Hindi nagsasalita ang mga numero para sa kanilang sarili. Ang isang spreadsheet na puno ng datos ay walang sinasabi sa iyong madla hangga't walang gumagawa ng desisyon: ano nga ba ang ibig sabihin nito, at ano ang pinakamahusay na paraan upang maipakita ito?
Mas mahalaga ang desisyong iyan kaysa sa inaakala ng karamihan. Ang parehong dataset na ipinakita bilang isang talahanayan, isang line graph, o isang scatter plot ay nagsasalaysay ng tatlong ganap na magkaibang kwento. Piliin ang maling format at mawawala ang espasyo. Piliin ang tama at ang insight ay darating bago ka pa man makapagsalita.
Narito ang sampung paraan upang ipakita ang datos, at kung kailan eksaktong gagamitin ang bawat isa.
1. Mga Talahanayan
Inaayos ng mga talahanayan ang data sa mga row at column, na nagpapakita ng eksaktong mga halaga para sa madaling pagtukoy at paghahambing. Pinakamahusay ang mga ito kapag kailangang maghanap ang iyong audience ng mga partikular na numero o maghambing ng maraming data point sa ilang kategorya.
Pinakamahusay para sa: Mga ulat sa pananalapi, mga listahan ng imbentaryo, mga resulta ng survey na may maraming baryabol, o anumang sitwasyon kung saan mas mahalaga ang katumpakan kaysa sa pagkilala ng mga pattern.
Halimbawa: Paghahambing ng kita sa ika-4 na kwarter sa limang linya ng produkto na may eksaktong mga numero. Ipinapakita ng bawat line item ang pangalan, mga yunit na nabenta, kita, margin ng kita, at paglago taon-taon. Maaaring suriin ng mga stakeholder ang mga detalye habang tinitingnan ang buong konteksto.
Limitasyon: Hindi ipinapakita ng mga talahanayan ang mga trend o itinatampok ang mga outlier nang kasing epektibo ng ibang mga format. Mabilis na nakakaabala ang mga siksik na talahanayan. Panatilihin sa maximum na pitong hilera at anim na hanay para sa kalinawan.
2. Datos na nakabatay sa teksto
Minsan, ang pinakamahalagang punto ng datos ay isang numero o estadistika na nakapaloob sa tuluy-tuloy na prosa. Ang datos na nakabatay sa teksto ay gumagana para sa mga naratibo kung saan ipinapaliwanag mo ang konteksto, hindi lamang ang pagpapakita ng mga tauhan.
Pinakamahusay para sa: Mga ehekutibong buod, pagkukuwento, mga case study, o pagpapahayag ng mga natuklasan sa pananaliksik kung saan ang interpretasyon ay kasinghalaga ng mga hilaw na numero.
Halimbawa: "Sa nakalipas na tatlong taon, ang aming customer retention rate ay bumuti mula 73% patungong 91%, pangunahin nang dahil sa muling pagdisenyo ng aming onboarding program. Ang 18-puntong pagtaas na ito ay katumbas ng $2.3 milyon sa retained annual revenue." Ang mga numero ay nagkakaroon ng kahulugan sa pamamagitan ng konteksto.
Limitasyon: Ang datos na nakabatay sa teksto ay nangangailangan ng maingat na pagbabasa. Madaling makaligtaan ang mga mahahalagang punto kapag ang mga numero ay nakabaon sa mga talata. Gamitin ang pamamaraang ito para sa mga sitwasyon kung saan mahalaga ang pagsasalaysay.
3. Mga pie chart
Ipinapakita ng mga pie chart ang mga bahagi ng isang kabuuan bilang mga hiwa, kung saan ang laki ng bawat hiwa ay proporsyonal sa porsyento nito sa kabuuan. Mahusay ang mga ito sa pagpapakita ng komposisyon kapag hinahati mo ang isang bagay na may kabuuang 100%.
Pinakamahusay para sa: Paglalaan ng badyet, pamamahagi ng bahagi sa merkado, paghahati-hati ng mga tugon sa survey sa mga kategorya, o pagpapakita kung paano hinati ang isang mapagkukunan.
Halimbawa: Ang alokasyon ng badyet sa marketing ay nagpapakita ng 40% para sa digital advertising, 25% para sa mga kaganapan, 20% para sa nilalaman, 10% para sa mga tool, at 5% para sa pagsubok. Ang pie ay agad na nagpapakita ng digital dominance at relatibong proporsyon.
