theASIDEblog a écrit:
Le graphisme définit des compétences claires et réalisables qui résument les repères nécessaires pour les enfants d'aujourd'hui et les professionnels de demain. Essentiellement, les enseignants doivent concevoir des informations à des fins pédagogiques et aider également leurs élèves à décoder la galaxie visuelle qui englobe leur monde actuel. Pour être informé, les étudiants doivent être alphabétisés sur le plan graphique, car ils découpent des données, des images et des mots en couches d'informations et construisent des significations relationnelles. L'éducation au graphisme, comme l'alphabétisation, l'oralité et le calcul, complète les lignes de communication nécessaires aux apprenants d'aujourd'hui. http://theasideblog.blogspot.com/search/label/graphicacy
Quel que soit le public qui regarde les données et/ou les informations résultantes, le moyen le plus efficace de traiter ce que vous voyez est la représentation graphique des données. En tant qu'étudiant en économie, j'en suis venu à apprécier la quantité d'informations qui peuvent être joliment distillées dans un graphique bien choisi - relations avec les prix et les quantités, changements de l'offre et de la demande au fil du temps, frontières efficaces, etc. Avec autant de données et autant de valeur potentielle à tirer des données, il est bon de voir que nous sommes prêts à tirer davantage parti de notre incroyable bande passante visuelle grâce à un codage plus graphique des données. La tendance à une plus grande « alphabétisation visuelle » ou graphique est apparente.
L'expert en visualisation de données, Stephen Few, a écrit un article sur Critères d'évaluation des outils visuels EDA dans son trimestriel Newsletter de Business Intelligence Visuelle . La première phrase de l'article est importante : « Nous visualisons les données à diverses fins. » Pour développer cela, considérons quand les données sont des données et quand les données deviennent des informations.
Beaucoup considèrent que la visualisation des données et la visualisation des informations sont synonymes. Cependant, dans le contexte d'un continuum données-informations, nous commençons à voir qu'il existe des différences importantes. Les données ne deviennent des informations que lorsqu'elles servent à informer. Si vous êtes l'analyste explorant les données, cherchant à produire des informations, vous êtes le public principal lors de l'analyse exploratoire des données - vous et les données, apprenant, sur votre chemin pour produire plus d'informations. Vous êtes à la fois producteur et consommateur d'informations. Les données informent vos prochaines étapes alors que vous cherchez à en savoir plus.
Une fois que vous avez obtenu des résultats et produit des informations, vous devez généralement diffuser vos découvertes à d'autres (consommateurs d'informations). Quel que soit le public qui regarde les données et/ou les informations résultantes, le moyen le plus efficace de traiter ce que vous voyez est la représentation graphique des données. Nous ne pouvons tout simplement pas traiter le texte et les sorties tabulaires aussi rapidement que les graphiques et les films de données. La visualisation joue un rôle important dans la découverte des données ainsi que dans la diffusion de l'information.
Cela dit, quelles capacités sont nécessaires pour explorer les données et produire des informations ? La réponse préférée de l'économiste est (bien sûr) ça dépend ! Si vous posez des questions relativement simples sur vos données, des capacités simples suffisent. Même les feuilles de calcul peuvent faire l'affaire (même si cela me fait mal de l'écrire car elles sont trop utilisées pour faire des choses pour lesquelles elles n'ont jamais été conçues !). Si, toutefois, vous posez des questions plus complexes sur vos données — si les données doivent être explorées plus rigoureusement pour révéler des vérités — vous avez besoin d'un ensemble plus riche de capacités de découverte de données.
