Wykresy liniowe spaghetti są popularnym narzędziem wizualizacji danych, które pozwalają na przedstawienie wielu serii danych na jednym wykresie. Choć są one przydatne do analizy trendów i zmian w czasie, często można spotkać się z problemem, który wpływa na czytelność tych wykresów. Wykres spaghetti jest wykresem liniowym, gdzie poszczególne serie często nakładają się na siebie. Przykład takiego wykresu przedstawiono poniżej.
Rysunek 1. Wykres spaghetti
Wykres swoją nazwę zawdzięcza widokowi puszczonego makaronu spaghetti na ziemię oraz przypadkowemu stąpnięciu nogą na ów makaron. Wtedy taki makaron średnio nadaje się już do spożycia i podobną rolę taki wykres również spełnia w wizualizacji, czyli cokolwiek chcemy pokazać takim wykresem – to średnio nam to wyjdzie.
Wykresy liniowe spaghetti stanowią wyzwanie wizualizacyjne z kilku powodów. Po pierwsze, na jednym wykresie nakładają się różne serie danych, co może prowadzić do chaosu wizualnego. Kiedy linie się krzyżują i przecinają, trudno jest odczytać wartości punktów danych. To utrudnia analizę i wnioskowanie.
Po drugie, wykresy spaghetti mogą być trudne do zrozumienia, szczególnie dla osób niezaawansowanych w analizie danych. Często brakuje odpowiednich etykiet, co sprawia, że trudno jest zidentyfikować, które serie danych odpowiadają konkretnym danym. To może prowadzić do błędnych interpretacji i złych decyzji.
Pierwszą metodą, która umożliwi poprawienie czytelności wykresu spaghetti jest sprawienie by taka wizualizacja nie była przytłaczająca wizualnie. Możemy w bardzo prosty sposób nakierować naszych odbiorców na jeden konkretny aspekt. W omawianym przykładzie chciałbym pokierować swoich odbiorców za pomocą koloru i przetwarzania mimowolnego na aspekt związany z malejącą marżowością w kanale sprzedaży Przemysł (rysunek 2).
Rysunek 2. Zaakcentuj jedną linię
Pozbywamy się również legendy, linii siatek, dodajemy objaśnienie danych jednej serii i dbamy by wykres zaczynał się od lewej osi. Domyślnie, niestety Excel często przedstawia ze zbędnym odstępem od osi pionowej (tak jak na rysunku 1). Wszystkie te zabiegi są wskazówkami wizualnymi, dzięki którym możemy pokierować uwagę naszych odbiorców. Istotnym wydaje się podkreślenie, iż taka narracja przedstawiania danych ma sens w momencie kiedy robimy to na żywo i możemy dopowiedzieć ustnie swoje uwagi do wykresów. Wykres w takiej formie może być mniej przydatny dla kogoś, kto nie był na prezentacji danych i otrzymał te informacje w postaci przesłanego pliku.
Kolejną możliwością przeobrażenia wykresu spaghetti to odsunięcie od siebie tych linii i przedstawienie ich w pionie lub poziomie. Poniżej przykład rozplątania spaghetti w wersji pionowej.
Rysunek 3. Odsuwamy od siebie linie
W przedstawionym rozwiązaniu stworzone zostały cztery odrębne diagramy typu Sparkline, sprawiających wrażenie jednej spójnej wizualizacji. Oznaczenia na osiach x (na początku i końcu) dają relatywnie szeroki kontekst, dlatego nie ma większej potrzeby pokazywać osi y.
Podobnie można to przedstawiać w Power BI (rysunek 4)
Rysunek 4. Odsuwamy od siebie linie – przykład wizualizacji w Power BI
Można również użyć metody kombinowanej używając separacji przestrzennej odróżniając jedną linię od pozostałych (rysunek 5). Tak samo jak w przypadku Sparkline przedstawionych wyżej – odsuwamy poszczególne kategorie od siebie dla większej przejrzystości i zrozumiałości wizualizacji.
Rysunek 5. Metoda kombinowana: separacja w pionie
Podejście na rysunku 5 jest dobrym rozwiązaniem, jeśli kontekst wszystkich prezentowanych danych może być istotny i użyteczny dla wszystkich odbiorców, natomiast skupienie odbywa się na każdej jednej zaznaczonej linii w poszczególnych kategoriach co zdecydowanie zwiększa zrozumienie wizualizacji. Przykład ten jest dobrym pomysłem na prezentowanie danych odbiorcom, którzy nie uczestniczą w prezentacji na żywo, a są post factum informowani o zawartości całej wizualizacji. Dlatego taka prezentacja danych w formie kombinowanej z pewnością będzie przydatna w raportach lub materiałach przekazywanych odbiorcom, którzy nie uczestniczyli w prezentacji na żywo.
Podsumowując, należy zaznaczyć, iż istnieje kilka możliwości przeobrażenia wykresu spaghetti w wizualizację bardziej sprzyjająca naszym odbiorcom. Należy przemyśleć swój storytelling danych i przedstawić najistotniejsze historie oraz zastanowić się jakie narzędzia wizualizacje będą najtrafniejsze w kontekście sposobu prezentowania wizualizacji.
A na sam koniec rekomendacja od chata GPT, które w mojej ocenie są dość trafne 😉
Aby poprawić czytelność wykresów spaghetti, warto rozważyć następujące rekomendacje:
Korzystaj z różnych kolorów: Przypisanie różnym seriom danych różnych kolorów ułatwi identyfikację i śledzenie trendów. Unikaj jednak nadmiernego użycia kolorów, które mogą sprawić, że wykres stanie się zbyt chaotyczny.
Dodawaj etykiety: Dla kluczowych punktów danych lub serii danych warto dodać czytelne etykiety. Możesz to zrobić na wykresie lub w legendzie. Etykiety pomogą zrozumieć, co reprezentują dane linie.
Zgrupuj podobne serie: Jeśli masz wiele serii danych, które wykazują podobne wzorce, rozważ grupowanie ich w jedną linię lub wykorzystanie wykresów punktowych, które pozwalają na bardziej czytelną reprezentację danych.
Używaj interaktywnych narzędzi: Jeśli pracujesz z danymi online, wykorzystaj interaktywne narzędzia, które pozwalają na wybór i wyłączenie wybranych serii danych. To ułatwi użytkownikom analizę danych według własnych potrzeb.
Opisuj dane w tekście: Nie zapominaj o opisie i interpretacji wykresu w tekście towarzyszącym. Dostarcz czytelnych i klarownych wniosków z analizy danych, aby użytkownicy zrozumieli, co wykres ma do przekazania.
Wykresy spaghetti mogą być przydatnym narzędziem analizy danych, ale wymagają odpowiedniego podejścia, aby być czytelnymi i zrozumiałymi. Poprzez zastosowanie rekomendacji dotyczących kolorów, etykiet, grupowania serii danych oraz użycia narzędzi interaktywnych, można znacząco poprawić czytelność tych wizualizacji. Ważne jest, aby dostarczać użytkownikom zrozumiałe kontekstualne informacje i interpretację danych, aby pomóc im w właściwej analizie. Dbanie o czytelność wizualizacji danych to klucz do efektywnej analizy i podejmowania trafnych decyzji.
Comments