6 Exempel på Dåliga Datavisualiseringar

Vad är en Dålig Datavisualisering?

En dålig datavisualisering är en som vilseleder eller förvirrar sin publik, oavsett om det är genom förvrängda proportioner, rörig design eller felaktig diagramtyp, så att datan är svårare att förstå än de råa siffrorna skulle vara.

Datavisualiseringar är ett av de mest övertygande och effektiva sätten att förstå världen omkring oss. Detta beror på att datavisualiseringar berättar historier, kreativt presenterar en dataset för en publik för att informera dem om ett givet problem eller fenomen. Medan visualiseringar har blivit alltmer komplexa, informativa och sofistikerade, går de ibland lite för långt… genom att ge för mycket information eller bli för kreativa för sitt eget bästa.

Vad Gör en Datavisualisering Dålig?

När visualiseringar blir komplicerade istället för hjälpsamma för sin avsedda publik, och komplicerade istället för lätta att förstå, förlorar visualiseringen sitt syfte.

Det finns flera sätt detta kan inträffa:

• Dåliga färgval
• Disproportionerlig storlek på visuella komponenter
• Förekomsten av överflödig eller redundant data
• Att arrangera datan på ett sätt som helt enkelt inte ger någon mening.

Kort sagt: Datavisualiseringar blir dåliga när deras data verkar röriga eller otydliga.

I den här artikeln kommer vi att titta på exempel på dåliga datavisualiseringar. Vi kommer att bryta ner var grafiken gick fel—men vi kommer också att förklara hur man kan förbättra den, så att den bättre kan presentera den historia den försöker berätta.

Bygg din egen

1. Otydlig Datainriktning

Oorganiserad data skapar narrativ inkohärens.

Problemet 🤔

I den här grafiken ser vi de genomsnittliga åldrarna vid vilka europeiska unga människor lämnar hemmet: de nordiska länderna är de yngsta, Västra och Centraleuropa i mitten av 20-årsåldern, och Östeuropa och Medelhavsländerna i slutet av 20-årsåldern (eller till och med senare!). Bubblor representerar länder, varje en inkluderar den nationella genomsnittliga åldern för att "flytta hemifrån." Bubblornas färg beror på denna genomsnittliga ålder.

Överlag är detta inte ett dåligt koncept. Men här är problemet: bubblorna är inte arrangerade på något meningsfullt sätt. De röda länderna verkar klumpa sig något i botten, och de blå länderna i toppen—men det är allt. Detta kan vara en dålig tolkning av en karta över Europa, men vi kan inte vara säkra.

Bizarro nog är bubblan som indikerar den genomsnittliga EU-åldern för att lämna hemmet knappt identifierbar, belägen längst till vänster i grafiken och odiskutabel i storlek och format från någon av landets bubblor. Kort sagt, den saknade nyckeln här är organisation.

Lösningen 💡

Ett mer effektivt sätt att organisera denna data skulle vara att konstruera den i färgkodade lager, med majoriteten av de gula länderna i mitten, och avta mot de blå och röda kategorierna ovanför och nedanför.

EU-bubblan skulle antingen kunna placeras vid sidan av eller i mitten av det gula lagret. Oavsett dess placering, bör den ha någon särskiljande funktion—som större storlek eller fet text—för att indikera dess betydelse.

Dessa lösningar skulle tillåta läsarna att inte bara veta skillnaderna mellan åldrar för "flytta hemifrån" per land, utan också förstå hur dessa datapunkter hänger ihop, vilket gör att de kan dra korrelationer och slutsatser om detta sociala fenomen.

Hur Plecto hjälper till att lösa otydlig datainriktning

Med fördefinierade visualiseringar som stapeldiagram, linjediagram, hastighetsmätare och mer, guidar Plecto användare mot vanliga format som har tydliga axlar, hierarki och organisation inbakad i sin design.

2. För Många Variabler

Överbelastning av visuella komponenter gör data svåra att läsa.

Problemet 🤔

Detta diagram är bara ett klassiskt fall av TMI (för mycket information)! Datan här mäts inte bara på en typisk två, utan tre axlar: antal, månad, och typ av frukt. Medan vi kan uppskatta mångdimensionen i detta diagram och dess försök att kommunicera så mycket data som möjligt, är det helt enkelt för mycket att förstå vid första ögonkastet.

Och detta leder till allvarliga problem när det kommer till att tolka denna grafik. Det är svårt att avgöra antalet citroner över alla månader, till exempel, och omöjligt att se antalet bananer i februari och mars.

