اشتباهات مصورسازی داده ها و راهکارهای عملی و ساده برای اجتناب از آنها

اشتباهات مصورسازی داده توسط یک ضرب‌المثل از آقای Ben Schneiderman، دانشمند علوم کامپیوتر به‌خوبی توصیف شده است: «هدف مصورسازی داده بینش است، نه تصویر.» داده‌ها فقط اعداد نیستند؛ بلکه پایه‌ای برای تصمیم‌گیری آگاهانه در همه حوزه‌ها، از توسعه محصول گرفته تا بازاریابی هستند.

هنگام ایجاد این نمودارها، مرتکب اشتباهاتی می‌شویم که تفاسیر غلطی برجا می‌گذارند. به‌همین‌دلیل ما در این مقاله، تلاش داریم ۱۰ اشتباه مصورسازی داده را توضیح دهیم و راه‌کارهای جامع و مبتنی‌بر تجربه را دراختیارتان بگذاریم. 

علائم مصورسازی ضعیف داده‌ها

«تجسم داده‌ها زبان تصمیم‌گیری است. نمودارهای خوب به‌طور موثر اطلاعات را منتقل می‌کنند. نمودارهای عالی تصمیم‌گیری را ممکن می‌سازند، اطلاع‌رسانی می‌کنند و فرآیندهای سازمانی را بهبود می‌بخشند.» – دانته ویتالیانو (Dante Vitagliano).

ایجاد یک تجسم داده خوب چیزی بیش از قرار دادن برخی داده‌ها در نمودارهای رنگارنگ است. عدم زیاده‌روی در مصورسازی داده و ایجاد محیطی تعاملی با مخاطبان، در این فرآیند نقش بسیار مهمی دارند؛ چون باید از داده‌های خام، به نمودارهای چشم‌گیر برسیم و آن‌ها را در زمینه مدنظرمان آموزش دهیم و در جهت تصمیم‌گیری ساده‌ حرکت کنیم.

در بسیاری از موارد، تجسم‌های ضعیف بیشتر گیج‌کننده هستند تا مفید. موارد زیر نشانه‌های تجسم بد داده‌ها هستند:

• پنهان کردن داده‌های مرتبط: بینش‌های اساسی مبهم هستند یا در میان نمودارها گم شده‌اند.
• انباشتگی داده در نمودارها: نمودارهای ناکارآمدی که شامل اطلاعات بیش‌ازحد و ناخوانا هستند.
• تحریف در ارائه داده‌ها: استفاده از مقیاس‌ها یا قالب‌هایی که داده‌ها را نادرست نشان می‌دهند.
• توصیف نادرست داده‌ها: متنی که با داده‌ها مطابقت ندارد، می‌تواند منجربه سردرگمی مخاطبان شود.
• تجسم‌های گیج‌کننده: طرح‌هایی که مخاطبان را به‌جای آگاه شدن، گیج می‌کند.

۱۰ اشتباه رایج در مصورسازی داده ها و نحوه اجتناب از آنها

در این بخش به ۱۰ مورد از اشتباهات مصورسازی داده ها اشاره می‌کنیم که مصداق بارز تجسم ضعیف هستند. هنگام استفاده از نرم افزارهای مصورسازی داده ها، همه سعی‌تان را در جهت اجتناب از این اشتباهات متداول به‌کار بگیرید.

1. تضاد رنگی گمراه‌ کننده

اگرچه استفاده از رنگ‌های مختلف در تفسیر تجسم داده‌ها کمک‌کننده است، اما رنگ‌های زیاد هم کاربران را گیج می‌کنند. در زمینه اشتباهات مصورسازی داده، باید از تعداد محدودی از رنگ‌های منحصربه‌فرد استفاده کنید.

تاثیر این اشتباه:

• کاربر در تشخیص و انتخاب مقدار مهم به‌اشتباه می‌افتد. 
• هنگامی که در یک تصویرسازی رنگ‌های زیادی وجود دارد، ممکن است درک اطلاعات توسط کاربر بیشتر طول بکشد.

