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 Camoes는 준비 단계에서 데이터에 대해 많은 것을 배울 수 있다고 말합니다. Jorge Camoes는 데이터 시각화에 대한 열정을 갖고 있습니다. Camoes는 Merck에서 성공적인 비즈니스 분석 경력을 쌓은 후 포르투갈 오에이라스에 데이터 시각화 컨설팅 기업인 WiseVis를 설립했습니다. Camoes는 인기 블로그의 저자로 널리 알려져 있습니다. 엑셀 차트 에서 그는 Excel과 같은 일반적인 도구를 사용하여 데이터를 최대한 활용하는 전략을 공유합니다.
그는 최근 첫 번째 책을 출판했고, 직장에서의 데이터, 여기서 그는 이러한 주제를 더 자세히 탐구하면서 독자들에게 데이터 시각화의 잠재력과 경영진 대시보드 구현 전략에 대한 사려 깊은 토론을 제공합니다. 그는 최근 JMP Explorers 세미나에서 발표됨 영국 말로에서. 그의 프레젠테이션 요약을 읽을 수 있습니다. 그의 블로그 .
나는 그에게 데이터 탐색 및 시각화에 관해 몇 가지 질문을 했습니다.
1단계: 데이터 준비.내 데이터가 사용 가능하려면 얼마나 좋거나 완전해야 합니까?
조직의 정보 인프라에 쉽게 연결할 수 있고 원하는 데이터를 원하는 방식으로 정확히 얻을 수 있고, 질문에 정확하고 철저하며 시의적절하게 대답할 수 있다면 축하할 일입니다. 아마도 작업하기에 좋은 데이터가 있을 것입니다. 그리고 당신은 아름다운 유니콘이에요.
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 Camoes는 그의 첫 번째 저서인 Data At Work를 출판했습니다. 현실 세계는 더 추악합니다. 각 조직에는 (최고 경영진에게 알려지지 않은) 비밀의 어두운 지하실이 있습니다. 거기에는 거기에 숨어 있는 몇 마리의 생물이 살고 있으며, 그 작업 설명에는 "데이터 준비" 및 기타 유사한 불미스러운 성격의 작업이 포함됩니다. 좋아요, 이러한 지하실이 실제로 있다는 것을 증명할 수는 없지만 데이터 준비는 실제로 리소스 집약적이고 시간 소모적이며 섹시하지 않고 과소평가되지만 모든 데이터 분석 프로젝트에서 기본적인 작업입니다.
ETL 도구가 점점 더 좋아지고 있지만, 애초에 PDF 파일 변환과 같이 있어서는 안 되는 문제를 처리해야 하는 경우가 많습니다. 다음은 모범 사례의 예입니다. UN 인구국은 변환하는 데 약간의 작업이 필요한 일반 Excel 스프레드시트로 인구 예측 및 추정치를 게시합니다. 또한 데이터를 보기 좋은 형식의 CSV 파일로 사용할 수 있습니다. 이 이중 형식은 대부분의 사용자 요구 사항을 충족하며 표준 관행이 되어야 합니다. 잘 구조화된 데이터가 데이터 분석의 초석인 이유를 알고 싶다면 Hadley Wickham의 깔끔한 데이터 (PDF)는 필수 독서입니다.
나는 데이터를 사용할 때 개념에 문제가 없을 것이라고 가정하고 있지만 항상 그런 것은 아닙니다. 예를 들어 USDA는 식품 가용성에 대한 데이터를 게시합니다. USDA에 따르면 이는 실제 식품 소비에 대한 좋은 지표이므로 미국 식단의 변화하는 패턴을 분석하는 데 훌륭한 소스가 됩니다. 프로젝트에서는 이를 명시적으로 설명하고 청중이 차이점을 알 수 있도록 해야 합니다. 덜 양성적인 가정을 관리해야 하는 경우가 많습니다.
마지막 팁: 나는 데이터 준비와 데이터 사용을 두 가지 별개의 단계로 보지 않을 것입니다. 준비 단계에서 데이터에 대해 많은 것을 배울 수 있습니다.
2단계: 데이터에 대해 어떤 그래프를 선택해야 합니까? 내 데이터에 어떤 그래프를 선택하면 안 되나요?
고려해야 할 두 가지 사항은 첫째, 그래프 자체이고, 둘째, 특정 상황에서의 그래프입니다.선 차트를 생각해 보세요. 추세를 파악하는 것은 매우 쉽습니다. 동일한 데이터가 포함된 테이블을 통해 몇 가지 흥미로운 사실을 알 수 있지만 이러한 추세를 파악하는 것은 훨씬 더 어렵습니다. 데이터 시각화는 어느 정도 요리 로봇과 비슷합니다. 더 나은 요리사가 될 수는 없지만 테이블을 차지하고 시간이 많이 걸리는 일부 단계를 최적화하여 결과에 집중할 수 있게 해줍니다.
