6 Eksempler på Dårlige Datavisualiseringer

Hvorfor Ikke Alle Datavisualiseringer Er De Samme

Hvad Er En Dårlig Datavisualisering?

Datavisualiseringer er en af de mest overbevisende og effektive måder at forstå verden omkring os. Dette skyldes, at datavisualiseringer fortæller historier, kreativt præsenterer et datasæt for et publikum for at informere dem om et givet problem eller fænomen. Selvom visualiseringer er blevet stadig mere komplekse, informative og sofistikerede, går de nogle gange lidt for langt… ved at give for meget information eller blive for kreative til deres eget bedste.

Hvad Gør En Datavisualisering Dårlig?

Når visualiseringer bliver komplicerede i stedet for hjælpsomme for deres tiltænkte publikum, og komplicerede i stedet for lette at forstå, bliver selve formålet med visualiseringen undermineret.

Der er flere måder, dette kan ske på:

• Dårlige farvevalg
• Uforholdsmæssig størrelse af visuelle komponenter
• Tilstedeværelsen af overflødige eller redundante data
• At arrangere dataene på en måde, der simpelthen ikke giver mening.

Kort sagt: Datavisualiseringer bliver dårlige, når deres data ser rodede eller uklare ud.

I denne artikel vil vi se på eksempler på dårlige datavisualiseringer. Vi vil nedbryde, hvor grafikken gik galt—men vi vil også forklare, hvordan man kan forbedre den, så den bedre kan præsentere den historie, den forsøger at fortælle.

1. Uklare Datadirektioner

Uorganiserede data skaber narrativ inkohærens.

Problemet 🤔

I denne grafik ser vi de gennemsnitlige aldre, hvor europæiske unge forlader hjemmet: De nordiske lande er de yngste, Vesteuropa og Centraleuropa i midten af 20'erne, og Østeuropa og Middelhavslandene i slutningen af 20'erne (eller endda senere!). Bobler repræsenterer lande, hver med den nationale gennemsnitsalder for "at flyve fra reden." Boblefargen afhænger af denne gennemsnitsalder.

Generelt er dette ikke et dårligt koncept. Men her er problemet: boblerne er ikke arrangeret i nogen meningsfuld forstand. De røde lande ser ud til at klynge sig lidt i bunden, og de blå lande i toppen—men det er det. Dette kunne være en dårlig fortolkning af et kort over Europa, men vi kan ikke være sikre.

Bizarret nok er boblen, der angiver den gennemsnitlige EU-alder for at forlade hjemmet, knap identificerbar, placeret helt til venstre i grafikken og uadskillelig i størrelse og format fra nogen af landeboblerne. Kort sagt, den manglende nøgle her er organisation.

Løsningen 💡

En mere effektiv måde at organisere disse data på ville være at konstruere det i farvekodede lag, hvor størstedelen af de gule lande falder i midten og aftager mod de blå og røde kategorier ovenfor og nedenfor.

EU-boblen kunne enten placeres til siden eller i midten af det gule lag. Uanset hvor den placeres, bør den have et særpræg—som større størrelse eller fed tekst—til at indikere dens vigtighed.

Disse rettelser ville give læserne mulighed for ikke kun at vide forskellene mellem "at flyve fra reden" aldre efter land, men også forstå, hvordan disse datapunkter passer sammen, hvilket giver dem mulighed for at drage korrelationer og konklusioner om dette sociale fænomen.

Hvordan Plecto hjælper med at løse uklare datadirektioner

Med foruddefinerede visualiseringer som søjlediagrammer, linjediagrammer, hastighedsmålere og mere, guider Plecto brugere mod almindelige formater, der har klare akser, hierarki og organisation indbygget i deres design.

2. For Mange Variabler

Overbelastning af visuelle komponenter gør data svære at læse.

Problemet 🤔

Dette diagram er bare et klassisk tilfælde af TMI (for meget information)! Dataene her måles ikke bare på en typisk to, men tre akser: antal, måned, og type af frugt. Selvom vi kan værdsætte multidimensionaliteten af dette diagram og dets forsøg på at kommunikere så mange data som muligt, er det simpelthen for meget at forstå ved første øjekast.

Og dette fører til nogle alvorlige problemer, når det kommer til at fortolke denne grafik. Det er svært at fastslå antallet af citroner på tværs af alle måneder, for eksempel, og umuligt at se antallet af bananer i februar og marts.

Læseren kan heller ikke nøjagtigt fortælle antallet af frugter for nogen af søjlerne i den centrale del af grafen. Hvis de ikke er placeret direkte mod nummergitteret, er mængden af frugt praktisk talt umulig at bestemme.