Läsaren kan inte heller exakt avgöra antalet frukter för någon av staplarna i den centrala delen av grafen. Om de inte placeras direkt mot siffernätet, är mängden frukt i princip omöjlig att bestämma.

Lösningen 💡

Lösningen på detta grafiks problem är att eliminera en av axlarna och låta det nya diagrammet mäta endast två komponenter istället för tre. Även om detta kommer att resultera i fler diagram för att förmedla samma mängd information, kommer de att vara mycket lättare att läsa.

Till exempel, man skulle kunna spåra antalet sålda apelsiner över de fyra månaderna, och göra motsvarande diagram för äpplen, citroner och bananer. Alternativt skulle man kunna spåra de fyra typerna av frukt som såldes i januari, och göra motsvarande diagram för de tre återstående månaderna.

Hur Plecto hjälper dig att undvika att använda för många variabler

Genom att låta användare enkelt filtrera, stapla eller separera variabler i flera, läsbara diagram, gör Plecto det möjligt för försäljnings- och supportchefer att analysera nyckeltal per anställd, team, tid eller andra variabler på olika widgets på samma dashboard. Denna mångsidighet förhindrar impulsen att pressa in för mycket data i en enda, förvirrande visualisering, samtidigt som den fortfarande erbjuder kraftfull insikt i prestanda.

Bygg din egen

3. Kontraintuitiva Tårtdiagramprocent

Felaktig överensstämmelse mellan en bråkdel och dess visualisering komplicerar en intuitiv upplevelse.

Problemet 🤔

Konceptet för detta skräddarsydda tårtdiagram är kreativt och bestämt unikt. Men vi måste säga det—matematiken stämmer inte! Medan varje sida av en hexagon är lika med en sjättedel, eller 16,67 procent av hexagonens totala yta, vänds denna grundläggande verklighet helt upp och ner här.

På något sätt tar fruktossektionen (38,5 procent) upp betydligt mer utrymme än glukossektorn (31,0 procent), som i sin tur bara är något större än vattendelen (17,1 procent). Och den 0,5 procent stora skivan av mineraler, vitaminer och enzymer är alldeles för stor för sin angivna procentandel.

Lösningen 💡

Det är okej att sätta en kreativ snurr på ett typiskt, "tråkigt" tårtdiagram—men detta bör inte ske på bekostnad av statistisk noggrannhet, eller bara ren sunt förnuft. Tack och lov är lösningen på detta misslyckade bikake-diagram en enkel: omstrukturera diagramsektionerna så att de är proportionerliga mot sina angivna värden.

Hur Plecto hjälper till att undvika oproportionerliga tårtdiagramsegment

Plecto säkerställer statistisk noggrannhet, med donut-diagram som automatiskt beräknas för att rendera segmentstorlek perfekt proportionell mot sitt angivna värde, vilket garanterar en visuell representation som alltid är sann mot datan. Dessutom, nämnde vi att de ser fantastiska ut?

4. Disproportionerlig Piktogramstorlek

Överdrivna bildstorlekar förstorar—och vilseleder om—den verkliga skillnaden.

Problemet 🤔

Detta är ett annat fall av felaktiga proportioner, men av en annan typ. I detta fall visar två stapeldiagram antalet utexaminerade i A- och B-kohorter: en utexaminerad i A, och tre i B. Men istället för att använda staplar, använder diagrammen piktogram. Det vänstra diagrammet använder diskreta enheter för att räkna antalet utexaminerade; under tiden använder det högra diagrammet ett enda stort piktogram för att indikera samma mängd.

Men här uppstår problemet för det högra diagrammet. Istället för att helt enkelt indikera mängd, introducerar användningen av ett skalbart piktogram ett annat element av dimensionalitet—inte bara av antal, utan av storlek.

Detta skapar en situation där, för att hålla piktogrammet proportionellt medan det når "3"-märket, skalas det till en storlek som får publiken att tro att skillnaden mellan A och B är mycket större än den verkligen är. Faktum är att B-utexaminerad inte verkar bara tre gånger större än A-utexaminerad, utan snarare sex eller sju gånger större!

Lösningen 💡

Lösningen på denna lågkvalitativa grafik (till höger) finns i den mycket bättre grafiken till vänster. Här staplas tre piktogram av lika storlek på varandra, proportionellt (och korrekt) indikerande skillnaden mellan 1 och 3.

När man tänker på hur man ska visa data, måste man komma ihåg vad som exakt representeras: skillnad i proportion (relationen mellan delar av en helhet), eller skillnad i numerisk mängd (jämföra värden eller mängder över kategorier eller tid).

