Evaluátorův průvodce vizualizací dat
•
1 like•1,516 views
Prezentace z konference České evaluační společnosti 2015
Recommended
Recommended
More Related Content
Similar to Evaluátorův průvodce vizualizací dat
Similar to Evaluátorův průvodce vizualizací dat (6)
Evaluátorův průvodce vizualizací dat
- 1. Evaluátorův průvodce vizualizací dat Proč? Rozhodování Principy Vizuální prvky Pohledy na věc Typy grafů Dobré praxe a tipyTechnologie Inspirace a zdroje
- 2. Evaluátorův průvodce vizualizací dat Petr Bouchal Evaluace ve světle nových příležitostí, 9. 6. 2015
- 3. Proč? Rozhodování Principy Vizuální prvkyPohledy na věc Typy grafů Dobré praxe a tipyTechnologie Inspirace a zdroje
- 4. • Omezení média: vizualizace nabízí vyšší hustotu informací, možnost prozkoumat data • Informační overload: vizualizace pomůže zdůraznit to podstatné v přebytku informací Proč vizualizovat
- 5. • Čtenář informace rychleji zachytí • Lidský mozek si vizuální informace lépe pamatuje Proč vizualizovat Zdroj: ColinWare. InformationVisualization: perception for design. 2004 John Medina, Brain Rules. 2015 brainrules.net/vision
- 6. • Proč?! • Chci přesvědčit? Ukázat informaci?Vtáhnout diváka do dat? • Co chci ukázat? (Data nemluví sama za sebe!) • Co chci, aby si divák zapamatoval? • Záleží na přesnosti? • Kolik má divák času? • Jaký je kontext a kolik z něj musí divák znát? Udělejte zásadní rozhodnutí
- 7. Zapojte různé pohledy a dovednosti Technologie Výzkum Komunikace Design Zdroj: Jeff Knezovich,Visualising data: both a science and an art, On think tanks onthinktanks.org/2015/05/01/visualising-data-both-a-science-and-an-art/
- 8. Integrita Důraz na data Čitelnost Informativnost Iterace a zlepšování Držte se zásad dobré vizualizace dat
- 9. Integrita Důraz na data Čitelnost Informativnost Iterace a zlepšování Držte se zásad dobré vizualizace dat Zdroj: Media Matters, Dishonest Fox Chart: BushTax Cut Edition, 2012 mediamatters.org/blog/2012/07/31/dishonest-fox-chart-bush- tax-cut-edition/189046
- 10. Integrita Důraz na data Čitelnost Informativnost Iterace a zlepšování Držte se zásad dobré vizualizace dat Zdroj: Full Fact,Why don’t we know how many migrants are entering and leaving the UK? fullfact.org/immigration/count_people_in_and_out_uk-37635
- 11. Integrita Důraz na data Informativnost Čitelnost Iterace a zlepšování Držte se zásad dobré vizualizace dat 0 50 100 150 200 250 300 350 400 2010 2011 2012 2013 2014 2015 129 156 14 186 18 135 52 44 193 210 129 218 Početmužunebožennagrafu Muži Ženy Zdroj: generátor náhodných čísel MS Excel, červen 2015
- 12. Integrita Důraz na data Informativnost Čitelnost Iterace a zlepšování Držte se zásad dobré vizualizace dat Muži 218 Ženy 135 0 50 100 150 200 250 2010 2011 2012 2013 2014 2015 Poměr data : inkoust Od roku 2012 bylo na grafu více mužů počty mužů a žen na grafu, 2010-15 Zdroj: generátor náhodných čísel MS Excel, červen 2015
- 13. Integrita Důraz na data Informativnost Čitelnost Iterace a zlepšování Držte se zásad dobré vizualizace dat 52 Muži 218 129 Ženy 135 2010 2015 Muži od roku 2010 předstihli ženy počty mužů a žen na grafu, 2010-15 Zdroj: generátor náhodných čísel MS Excel, červen 2015
- 14. Integrita Důraz na data Informativnost Čitelnost Iterace a zlepšování Držte se zásad dobré vizualizace dat Zdroj: David McCandless, Information is Beautiful, Colours in Culture informationisbeautiful.net/visualizations/colours-in-cultures/