Løsningen 💡

Løsningen på dette grafiks problem er at eliminere en af akserne og få det nye diagram til kun at måle to komponenter i stedet for tre. Selvom dette vil resultere i flere diagrammer for at formidle den samme mængde information, vil de være langt lettere at læse.

For eksempel kunne man spore antallet af solgte appelsiner over de fire måneder og lave tilsvarende diagrammer for æbler, citroner og bananer. Alternativt kunne man spore de fire typer frugt solgt i januar og lave tilsvarende diagrammer for de resterende tre måneder.

Hvordan Plecto hjælper dig med at undgå at bruge for mange variabler

Ved at tillade brugere at filtrere, stable eller adskille variabler i flere, læsbare diagrammer, giver Plecto salgs- og supportledere mulighed for at analysere nøglemetrikker efter medarbejder, team, tid eller andre variabler på forskellige widgets på samme dashboard. Denne alsidighed forhindrer impulsen til at presse for mange data ind i en enkelt, forvirrende visualisering, mens den stadig tilbyder kraftfulde indsigter i præstation.

3. Modstridende Cirkeldiagramprocenter

Misalignment mellem en brøkdel og dens visualisering komplicerer en intuitiv oplevelse.

Problemet 🤔

Konceptet for dette skræddersyede cirkeldiagram er kreativt og helt unikt. Men mand, vi må sige det—matematikken stemmer ikke! Mens hver side af en sekskant er lig med en sjettedel, eller 16,67 procent af sekskantens samlede areal, opretter det, der ses her, fuldstændigt denne grundlæggende virkelighed.

På en eller anden måde optager fruktose-sektionen (38,5 procent) langt mere plads end glukose-sektionen (31,0 procent), som igen kun er lidt større end vand-sektionen (17,1 procent). Og den 0,5 procent skive af mineraler, vitaminer og enzymer er alt for stor til sin angivne procentdel.

Løsningen 💡

Det er fint at give et kreativt twist til et typisk, "kedeligt" cirkeldiagram—men dette bør ikke ske på bekostning af statistisk nøjagtighed eller bare almindelig sund fornuft. Heldigvis er løsningen på dette mislykkede honningkage-diagram en simpel: omstrukturere grafsektionerne, så de er i forhold til deres angivne værdier.

Hvordan Plecto hjælper med at undgå uforholdsmæssige cirkeldiagramsegmenter

Plecto sikrer statistisk nøjagtighed med donut-diagrammer, der automatisk beregnes for at gøre segmentstørrelsen perfekt proportional med dens angivne værdi, hvilket garanterer en visuel repræsentation, der altid er sandfærdig i forhold til dataene. Plus, nævnte vi, at de ser fantastiske ud?

4. Uforholdsmæssig Piktogramstørrelse

Overdrevne billedstørrelser forstørrer—og vildleder om—den sande skala af forskellen.

Problemet 🤔

Dette er endnu et tilfælde af forkerte proportioner, men af en anden type. I dette tilfælde angiver to søjlediagrammer antallet af dimittender i A- og B-kohorter: en dimittend i A, og tre i B. Men i stedet for at bruge søjler, bruger diagrammerne piktogrammer. Det venstre diagram bruger diskrete enheder til at tælle antallet af dimittender; imens bruger det højre diagram et enkelt stort piktogram til at indikere den samme mængde.

Men her opstår problemet for det højre diagram. I stedet for blot at angive mængde introducerer brugen af et skalerbart piktogram et andet element af dimensionalitet—ikke kun af nummer, men af størrelse.

Dette skaber en situation, hvor, for at holde piktogrammet proportionalt, mens det rammer "3"-mærket, skaleres det til en størrelse, der får publikum til at tro, at forskellen mellem A og B er meget større, end den faktisk er. Faktisk ser B-dimittenden ikke blot tre gange større ud end A-dimittenden, men snarere seks eller syv gange større!

Løsningen 💡

Løsningen på denne grafiks dårlige kvalitet (til højre) findes i det meget bedre grafik til venstre. Her er tre piktogrammer af samme størrelse stablet oven på hinanden, proportionalt (og korrekt) angivende forskellen mellem 1 og 3.

Når man tænker på, hvordan man skal vise data, skal man huske, hvad der præcist bliver repræsenteret: forskel i proportion (forholdet mellem dele af en helhed) eller forskel i numerisk mængde (sammenligning af værdier eller mængder på tværs af kategorier eller tid).

Hvis du vil se en proportional repræsentation, skal du bruge visualiseringer som cirkeldiagrammer (donut), stablede søjlediagrammer eller trædiagrammer. Men hvis du blot ønsker at sammenligne datasætstørrelser, skal du bruge diskrete enheder—eller en simpel søjle—til at repræsentere dem realistisk.

