Lineamientos para la visualización de datos
•Télécharger en tant que PPTX, PDF•
0 j'aime•225 vues
Este documento presenta lineamientos para la visualización de datos. Explica que debido al gran volumen de datos generados hoy en día, la visualización es importante para convertir la complejidad de los datos en un formato comprensible. También describe cuatro pilares clave para una buena visualización: propósito, contenido, estructura y formato. Finalmente, incluye varios ejemplos de visualizaciones de datos históricas y actuales.
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à Lineamientos para la visualización de datos
Similaire à Lineamientos para la visualización de datos (20)
Dernier
Dernier (11)
Lineamientos para la visualización de datos
- 2. “Lineamientos para la visualización de datos” Seminario Inteligencia Logística 2018 Antonio Bustamante
- 3. Contexto, por qué visualizar los datos
- 4. Hoy vivimos una revolución digital Dispositivos conectados generando grandes cantidades de datos.
- 5. Hoy vivimos una revolución digital La tendencia. Más de 50 billones de dispositivos conectados para el año 2020. Fuente: Bi Intelligence Estimates
- 6. Tsunami de los datos ¿Cómo surfear esta ola? Photo by Jeremy Bishop on Unsplash
- 7. En los últimos años el volumen de la información, ha crecido exponencialmente, mientras que nuestra capacidad de comprensión está limitada. La visualización es un medio que nos permite cerrar este gap. El rol de la visualización Capacidad de entender
- 8. ¿Qué es una visualización de datos? Se refiere a la creación y al estudio de representaciones y exploraciones visuales de datos. Ante la gran cantidad de datos que se manejan en un proyecto de Big Data, la visualización convierte la complejidad de los dataset, a un formato comprensible, accesible y utilizable. ¿Cuál es su ventaja?
- 9. “La Visualización actúa como un vehículo para la construcción del conocimiento, revelando los patrones que subyacen a los datos” Juan C. Dürsteler
- 10. Solución: ¿Mostrar todos los datos? Saturación de información. No nos facilita comprender para tomar una decisión.
- 11. ¿Entonces cómo? No es presentar todos los datos sin un tratamiento adecuado. Los datos se deben convertir en información relevante para el usuario, quien a través de la percepción e interpretación de los mismos, generará el conocimiento y la sabiduría. = Frustración
- 12. Percepción humana A partir de una simple representación gráfica, la percepción humana es una poderosa máquina, capaz de rescatar patrones y observar tendencias o valores atípicos. Photo by paul morris on Unsplash
- 13. https://es.wikipedia.org/wiki/Cuarteto_de_Anscombe El cuarteto de Anscombe comprende cuatro conjuntos de datos que tienen las mismas propiedades estadísticas: - promedio - varianza - correlación. Veamos un ejemplo
- 14. https://es.wikipedia.org/wiki/Cuarteto_de_Anscombe La visualización añade una nueva perspectiva a la investigación de los datos, y nos permite ver con facilidad que la relación entre los elementos es totalmente diferente. Veamos un ejemplo I II III IV
- 15. La percepción humana Al mismo tiempo, esta percepción puede inducirnos a errores y llevarnos a conclusiones engañosas, por las propias limitaciones cognitivas.
- 16. La percepción humana Sin un marco de referencia, no sólo es difícil evaluar los colores... puede ser erróneo. La percepción de un color es totalmente contextual e intuitiva, es decir nuestro cerebro hace sus interpretaciones automáticamente. “Visualization Analysis & Design” Tamara Munzner 2014, P.112- 114 ¿Qué cuadro de color es más oscuro, A o B? A B
- 17. Pilares para una buena visualización
- 18. Pilares para una buena visualización 1.- Propósito: (El por qué) Debe ser específico, ¿para qué estoy creando esto?, ¿para quién (usuario)? y ¿qué debe entender? 2.- Contenido: (El qué). Lo que no se muestra es tan importante como lo que se muestra, al mostrar todo existe saturación y es difícil encontrar lo que se está buscando o intentando comunicar (“less is more”). ¿Qué datos importan? ¿Qué relaciones importan? 3.- Estructura: (el cómo). Cómo se mostrarán los datos, comparaciones, relaciones, evoluciones. Barras, Líneas, Tortas, Scatter plots, etc. 4.- Formato: (todo lo demás). Hacer que los datos sean accesibles y usables. Según cómo se consumirá, diseño significativo, resaltar lo que es realmente importante, según el propósito y contenido definido. © 2014 IBM Corporation “Four Pillars of Visualization” - Noah Iliinsky
- 19. WTF Visualizations http://viz.wtf/image/167382195183 ...pero sin manipulaciones.