- 15. Integrita Důraz na data Informativnost Čitelnost Iterace a zlepšování Držte se zásad dobré vizualizace dat Zdroj: FinancialTimes, Data Blog - EU UnemploymentTracker, 2015 blogs.ft.com/ftdata/2015/04/17/eu-unemployment-tracker/ Datová hustota
- 16. Integrita Důraz na data Informativnost Čitelnost Iterace a zlepšování Držte se zásad dobré vizualizace dat Zdroj: xkcd, xkcd.com/1319/
- 17. Proč? Rozhodování Principy Vizuální prvkyPohledy na věc Typy grafů Dobré praxe a tipyTechnologie Inspirace a zdroje
- 18. • Vizuální prvky, které nejlépe znázorní daná data • Typ grafu je potřeba vybrat podle účelu vizualizace • Doplňkové prvky, které pomáhají čitelnosti a neruší • Kontext dokumentu či sdělení, v němž vizualizace funguje Vizualizaci vystavějte z vhodných prvků
- 19. Vizuální prvky ovliňují sdílnost grafu
- 20. Kolikrát je A větší než B? A B
- 21. Kolikrát je A větší než B? B A
- 22. Kolikrát je A větší než B? Zdroj experimentu: Jon Schwabish B A
- 23. Poloha Délka Úhel Plocha Objem Sytost Odstín Tvar Vizuální prvky se liší mj. přesností Zdroj:William S. Cleveland, Robert McGill, „Graphical Perception and Graphical Methods for Analyzing Scientific Data“, Science 229: 828-833. doi.org/10.1126/science.229.4716.828
- 24. Zdroj: Christopher Healey, „Perception inVisualization“, Department of Computer Science, North Carolina State University, csc.ncsu.edu/faculty/healey/PP/index.html …nebo výrazností
- 25. Proč? Rozhodování Principy Vizuální prvkyPohledy na věc Typy grafů Dobré praxe a tipyTechnologie Inspirace a zdroje
- 26. Typ grafu zvolte podle účelu a typu dat
- 27. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: generátor náhodných čísel MS Excel, červen 2015 0 20 40 60 80 100 120 Otázka 1 Otázka 2 Silný nesouhlas Nesouhlas Nevím Souhlas Silný souhlas
- 28. Složení Vývoj v čase Souvislost Srovnání Kombinace Zdroj: generátor náhodných čísel MS Excel, červen 2015 Nevím Souhlas Silný souhlas Nesouhlas Silný nesouhlas 80% 60% 40% 20% 0% 20% 40% 60% 80% Otázka 2 Otázka 1 Typ grafu zvolte podle účelu a typu dat
- 29. Složení Vývoj v čase Souvislost Srovnání Kombinace Sklizeň 2013 Jablka Jahody Borůvky Třešně Sklizeň 2013 Jablka Jahody Borůvky Třešně Zdroj: generátor náhodného ovoce MS Excel, červen 2015 Typ grafu zvolte podle účelu a typu dat
- 30. Složení Vývoj v čase Souvislost Srovnání Kombinace Sklizeň 2013 Jablka Jahody Borůvky Třešně Jahody 152 Třešně 96 Jablka 93 Borůvky 70 Sklizeň 2013 Zdroj: generátor náhodného ovoce MS Excel, červen 2015 Typ grafu zvolte podle účelu a typu dat
- 31. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Jahody 152 Třešně 96 Jablka 93 Borůvky Jahody v roce 2013 tvořily přes 1/3 sklizně Zdroj: generátor náhodného ovoce MS Excel, červen 2015
- 32. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 70 93 96 152 0 20 40 60 80 100 120 140 160 Borůvky Jablka Třešně Jahody Zdroj: generátor náhodného ovoce MS Excel, červen 2015
- 33. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 17% 23% 23% 37% 0% 5% 10% 15% 20% 25% 30% 35% 40% Borůvky Jablka Třešně Jahody Zdroj: generátor náhodného ovoce MS Excel, červen 2015
- 34. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 195 85 53 25 Sklizeň 2014 Jahody 152 Třešně 96 Jablka 93 Borůvky 70 Sklizeň 2013 Zdroj: generátor náhodného ovoce MS Excel, červen 2015