نحوه حل این اشتباه:

• از رنگ‌ها برای نشان دادن این‎که کدام مقدار از سایر مقادیر بالاتر یا پایین‌تر است، استفاده کنید. رنگ‌های با کنتراست بالا باعث می‌شوند بینندگان ارزش برخی از مجموعه داده‌ها را بیشتر درک کنند.
• ساده‌ترین راه برای تعیین مقدار کنتراست نمودارها، مقایسه رنگ‌های کنتراست در مقیاس خاکستری است. بر این اساس، انتخاب رنگ و ایجاد تمایز آن را بررسی کنید.

• از تناژهای رنگی گرم و سرد استفاده کنید. رنگ‌های با تن گرم/خنک به نشان‌ دادن تفاوت‌های معنادار در ارزش‌ها و احساسات مثبت یا منفی داده‌ها کمک می‌کنند.

2. نمودار های حوصله‌ سر بر با انبوهی از داده‌ ها

داشتن داده‌های زیاد برای ارائه عمق بینش‌ها هیچ اشکالی ندارد؛ اما داده‌های زیاد در یک بینش، ممکن است باعث غرق شدن مخاطب در انبوهی از اطلاعات شود و توان پردازشی او را کاهش دهد. بنابراین برای اجتناب از این دست  اشتباهات مصورسازی داده، به فکر پیاده‌سازی راه‌کارهای زیر باشید.

تاثیر این اشتباه:

• کاربر قادر به درک تمام جزئیات تجسم نیست.
• مخاطب هیچ ایده‌ای از نقاط مهم و تمرکز روی آن‌ها ندارد.
• رمزگشایی پیام در مدت زمان کوتاه دشوار خواهد بود.

نحوه حل این اشتباه:

• با تعیین مواردی که کاربران باید روی آن‌ها تمرکز کنند، مصورسازی را شروع کنید. شما باید ارائه داده‌ها را فقط به محدوده مدنظرتان محدود کنید؛ محدوده‌ای که حاوی پیام و بینش‌های شما است.
• تمام بینش خود را در نمودارها جا ندهید. تجسم‌های چندگانه بهترین انتخاب برای برقراری ارتباط موثرتر بین مخاطبان و درک آن‌ها از داده‌ها هستند.

• توصیه می‌شود که در یک تجسم، بیش از پنج یا شش را به‌کار نگیرید.

3. حذف مقیاس پایه و کاهش آن

حذف مقیاس پایه و کاهش آن، در اشتباهات مصورسازی داده زمینه‌هایی مانند سیاست و ورزش بیشتر رخ می‌دهد. مشکل Omitting و Truncating  نشان‌دهنده الگوهای نادرست یا حتی روندهایی است که وجود ندارند.

تاثیر این اشتباه:

• مخاطب به‌طور کامل داده‌ها را درک نمی‌کند و این مشکل منجر به تصورات نادرست و در برخی موارد، روندهای اجتماعی اشتباه خواهد شد.
• وقتی مخاطب متوجه شود که این تجسم، اطلاعات اشتباهی را نمایش می‌دهد، اعتماد خود را به سازمان از دست می‌دهد.

نحوه حل این اشتباه:

• روی ایجاد تجسم داده‌ها با محور y پایه صفر تمرکز کنید.
• اگر حذف صفر منطقی است، یک Zero-break اضافه کنید تا پلی بین درک کاربران و پیام اصلی‌تان بزنید. اگر تنظیمات جزئی اهمیت زیادی دارند، شروع نکردن از نقطه صفر قابل‌پذیرش است.

4. اصلاح متن با سو گیری

در تجسم داده‌ها، نه‌تنها خود نمودار با مخاطب ارتباط برقرار می‌کند، بلکه عنوان، برچسب، نشانه‌گذاری و توضیحات هم به کاربران در درک پیام کمک می‌کنند.

