6 Eksempler på Dårlige Datavisualiseringer

Hva er en Dårlig Datavisualisering?

En dårlig datavisualisering er en som villedet eller forvirrer sitt publikum, enten gjennom forvrengte proporsjoner, rotete design, eller feil diagramtype, slik at dataene er vanskeligere å forstå enn de rå tallene ville vært.

Datavisualiseringer er en av de mest overbevisende og effektive måtene å forstå verden rundt oss. Dette er fordi datavisualiseringer forteller historier, kreativt presentere et datasett for et publikum for å informere dem om et gitt problem eller fenomen. Mens visualiseringer har blitt stadig mer komplekse, informative og sofistikerte, går de noen ganger litt for langt… ved å gi for mye informasjon eller bli for kreative til sitt eget beste.

Hva Gjør en Datavisualisering Dårlig?

Når visualiseringer blir kompliserte i stedet for hjelpsomme for sitt tiltenkte publikum, og kompliserte i stedet for lette å forstå, blir selve formålet med visualiseringen motarbeidet.

Det er flere måter dette kan skje på:

• Dårlige fargevalg
• Uforholdsmessig størrelse på visuelle komponenter
• Tilstedeværelsen av unødvendige eller overflødige data
• Å arrangere dataene på en måte som rett og slett ikke gir mening.

Kort sagt: Datavisualiseringer blir dårlige når dataene deres ser rotete eller uklare ut.

I denne artikkelen vil vi se på eksempler på dårlige datavisualiseringer. Vi vil bryte ned hvor grafikken gikk galt—men vi vil også forklare hvordan vi kan forbedre den, slik at den bedre kan presentere historien den prøver å fortelle.

Bygg din egen

1. Uklare Datadireksjoner

Uorganiserte data skaper narrativ inkohærens.

Problemet 🤔

I denne grafikken ser vi gjennomsnittsalderen der europeiske unge forlater hjemmet: Nordiske land er de yngste, Vest- og Sentral-Europa i midten av 20-årene, og Øst-Europa og de middelhavslandene i slutten av 20-årene (eller enda senere!). Bobler representerer land, hver med den nasjonale gjennomsnittsalderen for å "fly fra reiret." Fargeleggingen av boblene avhenger av denne gjennomsnittsalderen.

Generelt sett er dette ikke et dårlig konsept. Men her er problemet: boblene er ikke arrangert på noen meningsfull måte. De røde landene ser ut til å klynge seg litt nederst, og de blå landene øverst—men det er det. Dette kan være en dårlig tolkning av et kart over Europa, men vi kan ikke være sikre.

Bizarre nok er boblen som indikerer gjennomsnittlig EU-alder for å forlate hjemmet knapt identifiserbar, plassert helt til venstre i grafikken og uadskillelig i størrelse og format fra noen av landboblene. Kort sagt, den manglende nøkkelen her er organisering.

Løsningen 💡

En mer effektiv måte å organisere disse dataene på ville være å konstruere dem i fargekodede lag, med flertallet av gule land som faller i midten, og avtar mot de blå og røde kategoriene over og under.

EU-boblen kan enten plasseres til siden eller i sentrum av det gule laget. Uansett plassering bør den ha et særpreget trekk—som større størrelse eller fet tekst—for å indikere dens betydning.

Disse fikseringene ville tillate leserne å ikke bare vite forskjellene mellom "fly fra reiret"-aldre etter land, men også forstå hvordan disse datapunktene passer sammen, slik at de kan trekke korrelasjoner og konklusjoner om dette sosiale fenomenet.

Hvordan Plecto hjelper med å løse uklare datadireksjoner

Med forhåndsdefinerte visualiseringer som stolpediagrammer, linjediagrammer, hastighetsmålere, og mer, guider Plecto brukere mot vanlige formater som har klare akser, hierarki, og organisering innebygd i designet.

2. For Mange Variabler

Overbelastning av visuelle komponenter gjør data vanskelig å lese.

Problemet 🤔

Dette diagrammet er bare et klassisk tilfelle av TMI (for mye informasjon)! Dataene her måles ikke bare på en typisk to, men tre akser: antall, måned, og type frukt. Mens vi kan sette pris på multidimensjonaliteten til dette diagrammet og dets innsats for å kommunisere så mye data som mulig, er det rett og slett for mye å forstå ved første øyekast.

Og dette fører til noen alvorlige problemer når det gjelder å tolke denne grafikken. Det er vanskelig å fastslå antallet sitroner på tvers av alle måneder, for eksempel, og umulig å se antallet bananer i februar og mars.

Leseren kan heller ikke nøyaktig fortelle antallet frukter for noen av stolpene i den sentrale delen av grafen. Hvis de ikke er plassert direkte mot tallruten, er mengden frukt praktisk talt umulig å bestemme.

