Visual analytics: poniendo en valor el dato a través de la visualización
-
Upload
alex-rayon-jerez -
Category
Education
-
view
627 -
download
0
Transcript of 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
Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías6
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
IntroducciónPopularidad (II)
Vox
Fuente: http://www.vox.com/2014/10/18/6995441/map-greatest-threat-country
18
IntroducciónPopularidad (III)
Politikon: Kiko Llaneras
Fuente: http://politikon.es/2014/01/30/personas-datos-gimnasios-y-patrones/
19
Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías20
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
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
Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías33
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
Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías54
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
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)
Codificación del valor
Datos univariados
Datos bivariados
Datos multivariados
Codificación la relación
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)
Data Visualization [Jarvainen2013]
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
Data Visualization [Jarvainen2013]
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)
Codificación del valor
Datos univariados
Datos bivariados
Datos multivariados
Codificación la relación
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
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
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
Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías104
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
Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías135
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
Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías144
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
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