Visual analytics: poniendo en valor el dato a través de la visualización

TALLERVisual Analytics: poniendo en valor el dato a través

de la visualizaciónProyectos Programa Big Data y Business Intelligence

Alex Rayó[email protected]

Diciembre, 2015

“Perfection is achieved not when there is nothing more to add, but when there is nothing

left to take away”

Antoine de Saint-Exupery

2

Narrativa+

Diseño+

Estadística3

“[...] people almost universally use story narratives to represent, reason about, and make

sense of contexts involving multiple interacting agents, using motivations and goals to explain

both observed and possible future actions. With regard to learning analytics, I’m seeing this as how

it can contribute to the retrospective understanding and sharing of what transpired

within the operational contexts”

[Zachary2013]4

Índice de contenidos

Introducción

Historia visualización de información

Conceptos

Proceso de visualización de información

Construyendo un Dashboard

Errores en la visualización

Herramientas y librerías5


Introducción


Conceptos





Introducción

Peligro de perderse con los datos

Irrelevante para la tarea que se tiene entre manos

Procesado de una manera inapropiada

Presentado de una manera inapropiada

Source: http://www.planetminecraft.com/server/padlens-maze/

7

Introducción (II)

8

Introducción (III)

Los buenos gráficos…

Señalan relaciones, tendencias o patrones

Exploran datos para inferir nuevo conocimiento

Hace fácil de entender un concepto, idea o hecho

Permite observar una realidad desde diferentes puntos de vista

Permite recordar una idea

9

Introducción (IV)

Es una forma de expresiónComo las matemática, la música, la pintura o la escritura

En consecuencia, tiene una serie de reglas que respetar

Source: http://powerlisting.wikia.com/wiki/Mathematics_Manipulation

10

Introducción (V)

A center of excellence

11

IntroducciónBeneficios

1) Procesamiento eficiente de información

12

IntroducciónBeneficios (II)

2) Relaciones y patrones entre actividades de negocio y operaciones

Fuente: http://www.mediameasurement.com/my-my-a-smoky-eyed-surprise/

13

IntroducciónBeneficios (III)

3) Identificar y actuar en tendencias emergentes cuanto antes

Fuente: http://www.propertyweek.com/emerging-trends-sustainability-given-the-green-light/5065937.article

14

IntroducciónBeneficios (IV)

4) Manipular e interactuar directamente con datos

Fuente: http://blog.visual.ly/interaction-design-for-data-visualizations/

15

IntroducciónBeneficios (V)

5) Fortalecer un nuevo lenguaje de negocio

Fuente: http://www.qualia.hr/businessq/visualize/

16

IntroducciónPopularidad

Information is beautiful

Fuente: http://www.informationisbeautiful.net/visualizations/the-microbescope/

17

http://www.informationisbeautiful.net/

IntroducciónPopularidad (II)

Vox

Fuente: http://www.vox.com/2014/10/18/6995441/map-greatest-threat-country

18

http://www.vox.com/

IntroducciónPopularidad (III)

Politikon: Kiko Llaneras

Fuente: http://politikon.es/2014/01/30/personas-datos-gimnasios-y-patrones/

19

http://politikon.es/author/kikollaneras/


Introducción


Conceptos





Historia visualizaciónIntroducción

Siglo XVIII Siglo XIX Siglo XX

Joseph PriestleyWilliam Playfair

John SnowCharles J. Minard

F. Nightingale

Jacques BertinJohn Tukey

Edward TufteLeland Wilkinson

21

Historia visualizaciónSiglo XVIII: Joseph Priestley

Source: http://en.wikipedia.org/wiki/A_New_Chart_of_History#mediaviewer/File:A_New_Chart_of_History_color.jpg22

Historia visualizaciónSiglo XVIII: Joseph Priestley (II)

Lectures on History and General Policy

(1788)A Chart of Biography (1765)A New Chart of History (1769)

Preciosas metáforas de una dimensión imprecisa y abstracta (tiempo) trasladada a una concreta (espacio)