Limitasyon: Ang mga pie chart ay gumagana lamang sa 2-5 kategorya. Higit pa riyan, nagiging mahirap itong bigyang-kahulugan at ihambing. Huwag kailanman gumamit ng mga 3D effect, na pumipilipit sa persepsyon. Maraming eksperto sa datos ang tumututol nang lubusan sa mga pie chart kung kailan gagana ang mga bar chart, at tama ang mga ito para sa mga paghahambing sa maraming kategorya.
4. Mga tsart ng bar
Gumagamit ang mga bar chart ng mga parihabang bar upang ipakita ang mga halaga sa iba't ibang kategorya. Ang pahalang o patayong oryentasyon ay parehong gumagana depende sa konteksto. Ang mga bar chart ay mahusay sa paghahambing ng mga halaga at masasabing ang pinaka-versatile na format ng data visualization.
Pinakamahusay para sa: Paghahambing ng mga benta sa iba't ibang rehiyon, pagpapakita ng mga sukatan ng pagganap para sa iba't ibang mga koponan, pagpapakita ng mga dalas ng tugon sa survey, o paghahambing ng anumang kategoryang datos.
Halimbawa: Ipinapakita ang mga marka ng kasiyahan ng customer (0-10 scale) sa limang departamento ng kumpanya. Agad na nililinaw ng mga bar na ang Operations ay may pinakamataas na marka (8.2) at ang IT ay may pinakamababa (6.8). Makikita agad ng mga manonood ang ranggo at tinatayang mga halaga.
Limitasyon: Hindi gaanong epektibo ang mga bar chart sa pagpapakita ng pagbabago sa paglipas ng panahon, lalo na kapag marami kang tagal ng panahon. Nahihirapan din ang mga ito sa napakalaking dataset na mangangailangan ng daan-daang bar.
5. Mga histogram
Ang mga histogram ay kahawig ng mga bar chart ngunit kumakatawan sa distribusyon ng isang tuloy-tuloy na baryabol. Hindi tulad ng mga regular na bar chart na may mga puwang sa pagitan ng mga bar, ang mga histogram ay may mga bar na magkadikit dahil kinakatawan ng mga ito ang isang tuloy-tuloy na saklaw na hinati sa mga pagitan.
Pinakamahusay para sa: Ipinapakita kung paano ipinamamahagi ang isang populasyon, tulad ng distribusyon ng edad, mga saklaw ng suweldo, distribusyon ng oras ng pagtugon, o mga dalas ng marka sa pagsusulit.
Halimbawa: Ang distribusyon ng edad ng mga customer ay nagpapakita ng konsentrasyon ng mga customer na may edad 25-34 (tugatog), na may pababang bilang sa mga mas bata at mas matatandang pangkat ng edad. Agad nitong ipinapakita ang iyong pangunahing demograpiko.
Limitasyon: Ang mga histogram ay nangangailangan ng pagpili ng angkop na laki ng pagitan. Kapag masyadong makitid, makakakita ka ng ingay. Kapag masyadong malapad, mawawalan ka ng makabuluhang detalye. Hindi rin ito lubos na nauunawaan ng mga hindi teknikal na mambabasa.
6. Mga line graph
Ang mga line graph ay nag-uugnay ng mga data point sa mga linya, na nagpapakita ng mga trend at pagbabago sa paglipas ng panahon. Perpekto ang mga ito para sa pagsubaybay sa mga baryabol na pabago-bago o umuunlad nang sunud-sunod.
Pinakamahusay para sa: Mga paggalaw ng presyo ng stock, trapiko sa website sa paglipas ng mga buwan, mga pagkakaiba-iba ng temperatura, mga trend ng kita, paglago ng user, o anumang sukatan na gusto mong bantayan sa paglipas ng panahon.
Halimbawa: Ang buwanang trapiko sa website para sa nakaraang taon ay nagpapakita ng pagbaba noong Hulyo (paghina ng tag-init) at pagtaas noong Oktubre (paglulunsad ng produkto). Maraming linya ang maaaring magpakita ng iba't ibang channel: tumataas ang trend ng organic search, hindi gumagalaw ang social media, tumataas ang mga bayad na ad. Ang mga trend at interseksyon ay agad na nagsasalaysay ng kwento.