즉, 데이터 시각화는 데이터를 전처리하여 일부 인지 작업을 오프로드하고 뇌가 더 높은 수준의 작업에 집중할 수 있도록 합니다. 효과적인 그래프를 디자인하려면 이를 극대화할 그래프 유형과 서식 옵션을 선택해야 합니다. 절대 잊지 마세요 이것 상황에 따라 다릅니다. 사람들은 순전히 이성적인 용어로 "효과성"을 생각하는 경향이 있지만, 감정을 고려하거나 관심을 끄는 디자인을 고려하고 싶을 수도 있습니다. 약간의 절충안을 예상해야 합니다.
데이터 시각화 도구 키트에서 차트를 제거하면 안 됩니다. 막대 차트는 종종 안전한 선택으로 여겨지지만 끔찍한 선택이 될 수도 있습니다. 원형 차트는 악의적이지만 집계 비율을 표시하는 데는 좋습니다.
데이터 전처리 능력이 낮은 경우 그래프를 사용해서는 안 되지만 고려해야 할 사항이 더 있습니다. 데이터 시각화를 사용하여 의사소통할 때 그래프는 대화의 일부이므로 거기에 속하지 않는 것처럼 느껴져서는 안 됩니다. 당신이 생각한다면 이것 그래프는 의사소통에 적합한 것이다 이것 메시지를 보내세요. 그냥 사용하세요. 청중이 익숙하지 않은 경우 덜 친숙한 단어에 대해 설명하는 것처럼 설명하십시오. 그 반대(어리석은 그래프와 복잡한 주제)는 메시지를 훼손할 수 있습니다. 빅 데이터를 논의할 때 3D 파이 그래프를 사용하면 진지하게 받아들이지 않을 것입니다. 도저히 풀 수 없는 인지부조화가 있습니다.
"파이 그래프"는 이 질문에 대한 기본 답변이자 종종 예상되는 답변입니다. 제가 생각하는 균형 잡힌 접근 방식은 다음과 같습니다. 파이나 게이지와 같이 효율성이 떨어지는 그래프를 시작점으로 사용할 수 있으며, 그 뒤에는 항상 동일한 데이터에 대한 더 복잡한 보기가 따라옵니다. 그러나 파이나 게이지가 독립형 그래프로 광범위하게 사용된다면 조직의 숫자 및 시각적 활용 능력이 낮다는 의심이 들 것입니다(그리고 이에 대해 조치를 취해야 합니다).
3단계: 데이터 탐색 중에 주의해야 할 일반적인 함정은 무엇입니까?
올바른 데이터가 있고 데이터 탐색 모드를 켰다고 가정해 보겠습니다. 첫째, 미리 정의된 질문에 대한 답을 차례로 찾는 선형 경로를 따르기를 기대하지 마십시오. 이는 탐색이 아닌 간단한 테이블 업데이트입니다. 그리고 한 주제에 대해 더 많이 알수록 단일 경로에 대한 아이디어를 받아들이려는 경향이 더 커집니다. 이에 저항하십시오. 결과적으로 아무런 결과도 얻지 못하더라도 무작위로 탐색할 여지를 남겨 두십시오.
이는 우리의 탐색을 괴롭히는 많은 개인적 편견 중 하나인 확증 편향(우리는 기존 신념을 확인하는 데이터를 선택하는 경향이 있음)을 막는 데 도움이 됩니다. 이들 모두를 인식하는 것은 불가능하므로 우리의 결과가 더 많은 청중에게 빨리 노출될수록 좋습니다.종종 어떤 것들은 다른 기술을 사용하거나 관점을 바꿀 때만 분명해집니다. 그만큼 앤스컴 콰르텟 는 서로 다른 탐색 기술이 어떻게 서로를 보완할 수 있는지 보여주는 훌륭한 예입니다. 분포는 겉보기에는 동일하지만 그래프만 보면 매우 다른 프로필이 드러납니다. 그러나 이제 해당 프로필을 알았으므로 더 나은 통계 지표(예: 평균 대신 중앙값)를 선택할 수 있습니다.
분포의 중심은 정신적인 기준점을 제공하고 이상값은 종종 의미가 있기 때문에 분포 탐색은 필요한 첫 번째 단계입니다. 그러나 변수 간의 관계를 탐색하기 시작하면 상황이 훨씬 더 흥미로워집니다. 나는 연결된 데이터 기능을 좋아합니다. JMP , 예를 들어. 그러나 다음과 같은 사이트에는 이유가 있습니다. 가짜 상관관계 정말 재밌습니다. 우리는 패턴과 관계를 찾도록 연결되어 있습니다. 사실, 우리는 종종 그러한 관계의 본질을 이해하지 못하고 명백한 연관성에서 강력한 인과 관계로 나아가려고 합니다.