Pensamiento temporal consume recursos cognitivos

23

http://en.wikipedia.org/wiki/Lectures_on_History_and_General_Policy

http://en.wikipedia.org/wiki/Lectures_on_History_and_General_Policy

http://en.wikipedia.org/wiki/A_Chart_of_Biography

http://en.wikipedia.org/wiki/A_New_Chart_of_History

Historia visualizaciónSiglo XVIII: William Playfair

Source: http://en.wikipedia.org/wiki/William_Playfair

24

Historia visualizaciónSiglo XIX: John Snow

Source: http://en.wikipedia.org/wiki/1854_Broad_Street_cholera_outbreak

25

Historia visualizaciónSiglo XIX: Charles J. Minard

Source: http://en.wikipedia.org/wiki/Charles_Joseph_Minard

26

Historia visualizaciónSiglo XIX: Florence Nightingale

Source: http://en.wikipedia.org/wiki/Florence_Nightingale27

Historia visualizaciónSiglo XX: Jacques Bertin

Source: http://www.amazon.com/Semiology-Graphics-Diagrams-Networks-Maps/dp/1589482611

28

Historia visualizaciónSiglo XX: John W. Tukey

Source: http://books.google.es/books/about/Exploratory_Data_Analysis.html?id=UT9dAAAAIAAJ&redir_esc=y

29

Historia visualizaciónSiglo XX: Edward R. Tufte

Source: http://www.edwardtufte.com/tufte/books_vdqi

30

Historia visualizaciónSiglo XX: Leland Wilkinson

Source: http://www.amazon.com/Grammar-Graphics-Statistics-Computing/dp/038724544831

Historia visualizaciónSiglo XX: Leland Wilkinson (II)

Source: http://www.amazon.com/Grammar-Graphics-Statistics-Computing/dp/038724544832


Introducción


Conceptos





ConceptosIntroducción

Visualización de datos

Visualización de información

Geovisualización

Visual Analytics

Diseño de información

Infografías

34

ConceptosIntroducción (II)

Herramientas cognitivas

Extienden el aprendizaje y la percepción humana

Fueron inventadas y desarrolladas por nuestros antepasados para darle sentido al mundo y actuar de manera más efectiva en él

Historias que enseñaron a las personas a recordar cosas haciendo el conocimiento más interesante

Metáforas que permitieron a las persona entender una cosa analizándola en términos de otra

Oposiciones binarias como bueno/malo que ayudaron a las personas a organizar y categorizar conocimiento35

ConceptosIntroducción (III)

Source: http://ierg.net/about/briefguide.html#cogtools36

ConceptosIntroducción (IV)

Source:http://en.wikipedia.org/wiki/Cognitive_ergonomics

37

ConceptosVisualización de datos

El uso de representaciones visuales e interactivas sobre

ordenador de elementos abstractos para ampliar y mejorar el procesamiento cognitivo

[Card1999]

38

ConceptosVisualización de información

También conocido como InfoVis

Se centra en la visualización de datos abstractos no-físicos como datos financieros, información de negocio, colecciones de documentos y conceptos abstractos

Sin embargo, limita mucho el soporte a la toma de decisiones [AmarStasko2004]

Características limitadas

Representaciones predeterminadas

Rechazo al determinismo en la toma de decisiones

39

ConceptosGeovisualización

Los datos geo-espaciales describen objetos o fenómenos que están asociados a una localización específica en el mundo real

Source: http://www.boostlabs.com/why-geovisualization-geographic-visualization-works/40

ConceptosVisual Analytics

The science of analytical reasoning facilitated by

interactive visual interfaces

[ThomasCook2005]

41

ConceptosVisual Analytics (II)

[Keim2006]42

ConceptosVisual Analytics (III)

“Visual analytics is more than just visualization and can rather be seen as an integrated approach

combining visualization, human factors and data analysis. [...]integrates methodology from information analytics, geospatial analytics, and scientific analytics.

Especially human factors (e.g., interaction, cognition, perception, collaboration, presentation,

and dissemination) play a key role in the communication between human and computer, as well

as in the decisionmaking process.”