Løsningen 💡

Løsningen på dette diagrammets problem er å eliminere en av aksene og la det nye diagrammet måle bare to komponenter i stedet for tre. Selv om dette vil resultere i flere diagrammer for å formidle den samme mengden informasjon, vil de være mye lettere å lese.

For eksempel kan man spore antallet solgte appelsiner over de fire månedene, og lage tilsvarende diagrammer for epler, sitroner, og bananer. Alternativt kan man spore de fire typene frukt solgt i januar, og lage tilsvarende diagrammer for de tre gjenværende månedene.

Hvordan Plecto hjelper deg med å unngå å bruke for mange variabler

Ved å la brukere enkelt filtrere, stable, eller separere variabler i flere, lesbare diagrammer, lar Plecto salgs- og støtteledere analysere nøkkelmetrikker etter ansatt, team, tid, eller andre variabler på forskjellige widgets på samme dashboard. Denne allsidigheten forhindrer impulsen til å presse for mye data inn i en enkelt, forvirrende visualisering, samtidig som den fortsatt tilbyr kraftige innsikter i ytelsen.

Bygg din egen

3. Motstridende Sektorer i Kakegraf

Feiljustering mellom en brøkdel og dens visualisering kompliserer en intuitiv opplevelse.

Problemet 🤔

Konseptet for dette spesiallagde kakegrafen er kreativt og ganske unikt. Men mann, vi må si det—matematikkene stemmer ikke! Mens hver side av en sekskant er lik en sjettedel, eller 16,67 prosent av sekskantens totale område, opphever det som sees her helt denne grunnleggende virkeligheten.

På en eller annen måte tar fruktose-seksjonen (38,5 prosent) opp betydelig mer plass enn glukose-seksjonen (31,0 prosent), som igjen bare er litt større enn vann-seksjonen (17,1 prosent). Og den 0,5 prosent store skiven av mineraler, vitaminer, og enzymer er altfor stor for sin oppgitte prosentandel.

Løsningen 💡

Det er greit å gi en kreativ vri på en typisk, "kjedelig" kakegraf—men dette bør ikke komme på bekostning av statistisk nøyaktighet, eller bare ren sunn fornuft. Heldigvis er løsningen for denne mislykkede honningkakegrafen en enkel: omstrukturere grafseksjonene slik at de er i proporsjon til sine oppgitte verdier.

Hvordan Plecto hjelper med å unngå uforholdsmessige sektorer i kakegraf

Plecto sikrer statistisk nøyaktighet, med donut-diagrammer som automatisk beregnes for å gjengi segmentstørrelse perfekt proporsjonal til sin oppgitte verdi, og garanterer en visuell representasjon som alltid er sannferdig i forhold til dataene. I tillegg, nevnte vi at de ser flotte ut?

4. Uforholdsmessig Piktogramstørrelse

Overdrevne bildestørrelser forstørrer—og villedet om—den sanne skalaen av forskjell.

Problemet 🤔

Dette er et annet tilfelle av feil proporsjoner, men av en annen type. I dette tilfellet indikerer to stolpediagrammer antallet kandidater i A- og B-kohorter: en kandidat i A, og tre i B. Men i stedet for å bruke stolper, bruker diagrammene piktogrammer. Grafen til venstre bruker diskrete enheter for å telle antallet kandidater; mens grafen til høyre bruker et enkelt stort piktogram for å indikere den samme mengden.

Imidlertid er dette hvor problemet for grafen til høyre oppstår. I stedet for bare å indikere mengde, introduserer bruken av et skalerbart piktogram et annet element av dimensjonalitet—ikke bare av nummer, men av størrelse.

Dette skaper en situasjon der, for å holde piktogrammet proporsjonalt mens det treffer "3"-merket, er det skalert til en størrelse som får publikum til å tro at forskjellen mellom A og B er mye større enn den egentlig er. Faktisk ser ikke B-kandidaten bare tre ganger større ut enn A-kandidaten, men snarere seks eller syv ganger større!

Løsningen 💡

Løsningen på denne lavkvalitetsgrafikken (til høyre) finnes i den mye bedre grafikken til venstre. Her er tre piktogrammer av lik størrelse stablet oppå hverandre, proporsjonalt (og korrekt) indikere forskjellen mellom 1 og 3.

Når man tenker på hvordan man skal vise data, må man huske hva som faktisk blir representert: forskjell i proporsjon (forholdet mellom deler av en helhet), eller forskjell i numerisk mengde (sammenligning av verdier eller mengder på tvers av kategorier eller tid).

