theASIDEblog schrieb:
Die Grafik zeichnet klare, erreichbare Fähigkeiten aus, die die notwendigen Maßstäbe für Kinder von heute und die Fachkräfte von morgen aufzeigen. Grundsätzlich müssen Lehrer Informationen für den Bildungsbereich entwerfen und ihren Schülern helfen, die visuelle Galaxie zu entschlüsseln, die ihre gegenwärtige Welt umfasst. Die Schüler müssen über grafische Kenntnisse verfügen, um informiert zu werden, da sie Daten, Bilder und Wörter in Informationsebenen aufteilen und relationale Bedeutungen konstruieren. Die Ausbildung in der Alphabetisierung, wie Alphabetisierung, Oracy und Rechnen, vervollständigt die für heutige Lernende notwendige Kommunikationslinie. http://theasideblog.blogspot.com/search/label/graphicacy
Unabhängig davon, wie sich das Publikum die Daten und/oder die daraus resultierenden Informationen ansieht, ist der effizienteste Weg, das Gesehene zu verarbeiten, die grafische Darstellung der Daten. Als jemand, der Wirtschaftswissenschaften studiert hat, habe ich die Menge an Informationen zu schätzen gelernt, die sich gut in eine gut gewählte Grafik destillieren lassen – Beziehungen zu Preis und Menge, Veränderungen von Angebot und Nachfrage im Laufe der Zeit, Effizienzgrenzen und mehr. Bei so vielen Daten und so viel potenziellem Wert, der aus Daten gewonnen werden kann, ist es gut zu sehen, dass wir bereit sind, unsere erstaunliche visuelle Bandbreite durch mehr grafische Kodierung von Daten besser zu nutzen. Der Trend zu größerer „visueller Kompetenz“ oder Grafikfähigkeit ist offensichtlich.
Stephen Few, Experte für Datenvisualisierung, schrieb einen Artikel über Kriterien für die Bewertung von Visual EDA-Tools in seinem vierteljährlichen Visual Business Intelligence-Newsletter . Wichtig ist der erste Satz des Artikels: „Wir visualisieren Daten für verschiedene Zwecke.“ Um dies zu erweitern, betrachten wir, wann Daten Daten sind und wann Daten zu Informationen werden.
Viele halten Datenvisualisierung und Informationsvisualisierung für synonym. Im Kontext eines Daten-Informations-Kontinuums beginnen wir jedoch zu sehen, dass es wichtige Unterschiede gibt. Daten werden erst dann zu Informationen, wenn die Daten der Information dienen. Wenn Sie der Analytiker sind, der Daten untersucht und Informationen produzieren möchte, sind Sie die Hauptzielgruppe bei der explorativen Datenanalyse – Sie und die Daten lernen auf Ihrem Weg, mehr Informationen zu produzieren. Sie sind gleichzeitig Informationsproduzent und Konsument. Die Daten informieren Sie über Ihre nächsten Schritte, wenn Sie mehr erfahren möchten.
Sobald Sie Ergebnisse erhalten und Informationen erstellt haben, müssen Sie Ihre Ergebnisse in der Regel an andere (Informationskonsumenten) weitergeben. Unabhängig davon, wie sich das Publikum die Daten und/oder die daraus resultierenden Informationen ansieht, ist der effizienteste Weg, das Gesehene zu verarbeiten, die grafische Darstellung der Daten. Wir können Text- und Tabellenausgaben einfach nicht so schnell verarbeiten wie Grafiken und Datenfilme. Visualisierung spielt eine wichtige Rolle bei der Datenermittlung sowie der Informationsverbreitung.
Welche Fähigkeiten sind jedoch erforderlich, um Daten zu untersuchen und Informationen zu produzieren? Die Lieblingsantwort des Ökonomen ist (natürlich) es kommt darauf an! Wenn Sie relativ einfache Fragen zu Ihren Daten stellen, genügen einfache Fähigkeiten. Sogar Tabellenkalkulationen können den Zweck erfüllen (obwohl es mich schmerzt, sie zu schreiben, da sie überstrapaziert sind, um Dinge zu tun, für die sie nie gedacht waren!). Wenn Sie jedoch komplexere Fragen zu Ihren Daten stellen – wenn die Daten gründlicher untersucht werden müssen, um Wahrheiten zu enthüllen –, benötigen Sie umfassendere Data Discovery-Funktionen.
