Veri Görselleştirme
Veri görselleştirme, veriyi çubuklar, çizgiler, noktalar ve renk gibi görsel işaretlerle kodlama pratiğidir; böylece insanlar örüntüleri, karşılaştırmaları ve aykırı değerleri sayı tablolarını okuyarak göreceklerinden çok daha hızlı görebilir.
Veri görselleştirme nedir?
Her grafik veri alanlarını görsel kanallara eşler ve bazı kanallar diğerlerinden çok daha doğru okunur. Cleveland ve McGill'in 1984 tarihli deneyleri, insanların ortak bir ölçek üzerindeki konumu en doğru biçimde değerlendirdiğini, ardından uzunluğun, sonra açı ve alanın geldiğini, renk tonlamasının ise en az hassas kanallar arasında yer aldığını ortaya koydu. Değerleri karşılaştırırken sıralanmış bir çubuk grafiğin genellikle pasta grafikten daha iyi sonuç vermesinin nedeni budur.
Görselleştirme iki farklı işe hizmet eder. Keşifsel grafikler bir analistin bir şey bulmasına yardımcı olur; açıklayıcı grafikler ise bir kitlenin tek bir bulguyu hızla anlamasına yardımcı olur. İkisini karıştırmak kalabalık slaytlar ortaya çıkarır.
Grafik türünün ötesinde, işin büyük kısmını üç tasarım kararı görür: neyle karşılaştırılacağı (hedef, geçen yıl, emsal grubu), neyin vurgulanacağı (önemli noktada tek bir vurgu rengi) ve neyin çıkarılacağı (kılavuz çizgileri, doğrudan etikete dönüştürülebilecek lejantlar, kimsenin ihtiyaç duymadığı ondalıklar).
Doğru grafik türü nasıl seçilir?
Grafik galerisinden değil, sorudan başlayın: Her yaygın sorunun işe yarayan varsayılan bir grafiği vardır.
Zaman içindeki değişim: çizgi grafik.
Kategorileri karşılaştırma: değere göre sıralanmış yatay çubuk grafik.
Bütünün parçası: yığılmış çubuk; pasta grafik yalnızca iki ya da üç dilimle.
Dağılım: histogram veya kutu grafiği.
İki ölçü arasındaki ilişki: dağılım (scatter) grafiği.
İki kategorik boyut: ısı haritası.
Coğrafya: koroplet veya nokta harita; gerektiğinde kişi başına normalize edilmiş.
Veri görselleştirme pratikte nasıl görünür?
İyi görselleştirme çoğu zaman çok sayıda tabloyu, tekrarlanan ve karşılaştırılabilir birkaç grafikle değiştirmek anlamına gelir. Aylık kalite raporu, yönetim kurulu üyelerinin nadiren okuduğu 40 sayfalık tablolarla dolu bir PDF olan, sekiz hastaneden oluşan bölgesel bir ağ düşünün.
Analist, yönetim kurulunun gerçekten tartıştığı beş ölçütü belirler.
Her biri küçük çoklu (small multiples) çizgi grafiğe dönüşür: her hastane için bir panel, aynı eksen ve gölgelendirilmiş bir hedef bandı.
Herhangi bir ölçütün ardındaki başlıca nedenler pasta grafikle değil, sıralanmış bir çubuk grafikle gösterilir.
Bandın dışında kalan hastaneler tek bir vurgu rengiyle öne çıkarılır; geri kalan her şey gri kalır.
Tableau'da hazırlandığını varsayalım: Rapor dört sayfaya iner ve tartışma "rakam nerede?" sorusundan "C hastanesinde neden artış var?" sorusuna geçer.
Yaygın veri görselleştirme hataları nelerdir?
En zarar verici grafik hataları büyüklüğü çarpıtır; en yaygın olanlar ise mesajı basitçe gizler.
Y ekseni sıfırdan başlamayan çubuk grafikler; küçük farkları abartır.
Ölçek seçimiyle bir korelasyon ima eden çift eksenler.