[Keim2006]43

ConceptosVisual Analytics (IV)

● [Sheniderman2002] sugiere combinar el enfoque de análisis cuantitativo sobre ordenador (Data Mining) con la visualización de información

● Utilizar herramientas de Visual Analytics para:○ Sintetizar información y obtener insights de datos masivos,

dinámicos, ambiguos y en ocasiones conflictivos○ Detectar lo esperado y descubrir lo inesperado○ Proveer interpretaciones de datos a tiempo, defendibles y

entendibles○ Comunicar interpretaciones de datos de manera efectiva

para habilitar la toma de decisiones/acciones

44

ConceptosVisual Analytics (V)

Interactivevisualization

Computational analysis

Analyticalreasoning

45

ConceptosVisual Analytics (VI)

Combinar las fortalezas tanto del procesamiento humano como electrónico [Keim2008]

Ofrece un procesamiento analítico semi-automático

Utiliza las fortalezas de cada enfoque

46

ConceptosVisual Analytics (VII)

[Verbert2014]

47

ConceptosDiseño de información

The practice of presenting information

in a way that fosters efficient and effective

understanding of it48

ConceptosDiseño de información (II)

Source: http://www.nytimes.com/imagepages/2007/03/17/nyregion/nyregionspecial2/20070318_TRAIN_GRAPHIC.html49

ConceptosInfografías

The graphic visual representations of data,

information or knowledge intended to present complex

information quickly and clearly

50

ConceptosInfografías (II)

Source: http://blog.crazyegg.com/2012/02/22/infographics-how-to-strike-the-elusive-balance-between-data-and-visualization/51

ConceptosInfografías (III)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef016760ebbbcd970b-550wi52

ConceptosComparación

Source: http://www.slideshare.net/SookyoungSong/hci-tutorial0212

53


Introducción


Conceptos





Proceso visualizaciónIntroducción

The purpose of analytical displays of evidence is to assist thinking. Consequently, in constructing displays of evidence, the first question

is, “What are the thinking tasks that these displays are supposed to serve?” The central claim of the book is that effective analytic

designs entail turning thinking principles into seeing principles. So, if the thinking task is to understand causality, the task calls for a design principle: “Show causality.” If a thinking task is to answer a question

and compare it with alternatives, the design principle is: “Show comparisons.” The point is that analytical designs are not to be

decided on their convenience to the user or necessarily their readability or what psychologists or decorators think about them;

rather, design architectures should be decided on how the architecture assists analytical thinking about evidence.

Edward T. Tufte in an interview55

http://www.edwardtufte.com/tufte/s15427625tcq1304_5.pdf

Proceso visualizaciónData Visualization Reference Model

[Chi2000]

56

Proceso visualizaciónProceso Visual Analytics

57

Proceso visualizaciónPrincipios

Resumen de los principios de TufteRevelar la verdad

Integridad gráficaHacer de manera efectiva, con claridad, precisión,

etc.Diseño estético

“The success of a visualization is based on deep knowledge and care about the

substance, and the quality, relevance and integrity of the content”

[Tufte1983]

58

Proceso visualizaciónPrincipios (II)

Diseño estético: cinco principiosPor encima de todo, mostrar los datosMaximizar el ratio dato-tintaEliminar todo trazo de tinta que no contenga

datosEliminar trazos de tinta redundantesRevisar y editar

59

Proceso visualizaciónPrincipios (III)

Atributos importantesColor

Tamaño

Orientación

Lugar en la página

o

Source: http://www.storytellingwithdata.com/2011/10/google-example-preattentive-attributes.html60

Proceso visualización1) Transformación de datos

Codificación del valor

Datos univariados

Datos bivariados

Datos multivariados

Codificación la relación

Líneas

Mapas

Diagramas61

Proceso visualización1) Transformación de datos (II)


Datos univariados

Datos bivariados

Datos multivariados


Líneas

Mapas

Diagramas62

Proceso visualización1) Transformación de datos (III)

[Shneiderman1996]

63

Proceso visualización1) Transformación de datos (IV)

Data Visualization [Jarvainen2013]

Datos univariados

Los efectos de la variable independiente sobre una única variable dependiente

64

Proceso visualización1) Transformación de datos (V)


Datos bivariados

Miden la relación entre dos variablesNinguna de las variables en estudio es independiente, por lo que el procedimiento no es

experimental, como en los estudios univariados

65

Proceso visualización1) Transformación de datos (VI)

Anscombe's quartetSource: http://en.wikipedia.org/wiki/Anscombe's_quartet

66

Proceso visualización1) Transformación de datos (VII)

Datos multivariados


Analizar simultáneamente conjunto de datos multivariantes en el sentido de que hay varias variables medidas para cada individuo u objeto estudiado

67

Proceso visualización1) Transformación de datos (VIII)