Données la visualisation implique un plus grand degré d'analyse des données que informations visualisation. Un analyste peut avoir besoin d'examiner des éléments tels que des diagrammes de dispersion, des diagrammes parallèles, des dendrogrammes et des diagrammes de surface pour déterminer les relations, les modèles, les tendances et les anomalies afin d'éclairer sa prochaine étape. Lorsqu'elle est prête à partager les résultats et selon l'audience, l'analyste peut montrer certains de ces mêmes graphiques pour transmettre des résultats intéressants dans les données. Elle peut également montrer des graphiques complètement différents - certains qui ne faisaient pas partie de son processus de découverte - mais elle sélectionne les graphiques qui font le mieux ressortir et transmettent les histoires d'une manière qu'elle public comprendra facilement. Ces graphiques de présentation peuvent se présenter sous la forme de diagrammes à barres, de graphiques à bulles ou de graphiques spatiaux spécifiques. Je trouve gênant de simplement parler ou écrire sur la visualisation des données et des informations sans montrer une visualisation, donc quelques exemples sont inclus.
Utilisation de certains cancers du sein accessibles au public Les données , vous pouvez explorer les données avec différents tracés comme les deux premiers ci-dessous.Si vous cliquez sur les barres malignes ou bénignes dans l'histogramme des diagnostics, vous pouvez voir les distributions de chacun de ces diagnostics mis en évidence dans d'autres attributs.Avant même d'avoir commencé à créer un modèle prédictif, vous pouvez voir une belle séparation dans les deux images ci-dessous - vous pouvez voir comment les attributs sont liés au résultat que vous essayez de prédire.
Supposons que vous ayez construit un modèle qui capture une partie de la complexité dans la façon dont les variables interagissent et comment elles se rapportent à la variable cible, le diagnostic, en utilisant des méthodes de visualisation comme le Profiler, vous pouvez voir comment changer une variable d'entrée (en cliquant et en faisant glisser le ligne verticale), affecte le résultat ainsi que d'autres intrants.
Une autre différence importante entre l'exploration visuelle des données et les graphiques de présentation est que les visualisations de données sont généralement créées très rapidement - souvent en quelques secondes - pour informer l'étape suivante de l'analyste et pour que l'analyste puisse rester « en flux ». Selon le public et le degré de personnalisation requis, les graphiques de présentation peuvent prendre beaucoup plus de temps à créer, souvent des heures.
Ainsi, en creusant un peu plus profondément ce qui se cache derrière les niveaux croissants de graphisme, il est important de noter les différentes compétences qui peuvent contribuer à donner plus de sens à toutes ces données volumineuses.Autre preuve que le graphisme est à la hausse : De nombreux groupes LinkedIn sur la visualisation se sont formés. Et ce populaire cours de visualisation de données de deux jours à Harvard, à laquelle j'ai eu le plaisir d'assister, avait apparemment une longue liste d'attente lorsqu'elle a été offerte cette année. La visualisation est de plus en plus sur le radar des analystes de l'industrie informatique, comme en témoigne un rapport de Forrester sur des plateformes avancées de visualisation de données. La bibliothèque publique de New York a organisé un panel avec un certain nombre de leaders d'opinion remarquables reflétant l'intérêt multidisciplinaire pour la visualisation des données et de l'information : Qu'est-ce qu'une bonne visualisation de données ?
En plus des blogs et des livres associés comme les classiques de longue date de Edouard Tufté , aussi bien que Etienne Peu , Kaiser Fung et Nathan Yau , le nombre de livres sur la visualisation des données et de l'information augmente également, dont certains en sont à leur deuxième édition comme celui de Stephen Few Montrez-moi les chiffres : concevoir des tableaux et des graphiques pour éclairer .
Que vous ayez besoin d'explorer des données, de présenter et/ou de consommer des informations, que les questions que vous posez sur vos données soient simples ou complexes, vous pouvez produire et consommer des informations plus efficacement en tirant parti du nombre croissant de paradigmes et de capacités visuels. La plupart d'entre nous sommes des apprenants visuels, et plus de la moitié de notre cerveau se consacre à soutenir la vision. Avec des variétés et des volumes de données croissants - et des variétés et des volumes croissants de problèmes et d'opportunités - il est temps de voir des signes que nous tirons davantage parti de notre bande passante visuelle pour donner un sens plus rapide aux données.