- 20. Proceso de una visualización de datos
- 21. Diagrama Infoviz Yuri Engelhardt (Amsterdam) & Juan C. Dürsteler (Barcelona), 2007 http://www.infovis.net/
- 22. Conversión de datos en información: - Recolectar y almacenar los datos relevantes. - Procesar y transformar los datos, filtrando errores. - Construcción de tablas de datos. Diagrama Infoviz / De los datos a la información
- 23. Diagrama Infoviz / De la información a la visualización Convertir la información en una visualización gráfica: Técnicas de creatividad asociadas variables visuales, gramática y sintaxis del lenguaje gráfico y reglas de composición, metáforas visuales, etc...
- 24. Comprensión de la visualización por el usuario para crear conocimiento. Percepción, Gestalt, psicología cognitiva, modelos mentales, usabilidad, diseño de interacción, etc... Diagrama Infoviz / De la visualización a la comprensión
- 25. Basado en el Diagrama InfoVIz de Yuri Engelhardt (Amsterdam) & Juan C. Dürsteler (Barcelona), 2007 Captura del dato Ingeniería electrónica Ciencia de los datos Usabilidad y experiencia de usuario Diseño gráfico y de interacción
- 26. Ejemplos de visualizaciones de datos
- 27. Ejemplos Mapa con focos de infecciones de cólera en la epidemia ocurrida en la ciudad de Londres. John Snow, 1854.
- 28. "Mapa figurativo de pérdidas sucesivas en hombres del ejército francés en la campaña rusa de Napoleón 1812-1813". Charles Minard, 1869 Ejemplos
- 29. Mapa del tren subterráneo de la ciudad de Londres. Harry Beck, U.K. 1933 http://www.bbc.com/news/uk-england-london-20943525 Ejemplos
- 30. Información demográfica del censo 2010 en EE.UU. Dustin A. Cable, 2013 https://demographics.virginia.edu/DotMap/index.html Ejemplos
- 31. Carbonmap, cambio climático y vulnerabilidad social. KILN - Duncan Clark & Robin Houston, 2012. http://www.carbonmap.org/ Ejemplos
- 32. Patrones de vuelo 24hr. en EE.UU. Aaron Koblin, 2009 http://www.aaronkoblin.com/work/flightpatterns/ Ejemplos
- 33. Caso de uso
- 34. Patentes industriales, Pilar Abiuso & Antonio Bustamante Diplomado en DataViz UC 2017 Caso de uso Análisis del problema ¿Quién necesita esta información? Definir propósito, objetivo Estructura, prototipar Formato, presentación
- 35. Patentes industriales, Pilar Abiuso & Antonio Bustamante Diplomado en DataViz UC 2017 Caso de uso Análisis del problema ¿Quién necesita esta información? Definir propósito, objetivo Estructura, prototipar Formato, presentación
- 36. Patentes industriales, Pilar Abiuso & Antonio Bustamante Diplomado en DataViz UC 2017 Caso de uso Análisis del problema ¿Quién necesita esta información? Definir objetivo, pregunta Estructura, prototipar Formato, presentación ¿Cómo explorar la inscripción de patentes de propiedad industrial en el Instituto Nacional de Propiedad Industrial (INAPI) en Chile a través de una visualización dirigida a investigadores y personas ligadas a la innovación, teniendo como variables de la patente el tipo de licencia, año de inscripción, sector a la que pertenece, autor y país que inscribe, para descubrir relaciones y tendencias en investigación en nuestro país, en un contexto de mucho ruido entorno a la innovación en Chile… ¿qué de eso es mito y qué realidad?
- 37. Patentes industriales, Pilar Abiuso & Antonio Bustamante Diplomado en DataViz UC 2017 Caso de uso Análisis del problema ¿Quién necesita esta información? Definir propósito, objetivo Contenido y Estructura, datasets, prototipar, testear Formato, presentación
- 38. Patentes industriales, Pilar Abiuso & Antonio Bustamante Diplomado en DataViz UC 2017 Caso de uso Análisis del problema ¿Quién necesita esta información? Definir propósito, objetivo Contenido y Estructura, datasets, prototipar, testear Formato, presentación
- 39. Patentes industriales, Pilar Abiuso & Antonio Bustamante Diplomado en DataViz UC 2017 Caso de uso
- 40. Referencias utilizadas: - “Designing Data Visualizations” - Noah Iliinsky, Julie Steele, 2011. - “Four Pillars of Visualization” - IBM 2014 - Noah Iliinsky - La revista digital de InfoVis.net - Juan C. Dürsteler. - “Humanizing Big Data: Marketing at the Meeting of Data, Social Science and Consumer Insight” - Colin Strong, 2015. - “Design for Information” - Isabel Meirelles, 2013. - “The Visual Display of Quantitative Information” - Edward R. Tufte 2007.