Datos univariados

Datos bivariados

Datos multivariados


Líneas

Mapas

Diagramas68

Proceso visualización1) Transformación de datos (IX)

RelaciónAsociación lógica o natural entre dos o más entidades

Relevancia de la una en la otra

Conexión

Fuente: http://www.tendencias21.net/estrategar/La-vida-es-relacion_a321.html

69

Proceso visualización1) Transformación de datos (X)

Red Social

Las líneas indican relación

Source: http://www.digitaltrainingacademy.com/socialmedia/2009/06/social_networking_map.php

70

Proceso visualización1) Transformación de datos (XI)

71

Proceso visualización1) Transformación de datos (XII)

Source: http://www.d3noob.org/2013/02/formatting-data-for-sankey-diagrams-in.html

Diagrama de Sankey

72

Proceso visualización1) Transformación de datos (XIII)

Source: http://en.wikipedia.org/wiki/Harry_Beck

73

Proceso visualización1) Transformación de datos (XIV)

A Tour Through the Visualization Zoo Source: http://homes.cs.washington.edu/~jheer//files/zoo/74

Proceso visualización1) Transformación de datos (XV)

75

Aplicaciones prácticas

Actividad BDBI.03.1. Codificación del valor y la relación

DeterminarTipo de datos

Tipo de gráfica

Tipo de relación

...

Justificar la elección

76

Proceso visualización2) Mapeo de datos

Ranking of elementary perceptual tasks [ClevelandMcGill1985]

77

Proceso visualización2) Mapeo de datos (II)

Dos investigadores de AT&T Bell Labs, William S. Cleveland y Robert McGill, publicaron un artículo central en el Journal of the American Statistical Association

El título era: “Graphical perception: theory, experimentation, and application to the development of graphical methods”

Propone una guía con las representaciones visuales más apropiadas en función del objetivo de cada gráfico

78

http://courses.ischool.berkeley.edu/i247/f05/readings/Cleveland_GraphicalPerception_Science85.pdf

http://courses.ischool.berkeley.edu/i247/f05/readings/Cleveland_GraphicalPerception_Science85.pdf

Proceso visualización2) Mapeo de datos (III)

“A graphical form that involves elementary perceptual tasks that lead to more accurate judgements than another

graphical form (with the same quantitative information) will result in a

better organization and increase the chances of a correct perception of

patterns and behavior.”79

Proceso visualización2) Mapeo de datos (IV)

Source: http://www.businessinsider.com/pie-charts-are-the-worst-2013-6

“Save the pies for dessert”

(Stephen Few)

80

Proceso visualización2) Mapeo de datos (V)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0167631df6f7970b-550wi81

Proceso visualización2) Mapeo de datos (VI)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef016302299aa9970d-550wi

En algunas representaciones, la precisión no es el

objetivo, sino la percepción de patrones,

concentraciones, agregaciones, tendencias, etc.

Para estos casos, las formas de la parte inferior de la lista pueden resultar muy útiles

82

Proceso visualización2) Mapeo de datos (VII)

83

Proceso visualización2) Mapeo de datos (VIII)

Gráficos descriptivos Gráficos simbólicos

Source: http://trevorcairney.blogspot.com.es/2010_04_01_archive.html 84

Proceso visualización2) Mapeo de datos (IX)

Maria Kozhevnikov, afirma que no todo el mundo entiende las representaciones estadísticas de manera sencilla

Depende de algunos patrones de activación dentro del cerebro

En uno de sus estudios, expone cómo los artistas, arquitectos y científicos los gráficos de diferentes maneras

85

http://www.nmr.mgh.harvard.edu/martinos/people/showPerson.php?people_id=1153

http://www.wjh.harvard.edu/~kwn/Kosslyn_pdfs/2005Kozhevnikov_Mem&Cog33_SpatialvsObVis.pdf

Proceso visualización2) Mapeo de datos (X)

Ranking of perceptual tasks [ClevelandMcGill1985]

86

Proceso visualización2) Mapeo de datos (XI)

Recordando a Tufte:

“What are the thinking tasks that these displays are

supposed to serve?”

87

Proceso visualización2) Mapeo de datos (XII)

¿Qué visualización para...?

1) Comparar números

2) Mostrar la variación en el tiempo de una magnitud

3) Mostrar la correlación entre dos variables

88

Proceso visualización2) Mapeo de datos (XIII)

¿Para comparar números?

