeiras, Portugal. Camoes ist weithin als Autor des beliebten Blogs bekannt Excel-Diagramme , in dem er Strategien vorstellt, wie man mit gängigen Tools wie Excel das Beste aus Daten herausholt.
Er hat gerade sein erstes Buch veröffentlicht, Daten bei der Arbeit, Dort untersucht er diese Themen weiter und präsentiert den Lesern eine durchdachte Diskussion über das Potenzial der Datenvisualisierung und Strategien für die Implementierung von Executive Dashboards. Er vor kurzem vorgestellt auf dem JMP Explorers-Seminar in Marlow, Großbritannien. Eine Zusammenfassung seines Vortrags können Sie hier lesen sein Blog .
Ich habe ihm ein paar Fragen zum Erkunden und Visualisieren von Daten gestellt.
Schritt 1: Datenvorbereitung.Wie gut bzw. vollständig müssen meine Daten sein, um nutzbar zu sein?
Wenn Sie problemlos eine Verbindung zur Informationsinfrastruktur der Organisation herstellen und genau die Daten erhalten können, die Sie benötigen, und zwar auf die Art und Weise, wie Sie sie benötigen, um eine Frage wahrheitsgemäß, gründlich und zeitnah zu beantworten, dann herzlichen Glückwunsch, Sie verfügen wahrscheinlich über gute Daten, mit denen Sie arbeiten können. Und du bist ein wunderschönes Einhorn.
Jorge Camoes just published his first book, Data At Work.Jorge Camoes just published his first book, Data At Work.Jorge Camoes just published his first book, Data At Work.Jorge Camoes just published his first book, Data At Work.Jorge Camoes hat gerade sein erstes Buch „Data At Work“ veröffentlicht. Die reale Welt ist hässlicher: In jeder Organisation gibt es einen geheimen, dunklen Keller (der dem Top-Management unbekannt ist), in dem einige Kreaturen lauern, deren Jobbeschreibung „Datenaufbereitung“ und andere Aufgaben ähnlich unappetitlicher Natur umfasst. OK, ich kann nicht beweisen, dass diese Keller echt sind, aber die Datenvorbereitung ist in der Tat eine ressourcenintensive, zeitaufwändige, unsexy, unterschätzte, aber grundlegende Aufgabe in jedem Datenanalyseprojekt.
Während wir immer mehr und bessere ETL-Tools erhalten, müssen wir uns oft mit Problemen auseinandersetzen, die wir eigentlich gar nicht haben sollten, wie zum Beispiel das Konvertieren von PDF-Dateien. Hier ist ein Beispiel für eine bewährte Praxis: Die UN-Bevölkerungsabteilung veröffentlicht Bevölkerungsprognosen und -schätzungen in regulären Excel-Tabellen, deren Konvertierung einige Arbeit erfordert. Es stellt die Daten auch in schön formatierten CSV-Dateien zur Verfügung. Dieses duale Format erfüllt die Bedürfnisse der meisten Benutzer und sollte eine Standardpraxis sein. Wenn Sie wissen möchten, warum gut strukturierte Daten ein Eckpfeiler der Datenanalyse sind, wenden Sie sich an Hadley Wickham Ordentliche Daten (PDF) ist eine unverzichtbare Lektüre.
Ich gehe davon aus, dass es bei der Nutzung der Daten keine konzeptionellen Probleme geben wird, aber das ist nicht immer der Fall. Beispielsweise veröffentlicht das USDA Daten zur Nahrungsmittelverfügbarkeit. Nach Angaben des USDA ist dies ein guter Indikator für den tatsächlichen Lebensmittelkonsum und somit eine hervorragende Quelle für die Analyse veränderter Muster in der amerikanischen Ernährung. Ihr Projekt sollte dies explizit erklären und sicherstellen, dass das Publikum den Unterschied erkennt. Oft müssen Sie mit weniger harmlosen Annahmen rechnen.
Letzter Tipp: Ich würde Datenaufbereitung und Datennutzung nicht als zwei unterschiedliche Schritte betrachten. Während der Vorbereitungsphase können Sie viel über/aus den Daten lernen.
Schritt 2: Welches Diagramm soll ich für meine Daten wählen? Welche Diagramme sollte ich nicht für meine Daten wählen?
Es gibt zwei Dinge, die Sie berücksichtigen sollten: erstens das Diagramm selbst und zweitens das Diagramm in einer bestimmten Situation.Stellen Sie sich ein Liniendiagramm vor: Es ist sehr einfach, einen Trend zu erkennen. Eine Tabelle mit denselben Daten wird Ihnen einige interessante Dinge verraten, aber es wird viel schwieriger sein, sich diesen Trend bewusst zu machen. Die Datenvisualisierung ist in gewisser Weise wie ein Kochroboter: Sie macht Sie nicht zu einem besseren Koch, aber sie übernimmt den Tisch und optimiert einige der zeitaufwändigeren Schritte, sodass Sie sich auf das Ergebnis konzentrieren können.