- 35. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 0 50 100 150 200 250 Jahody Třešně Jablka Borůvky Sklizeň ovoce 2013-2015 2013 2014 2015 Zdroj: generátor náhodného ovoce MS Excel, červen 2015
- 36. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 0 40 80 120 160 200 Jahody Třešně Jablka Borůvky Nejvíce vzrostla sklizeň třešní Sklizeň ovoce 2013-2015 (kilogramy) 2013 2014 2015 Zdroj: generátor náhodného ovoce MS Excel, červen 2015
- 37. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 0 40 80 120 160 200 Jahody Třešně Jablka Borůvky Nejvíce vzrostla sklizeň třešní Sklizeň ovoce 2013-2015 (kilogramy) 2014 2015 Zdroj: generátor náhodného ovoce MS Excel, červen 2015
- 38. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 17% 23% 23% 37% 50% 40% 30% 20% 10% 0% 2013 12% 24% 48% 28% 0% 10% 20% 30% 40% 50% Borůvky Jablka Třešně Jahody 2015 Zdroj: generátor náhodného ovoce MS Excel, červen 2015 Podíl třešní na sklizni se zdvojnásobil Sklizeň ovoce 2013-2015 (kilogramy)
- 39. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 12% 24% 48% 28% 0% 10% 20% 30% 40% 50% 2015 17% 23% 23% 37% 0% 10% 20% 30% 40% 50% Borůvky Jablka Třešně Jahody 2013 Zdroj: generátor náhodného ovoce MS Excel, červen 2015 Podíl třešní na sklizni se zdvojnásobil Sklizeň ovoce 2013-2015 (kilogramy)
- 40. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat
- 41. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: generátor náhodných ovocí MS Excel, červen 2015
- 42. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: generátor náhodných ovocí MS Excel, červen 2015
- 43. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 0 50 100 150 200 2013 2014 2015 Borůvky 2013 2014 2015 Jablka 2013 2014 2015 Třešně 2013 2014 2015 Jahody small multiples Zdroj: generátor náhodného ovoce MS Excel, červen 2015 Úroda různých druhů ovoce se liší a u většiny kolísá sklizené ovoce 2013-2015 (kilogramy)
- 44. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 2013 2014 2015 Jablka 2013 2014 2015 Třešně 2013 2014 2015 Jahody 0 50 100 150 200 2013 2014 2015 Borůvky small multiples Zdroj: generátor náhodného ovoce MS Excel, červen 2015 Úroda různých druhů ovoce se liší a většinou kolísá sklizené ovoce 2013-2015 (kilogramy)
- 45. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Jahody Třešně Jablka Borůvky 0% 25% 50% 75% 100% 2013 2014 2015 Sklizeň ovoce 2013-2015 Zdroj: generátor náhodných ovocí MS Excel, červen 2015
- 46. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 0% 25% 50% 75% 100% 2013 2014 2015 Sklizeň ovoce 2013-2015 Zdroj: generátor náhodných ovocí MS Excel, červen 2015 Borůvky Jablka Třešně Jahody
- 47. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: EdwardTufte, Beautiful Evidence. Sparklines
- 48. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: generátor náhodných statistik MS Excel, červen 2015 Pohlaví 2015 Muži 218 Ženy 135 Muži do 15 let 147 Muži nad 15 let 155 Ženy do 15 let 83 Ženy nad 15 let 144 Skupina Trend 2010 2011 2012 2013 2014 2015 Muži 52 44 193 210 129 218 Ženy 129 156 14 186 18 135 Muži do 15 let 37 134 6 73 102 189 Muži nad 15 let 32 19 182 56 83 91 Ženy do 15 let 7 128 35 150 14 5 Ženy nad 15 let 98 19 175 152 150 83 Skupina Trend 2010 2011 2012 2013 2014 2015 Muži 52 44 193 210 129 218 Ženy 129 156 14 186 18 135 Muži do 15 let 200 176 194 110 43 131 Muži nad 15 let 29 125 186 113 17 149 Ženy do 15 let 158 144 159 15 49 147 Ženy nad 15 let 59 84 91 64 151 65