Hvordan Plecto hjælper dig med at undgå uforholdsmæssig enhedsvisualisering

Glem skaleringsproblemer, når du kan automatisere visualiseringen. Plecto bruger faste størrelser til en sammenligning af enheder, hvilket forhindrer skaleringsfejl. Til mængdesammenligninger bruges standard søjle- og søjlediagrammer som standard for præcist at vise forskelle i diskrete enheder. Ikke kun er dette en tidsbesparelse, men det ser professionelt ud og viser præstationen præcist, som den er.

5. Forvrænget Cirkeldiagram Udsigt

At forvrænge udseendet af datavisualiseringer skaber vildledende optiske illusioner.

Problemet 🤔

Som et eksempel på proportionel snarere end numerisk repræsentation viser de to cirkeldiagrammer (donut) nedenfor proportionelle andele af "dødsårsag." Når vi ser på diagrammet til højre, bliver vi ledt til at tro, at sektion B er den største sektion—eller i det mindste af samme størrelse som sektion A. Men når vi ser på diagrammet til venstre, ser vi, at dette ikke er tilfældet, og sektion A er ganske klart den største. Hvad sker der?

3D-cirkeldiagramvisningen til højre forvrænger grafen, med sektion B hældt mod beskueren og dermed får denne sektion til at se meget større ud, end den faktisk er. Kort sagt, det er et trick for øjet—et, der, selvom det ikke præsenterer falske oplysninger direkte, skaber en vildledende opfattelse af virkeligheden.

Løsningen 💡

Løsningen her er virkelig simpel: undgå at bruge 3D-cirkeldiagrammer, som uundgåeligt forvrænger de data, du præsenterer, og brug 2D-diagrammer i stedet. At gøre det er mere ærligt og sikrer også, at du får de mest pålidelige og nøjagtige data muligt. Dette er især vigtigt, fordi så meget af det, der betragtes som "god" datavisualisering, afhænger af første indtryk for at etablere ikke kun læsbarhed, men sandfærdighed.

Hvordan Plecto hjælper dig med at undgå at forvrænge data

Plecto bruger udelukkende 2D-visualiseringer til kerndiagrammer som donut-, linje- og søjlediagrammer, hvilket eliminerer potentialet for forvrængning forårsaget af 3D-perspektiver, hvilket garanterer den visuelle sandfærdighed af dine data ved første øjekast.

6. Hvor Skal Man Begynde…?

Manglende opmærksomhed på, hvad du måler, og hvordan, gør en grafik meningsløs.

Problemet 🤔

Til den store finale, en visualisering med ikke bare et eller to, men flere problemer! Denne grafik viser, hvordan medlemmer af "Baby Boomer" generationen beskriver sig selv, med hver beskrivelse angivet med en forskellig farvekodet procentdel på en menneskelig figur.

Denne grafik er i sidste ende et "kreativt" cirkeldiagram, meget lig den tidligere honningkage-eksempel i denne liste (Nummer 3). Men mens honningkage-grafikken simpelthen ikke repræsenterede proportioner korrekt, begår denne grafik flere statistiske og designfejl:

• De angivne procenter summerer ikke til 100, men snarere 243. Her, hvor der ikke er overlap mellem kategorierne, bliver beskueren ledt til at tro, at grafikeren har lavet en alvorlig statistisk fejl.
• De pladser, der er tildelt hver kategori, svarer slet ikke til deres angivne procenter. Ganske klart optager kategorien "menneskesmart" (78 procent) ikke 78 procent af den menneskelige figur!
• Det er også usikkert, hvorfor designeren valgte at bruge en menneskelig figur og et tilsyneladende tilfældigt farveskema. Hvilken information giver disse designvalg til læseren, eller hvilken information prøver de at forstærke i læserens sind? Vi ved simpelthen ikke.

Generelt giver denne grafik et stærkt vildledende indtryk af de oplysninger, den forsøger at formidle. Når læseren ser den menneskelige figur, associerer de mentalt dette med en totalitet (såsom 100 procent) på samme måde som cirklen i et cirkeldiagram.

Men når læseren ser kategoriprocenter, der overstiger 100 og ikke har nogen visuel basis inden for grafikken, konkluderer de, at tallene er tilfældigt placeret og ikke har nogen reel "historie" bag dem. Med andre ord, bliver grafikken meningsløs.

Løsningen 💡

Den eneste løsning på at rette denne grafik er at skrotte den helt og starte forfra—denne gang som et søjlediagram. At overføre denne grafiks data til et søjlediagramformat vil give det tiltænkte publikum mulighed for bedre at forstå forholdet mellem disse værdikategorier ("menneskesmart," "kreativ," osv.) uden at give publikum en falsk idé om, at disse værdier skal "passe" sammen numerisk.