Mit anderen Worten: Bei der Datenvisualisierung werden die Daten vorverarbeitet, wodurch einige kognitive Aufgaben entlastet werden und das Gehirn sich auf übergeordnete Aufgaben konzentrieren kann. Wenn Sie ein wirkungsvolles Diagramm entwerfen möchten, sollten Sie den Diagrammtyp und die Formatierungsoptionen auswählen, von denen Sie glauben, dass sie dies maximieren. Vergiss das nie Das ist situationsabhängig. Menschen tendieren dazu, rein rational an „Effektivität“ zu denken, aber vielleicht möchten Sie auch Emotionen oder ein aufmerksamkeitserregenderes Design mit einbeziehen. Sie sollten mit einigen Kompromissen rechnen.
Es sollte kein Diagramm aus Ihrem Datenvisualisierungs-Toolkit entfernt werden. Ein Balkendiagramm wird oft als eine sichere Sache angesehen, kann aber eine schlechte Wahl sein. Kreisdiagramme sind zwar verunglimpft, aber sie eignen sich hervorragend zur Darstellung aggregierter Proportionen.
Ein Diagramm sollte nicht verwendet werden, wenn seine Fähigkeit zur Vorverarbeitung der Daten gering ist, aber es gibt noch mehr zu beachten. Wenn Sie Datenvisualisierung zur Kommunikation verwenden, ist ein Diagramm Teil dieser Konversation, daher sollte es nicht so aussehen, als ob es nicht dorthin gehört. Wenn du denkst Das Graph ist der richtige Weg, um zu kommunizieren Das Nachricht, verwenden Sie sie einfach. Erklären Sie es, wenn Ihr Publikum damit nicht vertraut ist, genauso wie Sie es mit einem weniger vertrauten Wort tun würden. Das Gegenteil (ein albernes Diagramm und ein komplexes Thema) kann Ihre Botschaft untergraben: Ich werde Sie nicht ernst nehmen, wenn Sie bei der Diskussion von Big Data ein 3D-Kreisdiagramm verwenden. Es gibt eine kognitive Dissonanz, die ich nicht entwirren kann.
„Kreisdiagramme“ sind die standardmäßige und oft erwartete Antwort auf diese Frage. Dies ist meiner Meinung nach ein ausgewogener Ansatz: Weniger effektive Diagramme wie Kreise und Messgeräte können als Einstiegspunkt verwendet werden, gefolgt von einer komplexeren Ansicht derselben Daten. Wenn Kreise oder Messgeräte jedoch häufig als eigenständige Diagramme verwendet werden, gehe ich davon aus, dass die numerische und visuelle Kompetenz der Organisation gering ist (und es sollte etwas dagegen unternommen werden).
Schritt 3: Auf welche häufigen Fallstricke sollte ich bei der Datenexploration achten?
Nehmen wir an, Sie verfügen über die richtigen Daten und haben den Datenexplorationsmodus aktiviert. Erwarten Sie zunächst nicht, einem linearen Weg zu folgen, bei dem Sie die Antworten auf vordefinierte Fragen eine nach der anderen finden. Dabei handelt es sich um eine einfache Tabellenaktualisierung, nicht um eine Erkundung. Und je mehr Sie über ein Thema wissen, desto eher neigen Sie dazu, sich mit der Idee eines einzigen Weges auseinanderzusetzen. Widerstehen Sie dem: Lassen Sie Raum für zufällige Erkundungen, auch wenn diese letztendlich nirgendwohin führen.
Dies trägt dazu bei, den Bestätigungsfehler (wir neigen dazu, Daten auszuwählen, die unsere bereits bestehenden Überzeugungen bestätigen) zu bekämpfen, einen der vielen persönlichen Vorurteile, die unsere Forschung belasten. Es ist unmöglich, alle davon zu kennen. Je früher unsere Ergebnisse einem breiten Publikum zugänglich gemacht werden, desto besser.Oft werden manche Dinge erst offensichtlich, wenn man eine andere Technik anwendet oder seinen Standpunkt ändert. Der Anscombe Quartett ist ein brillantes Beispiel dafür, wie sich verschiedene Explorationstechniken ergänzen können: Die Verteilungen sind scheinbar identisch, aber nur die Grafiken offenbaren ihre sehr unterschiedlichen Profile. Da Sie diese Profile nun kennen, können Sie bessere statistische Indikatoren auswählen (z. B. den Median anstelle des Mittelwerts).
Die Untersuchung einer Verteilung ist ein notwendiger erster Schritt, da ihr Zentrum einen mentalen Ankerpunkt darstellt und die Ausreißer oft aussagekräftig sind. Aber wenn man anfängt, die Beziehungen zwischen Variablen zu untersuchen, werden die Dinge viel interessanter. Ich liebe die Linked-Data-Funktionalität in JMP , Zum Beispiel. Aber es gibt einen Grund, warum eine Website gefällt Falsche Korrelationen ist so lustig: Wir sind darauf programmiert, Muster und Beziehungen zu finden. Die Wahrheit ist, dass wir die Natur dieser Beziehungen oft nicht verstehen und bereit sind, von einem scheinbaren Zusammenhang zu einer starken Kausalität überzugehen.
