Os tipos de visualizações de dados
UMA Visualização de dados
Conteúdo
As audiências vêm em todas as formas, formas e tamanhos. Você poderia estar projetando algo para os jovens e nervosos leitores Pedra rolando revista, ou talvez você precisa para projetar uma visualização para transmitir descobertas científicas a um grupo de pesquisa. É possível que seu público é composto por membros do conselho e os decisores organizacionais, ou talvez você está projetando uma peça que está destinado a agitar-se uma zaragata com membros de uma organização de base local.
Uma vez que cada público será composto de uma única classe de consumidores, cada um com as suas necessidades de visualização de dados únicos, é essencial para esclarecer exatamente para quem você está projetando. Nos parágrafos, você começa a conhecer os três principais tipos de visualizações de dados e como escolher a que melhor atende às necessidades do seu público.
Video: ArcGIS 10: Visualização da Tabela de Atributos do Raster
storytelling dados para os decisores organizacionais
Às vezes você tem que projetar visualizações de dados para um público menos técnico, talvez, a fim de ajudar os membros desse público tomar decisões de negócios mais informadas. O objetivo deste tipo de visualização é dizer ao seu público a história por trás dos dados. Na narrativa de dados, o público depende de você para fazer sentido dos dados por trás da visualização e, em seguida, transformar insights úteis em histórias visuais que eles possam entender.
Com storytelling dados, seu objetivo deve ser o de criar, uma visualização altamente concentrado livre de desordem para que os membros de seu público pode rapidamente extrair significado sem muito esforço. Estas visualizações são melhor entregues na forma de imagens estáticas, mas os tomadores de decisão mais hábeis podem preferir ter um painel interativo que eles podem usar para fazer um pouco de exploração e que-se de modelagem.
mostruário de dados para analistas
Se você está projetando para uma multidão de, analistas de cálculo lógico, você pode criar visualizações de dados que são bastante-abertas. O objetivo deste tipo de visualização é ajudar os membros da audiência explorar visualmente os dados e tirar suas próprias conclusões.
Video: 04 - Lógica de Programação - Variáveis e Tipos de Dados
ao usar mostruário de dados técnicas, seu objetivo deve ser o de mostrar uma grande quantidade de informação contextual que suporta seus membros das audiências em fazer suas próprias interpretações. Estas visualizações deve incluir dados morecontextual e foco menos conclusiva, que as pessoas possam entrar lá, analisar os dados para si, e tirar suas próprias conclusões. Estas visualizações são melhor entregues como imagens estáticas ou, dashboards dinâmicos e interativos.
Projetando arte dados para ativistas
Você poderia estar projetando para um público de idealistas, sonhadores, e tomadores de mudança. Ao projetar para este público, você quer seu visualização de dados para fazer um ponto! Você pode assumir que o seu membro da platéia típico não é que analítica. O que essas pessoas não têm em habilidades matemáticas, no entanto, que mais do que compensar em sólidas convicções.
Essas pessoas olham para a sua visualização de dados como um veículo através do qual a fazer uma declaração. Ao projetar para este público, arte dados é o caminho a percorrer. O objetivo principal na arte de dados é para entreter, para provocar, irritar, ou para fazer o que for preciso para fazer uma indicação alta e clara,-exigindo atenção. arte de dados tem pouca ou nenhuma narrativa e não oferece espaço para os espectadores para formar suas próprias interpretações.
É importante ressaltar aqui que os cientistas de dados têm uma responsabilidade ética para representar sempre dados com precisão. Um cientista de dados nunca deve distorcer a mensagem dos dados para ajustar o que o público quer ouvir - nem mesmo para a arte de dados! audiências não técnicas nem vai saber quais são os possíveis problemas, e muito menos ser capaz de vê-los. Eles contam com o cientista de dados para fornecer representações honestas e precisas, amplificando assim o nível de responsabilidade ética que o cientista de dados deve assumir.