마지막으로, 말할 것도 없이 데이터에 없는 것을 말하도록 강요하지 마십시오. 진실을 왜곡하지 말고, 선별하지 말고, 잘못된 메시지를 보내기 위해 형식 지정 옵션을 사용하지 마십시오.
4단계: 모범 사례를 안내하기 위해 데이터 시각화의 기본 또는 통합 원칙이 있습니까?
시와 에세이를 생각해 보십시오. 그들은 같은 언어를 공유할 수 있지만 공통점이 많지 않으며 심지어 "예술적 면허"라는 이름으로 깨질 수도 있습니다. 어느 정도는 언어이기도 한 데이터 시각화에서도 마찬가지입니다. 내가 보기에(그리고 Jacques Bertin에 따르면) "데이터 시각화"는 단순히 기본 테이블을 시각적으로 기록하는 것을 의미합니다. 그런 의미에서 통일된 목적이나 공유된 원칙은 없습니다. 이를 분할하고 데이터 아트, 시각적 통계, 미디어 인포그래픽 또는 비즈니스 시각화와 같은 일부 클러스터를 식별해야 합니다.
모든 클러스터에 걸쳐 유효한 기본 원칙을 찾으려는 노력은 소름 끼치는 일입니다. 눈-뇌 시스템의 공통 기능(눈 생리학, 게슈탈트 법칙, 색상 처리)에 중점을 두더라도 각 그룹에서는 이를 다르게 사용합니다. 이러한 클러스터 중 일부는 의사소통 효율성을 우선시하고, 다른 클러스터는 미적 경험을 선호하며, 일부는 그 사이 어딘가에서 발견됩니다. JMP 사용자는 아마도 효율성을 중요하게 생각할 것입니다. 그러나 이것은 보기 흉한 그래프를 만들 수 있는 라이센스가 아니라는 점에 유의하십시오.
당신이 나와 같고 몸에 그래픽 디자이너의 뼈대가 하나도 없다면 최선을 다해 영향을 이해하고 각 디자인 옵션을 정당화하십시오. 색상과 같은 복잡한 문제를 생각해 보세요. 기능적 관점(자극 강도 또는 상징적 의미 관리)에서 접근한 다음 전문적으로 디자인된 팔레트를 적용할 수 있습니다( 컬러브루어 , 예를 들어).
5단계: 데이터에 관심이 없는 사람들(예: 경영진)에게 데이터를 제시하는 방법에 대한 팁이 있습니까?
이 모든 것은 올바른 의사 결정에 드는 비용을 최소화하는 것으로 귀결됩니다. 데이터 시각화를 만병통치약으로 판매해서는 안 됩니다. 많은 관리자들은 포화된 색상과 반짝이는 3D 효과, 매우 중독성이 있지만 의사 결정에 긍정적인 영향을 미치지 않는 빈 칼로리만 보기 때문에 데이터 시각화를 진지하게 받아들이지 않습니다. 설상가상으로 좋은 디자인과 마찬가지로 좋은 데이터 시각화도 눈에 보이지 않고 명백합니다. 그 장점을 인식하려면 관리자가 이를 알고 있어야 합니다. 이를 A/B 테스트 전/후 게릴라라고 부르세요(비효율적인 각 항목에 대해 더 나은 그래프를 디자인하도록 강조). 하지만 구체적인 개선을 보여주는 것이 사람들이 아이디어를 구매하도록 하고 애플리케이션 종소리를 없애는 열쇠입니다. , 그래프 기본값 및 관성 싸움.
일부 관리자는 테이블의 하드 데이터를 선호하는 경향이 있습니다. 올바른 형식의 테이블에 쉽게 액세스할 수 있도록 하는 동시에 테이블에서 얻을 수 없는 문제점과 통찰력(유용한 관계, 그룹화, 빠른 이상치 식별)을 해결하는 그래프를 디자인하십시오.최고 관리자가 데이터 시각화 도구에 관심이 있거나 신중하게 제작된 대시보드를 사용하여 데이터를 탐색하는 데 한 시간을 할애할 것이라고 가정하지 마십시오. 다시 말하지만, 핵심 아이디어는 시각화가 통찰력을 얻는 데 드는 비용을 최소화해야 한다는 것입니다.
이번 인터뷰가 즐거우셨나요? 녹화 시청하기 호르헤 카모에스 세미나 귀하의 편의에 따라.