- 49. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 2013 2014 2015 0 3 6 9 12 15 Q1 Q2 Q3 Q4 Trend v roce 2014 se lišil od předchozích let Počet schválených projektů 2012-2014 0 3 6 9 12 15 2012 Q1 2012 Q2 2012 Q3 2012 Q4 2013 Q1 2013 Q2 2013 Q3 2013 Q4 2014 Q1 2014 Q2 2014 Q3 2014 Q4 Počet schválených projektů 2012-2014 Zdroj: generátor náhodných statistik MS Excel, červen 2015
- 50. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Výdaje a počty zaměstnanců ministerstev procentní podíl ministerstva na celku Ministerstvo A Ministerstvo B Ministerstvo Q Min. E Min. G Mininisterstvo W Min. X Ministerstvo D Ministerstvo I Min. F 0% 5% 10% 15% 20% 0% 5% 10% 15% 20% Podílministerstvanavýdajích Podíl ministerstva na počtu zaměstnanců Zdroj: náhodně generovaná data
- 51. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Výdaje a počty zaměstnanců nesouvisí procentní podíl ministerstva na celku Ministerstvo A Ministerstvo B Ministerstvo Q Min. E Min. G Mininisterstvo W Min. X Ministerstvo D Ministerstvo I Min. F 0% 5% 10% 15% 20% 0% 5% 10% 15% 20% Podílministerstvanavýdajích Podíl ministerstva na počtu zaměstnanců Zdroj: náhodně generovaná data
- 52. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Výdaje a počty zaměstnanců ministerstev procentní podíl ministerstva na celku Ministerstvo A Ministerstvo B Ministerstvo Q Min. E Min. G Mininisterstvo W Min. X Ministerstvo D Ministerstvo I Min. F 0% 5% 10% 15% 20% 0% 5% 10% 15% 20% Podílministerstvanavýdajích Podíl ministerstva na počtu zaměstnanců Zdroj: náhodně generovaná data
- 53. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: náhodně generovaná data 0% 5% 10% 15% 20% 0% 5% 10% 15% 20% Podílministerstvanavýdajích Podíl ministerstva na počtu zaměstnanců Výdaje a počty zaměstnanců ministerstev procentní podíl ministerstva na celku
- 54. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: náhodně generovaná data Ministerstvo Q Ministerstvo K 0% 5% 10% 15% 20% 0% 5% 10% 15% 20% Podílministerstvanavýdajích Podíl ministerstva na počtu zaměstnanců Výdaje a počty zaměstnanců procentní podíl ministerstva na celku
- 55. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat SANKEY PLOT Zdroj: FinancialTimes online, elections.ft.com/uk/2015/results/
- 56. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 0% 10% 20% 30% 40% 50% 60% Zaměstnaní Nezaměstnaní Ohrožení chudobou Ženy Muži Zdroj: generátor náhodných statistik MS Excel, červen 2015
- 57. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Ženy Muži 0% 10% 20% 30% 40% 50% 60% Zaměstnaní Nezaměstnaní Ohrožení chudobou podle zaměstnanosti,20XX Zdroj: generátor náhodných statistik MS Excel, červen 2015
- 58. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat RADAR Zdroj: Stephanie Evergreen stephanieevergreen.com/radar-graphs/
- 59. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat 11° 12° Pšenice Pale Ale Zdroj: Pivovar Hostivař pivovar-hostivar.cz/pivo
- 60. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat
- 61. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: FinancialTimes, Data Blog - EU UnemploymentTracker, 2015 blogs.ft.com/ftdata/2015/04/17/eu-unemployment-tracker/
- 62. Složení Vývoj v čase Souvislost Srovnání Kombinace Typ grafu zvolte podle účelu a typu dat Zdroj: NewYorkTimes, The Upshot –The Shrinking Middle Class, 2015 nytimes.com/interactive/2015/01/25/upshot/shrinking-middle-class.html