- 41. ¡Gracias! Antonio Bustamante User Experience Research TID Chile Twitter: @bustamantonio Linkedin: antoniobustamantedelon
Notes de l'éditeur
- La tendencia hacia el año 2020, es que sean más de 50 billones de dispositivos conectados.
- Ciertas personas se refieren a este fenómeno, como el tsunami de los datos.
- Entregar abruptamente los datos = Saturación de información. Conocer a la persona (al usuario) qué datos necesita para tomar una decisión. No tomar decisiones solo basadas en los datos.
- De acuerdo a las necesidades de información del usuario que consume los datos.
- 70 % vista y 30 % otros sentidos. 50% cerebro solo procesa imágenes.
- El cuarteto de Anscombe comprende cuatro conjuntos de datos que tienen las mismas propiedades estadísticas, pero que evidentemente son distintas al inspeccionar sus gráficos respectivos. Cada conjunto consiste de once puntos (x, y) y fueron construidos por el estadístico F. J. Anscombe. El cuarteto es una demostración de la importancia de mirar gráficamente un conjunto de datos antes de analizarlos. Sin embargo, es evidente que las series de datos son diferentes. Una investigación solamente por parámetros estadísticos no es suficiente para detectar patrones.
- El cuarteto de Anscombe comprende cuatro conjuntos de datos que tienen las mismas propiedades estadísticas, pero que evidentemente son distintas al inspeccionar sus gráficos respectivos. Cada conjunto consiste de once puntos (x, y) y fueron construidos por el estadístico F. J. Anscombe. El cuarteto es una demostración de la importancia de mirar gráficamente un conjunto de datos antes de analizarlos. Sin embargo, es evidente que las series de datos son diferentes. Una investigación solamente por parámetros estadísticos no es suficiente para detectar patrones.
- Diagrama propuesto para construcción del conocimiento usando la percepción. Es por eso que no es solo algo de máquinas, al humano también es importante de considerarlo en la ecuación. En este diagrama aparece el rol de Diseñador de la visualización y el usuario quien consume e interpreta esta representación gráfica, como actores relevantes del proceso. Ambos en base a su contexto y cultura realizan interpretaciones en su propio esquema notacional.
- Conversión datos en información, definición del problema, recolección de datos (categóricos, ordinales, numéricos) procesado de datos (metadatos, tratamiento, limpieza, datos derivados, etc) etc...
- Un proyecto de datos necesita de: La tecnología para obtener los datos y realizar las operaciones de gestión de la información, ej. la sensorización en IOT que hacemos en i+d. Determinan cuáles son los datos relevantes, los patrones significativos y una primera aproximación a una representación visual que haga sentido. Proposiciones de modelos gráficos atractivos que responden a criterios de percepción humana para su comprensión. Entender las necesidades de información que requiere el usuario para la generación de conocimiento y la toma de decisiones.
- Propósito, conocer el origen de la epidemia de cólera en Londres.
- Contenido: mostrar las relaciones que importan, temperatura, ríos.
- Contenido: Reducir las referencias geográficas, menos es más.
- En cuanto al Contenido, menos es más. En este ejemplo no es necesario graficar con detalle la geografía, sino el dato demográfico de distribución, el cual es el propósito final de esta visualización. Se mantiene el foco en lo relevante.
- Deformar la geografía, privilegiando los datos.
- Color es tipo de vuelo. Azul es alta altitud y blanco indica baja altitud de vuelo.
- El diseño de la visualización ocurre en los tres pasos finales, las anteriores son dominio del análisis y exploración de los datos.
- Las decisiones basadas puramente en datos pueden no ayudarnos a comprender el mundo real y aplicar el sentido común. Las decisiones basadas en datos deben tener en cuenta el mundo real. No todo está en los datos. Ej. Caso pasajera de avión de Portugal a Londres, quien queda sin servicio de comida por falta de puntos de fidelización con la aerolínea.
- Al trabajar con grandes cantidades de datos (Big Data), no debemos olvidar que existe una persona, la que genera o consume los datos. Con la gran cantidad de datos tomamos decisiones, si no consideramos a las personas y solo miramos los datos, se pueden tomar decisiones erróneas.
- Aprovechar las ventajas de la percepción humana para transmitir la información y generar conocimiento con los datos.