Un progetto di Data Science è completo e raggiunge l’obiettivo solo se i risultati ottenuti vengono comunicati correttamente agli stakeholders.
Il Visual Data Sensemaking ci aiuta a “dare un senso” a ciò che abbiamo ottenuto, e a calarlo nel contesto di riferimento.
In un progetto di scienza dei dati si parte da alcune analisi preliminari delle informazioni disponibili, al fine di contestualizzare e dare priorità al problema aziendale.
I dati vengono esplorati in modo completo per aiutarci ad apprezzare le sfumature, e a iniziare a comprendere la storia che ci stanno raccontando.
La raccolta delle informazioni va svolta con accuratezza, stabilendo le priorità tra le varie fonti.
Tale identificazione è necessaria per la nostra analisi e per ottenere dati di valore.
Analizziamo le potenziali fonti e la qualità desiderata e, se necessario, trasformiamo e arricchiamo le informazioni per soddisfare le nostre esigenze, ad esempio con componenti esterne.
Una volta che la nostra analisi ha prodotto dei risultati, questi devono essere studiati e compresi.
Non capire ciò che abbiamo trovato significa non sapere perché abbiamo ottenuto le informazioni.
Il Visual Data Sensemaking è la presentazione dei dati in formato grafico (come un diagramma o una mappa), che ha come scopo quello di rendere più semplice la comprensione dei risultati.
Noi, come tecnici, non possiamo limitarci a sviluppare gli algoritmi se poi non traduciamo ciò che abbiamo scoperto in maniera semplice e chiara.
Le mappe e i grafici sono stati tra le prime forme utilizzate dall’uomo per condividere le informazioni.
Uno dei primi esempi di visualizzazione dei dati fu una mappa di flusso creata dall’ingegnere civile francese Charles Joseph Minard nel 1869, per aiutare a capire cosa subirono le truppe di Napoleone nella disastrosa campagna di Russia del 1812.
La mappa utilizzava due dimensioni e rappresentava il numero di truppe, la distanza, la temperatura, la latitudine e la longitudine, la direzione del viaggio e la posizione rispetto a date specifiche.
Viene da sé che all’interno di un’infografica con così tante informazioni si possa perdere un pò il focus su ciò che si vuole davvero comunicare.
Oggi però abbiamo le conoscenze e le competenze giuste per essere più diretti.
Visual Data Sensemaking: quanto è importante una corretta visualizzazione dei dati?
La visualizzazione dei dati consente alle persone di analizzare grandi volumi di informazioni in modo rapido ed efficiente.
Fornendo rappresentazioni visive di facile comprensione, aiuta i diversi interlocutori a prendere decisioni consapevoli.
La presentazione dei dati in forma visiva può semplificare la comprensione e consentire alle persone di ottenere informazioni dettagliate più rapidamente.
Le visualizzazioni consentono anche di capire come le variabili indipendenti si relazionano tra loro.
Questo può aiutare i team a vedere le tendenze, comprendere la frequenza degli eventi e tenere traccia delle connessioni tra operazioni e prestazioni.
Con la visualizzazione dei dati possiamo ad esempio:
- Sbloccare il valore dei Big Data, consentendo alle persone di assorbire grandi quantità di dati in un colpo d’occhio
- Aumentare la velocità del processo decisionale, fornendo accesso a informazioni in tempo reale e su richiesta
- Identificare rapidamente gli errori e le imprecisioni nei dati
Visual Data Sensemaking: alcuni esempi
Esistono una miriade di modi per visualizzare i dati, ma è possibile suddividerli in due categorie principali:
- Visualizzazioni esplorative (ci aiutano a capire cosa ci dicono i dati)
- Visualizzazioni esplicative (raccontano una storia a un pubblico utilizzando i dati)
È essenziale capire quale di queste due categorie ha le giuste caratteristiche per la presentazione che vogliamo fare.
Ci sono diversi tipi di rappresentazione, come ad esempio:
- Area 2D
Si tratta in genere di visualizzazioni geospaziali. Ad esempio, i cartogrammi utilizzano distorsioni delle mappe per trasmettere informazioni come la popolazione o il tempo di viaggio. Le mappe coropletiche utilizzano sfumature o motivi per rappresentare una variabile statistica, come la densità di popolazione per stato. - Temporali
Si tratta di visualizzazioni lineari unidimensionali che hanno un inizio e una fine. Gli esempi includono una serie temporale, che presenta dati come le visite al sito web per giorno o mese, e diagrammi di Gantt, che illustrano le pianificazioni dei progetti. - Multidimensionali
Queste visualizzazioni comuni presentano dati con due o più dimensioni. Gli esempi includono grafici a torta, istogrammi e grafici di dispersione.