- 63. Proč? Rozhodování Principy Vizuální prvkyPohledy na věc Typy grafů Dobré praxe a tipyTechnologie Inspirace a zdroje
- 64. 3D prvky jsou matoucí Dobré praxe: integrita Zdroj: Gregor Aisch, Making data visualisations: a survival guide. Slideshare. slideshare.net/vis4/making- data-visualizations-a-survival-guide
- 65. OsaY by měla začínat na nule – pokud ne, upozorněte na to Dobré praxe: integrita 0% 5% 10% 15% 20% 25% 30% 35% 40% Now In 2013 If Bush tax cuts expire 0 20 40 60 80 100 2010 Q1 2011 Q1 2012 Q1 2013 Q1 2014 Q1 2015 Q1 Zaměstnanost 2010-2015 50 52 54 56 58 60 2010 Q1 2011 Q1 2012 Q1 2013 Q1 2014 Q1 2015 Q1 Zaměstnanost 2010-2015
- 66. Výchozí prvky je často třeba změnit: barvy, rozsah os, popisky Legendy nejsou vždy potřeba a nejlepší je integrovat je s daty Dobré praxe: důraz na data Muži 218 Ženy 135 0 50 100 150 200 250 2010 2011 2012 2013 2014 2015 0 40 80 120 160 200 240 280 2010 2011 2012 2013 2014 2015 Muži Ženy
- 67. Nedatové prvky nesou význam: barvy, délky os, řazení kategorií Dobré praxe: informativnost 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 ČSSD KSČM ODS TOP 09 Zastoupení žen ve Sněmovně 2010 a 2013 2013 2010 0% 10% 20% 30% 40% 50% KSČM TOP 09 ODS ČSSD Zastoupení žen ve Sněmovně 2010 a 2013 2010 2013 Zdroj dat: Fórum 50% padesatprocent.cz/cz/statistiky-analyzy-vyzkumy/zastoupeni-zen-a-muzu-v- politice/poslanecka-snemovna/
- 68. Některé prvky ale lze vizuálně upozadit Dobré praxe: čitelnost 0% 25% 50% 75% 100% Ministerstvo kultury Ministerstvo životního prostředí Ministerstvo zahraničních věcí Ministerstvo školství,mládeže a tělovýchovy Ministerstvo zemědělství Známkování ministerstev, květen 2015 % dotázaných,známky jako ve škole 1 2 3 4 5 neví
- 69. Popisky os a kategorií by měly být vodorovné a čitelné Dobré praxe: čitelnost 0 2 4 6 8 10 Finland Denmark Canada Australia Austria Chile Germany Israel Belgium France Estonia Italy Hungary Greece Bulgaria Croatia CzechRepublic China Corruption Perception Index 0 2 4 6 8 10 Finland Denmark Canada Australia Austria Chile Germany Israel Belgium France Estonia Italy Hungary Greece Bulgaria Croatia Czech Republic China Corruption Perception Index
- 70. Pozor na barvoslepost (červená – zelená); lze otestovat online Dobré praxe: čitelnost Zdroj: vischeck.com
- 71. Integrita • 3D prvky jsou matoucí • OsaY by měla začínat na nule – pokud ne, upozorněte na to Důraz na data • Výchozí prvky je často třeba změnit: barvy, rozsah os, popisky • Legendy nejsou vždy potřeba a nejlepší je integrovat je s daty Informativnost • Nedatové prvky nesou význam: barvy, délky os, řazení kategorií • Některé ale lze vizuálně upozadit Čitelnost • Popisky os a kategorií by měly být vodorovné a čitelné • Pozor na barvoslepost (červená – zelená); lze otestovat online • Půjde to vytisknout černobíle? Dobré praxe
- 72. Omezte množství datových bodů, pokud detaily nejsou zásadní Dobré rady Muži 218 Ženy 135 0 50 100 150 200 250 2010 2011 2012 2013 2014 2015 52 Muži 218 129 Ženy 135 2010 2015 Muži od roku 2010 předstihli ženy počty mužů a žen na grafu, 2010-15 Od roku 2012 bylo na grafu více mužů počty mužů a žen na grafu, 2010-15
- 73. Zvýrazněte, co je důležité Dobré rady Jahody 152 Třešně 96 Jablka 93 Borůvky Jahody v roce 2013 tvořily přes 1/3 sklizně