Hvis numeriske data snarere end blot procenter kan opnås, ville en endnu bedre løsning være at skabe et Venn-diagram. Boblerne overlap ville give beskueren mulighed for at vide mere om forholdene mellem respondenternes værdier: for eksempel, hvor mange respondenter sagde, at de både var "ledere" og "villige til at lære"? Og for at give beskueren en hurtig idé om, hvor mange respondenter der falder ind under hver værdikategori, kan boblerne størrelsesbestemmes derefter.

Hvordan Plecto hjælper med at forenkle datavisualisering

Plectos udvalg af 10+ datavisualiseringswidgettyper giver brugerne en række formater til at repræsentere nøgleinformation, selv når der er overlappende variabler eller individer, der falder ind under to kategorier—som en Baby Boomer, der betragter sig selv som både teknisk- og menneskesmart.

Vælg mellem hastighedsmålere, tabeller, donut-diagrammer, områdediagrammer eller søjle (søjle) diagrammer for at visualisere præstations-KPIs på en måde, der giver mest mening for dig. Faktisk er det centrale princip for Plecto at bruge data på en simpel, men motiverende måde for at booste teampræstationen!

Vil du lære mere? Hvorfor ikke starte en 14-dages gratis prøveperiode eller booke en demo for at se, hvordan fantastisk datavisualisering kan være forskellen mellem at nå næste kvartals mål?

Vil Du Undgå Disse Dårlige Visualiseringsfejl? Prøv Plecto!

Afslutningsvis her er de seks problemer, vi har skitseret—og deres løsninger:

1. Uorganiserede data fortæller ikke en meningsfuld historie: Organiser databulberne i hierarkisk format.
2. Overbelastning af visuelle komponenter gør data svære at læse: Skær ned på antallet af akser og variabler.
3. Brøker ser ikke intuitivt ud, som de læses: Sørg for, at en kvart (en fjerdedel) vises som en kvart i din visualisering.
4. Måleenheder for data er forkert dimensioneret: Tag ikke for meget kunstnerisk frihed med måleenheder.
5. Visuelt at manipulere data skaber vildledende indtryk: Undgå optiske illusioner og hold dine data ærlige.
6. Forsøger at sige alt, men siger slet ikke noget: Vær klar over hvad du måler, og hvordan du vil gøre det.

Da datavisualiseringer er allestedsnærværende, er det ikke overraskende, at der vil være både gode og dårlige eksempler i overflod. Dette er grunden til, at det er vigtigt at kende advarselssignalerne for en dårlig datavisualisering, så du kan sikre, at de data, du interagerer med, præsenteres på en pålidelig, gyldig og troværdig måde.

Med Plecto kan du undgå faldgruberne ved dårlig datavisualisering og stole på afprøvede og sande visualiseringsmetoder, hvilket sikrer, at din organisation kan få adgang til sine data på en gennemsigtig og nøjagtig måde. Denne klarhed vil give dig den indsigt, du har brug for til at træffe datadrevne beslutninger og nå dine KPI-mål.

Spild ikke din tid på substandard datavisualiseringer! Tilmeld dig nedenfor for en gratis Plecto-demo i dag.

Q&As

Hvorfor betragtes den afskårne y-akse som en af de mest vildledende praksisser inden for datavisualisering?

En afskåret Y-akse opstår, når den lodrette akse i et diagram ikke starter ved nul. Dette er en dårlig visualiseringspraksis, fordi det kunstigt overdriver små forskelle mellem datapunkter, hvilket får dem til at se meget mere betydningsfulde ud, end de faktisk er. Dette bruges ofte til at vildlede et publikum til at se en massiv væksttrend eller et skarpt fald, når den faktiske numeriske ændring er ubetydelig.

Hvad er "3D-diagramoverbelastning," og hvordan forvrænger det data?

3D-diagramoverbelastning opstår, når designere tilføjer tredimensionelle effekter til enkle diagrammer (som søjle- eller cirkeldiagrammer) udelukkende for æstetisk appel. Dette er problematisk, fordi den ekstra dimension tilføjer unødvendigt "diagramaffald," der forvrænger beskuerens perspektiv. Dette gør det næsten umuligt for det menneskelige øje at sammenligne proportionerne af dataene nøjagtigt.

Hvordan hjælper Plectos fokus på dashboarddesign brugerne med at undgå faldgruben ved dataoverbelastning?

Dataoverbelastning opstår, når en visualisering forsøger at presse for mange metrikker eller farver ind i en enkelt visning, hvilket efterlader publikum forvirret og ude af stand til at identificere den vigtigste information. Plecto hjælper brugerne med at undgå dette ved at give rene, tilpasselige skabeloner, der understreger klarhed og hierarki. Ved at bruge Plecto kan ledere vælge kun de mest relevante KPI'er og bruge funktioner som "Betinget Formatering" til kun at fremhæve de data, der kræver øjeblikkelig handling.