شرکت هوش تجاری تارت

مقدمه‌ای بر بصری‌سازی داده

فهرست مطالب

تا همین چند سال اخیر توانایی مصورسازی داده‌ها یک مهارت جانبی برای تحلیل‌گران داده به حساب می‌آمد اما امروزه این مهارت یک ضرورت برای تمامی مدیران این حوزه محسوب می‌شود چرا که تصمیم‌گیری به طور فزاینده مبتنی بر داده‌ها صورت می‌گیرد و مصورسازی داده‌ها راه اصلی درک سخن داده هاست. 

با وجود ابزارهای متعدد و همین طور دسترسی آسان و همه‌گیر به اینترنت،‌ تصویرسازی داده ها برای همه افراد در دسترس و قابل اجراست ولی در کنار این راحتی در استفاده خطر ساخت نمودارهای بی‌اثر غلط و یا با اثربخشی کم هر کسب و کاری را تهدید میکند.

از آنجاییکه بدون مصور‌سازی داده‌ها کشف الگوهای پنهان به یک مشکل حل نشدنی تبدیل می‌شود کارشناسان داده پیشنهاد می‌کنند که ابتدا هدف و ماهیت بصری‌سازی داده‌ها در نظر گرفته شود و سپس برای شناخت بهتر از این که از کدام مدل تصویرسازی برای رسیدن به این هدف استفاده شود به دو سوال زیر پاسخ دهیم:

  • اطلاعات شما مفهومی است یا داده محور بدست آمده است؟
  • آیا می‌خواهیم نتایجی را اعلام کنیم و یا در صدد تحلیل آنها هستیم؟

از سوال اول مشخص می‌شود که چه چیزی در دست داریم و با پاسخ به سوال دوم متوجه می‌شویم که چه کاری انجام می‌دهیم. به طور مثال آیا ما در حال برقراری ارتباط و گزارش دهی هستیم؟ (بصری‌سازی اعلامی) یا در حال کشف الگو؟ (بصری‌سازی اکتشافی)

اغلب مدیران به دنبال مصورسازی اعلامی هستند تا نتایج به دست آمده را در محیطی رسمی و بهینه به مخاطبان ارائه دهند. اما فرض کنیم که مدیر تیم فروش به دنبال علت ضعف در عملکرد تیم خود است. آیا این عقب ماندن از تارگت فروش به دلیل چرخه فصلی است؟ این فرضیه مدیر است و می‌خواهد با تحلیل داده‌ها این فرضیه را رد و یا تایید کند.

به جدول زیر دقت کنید در زیر مثال‌هایی همراه با عملکرد نسبت به سوال و مساله در کسب و کار و روش برخورد با آن آورده شده است.

پس از طرح سوال و یافتن هدف به دنبال یافتن بهترین روش بصری‌سازی برای داده‌ها خواهیم بود. در زیر انواع روش‌ها آورده شده است. و در شکل زیر نشان داده شده است که هر مدل بصری مناسب با کدام نوع داده و اطلاعات است. ​
  1. تصویرسازی ایده ( idea illustration)
  2. تولید ایده (Idea generation)
  3. کشف بصری (usual discovery)
  4. تصویرسازی روزمره (everyday dataviz)

بصری‌سازی ایده‌ (Idea illustration)

همان طور که در شکل بالا مشاهده می‌کنید این ربع که به گوشه مشاوران معروف است به دنبال مصورسازی از طریق استعاره‌ها (مانند درخت) و قرارداد‌های طراحی ساده (همچون نمودارهای سلسله مراتبی) به جهت ساده‌سازی ایده‌های پیچیده هستند. در حقیقت نمودارهای سازمانی و درخت‌های تصمیم نمونه‌های کلاسیک تصویرسازی ایده هستند. در این قسمت تمرکز بر ارتباطات شفاف، ساختار و منطق ایده‌هاست.