Om du vill se en proportionell representation, använd visualiseringar som tårtdiagram (donut), staplade stapeldiagram eller träddiagram. Men om du bara vill jämföra datasetstorlekar, använd diskreta enheter—eller en enkel stapel—för att representera dem realistiskt.

Hur Plecto hjälper dig att undvika oproportionell enhetsvisualisering

Glöm skalningsproblem när du kan automatisera visualiseringen. Plecto använder fasta storlekar för enhetsjämförelse, vilket förhindrar skalningsfel. För mängdjämförelser används standard stapel- och kolumndiagram som standard för att noggrant visa skillnader mellan diskreta enheter. Detta är inte bara en tidsbesparare, utan ser också professionellt ut och visar prestanda precis som den är.

5. Förvrängd Tårtdiagramvy

Att förvränga utseendet på datavisualiseringar skapar bedrägliga optiska illusioner.

Problemet 🤔

Som ett exempel på proportionell snarare än numerisk representation visar de två tårtdiagrammen (donut) nedan proportionella andelar av "dödsorsak." När vi ser på diagrammet till höger, blir vi ledda att tro att sektion B är den största sektionen—eller åtminstone av lika storlek som sektion A. Men när vi ser på diagrammet till vänster, ser vi att så inte är fallet, och sektion A är tydligt den största. Vad ger?

3D-tårtdiagramvyn till höger förvränger grafen, med sektion B lutad mot betraktaren och därmed gör denna sektion att verka mycket större än den verkligen är. Kort sagt, det är en synvilla—en som, även om den inte presenterar falsk information direkt, skapar en vilseledande uppfattning om verkligheten.

Lösningen 💡

Lösningen här är verkligen enkel: undvik att använda 3D tårtdiagram, som ofelbart förvränger den data du presenterar, och använd 2D-diagram istället. Att göra så är mer ärligt, och säkerställer också att du får den mest pålitliga och exakta datan möjligt. Detta är särskilt viktigt eftersom så mycket av vad som räknas som "bra" datavisualisering förlitar sig på första intryck för att etablera inte bara läsbarhet, utan sanningsenlighet.

Hur Plecto hjälper dig att undvika att förvränga data

Plecto använder uteslutande 2D-visualiseringar för kärndiagram som donut-, linje- och stapeldiagram, vilket eliminerar potentialen för förvrängning orsakad av 3D-perspektiv, vilket garanterar den visuella sanningsenligheten av din data vid första ögonkastet.

6. Var Börja…?

Att inte uppmärksamma vad du mäter, och hur, gör en grafik meningslös.

Problemet 🤔

För den stora finalen, en visualisering med inte bara ett eller två, utan flera problem! Denna grafik visar hur medlemmar av "Baby Boomer"-generationen beskriver sig själva, med varje beskrivning angiven av en annan färgkodad procentandel på en humanoid figur.

Denna grafik är i slutändan ett "kreativt" tårtdiagram, mycket likt det tidigare bikakeexemplet i denna lista (Nummer 3). Men medan bikakegrafiken helt enkelt inte representerade proportioner korrekt, begår denna grafik flera statistiska och designsynder:

• Procentandelarna som listas summerar inte till 100, utan snarare 243. Här, där ingen överlappning mellan kategorierna är närvarande, blir betraktaren ledd att tro att grafikdesignern har gjort ett allvarligt statistiskt misstag.
• De utrymmen som tilldelas varje kategori motsvarar inte alls deras angivna procentandelar. Tydligt, kategorin "personer-savvy" (78 procent) tar inte upp 78 procent av humanoiden!
• Det är också osäkert varför designern valde att använda en humanoid och ett till synes slumpmässigt färgschema. Vilken information ger dessa designval till läsaren, eller vilken information försöker de förstärka i läsarens sinne? Vi vet helt enkelt inte.

Överlag ger denna grafik ett starkt vilseledande intryck om den information den försöker förmedla. När läsaren ser humanoiden, associerar de mentalt detta med en totalitet (såsom 100 procent) på samma sätt som cirkeln av ett tårtdiagram.

Men när läsaren ser kategoriprocentandelar som överstiger 100 och har ingen visuell grund inom grafiken, drar de slutsatsen att siffrorna är slumpmässigt placerade och har ingen verklig "historia" bakom sig. Med andra ord, grafiken blir meningslös.