A bar chart (Source: http://en.wikipedia.org/wiki/Bar_chart)

89

Proceso visualización2) Mapeo de datos (XIV)

¿Para comparar números?

Source: http://www.improving-visualisation.org/img_uploads/2009-03-09_Mon/200939171254.jpg

?

90

Proceso visualización2) Mapeo de datos (XV)

¿Para mostrar la variación en el tiempo de una magnitud?

A line chart (Source: http://en.wikipedia.org/wiki/Line_graph)

91

Proceso visualización2) Mapeo de datos (XVI)

¿Para mostrar la correlación entre dos variables?

A scatter plot(Source: http://en.wikipedia.org/wiki/Scatter_plot)

92

Proceso visualización2) Mapeo de datos (XVII)

¿Diferencia entre dos variables?

Cleveland and McGill, nuestro cerebro tiene problemas comparando ángulos, curvas y direcciones → si queremos mostrar la diferencia, debemos representar directamente la diferencia

o

93

Proceso visualización2) Mapeo de datos (XVIII)

Source: http://www.excelcharts.com/blog/uncommon-knowledge-about-pie-charts/#prettyPhoto[gallery]/0/

94

Proceso visualización2) Mapeo de datos (XIX)

¿La mejor estrategia?

Representar los mismos datos de diferentes maneras

95

Proceso visualización2) Mapeo de datos (XX)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903da6ba970b-550wi

Un mapa

Gráficos

Tabla numérica

96

Proceso visualización2) Mapeo de datos (XXI)

Diferentes configuraciones de

visualización

Filtros (zoom, herramienta de

búsqueda, seleccionar datos por continente y

tamaño)

Búsqueda en profundidad (click en las

burbujas y enseñar más datos, etc.)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903da6ba970b-550wi

97

Proceso visualización2) Mapeo de datos (XXII)

Source: http://www.stonesc.com/Vis08_Workshop/DVD/Reijner_submission.pdf98

Proceso visualización2) Mapeo de datos (XXIII)

Source: http://apandre.wordpress.com/dataviews/choiceofchart/99

Proceso visualización2) Mapeo de datos (XXIV)

Source: http://apandre.wordpress.com/dataviews/choiceofchart/100

Proceso visualización2) Mapeo de datos (XXV)

Source: http://www.visual-literacy.org/periodic_table/periodic_table.html101

Proceso visualización2) Mapeo de datos (XXVI)

Classification of Visual Data Exploration Techniques [Keim2002]

102

Aplicaciones prácticas

Actividad BDBI.03.2. Mapeo de datosDeterminar

Gráfica para cada dimensión de datos

Configuraciones de visualización (filtros, búsqueda en profundidad, etc.)

Escala de Cleveland y McGill: ¿por qué?

Justificar la elección

103


Introducción


Conceptos





DashboardIntroducción

Fundamentales

PercepciónVisiónColor

Principios

Técnicas

RepresentaciónPresentaciónInteracción

Aplicaciones

DashboardsVisual

Analytics

105

DashboardIntroducción (II)

“Most information dashboards that are used in business today fall far short of their potential”

Stephen Few

106

DashboardDefinición

“A dashboard is a visual display of the most important information needed to

achieve one or more objectives; consolidated and arranged on a single

screen so the information can be monitored at a glance”

[Few2007]

107

DashboardCaracterísticas

Displays visualesVisualizar información necesaria para alcanzar

unos objetivos específicosQue se ajuste a una sola pantallaQue se pueda emplear para monitorizar

información a golpe de ojoMecanismos de visualización pequeños,

concisos, claros e intuitivosPersonalizados a las necesidades

108

DashboardCategorías

Role Strategic, Operational, Analytical

Type of data Quantitative, Non-quantitative

Data domain Sales, Finance, Marketing, Manufacturing, Human Resources, Learning, etc.