تولید ایده (Idea generation)

مانند تصویرسازی ایده، تولید ایده بر استعاره‌های مفهومی متکی است، اما در محیط‌های غیررسمی‌تری همچون جلسات استراتژی و پروژه‌های نوآوری در فاز اولیه و هدف آن یافتن راه‌های جدید برای مشاهده نحوه عملکرد کسب‌وکار و پاسخ به چالش‌های مدیریتی پیچیده است همچون تجدید ساختار یک سازمان، ارائه یک فرآیند تجاری جدید، تدوین یک سیستم برای تصمیم‌گیری.

کشف بصری (Usual discovery)

اهداف اکتشافی خود به نوع آزمایش یک فرضیه و استخراج الگوها، روندها و ناهنجاری‌ها تقسیم می‌شوند. تصویرسازی‌های مبتنی بر داده‌های باز معمولاً برعهده‌ی دانشمندان داده و تحلیل‌گران هوش تجاری است و اغلب بینش‌هایی را ایجاد می‌کند که به هیچ‌وجه نمی‌توان آنها را بدون استفاده از تصویرسازی داده‌ها به دست آورد. مدیران در این قسمت به احتمال زیاد از متخصصان برای کمک به راه‌اندازی سیستم‌هایی برای تحلیل داده‌ها و ایجاد تجسم‌های متناسب با اهداف تحلیلی خود دعوت می‌کنند زیرا در این قسمت مهارت‌های تحلیلی، برنامه‌نویسی، مدیریت داده و هوش تجاری بسیار مهم تر از توانایی صرفا ایجاد نمودارهای قابل ارائه هستند. در حقیقت این ربع نشان‌دهنده‌ی بصری‌سازی پیشرفته همراه با تحلیل و تعمق در داده‌هاست.

تصویرسازی روزمره (Everyday dataviz)

در حالی که دانشمندان داده بیشتر کار را بر روی کاوش بصری انجام می‌دهند، مدیران بیشتر کار را روی بصری‌سازی روزمره انجام می‌دهند که معمولاً ساده و قابل فهم برای همگان است: نمودارهای خطی، نمودارهای میله‌ای، دایره‌ها، و نمودارهای پراکندگی. سختی کار تصویرسازی روزمره نه در ایجاد و کاوش در داده و نمودارها که در استفاده صحیح از آنهاست چرا که در صورت ایجاد یک نمودار ضعیف،‌ به جای ساده‌سازی سوالاتی در ذهن کاربر ایجاد می‌کند که مجبور به تفسیر اطلاعات واضح می‌شود. یک بصری‌سازی رومزه باید برای خود سخن بگوید در غیر این صورت شکست خورده است البته این بدان معنا نیست که یک نمودار اعلامی نباید بحثی ایجاد کند اما این بحث باید حول محور ایده باشد و نه داده و خود نمودار.

یک نمودار با طراحی ضعیف، زمان را با برانگیختن سؤالاتی تلف می‌کند که از ارائه کننده می‌خواهد اطلاعاتی را که واضح است تفسیر کند. اگر یک تصویرسازی روزمره نتواند برای خودش صحبت کند، شکست‌خورده است اما این بدان معنا نیست که نمودارهای اعلامی نباید بحث ایجاد کنند بلکه بحث باید در مورد ایده در نمودار باشد، نه خود نمودار. در آخر به این موضوع می‌رسیم که بصری‌سازی داده‌ها یک فرایند است ایجاد یک نمودار خوب در واقع به این معناست که ما به حقیقتی از داده‌ها دست یافتیم و کاربران و مخاطبان را وادار کردیم که گزارشی را ببینند که پیش از آن در بررسی داده و ردیف‌های آن دیده نمی‌شد.

برگرفته از مقاله fundamentals of data visualization توسط تیم تارت

ترجمه شده توسط
ثمین انوری

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خدمات داده محور TartBI - سیستم های تشحیص تقلب

مصورسازی موفقیت

برای دریافت پیش‌فاکتور نرم‌افزار مصورسازی داده تارت، فرم را تکمیل کنید.