Kırmızı-yeşil paletler: Yaklaşık her 12 erkekten 1'inde bir tür renk görme eksikliği vardır.
Alanı ve açıyı çarpıtan 3B efektler.
Hiyerarşisi olmayan, tek ekranda yirmi KPI.
Erişilebilirlik açısından WCAG 2.1, anlam taşıyan grafik nesneler için en az 3:1 kontrast ister ve grafikler anlamı aktarmak için yalnızca renge dayanmamalıdır.
Görselleştirme her zaman doğru cevap da değildir. Okuyucuların bir fiyat listesi veya mutabakat gibi başka bir sisteme kopyalayacakları kesin değerlere ihtiyacı olduğunda, iyi biçimlendirilmiş bir tablo her grafikten daha anlaşılırdır.
Veri görselleştirme için hangi araçlar kullanılır?
BI araçları ortak veriler üzerindeki düzenli panellere, kod kütüphaneleri özel veya gömülü görsellere, editoryal araçlar ise tek seferlik yayımlanan grafiklere uygundur. Power BI, Tableau ve Looker Studio iş raporlamasının büyük kısmını karşılar. D3.js, Plotly, Vega-Lite ve Apache ECharts özel web görsellerine güç verir. Datawrapper ve Flourish, makalelerdeki grafikler için popülerdir.
Görselleştirme, panellerin ve grafiklerin etrafına anlatı ve sıralama ekleyen veri hikâyeleştirmenin bileşenlerinden biridir.
Seçim yaparken, yayına alındıktan sonra grafiğin bakımını kimin yapacağını kontrol edin. Bir D3 görseli her şeyi yapabilir ancak her değişiklik için bir geliştirici gerektirir; bir Power BI raporu ise bir analist tarafından düzenlenebilir. Düzenli iş raporlamasında sürdürülebilirlik genellikle görsel esneklikten daha önemlidir.
Keşifsel ve açıklayıcı görselleştirme karşılaştırması
Keşifsel | Açıklayıcı | |
|---|---|---|
Amaç | Örüntüleri ve anomalileri bulmak | Tek bir bulguyu aktarmak |
Kitle | Analistin kendisi | Üst yöneticiler, müşteriler, kamuoyu |
Grafik sayısı | Çok sayıda, hızlıca hazırlanmış | Az sayıda, özenle tasarlanmış |
Stil | Varsayılanlar yeterli | Bilinçli renk, etiket ve açıklama kullanımı |
Tipik araçlar | Not defterleri, Tableau, Power BI | Datawrapper, Flourish, slaytlar, paneller |
VIZIO AI veri görselleştirmeye nasıl yaklaşır?
VIZIO AI, görselleri kitleye ve okunacakları ekrana göre tasarlar; şablonlar veriyi çarpıttığında ise özel grafikler geliştirir. Birleşik Krallık'taki bir iklim teknolojisi yapay zekâ şirketi için Venture Studio, beş dakikalık emisyon verisi için özel Dash ve Plotly görselleştirmeleri geliştirdi; yatırımcı raporlamasının teslim süresini %74 iyileştirdi ve haftada 17.000'den fazla veri noktasının takibini mümkün kıldı.
Minnesota'daki bir mobilya ve aydınlatma şirketi için DX Studio, üretim alanındaki ekranlar için Figma'da piksel hassasiyetinde 4K yerleşimler tasarladı ve operasyonel veri görünürlüğünü %85 artırdı. Nereden başlamalı: Türünü seçmeden önce her grafiğin yanıtlaması gereken tek soruyu yazın.
VIZIO AI vaka çalışmalarında Veri Görselleştirme
- Real-Time Carbon Footprint Reporting Dashboard ›Beş dakikalık emisyon verisi için özel Dash ve Plotly grafikleri, yatırımcı raporlamasının teslim süresini %74 iyileştirdi.
- 4K Screen-Compatible Real-Time Sales ›Canlı satış ve siparişler için piksel hassasiyetinde 4K ekran yerleşimleri, operasyonel veri görünürlüğünü %85 artırdı.