Type of measures Balanced Scored Cards, Six Sigma, Non-performance

Span of data Enterprise wide, Departmental, Individual

Update frequency Monthly, Weekly, Daily, Hourly, Real-time

Interactivity Static display, Interactive display

Mechanisms of display

Primarily graphical, Primarily text, Integration of graphics and text

Portal functionality Conduit to additional data. No portal functionality

109

DashboardErrores comunes

1) Exceder los límites de una sola pantalla

La información que aparece en un dashboard puede estar fragmentada en una de las siguientes dos maneras:

Diferentes pantallas a las que hay que navegar

Diferentes instancias de una misma visualización a los cuales para acceder hay que navegar

110

DashboardErrores comunes (II)

2) Ofrecer un contexto inadecuado para los datos

De este modo, las medidas no serán significativas

3) Visualizar excesivo detalle o precisión

Mostrar detalles innecesarios

4) Elegir una medida no eficiente

Utilizar medidas que fallan en expresar de manera directa el mensaje que se pretende

111

DashboardErrores comunes (III)

5) Elegir un display de visualización inapropiado

Un problema muy común con los pie charts6) Introducir una variedad gráfica

innecesariaExhibir una variedad de displays

innecesarios7) User displays pobremente diseñados● Orden, leyenda, colores claros, etc.

112

DashboardErrores comunes (IV)

8) Codificar datos cuantitativos de manera imprecisa

9) Presentar los datos pobremente

Los datos más importantes deben ser enfatizados

Los datos que requieren atención inmediata deben destacar

Los datos que se deben comparar serán presentados y diseñados visualmente de manera que favorezca la comparación

113

DashboardErrores comunes (V)

10) Enfatizar los datos importantes de manera ineficiente● Fallar en la diferenciación de datos en función

de su importancia○ Dar el mismo peso a todo lo presentado en la pantalla

11) Añadir decoraciones innecesarias● Aparentar ser algo que no se es● Resulta en decoraciones que despistan y resultan inútiles

114

DashboardErrores comunes (VI)

12) Abuso del colorEl abuso del color debilita su poder13) Diseñar un display visual no atractivoEl reto fundamental de un diseño de Dashboard

es mostrar efectivamente una gran variedad de datos en poco espacio

115

DashboardBuzzwords

DashboardsPresenta información en una manera que resulta fácil de

leer y de interpretar

Key Performance IndicatorÉxito o los pasos para llegar al éxito en relación a un

objetivo

116

DashboardVisualizaciones de datos interactivas

Graphic design

Staticvisualization

Data analysis

117

DashboardVisualizaciones de datos interactivas (II)

Graphic design

Data analysis

Interactive design

ExploratoryData analysis

Interactivevisualization

Userinterface

design

Static visualization

118

DashboardVisualizaciones de datos interactivas (III)

¿Cuándo es suficiente una representación estática?

Escala

Muchos puntos de datos

Muchas diferentes dimensiones

Storytelling

Exploración

Aprendizaje

119

DashboardVisualizaciones de datos interactivas (IV)

SeleccionarExplorarReconfigurarCodificarElaborarFiltrarConectar

120

DashboardVisualizaciones de datos interactivas: 1) Seleccionar

Source: http://en.wikipedia.org/wiki/Closest_pair_of_points_problem

Seleccionar un detalle de un conjunto de datos grande para tenerlo controlado

121

DashboardVisualizaciones de datos interactivas: 2) Explorar

Superar limitaciones de tamaño del displayLa técnica más común: zoom panorámico

122

DashboardVisualizaciones de datos interactivas: 3) Reconfigurar

Ofrecer una distribución de elementos diferente

123

DashboardVisualizaciones de datos interactivas: 4) Codificar

Cambiar variables visuales: colores, tamaños, orientación, fuente, tamaño

124

DashboardVisualizaciones de datos interactivas: 5) Elaborar

● Mostrar más o menos detalle: foco + contexto

125

DashboardVisualizaciones de datos interactivas: 6) Filtrar

● Filtro: mostrar datos condicionales

126

DashboardVisualizaciones de datos interactivas: 7) Conectar

● Mostrar items relacionados: cepillado y enlace

127

DashboardInteraction framework

Continuous interactionStopped interactionPassive interactionComposite interaction

128

DashboardInteraction framework (II)

Continuous interaction

129

DashboardInteraction framework (III)

Stopped interaction

130

DashboardInteraction framework (IV)

Passive interaction

Two important aspects of passive interaction:

1) During typical use of a visualization tool, most of the user’s time is spent on passive interaction

– often involving eye movement 2) Passive interaction does not imply a static

representation

131

DashboardInteraction framework (V)

Passive interaction

132

DashboardInteraction framework (VI)

Composite interaction

Source: http://vis.berkeley.edu/papers/generalized_selection/

133

DashboardPasos

Fuente: http://www.tableausoftware.com/es-es/trial/tableau-

software

1. Choose metrics that matter

2. Keep it visual3. Make it interactive4. Keep it current or

don’t bother5. Make it simple to

access and use

134


Introducción


Conceptos





Errores visualizaciónIntroducción

136

Errores visualizaciónAlgunos errores

¿Problemas?