- 74. Ukažte, které body byly v datech (časové řady) Dobré rady Jahody 114 Třešně 199 Jablka 97 Borůvky 50 0 50 100 150 200 2013 2014 2015 Sklizeň ovoce 2013-2015
- 75. Popis osy lze začlenit do nadpisu nebo podnadpisu Zařaďte kontextová data do pozadí (např. špagetový graf) Nadpis by měl vyjadřovat hlavní sdělení vizualizace Podnadpis může doplnit technické detaily Dobré rady 2013 2014 2015 Jablka 2013 2014 2015 Třešně 2013 2014 2015 Jahody 0 50 100 150 200 2013 2014 2015 Borůvky Úroda různých druhů ovoce se liší a většinou kolísá sklizené ovoce 2013-2015 (kilogramy)
- 76. Ne všechno musí být graf – zvažte tabulku nebo kombinaci (sparkline, heatmap) Dobré rady Skupina Trend 2010 2011 2012 2013 2014 2015 Muži 52 44 193 210 129 218 Ženy 129 156 14 186 18 135 Muži do 15 let 37 134 6 73 102 189 Muži nad 15 let 32 19 182 56 83 91 Ženy do 15 let 7 128 35 150 14 5 Ženy nad 15 let 98 19 175 152 150 83 Skupina Trend 2010 2011 2012 2013 2014 2015 Muži 52 44 193 210 129 218 Ženy 129 156 14 186 18 135 Muži do 15 let 200 176 194 110 43 131 Muži nad 15 let 29 125 186 113 17 149 Ženy do 15 let 158 144 159 15 49 147 Ženy nad 15 let 59 84 91 64 151 65
- 77. Důraz na data • Omezte množství kategorií, pokud detaily nejsou zásadní • Zvýrazněte, co je důležité • Šetřete datovými popisky a desetinnými místy • Ukažte, které body byly v datech (časové řady) Informativnost • Popis osy lze začlenit do nadpisu nebo podnadpisu • Zařaďte kontextová data do pozadí (např. špagetový graf) • Nadpis by měl vyjadřovat hlavní sdělení vizualizace • Podnadpis může doplnit technické detaily • Ne všechno musí být graf – zvažte tabulku nebo kombinaci (sparkline, heatmap) • Ukažte to někomu, kdo nezná vaše data a vaše závěry Dobré rady
- 78. Technické tipy: když Excel nestačí Zdroj: data-informed.com
- 79. Technické tipy: když Excel nestačí
- 80. Technické tipy: když Excel nestačí
- 81. • Neexistuje jediný správný způsoby vizualizace • Autor má zodpovědnost rozhodnout, co ukázat a jak • Ale existují principy, kterých je třeba se držet. • Stejně tak je třeba respektovat zákonitosti lidského vnímání. • Vizualizace neexistují ve vakuu – jsou součástí prezentace či dokumentu, a záleží na podání a stavbě celku Závěrem
- 82. Proč? Rozhodování Principy Vizuální prvkyPohledy na věc Typy grafů Dobré praxe a tipyTechnologie Inspirace a zdroje
- 83. Edward Tufte: knihy + edwardtufte.com/tufte Jacques Bertin Semiology of Graphics Jean-luc Dumont, Trees Maps andTheorems Colin Ware. Information Visualization: perception for design Stephen Few perceptualedge.com Jonathan Schwabish policyviz.com Ann K. Emery annkemery.com Stephanie Evergreen stephanieevergreen.com Andy Kirk visualisingdata.com Robert Kosara kosara.net Alberto Cairo thefunctionalart.com The Economist economist.com/blogs/graphicdetail The NewYork Times @nytgraphics + Gregor Aisch vis4.net Guardian Data Blog theguardian.com/datablog Financial Times Data Blog blogs.ft.com/ftdata NathanYau flowingdata.com Hans Rosling gapminder.org Office of National Statistics (Velká Británie) visual.ons.gov.uk Český rozhlas DATA rozhlas.cz/zpravy/data Tomáš Marek blog.vizualizacedat.cz Autority a inspirace Zdroj: chocolate-editions.com/special
- 84. Děkuji za pozornost Petr Bouchal Evaluační jednotka NOK petr.bouchal@mmr.cz @petrbouchal Heřmanova 22, 170 00 Praha 7, e-mail: ces@czecheval.cz, web: www.czecheval.cz