از طرف دیگر، اگر این تغییرات داستانی را ارائه دهند که تا حدودی با داده‌های خام تفاوت دارند، احتمال عدم درک توسط مخاطب را بالا می‌برد. به‌همین راحتی، شما در داستان خود درگیر  اشتباهات مصورسازی داده خواهید شد.

برای مثال، تصویر بالا درصد کودکانی را که از آسیب‌های ارتوپدی رنج می‌برند، نشان می‌دهد. اگر کاربر بدون خواندن توضیحات نمودار عنوان را بخواند، ممکن است باور کند که ۵.۲ درصد از کودکان عادی از آسیب نخاعی رنج می‌برند. در این حالت، یک سوتفاهم جدی توسط کاربر رخ می‌دهد.

تاثیر این اشتباه:

• حتی در صورت درست بودن داده‌ها، اگر اصلاح متن گمراه‌کننده باشد، ممکن است تفسیر مخاطب تحت تاثیر درک اشتباه قرار بگیرد.

نحوه حل این اشتباه:

• توضیحات مکتوب فقط در صورتی باید مورد استفاده قرار بگیرند که برای روشن کردن آنچه نمایش داده می‌شود، ضروری باشند.
• مطمئن شوید که عنوان، برچسب و توضیحات، معنای مورد =نظر را بدون تعصب بیان می‌کنند.

5. انتخاب روش اشتباه برای مصور سازی

انتخاب روش مناسب برای نشان دادن داده‌های سازمان، یک گام مهم در اجتناب از  اشتباهات مصورسازی داده است. ممکن است چند نمودار برای نمایش داده‌های شما مناسب باشند؛ اما چگونه بهترین آن‌ها را انتخاب می‌کنید؟

در شکل بالا، هر دو نمودار ممکن است نشان‌دهنده درصد پاسخ‌های هر نامزد باشد. بااین‌حال، وقتی آن را در نمودار دایره‌ای نشان می‌دهیم، کاربر ممکن است گیج شود؛ چون بخش‌های نمودار شبیه یکدیگر به‌نظر می‌رسند. علاوه‌براین، تعداد آن‌ها نمی‌تواند به ۱۰۰ درصد برسد.

تاثیر این اشتباه:

• استفاده از نوع اشتباه برای نمودارهای هوش تجاری می‌تواند بینندگان را گیج یا آن‌ها را گمراه کند.

نحوه حل این اشتباه:

• برای انتخاب نمودار مناسب و جلوگیری از متداول‌ترین  اشتباهات مصورسازی داده، ابتدا باید مشخص کنید که داده‌های شما در تلاش برای برقراری ارتباط با چه بینش‌هایی هستند. هنگامی‌که این اطلاعات را جمع‌آوری کردید، از دو تصویر زیر برای حل این مشکل استفاده کنید.

6. هم‌بستگی بین داده‌ها بدون علت

آیا تابه‌حال با داده‌هایی مواجه شده‌اید که با وجود عوامل بسیار متفاوت، روندهای مشابهی را نشان می‌دهند؟ حتی اگر تمام تلاش‌تان را برای درک و فهم ارتباط بین عوامل آن‌ها به‌کار بگیرید، باز هم به‌نظر می‌رسد که هیچ ارتباطی وجود ندارد. این موضوع شکل دیگری از اشتباهات مصورسازی داده است که می‌تواند کاربران را به تلاش مضاعف و بی‌نتیجه سوق دهد.

همان‌طور که در این نمودار مشاهده می‌شود، تعداد خودکشی‌ها هم‌زمان با میزان سرمایه‌گذاری در علم، فضا و فناوری در ایالات متحده، در حال افزایش است. به‌نظر می‌رسد که ارتباطی بین این داده‌ها وجود دارد. با این وجود، آیا می‌توانیم به این نتیجه برسیم که در صورت صرف پول بیشتر در علم، شاهد افزایش موارد خودکشی هم خواهیم بود؟

تاثیر این اشتباه:

• هم‌بستگی بین این داده‌ها و نتیجه‌گیری ما گمراه‌کننده است؛ چون ارتباطی به یکدیگر ندارند.