Schließlich, und das sollte selbstverständlich sein, zwingen Sie die Daten nicht dazu, das zu sagen, was nicht da ist: Verbiegen Sie nicht die Wahrheit, wählen Sie nicht die Rosinen aus, verwenden Sie keine Formatierungsoptionen, um eine falsche Nachricht zu senden.
Schritt 4: Sehen Sie grundlegende oder einheitliche Prinzipien in der Datenvisualisierung, die als Leitfaden für Best Practices dienen könnten?
Denken Sie an ein Gedicht und einen Aufsatz: Sie können die gleiche Sprache haben, aber sie haben nicht viel mehr gemeinsam, und selbst das kann im Namen der „künstlerischen Freiheit“ gebrochen werden. Das Gleiche geschieht mit der Datenvisualisierung, die gewissermaßen auch eine Sprache ist. Aus meiner Sicht (und in Anlehnung an Jacques Bertin) bedeutet „Datenvisualisierung“ einfach die visuelle Transkription einer zugrunde liegenden Tabelle. In diesem Sinne gibt es keinen einheitlichen Zweck oder gemeinsame Prinzipien. Sie müssen es segmentieren und versuchen, einige Cluster zu identifizieren, wie z. B. Datenkunst, visuelle Statistiken, Medieninfografiken oder Geschäftsvisualisierung.
Der Versuch, zugrunde liegende Prinzipien zu finden, die für alle diese Cluster gültig sind, ist eine wilde Suche. Auch wenn man sich auf die gemeinsamen Merkmale des Auge-Gehirn-Systems konzentriert (Augenphysiologie, Gestaltgesetze, Farbverarbeitung), wird jede Gruppe diese unterschiedlich nutzen. Einige dieser Cluster legen Wert auf Kommunikationseffektivität, andere bevorzugen das ästhetische Erlebnis und einige liegen irgendwo dazwischen. JMP Benutzer werden wahrscheinlich Wert auf Effektivität legen, aber beachten Sie, dass dies keine Lizenz zum Erstellen hässlicher Grafiken ist.
Wenn Sie wie ich sind und keinen einzigen Grafikdesigner-Knochen in Ihrem Körper haben, geben Sie Ihr Bestes, um die Auswirkungen zu verstehen und jede Designoption zu rechtfertigen. Nehmen Sie ein komplexes Thema wie Farbe: Sie können es aus einer funktionalen Perspektive angehen (Verwaltung der Intensität von Reizen oder symbolischer Bedeutungen) und dann eine professionell gestaltete Palette anwenden (von Farbbrauer , Zum Beispiel).
Schritt 5: Haben Sie Tipps zur Präsentation von Daten für diejenigen, die nicht datenorientiert sind (z. B. das Management)?
Es kommt darauf an, die Kosten einer guten Entscheidungsfindung zu minimieren. Datenvisualisierung sollte nicht als Allheilmittel verkauft werden. Viele Manager nehmen die Datenvisualisierung nicht ernst, weil sie nur gesättigte Farben und glänzende 3D-Effekte sehen, leere Kalorien, die sehr süchtig machen können, aber keine positiven Auswirkungen auf die Entscheidungsfindung haben. Erschwerend kommt hinzu, dass eine gute Datenvisualisierung ebenso wie gutes Design unsichtbar und offensichtlich ist. Um seine Vorzüge zu erkennen, muss der Manager sich ihrer bewusst sein. Nennen Sie es A/B-Tests, Vorher/Nachher, Guerilla (legen Sie Wert darauf, für jeden ineffektiven Test, den Sie finden, ein besseres Diagramm zu entwerfen), aber das Aufzeigen konkreter Verbesserungen ist der Schlüssel dazu, die Leute dazu zu bringen, Ihre Ideen zu kaufen, und sich von Anwendungsschnickschnack zu befreien , Grafikstandards und Kampfträgheit.
Manche Manager neigen dazu, harte Daten in Tabellen zu bevorzugen. Stellen Sie sicher, dass sie problemlos auf gut formatierte Tabellen zugreifen können, aber entwerfen Sie gleichzeitig Diagramme, die Schwachstellen und Erkenntnisse ansprechen, die aus Tabellen kaum zu gewinnen sind (nützliche Beziehungen, Gruppierungen, schnelle Identifizierung von Ausreißern).Gehen Sie nicht davon aus, dass Top-Manager an den Datenvisualisierungstools interessiert sind oder dass sie gerne eine Stunde damit verbringen würden, die Daten mithilfe Ihres sorgfältig erstellten Dashboards zu untersuchen. Auch hier besteht der Schlüsselgedanke darin, dass Ihre Visualisierung die Kosten für die Gewinnung von Erkenntnissen minimieren sollte.
Hat Ihnen dieses Interview gefallen? Sehen Sie sich die Aufzeichnung von an das Jorge Camoes-Seminar nach Belieben.