Hvis du vil se en proporsjonal representasjon, bruk visualiseringer som kake (donut) diagrammer, stablede stolpediagrammer, eller tre-diagrammer. Men hvis du bare ønsker å sammenligne datasettstørrelser, bruk diskrete enheter—eller en enkel stolpe—for å representere dem realistisk.

Hvordan Plecto hjelper deg med å unngå uforholdsmessig enhetsvisualisering

Glem skaleringproblemer når du kan automatisere visualisering. Plecto bruker faste størrelser for enhets sammenligning, og forhindrer skalering feil. For mengdesammenligninger brukes standard stolpe- og søylediagrammer som standard for å nøyaktig vise forskjeller i diskrete enheter. Ikke bare er dette en tidsbesparelse, men det ser profesjonelt ut og viser ytelsen nøyaktig som den er.

5. Forvrengt Kakegraf Utsikt

Å forvrenge utseendet til datavisualiseringer skaper villedende optiske illusjoner.

Problemet 🤔

Som et eksempel på proporsjonal snarere enn numerisk representasjon, viser de to kake (donut) diagrammene nedenfor proporsjonale andeler av "dødsårsak." Ser vi på diagrammet til høyre, blir vi ledet til å tro at seksjon B er den største seksjonen—eller i det minste av lik størrelse som seksjon A. Men ser vi på diagrammet til venstre, ser vi at dette ikke er tilfelle, og seksjon A er ganske klart den største. Hva skjer?

3D-kakegrafen til høyre forvrenger grafen, med seksjon B vippet mot betrakteren og dermed får denne seksjonen til å se mye større ut enn den egentlig er. Kort sagt, det er et øye-triks—et som, selv om det ikke presenterer falsk informasjon direkte, skaper en villedende oppfatning av virkeligheten.

Løsningen 💡

Løsningen her er virkelig enkel: unngå å bruke 3D kakegrafer, som uunngåelig forvrenger dataene du presenterer, og bruk 2D-diagrammer i stedet. Å gjøre det er mer ærlig, og sikrer også at du får de mest pålitelige og nøyaktige dataene mulig. Dette er spesielt viktig fordi så mye av det som regnes som "gode" datavisualiseringer er avhengig av førsteinntrykk for å etablere ikke bare lesbarhet, men sannferdighet.

Hvordan Plecto hjelper deg med å unngå å forvrenge data

Plecto bruker eksklusivt 2D visualiseringer for kjerne diagrammer som donut, linje, og stolpediagrammer, og eliminerer potensialet for forvrengning forårsaket av 3D-perspektiver, og garanterer den visuelle sannferdigheten av dataene dine ved første øyekast.

6. Hvor Skal Man Begynne…?

Manglende oppmerksomhet på hva du måler, og hvordan, gjør en grafikk meningsløs.

Problemet 🤔

For den store finalen, en visualisering med ikke bare ett eller to, men flere problemer! Denne grafikken viser hvordan medlemmer av "Baby Boomer"-generasjonskohorten beskriver seg selv, med hver beskrivelse indikert av en annen fargekodet prosentandel på en humanoid figur.

Denne grafikken er til slutt en "kreativ" kakegraf, mye som det forrige honningkakeeksemplet i denne listen (Nummer 3). Men mens honningkakegrafikken ganske enkelt ikke representerte proporsjoner korrekt, begår denne grafikken flere statistiske og designfeil:

• Prosentene som er oppgitt, legger ikke opp til 100, men snarere 243. Her, hvor det ikke er noen overlapping mellom kategorier, blir betrakteren ledet til å tro at grafikkdesigneren har gjort en alvorlig statistisk feil.
• Plassene tildelt hver kategori samsvarer overhodet ikke med deres oppgitte prosentandeler. Klart tar ikke "folkekyndig"-kategorien (78 prosent) opp 78 prosent av humanoiden!
• Det er også usikkert hvorfor designeren valgte å bruke en humanoid og et tilsynelatende tilfeldig fargevalg. Hvilken informasjon gir disse designvalgene til leseren, eller hvilken informasjon prøver de å forsterke i leserens sinn? Vi vet rett og slett ikke.

Generelt gir denne grafikken et sterkt villedende inntrykk av informasjonen den prøver å formidle. Når leseren ser humanoiden, assosierer de dette mentalt med en totalitet (som 100 prosent) på samme måte som sirkelen i en kakegraf.

Men når leseren ser kategoriprocentene som overstiger 100 og har ingen visuell basis innen grafikken, konkluderer de med at tallene er tilfeldig plassert og ikke har noen reell "historie" bak seg. Med andre ord, grafikken blir meningsløs.