نحوه حل این اشتباه:

• همیشه به‌دنبال هم‌بستگی بین تجسم‌های مختلف اما نزدیک به‌هم باشید.
• در شرایطی که با مجموعه‌ای از داده‌های هم‌بسته مواجه شدید، از خود بپرسید که آیا ارتباطی بین آن‌ها وجود دارد یا خیر.

7. تمرکز افراطی روی داده‌ های مطلوب

تکنیکی به‌نام “Cherry Picking” وجود دارد. این تکنیک روشی برای نمایش انتخابی داده‌هایی است که از دیدگاه شما مهم هستند و درعین‌حال هم شواهدی را که با آن در تضاد هستند، نادیده می‌گیرند. در Cherry Picking فقط مقدار کمی بینش از داده‌های واقعی در مصورسازی نشان داده می‌شود تا از اشتباهات مصورسازی داده جلوگیری شود.

تاثیر این اشتباه:

• تمرکز روی داده‌های مطلوب باعث پنهان شدن داده‌های مهم می‌شود و به کاربران‌مان بینش‌های کمی می‌دهد.

نحوه حل این اشتباه:

• یک تصویر بزرگ‌نمایی‌شده (zoomed-in) را با تصاویر کامل مقایسه کنید. البته این شیوه همیشه هم جواب‌گو و کارآمد نیست.
• داده‌های بدون زوم را در یک گروه ترکیب و آمار آن‌ها را جمع‌آوری کنید. به‌عنوان مثال، برمبنای میانگین یا جمع مقادیر داده‌ها این کار را انجام دهید.

8. تداعی‌ های بصری مشترک انسان

انسان‌ها داده‌ها و اطلاعات پیرامون را درک می‌کنند و از مغزشان برای تفسیر یا درک آن‌چه می‌بینند، استفاده می‌کنند. اصل ادراک و شناخت بصری در تجسم داده‌ها ضروری است؛ چراکه به مخاطب کمک می‌کند تا پیام ما را بهتر و سریع‌تر درک کند.

یک نمای کلی از ادراک و شناخت بصری به‌شکل زیر طی می‌شود:

ادراک بصری

ادراک بصری روشی است که به‌واسطه آن، مغز ما تصاویر را درک می‌کند. این ادراک شبیه زمانی است که ما چیزی را می‌بینیم و بلافاصله آن را تشخیص می‌دهیم.

شناخت

این مرحله پس از ادراک بصری انجام می‌شود. شناخت یک فرآیند ذهنی است که در آن ما چیزهایی را که می‌بینیم، یاد می‌گیریم و دانش و درک مرتبط‌با آن را توسعه می‌دهیم. ما از رنگ‌ها، نمادها، فونت‌ها، عنوان‌ها، برچسب‌ها و سایر عناصر بصری در تجسم داده‌ها استفاده می‌کنیم. با این ویژگی‌ها می‌توانیم به مغزمان کمک کنیم تا پیام را سریع و متفاوت تفسیر کند.

تاثیر این اشتباه:

• درک این‌که چگونه مغز ما اطلاعات را به‌طور متفاوت تفسیر می‌کند، می‌تواند به مخاطب در جهت تمرکز و درک پیام ما کمک زیادی کند.

نحوه حل این اشتباه:

• رنگ یک راه عالی برای دسته‌بندی و پشتوانه نکات اصلی بینش‌های شما است. رنگ‌ها در داستان سرایی داده و تمام حوزه‌های مربوط‌به آن، نقش حیاتی در تصمیم‌گیری کاربر دارد.
• داده‌ها را می‌توان مرتب کرد و بخش‌های نمودارهای مختلف را اندازه گرفت. هدف از این‌کار، خواندن آسان‌تر داده‌ها است. همه رنگ‌ها معانی خاصی را حمل می‌کنند که بر نحوه درک مخاطبان از آن‌ها، تاثیر مستقیمی می‌گذارد.