Bygg din egen

Lösningen 💡

Den enda lösningen för att fixa denna grafik är att stryka den helt och börja om—denna gång, som ett stapeldiagram. Att överföra denna grafiks data till ett stapeldiagramformat kommer att göra det möjligt för den avsedda publiken att bättre förstå relationen mellan dessa värdekategorier ("personer-savvy", "kreativ", etc.) utan att ge publiken en falsk idé om att dessa värden ska numeriskt "passa" ihop.

Om numeriska data snarare än bara procent kan erhållas, skulle en ännu bättre lösning vara att skapa ett Venn-diagram. Överlappningen av bubblorna skulle låta betraktaren veta mer om relationerna mellan respondenternas värden: till exempel, hur många respondenter sa att de både var "ledare" och "villiga att lära sig"? Och för att ge betraktaren en snabb uppfattning om hur många respondenter som faller inom varje värdekategori, kan bubblorna storleksanpassas därefter.

Hur Plecto hjälper till att förenkla datavisualisering

Plectos utbud av 10+ datavisualiseringswidgettyper ger användare en rad format för att representera nyckelinformation, även när det finns överlappande variabler eller individer som faller inom två kategorier–som en Baby Boomer som anser sig både teknisk- och person-savvy.

Välj mellan hastighetsmätare, tabeller, donut-diagram, områdesdiagram eller kolumn (stapel) diagram för att visualisera prestanda KPI:er på ett sätt som ger mest mening för dig. Faktum är att Plectos nyckelprincip är att använda data på ett enkelt men motiverande sätt för att öka teamets prestation!

Hur Ser en Dålig Dashboard Ut?

De sex exemplen ovan är alla enskilda diagram. En dashboard höjer insatserna, eftersom den sätter många diagram på en skärm på en gång, så små misstag samlas till en visning som ingen kan läsa vid en blick. Dessa är de vanligaste dåliga dashboarddesignfelen, och hur man åtgärdar dem:

1. För många KPI:er. Tjugo mätvärden på en skärm betyder att ingen av dem sticker ut. Välj de fem till sju som driver åtgärd, och ge allt annat sin egen dashboard.
2. Ingen visuell hierarki. När varje widget är samma storlek har ögat ingenstans att landa. Storlek och placera widgets efter betydelse, med huvudnumret störst.
3. Skönhetsmått. Siffror som ser imponerande ut men inte ändrar något beslut tränger ut de som gör det. Spåra anpassade KPI:er kopplade till ett mål istället.
4. Fel diagram för mätvärdet. Ett tårtdiagram för tidsseriedata, eller ett linjediagram för kategorier, tvingar läsaren att arbeta bakåt. Matcha diagramtypen med datans form.
5. Gammal, statisk data. En dashboard byggd på förra veckans export är en rapport, inte en dashboard. Anslut live-data så att siffrorna rör sig i realtid.

Vill du se den andra sidan? Utforska Plectos real-tids dashboards, eller läs vår sammanställning av de bästa datavisualiseringarna för exempel som görs rätt.

Vill du Undvika Dessa Dåliga Visualiseringsmisstag? Prova Plecto!

Sammanfattningsvis, här är de sex problem vi har skisserat—och deras lösningar:

1. Oorganiserad data berättar ingen meningsfull historia: Organisera databubblorna i hierarkisk format.
2. Överbelastning av visuella komponenter gör data svåra att läsa: Minska antalet axlar och variabler.
3. Bråk ser inte intuitivt ut som de läses: Se till att en fjärdedel (en fjärdedel) framstår som en fjärdedel i din visualisering.
4. Mätningsenheter av data är felaktigt storleksanpassade: Ta inte för mycket konstnärlig frihet med mätningsenheter.
5. Visuellt manipulera data skapar vilseledande intryck: Undvik optiska illusioner och håll din data ärlig.
6. Försöka säga allt, men säga ingenting alls: Vet vad du mäter, och hur du ska göra det.

Eftersom datavisualiseringar är allestädes närvarande, är det ingen överraskning att det kommer att finnas både bra och dåliga exempel i överflöd. Detta är varför det är viktigt att känna till varningstecknen för en dålig datavisualisering, så att du kan säkerställa att den data du interagerar med presenteras på ett pålitligt, giltigt och trovärdigt sätt.

Med Plecto kan du undvika fallgroparna av dålig datavisualisering och förlita dig på beprövade visualiseringsmetoder, vilket säkerställer att din organisation kan få tillgång till sin data på ett transparent och exakt sätt. Denna klarhet kommer att ge dig den insikt du behöver för att fatta datadrivna beslut och nå dina KPI-mål.

Slösa inte din tid på undermåliga datavisualiseringar! Registrera dig nedan för en gratis Plecto-demo idag.