137

Errores visualizaciónAlgunos errores (II)

● Multidimensionalidad● Falta de contexto y

entendimiento○ ¿Son los números

relevantes?○ ¿Qué significan?○ ¿Cómo me afectan?

Una cebolla con una única capa

138

Errores visualizaciónAlgunos errores (III)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903125d9970b-550wi

¿Problemas?

Intenta identificar

1) El mayor donante de 20082) El menor donante de 20093) La variación entre 2008 y

20094) Qué región recibió la mayor

cantidad de dinero

139

Errores visualizaciónAlgunos errores (IV)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903125d9970b-550wi

Un mapa no es la mejora manera de representar este

tipo de datos

Si quiero responder a las preguntas anteriores, tengo que realizar una búsqueda de las cifras, memorizarlas

y luego compararlas

140

Errores visualizaciónAlgunos errores (V)

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef015390a96894970b-550wi

¿Problemas?

Este gráfico intenta revelar el tamaño del déficit del Reino Unido (el cuadro negro del

lado derecho)

¿Ayuda el gráfico a contextualizar?

¿Podemos analizar los datos?¿Cómo lo comparamos?

¿Conocemos las diferencias?

141

Errores visualizaciónAlgunos errores (VI)

Solución

Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef015390a98d8a970b-550wi

142

Errores visualizaciónAlgunos errores (VII)

¿Problemas?

Los valores de la barra debieran empezar en 0

Source: http://www.qualitydigest.com/inside/quality-insider-article/asci-customer-satisfaction-airlines-remains-low.html

143


Introducción


Conceptos





Herramientas y libreríasPentaho Reporting

145

Herramientas y libreríasMany Eyes

146

Herramientas y libreríasTableau Public

147

Herramientas y libreríasTableau Public (II)

Gratuito

1 GB de almacenamiento

Facilidad para embeber en una página web

Tableu Public Premium

Precio basado en el número de páginas vistas

148

Herramientas y libreríasd3.js

149

Herramientas y libreríasHighcharts

150

Herramientas y libreríasR Studio

151

Herramientas y libreríasggplot2 in R

An implementation of the Grammar of Graphics by Leland Wilkinson

“In brief, the grammar tells us that a statistical graphic is a mapping from data to aesthetic

attributes (color, shape, size) of geometric objects (points, lines, bars). The plot may also contain statistical transformations of the data and is

drawn on a specific coordinate system”

152

http://www.amazon.com/Grammar-Graphics-Statistics-Computing/dp/0387245448

http://www.amazon.com/Grammar-Graphics-Statistics-Computing/dp/0387245448

Herramientas y libreríasggplot2 in R (II)

153

Herramientas y libreríasGoogle Charts

154

Herramientas y libreríasGoogle Charts (II)

155

Herramientas y libreríasGoogle Fusion Tables

156

Herramientas y libreríasGoogle Fusion Tables (II)

157

Herramientas y libreríasSimile Widgets

158

Herramientas y libreríasProcessing.js

159

Herramientas y libreríasNodeXL

160

Herramientas y libreríasSpotfire

161

Herramientas y libreríasAdvizor Analyst

162

Herramientas y libreríasDatawatch

163

Herramientas y libreríasQlikView

164

Herramientas y libreríasPrefuse

165

Herramientas y libreríasProtovis

166

Herramientas y libreríasDatawrapper

167

Herramientas y libreríasGephi

168

Copyright (c) 2015 University of DeustoThis work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative

Commons “Attribution-ShareAlike” License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/3.0/

Alex RayónDiciembre 2015

TALLERVisual Analytics: poniendo en valor el dato a través

de la visualizaciónProyectos Programa Big Data y Business Intelligence

Alex Rayó[email protected]

Diciembre, 2015

Visual analytics: poniendo en valor el dato a través de la visualización

Education

Transcript of Visual analytics: poniendo en valor el dato a través de la visualización