9. استفاده نادرست از گرافیک سه‌ بعدی

ما می‌توانیم از نمودارهای مختلف برای نمایش داده‌ها در دنیای Data Visualization استفاده کنیم. همچنین انتخاب‌های متعددی در مورد دستورالعمل‌های استفاده از نمودار وجود دارد که نمودار ۳D یکی از محبوب‌ترین آن‌ها است.

البته نمودارهای سه‌بعدی برای نشان دادن داده‌های رایج متداول نیستند. به این علت که خطر قابل‌توجهی در ارائه نادرست داده‌ها در این نمودارها وجود دارد؛ چون چشم انسان در تفسیر تصاویر سه‌بعدی مشکل دارد.

برای مثال، این نمودار دایره‌ای علی‌رغم این‌که مقادیر واقعی که ۳۰ درصد هستند را در مقابل ۳۵ درصد نشان می‌دهد، اما نیمه عقب بزرگ‌تر از نیمه جلویی به‌نظر می‌رسد. نوع دیگری از نمودارهای سه‌بعدی مشکلات متعددی با نمایش دقیق مقادیر داده‌ها دارد. به‌همین‌دلایل، ما استفاده از نمودارهای سه‌بعدی را در دسته اشتباهات مصورسازی داده قرار می‌دهیم.

تاثیر این اشتباه:

• نمودارهای سه‌بعدی می‌توانند واقعیت داده‌ها را مخدوش کنند.

نحوه حل این اشتباه:

• در صورت امکان از نمودار دوبعدی استفاده کنید.
• اگر نیاز دارید مقداری را نشان دهید که سه محور را دربرمی‌گیرد، نمودار Bubble Plot یا Scatter Plot با گرادیان رنگ می‌توانند گزینه‌های بهتری نسبت‌به ۳D Plot باشند.

10. عدم نیاز به نشان دادن هر بینش در مصور سازی داده ها 

ممکن است داده‌های شما در برخی مواقع به‌خودی‌خود صحبت کنند. برخی از مقادیر داده‌ای هم می‌توانند اطلاعات مهم را نشان دهند. بنابراین نیازی به نمایش آن‌ها در تصویرسازی داده نیست. اگر هم این‌کار را انجام دهید، به‌وضوح اشتباهات مصورسازی داده را رقم زده‌اید.

تاثیر این اشتباه:

• در برخی مواقع، نمایش داده‌ها در نمودار یا گرافیک‌ها ضروری نیست.

نحوه حل این اشتباه:

• تجسم داده‌ها وسیله‎ای برای انتقال اطلاعات است. در سناریوهای مختلف المان‌هایی وجود دارد که استفاده از آن‌ها اشکالی ندارد. گاهی هم جزئیاتی وجود دارد که ابزار دیگری برای به‌تصویر کشیدن آن‌ها، مناسب‌تر از ابزارهای Data Visualization است.

آنچه در اشتباهات مصور سازی داده ها خواندیم

تسلط‌بر تجسم داده‌ها، به‌معنای تبدیل داده‌های خام و پیچیده به روایت‌های قانع‌کننده و واقعی است. برای بهینه‌ کردن این کار و به‌ثمر نشستن تلاش‌های سازمانی باید وضوح، دقت و بینش در اولویت قرار بگیرند تا گرفتن تصمیمات آگاهانه و تاثیرگذار ممکن شود. به یاد داشته باشید که تجسم درست نه‌تنها داستان داده‌ها را بیان می‌کند، بلکه به تصمیم‌گیری‌های کارآمد و سودآور سازمانی هم قدرت می‌دهد.