Bygg din egen

Løsningen 💡

Den eneste løsningen for å fikse denne grafikken er å skrape den helt og starte på nytt—denne gangen, som et stolpediagram. Å overføre dataene fra denne grafikken til et stolpediagramformat vil tillate det tiltenkte publikum å bedre forstå forholdet mellom disse verdikategoriene ("folkekyndig," "kreativ," osv.) uten å gi publikum en falsk idé om at disse verdiene skal "passe" sammen numerisk.

Hvis numeriske data i stedet for bare prosentandeler kan oppnås, ville en enda bedre løsning være å lage et Venn-diagram. Boblenes overlapping ville tillate betrakteren å vite mer om forholdene mellom respondenters verdier: for eksempel, hvor mange respondenter sa at de var både "ledere" og "villige til å lære"? Og for å gi betrakteren en rask idé om hvor mange respondenter som faller inn i hver verdikategori, kan boblene størrelsesjusteres deretter.

Hvordan Plecto hjelper med å forenkle datavisualisering

Plectos utvalg av 10+ datavisualiseringswidgettyper gir brukerne et utvalg formater for å representere nøkkelinformasjon, selv når det er overlappende variabler eller individer som faller inn i to kategorier–som en Baby Boomer som anser seg selv både som teknologisk- og folkekyndig.

Velg mellom hastighetsmålere, tabeller, donut-diagrammer, områdediagrammer, eller søyle (stolpe) diagrammer for å visualisere ytelses-KPI-er på en måte som gir mest mening for deg. Faktisk er hovedprinsippet til Plecto å bruke data på en enkel, men motiverende måte for å øke teamets ytelse!

Hva Ser en Dårlig Dashboard Ut?

De seks eksemplene ovenfor er alle enkeltstående diagrammer. Et dashboard hever innsatsen, fordi det setter mange diagrammer på én skjerm samtidig, slik at små feil blir til en visning ingen kan lese ved første øyekast. Dette er de vanligste dårlige dashboarddesignfeilene, og hvordan man kan fikse dem:

1. For mange KPI-er. Tjue metrikker på én skjerm betyr at ingen av dem skiller seg ut. Velg de fem til syv som driver handling, og gi alt annet sitt eget dashboard.
2. Ingen visuell hierarki. Når hver widget er av samme størrelse, har øyet ingen steder å lande. Størrelse og plasser widgets etter viktighet, med hovedtallene størst.
3. Vanity-metrikker. Tall som ser imponerende ut, men ikke endrer noen beslutning, overskygger de som gjør det. Spor tilpassede KPI-er knyttet til et mål i stedet.
4. Feil diagram for metrikken. Et kakegraf for tidsserie-data, eller et linjediagram for kategorier, tvinger leseren til å jobbe bakover. Matche diagramtypen med formen på dataene.
5. Gammel, statisk data. Et dashboard bygget på forrige ukes eksport er en rapport, ikke et dashboard. Koble til sanntidsdata slik at tallene beveger seg i sanntid.

Vil du se den andre siden? Utforsk Plectos sanntidsdashboards, eller les vår oppsummering av de beste datavisualiseringene for eksempler gjort riktig.

Vil Du Unngå Disse Dårlige Visualiseringsfeilene? Prøv Plecto!

Avslutningsvis, her er de seks problemene vi har skissert—og deres løsninger:

1. Uorganiserte data forteller ikke en meningsfull historie: Organiser databulene i hierarkisk format.
2. Overbelastning av visuelle komponenter gjør data vanskelig å lese: Reduser antallet akser og variabler.
3. Brøker ser ikke intuitivt ut som de leses: Sørg for at en kvart (en fjerdedel) vises som en kvart i visualiseringen din.
4. Målingsenheter for data er feil størrelse: Ikke ta for mye kunstnerisk frihet med måleenheter.
5. Visuell manipulering av data skaper villedende inntrykk: Unngå optiske illusjoner og hold dataene dine ærlige.
6. Å prøve å si alt, men si ingenting i det hele tatt: Vit hva du måler, og hvordan du skal gjøre det.

Fordi datavisualiseringer er allestedsnærværende, er det ikke overraskende at det vil være både gode og dårlige eksempler i overflod. Dette er grunnen til at det er viktig å kjenne varselsignalene på en dårlig datavisualisering, slik at du kan sikre at dataene du interagerer med presenteres på en pålitelig, gyldig, og troverdig måte.

Med Plecto kan du unngå fallgruvene ved dårlig datavisualisering og stole på velprøvde visualiseringsmetoder, og sikre at organisasjonen din kan få tilgang til dataene sine på en gjennomsiktig og nøyaktig måte. Denne klarheten vil gi deg innsikten du trenger for å ta datadrevne beslutninger og nå dine KPI-mål.

Ikke kast bort tiden din på substandard datavisualiseringer! Registrer deg nedenfor for en gratis Plecto-demo i dag.