- Gerarchici
Queste visualizzazioni mostrano come i gruppi si relazionano tra loro. I diagrammi ad albero sono un esempio di visualizzazione gerarchica, che spiega come gruppi più grandi comprendono insiemi di gruppi più piccoli.
- Reti
Le visualizzazioni di rete mostrano come i set di dati sono correlati tra loro in una rete. Un esempio è un diagramma nodo-collegamento, noto anche come grafico di rete, che utilizza nodi e linee di collegamento per spiegare come le cose sono interconnesse.
Nella storia la rappresentazione grafica è stata molto utile per trasmettere tante informazioni condensate in un unico schema.
La piattaforma Tableau ha raccolto quelli che considera i 10 migliori esempi di visualizzazione dei dati della storia.
Il numero uno dell’elenco è la mappa di Minard della marcia di Napoleone verso Mosca, menzionata prima.
Al secondo posto troviamo la mappa a punti creata dal medico inglese John Snow per studiare l’epidemia di colera a Londra del 1854.
Questa mappa utilizza grafici a barre per indicare i decessi in ogni famiglia relativi a ogni isolato della città.
Mostra che le famiglie più colpite stavano attingendo acqua dallo stesso pozzo, il che alla fine ha portato all’intuizione che i pozzi contaminati dalle acque reflue abbiano causato l’epidemia.
Al settimo posto dell’elenco di Tableau troviamo la piramide animata di ripartizione demografica per età e genere creata dal Pew Research Center nell’ambito del suo progetto The Next America, pubblicato nel 2014.
Il progetto è ricco di visualizzazioni di dati innovative, e mostra come la demografia della popolazione sia cambiata dagli anni ’50: da una piramide formata da molti giovani in basso e pochissimi anziani in alto, a una forma attuale quasi rettangolare.
All’ottavo posto la raccolta di quattro visualizzazioni di Hanah Anderson e Matt Daniels di The Pudding, che illustrano la disparità di genere nella cultura Pop, scomponendo le sceneggiature di 2000 film e confrontando le linee di dialogo parlate per personaggi maschili e femminili.
Le visualizzazioni includono una suddivisione dei film Disney, la panoramica di 2000 sceneggiature, una barra del gradiente con cui gli utenti possono cercare film specifici, e una rappresentazione dei pregiudizi relativi all’età mostrati nei confronti dei ruoli maschili e femminili.
Questi sono solo alcuni esempi di come una rappresentazione grafica possa far comprendere meglio ciò che i dati ci dicono.
I software che si prefiggono di fornire tante informazioni in una dashboard hanno come studio il Visual Data Sensemaking.
Molto spesso non serve creare rappresentazioni complesse, ma bastano poche e semplici informazioni per ottenere il massimo.
Inserire troppi colori o effetti grafici spettacolari, ad esempio, crea quello che viene definito “rumore”, e che fa perdere il senso del messaggio.
Conclusioni
Ogni fase di un progetto di Data Science va curata nei minimi particolari, ed è per questo che deve essere svolta solo da chi possiede veramente le giuste competenze.
La raccolta, l’analisi e la rappresentazione delle informazioni sono tutti step essenziali per il successo di un progetto di analisi dei dati.
Se vuoi sapere come il nostro team di Data Scientist può aiutarti a raccogliere, analizzare e rappresentare le informazioni utili per prendere le decisioni informate in tempi veloci prenota una videochiamata con noi di 45 minuti!
Ecco come si svolgerà:
- Analizzeremo la tua organizzazione
Per comprendere meglio il mercato in cui ti trovi dobbiamo sapere di che cosa si occupa la tua azienda e com’è strutturata.
- Analizzeremo la digitalizzazione della tua azienda
Per poter sfruttare al meglio le tecnologie che hai a disposizione dobbiamo conoscere quanto la tua azienda oggi è digitalizzata.
- Studieremo le basi del progetto
Stabiliremo insieme le basi del primo progetto su cui è possibile applicare le tecniche di Intelligenza Artificiale.
Tu non devi preoccuparti di avere già tutto chiaro, saremo noi a porti le domande giuste per mettere a fuoco l’obiettivo!
Prima si avvia un progetto di Data Science, prima si ottengono risultati mai visti!
Non aspettare ancora, prenota la tua consulenza