Daten Visualisierung impliziert einen höheren Grad an Datenanalyse als Information Visualisierung. Ein Analytiker muss sich möglicherweise Dinge wie Streudiagramme, Paralleldiagramme, Dendrogramme und Oberflächendiagramme ansehen, um Beziehungen, Muster, Trends und Anomalien zu bestimmen, um ihren nächsten Schritt zu bestimmen. Wenn sie bereit ist, Ergebnisse zu teilen und je nach Publikum, kann der Analytiker zeigen etwas dieser Grafiken, um interessante Erkenntnisse in den Daten zu vermitteln. Sie kann auch ganz andere Grafiken zeigen – einige, die nicht Teil ihres Entdeckungsprozesses waren – aber sie wählt die Grafiken aus, die die Punkte am besten verdeutlichen und die Geschichten auf eine Weise vermitteln, die sie selbst hat Publikum wird es ohne weiteres verstehen. Solche Präsentationsgraphen können in Form von Balkendiagrammen, Blasendiagrammen oder speziellen räumlichen Graphen vorliegen. Ich finde es unangenehm, nur über Daten- und Informationsvisualisierung zu sprechen oder zu schreiben, ohne eine Visualisierung zu zeigen, daher sind einige Beispiele enthalten.
Verwendung von öffentlich zugänglichem Brustkrebs Daten , können Sie die Daten mit verschiedenen Diagrammen wie den ersten beiden unten untersuchen.Wenn Sie im Diagnosehistogramm auf die bösartigen oder gutartigen Balken klicken, können Sie die Verteilungen jeder dieser Diagnosen in anderen Attributen hervorgehoben sehen.Noch bevor Sie mit der Erstellung eines Vorhersagemodells begonnen haben, können Sie in beiden Bildern unten eine schöne Trennung erkennen – Sie können sehen, wie sich die Attribute auf das Ergebnis beziehen, das Sie vorhersagen möchten.
Angenommen, Sie haben ein Modell erstellt, das einen Teil der Komplexität der Interaktion der Variablen und ihrer Beziehung zur Zielvariablen erfasst vertikale Linie) beeinflusst das Ergebnis sowie andere Eingaben.
Ein weiterer wichtiger Unterschied zwischen visueller Datenexploration und Präsentationsgrafiken besteht darin, dass Datenvisualisierungen normalerweise sehr schnell erstellt werden – oft in Sekundenbruchteilen –, um den nächsten Schritt des Analysten zu informieren und damit der Analyst „im Flow“ bleiben kann. Je nach Zielgruppe und erforderlichem Anpassungsgrad kann die Erstellung von Präsentationsgrafiken viel länger dauern – oft Stunden.
Wenn man also ein wenig tiefer in die Hintergründe der steigenden Grafikqualität eintaucht, ist es wichtig, die verschiedenen Fähigkeiten zu beachten, die dazu beitragen können, all diese Big Data sinnvoller zu machen.Ein weiterer Beweis dafür, dass die Grafik zunimmt: Zahlreiche LinkedIn-Gruppen zum Thema Visualisierung haben sich gebildet. Und dieses beliebte zweitägiger Datenvisualisierungskurs in Harvard, an dem ich das Vergnügen hatte, zu besuchen, hatte anscheinend eine lange Warteliste, als es dieses Jahr angeboten wurde. Visualisierung ist zunehmend auf dem Radar von IT-Branchenanalysten, wie ein Bericht von Förster auf fortschrittlichen Datenvisualisierungsplattformen. Die New York Public Library veranstaltete ein Panel mit einer Reihe bemerkenswerter Vordenker, die das multidisziplinäre Interesse an Daten- und Informationsvisualisierung widerspiegelten: Was macht eine gute Datenvisualisierung aus?
Neben Blogs und dazugehörigen Büchern wie den langjährigen Klassikern von Edward Tufte , ebenso gut wie Stephen Few , Kaiser Fung und Nathan Yau , wächst auch die Zahl der Bücher über Daten- und Informationsvisualisierung, von denen einige in der zweiten Auflage wie das von Stephen Few Zeig mir die Zahlen: Entwerfen von Tabellen und Grafiken zur Erleuchtung .
Unabhängig davon, ob Sie Daten untersuchen, Informationen präsentieren und/oder konsumieren müssen, ob die Fragen, die Sie an Ihre Daten stellen, einfach oder komplex sind, können Sie Informationen effizienter und effektiver produzieren und nutzen, indem Sie die wachsende Zahl visueller Paradigmen und Funktionen nutzen. Die meisten von uns sind visuelle Lerner, und mehr als die Hälfte unseres Gehirns widmet sich der Unterstützung des Sehens. Angesichts der wachsenden Vielfalt und Menge an Daten – und der wachsenden Vielfalt und Menge an Problemen und Möglichkeiten – ist es an der Zeit, Anzeichen dafür zu erkennen, dass wir unsere visuelle Bandbreite stärker nutzen, um Daten schneller zu verstehen.