Limitasyon: Ang mga line graph ay nagpapakita ng mga padron ngunit hindi nito natatakpan ang eksaktong mga halaga kumpara sa mga talahanayan. Nagiging magulo rin ang mga ito dahil sa napakaraming magkakapatong na linya. Limitahan sa tatlo o apat na magkakasabay na linya.
Isang format na dapat banggitin nang hiwalay: ang live data visualization habang nagpepresenta. Ang mga tool tulad ng AhaSlides ay nagbibigay-daan sa iyong magsagawa ng mga poll, word cloud, at Q&A nang real time, kung saan ang mga resulta ay makikita sa screen habang sumasagot ang iyong audience. Hindi lang ito nakakaengganyo, ito rin ang pinakamabilis na paraan para mangolekta at magpakita ng data ng audience nang hindi naghahanda ng kahit isang chart nang maaga. Ang silid ang nagiging dataset.
7. Mga Piktogram
Gumagamit ang mga pictogram ng mga icon o ilustrasyon upang kumatawan sa mga data point, na ginagawa itong madaling ma-access at nakakaengganyo. Ang bawat icon ay kumakatawan sa isang unit o isang mas malaking dami. Pinakamahusay ang mga ito sa mas maliliit na dataset na gusto mong gawing kaakit-akit sa paningin.
Pinakamahusay para sa: Mga infographic, presentasyon sa pangkalahatang madla, o anumang sitwasyon kung saan mahalaga ang paggawa ng datos na maging kaaya-aya at madaling lapitan.
Halimbawa: Survey na nagtatanong ng "Ilang oras ka nag-eehersisyo kada linggo?" Ipakita ang maliliit na pigura kung saan ang bawat pigura ay kumakatawan sa limang tao. Ang sampung tao na sumagot ng "wala" ay magpapakita ng dalawang pigura. Mas nakakaengganyo ito kaysa sa isang simpleng numero.
Limitasyon: Ang mga pictogram ay gumagana lamang sa mga buong numero at medyo maliliit na dataset. Mas mahirap basahin ang mga ito sa malalaking dami. Mas malaki rin ang espasyong kinukuha ng mga ito kaysa sa ibang mga format.
8. Mga tsart ng radar
Ang mga radar chart, na tinatawag ding spider chart, ay nagpapakita ng multivariate data sa maraming axes na nagmumula sa isang gitnang punto. Ang bawat axis ay kumakatawan sa ibang variable, na may mga value na naka-plot bilang isang polygon.
Pinakamahusay para sa: Paghahambing ng mga profile o pagganap sa maraming dimensyon nang sabay-sabay, mga pagtatasa ng kasanayan, o pagpapakita ng mga kalakasan at kahinaan sa isang sulyap.
Halimbawa: Paghahambing ng dalawang mapagkumpitensyang produkto sa anim na dimensyon: presyo, kalidad, kadalian ng paggamit, suporta sa customer, pagkakumpleto ng mga tampok, at seguridad. Ang isang produkto ay maaaring mahusay sa presyo at kadalian ng paggamit ngunit nahuhuli sa mga tampok. Ang isa naman ay maaaring mas maganda sa kalidad at mga tampok ngunit mas mahal. Agad na ipinapakita ng mga hugis ang bawat profile.
Limitasyon: Ang mga radar chart ay hindi gaanong tumpak kumpara sa ibang mga format at mas mahirap bigyang-kahulugan para sa mga mambabasang hindi pamilyar sa mga ito. Pinakamahusay ang mga ito sa paggamit ng 3-7 axes. Higit pa riyan, nagiging kalat ang mga ito sa paningin.
9. Mga mapa ng init
Gumagamit ang mga heat map ng tindi ng kulay upang kumatawan sa densidad o dalas ng datos. Ang mas madidilim o mas maiinit na kulay ay karaniwang nagpapahiwatig ng mas mataas na halaga o mas mataas na konsentrasyon. Mahusay ang mga ito para sa pagpapakita ng mga pattern at outlier sa dalawang dimensyon.
Pinakamahusay para sa: Mga pattern na nakabatay sa oras (trapiko sa website ayon sa oras at araw), datos heograpiko, mga matrice ng aktibidad, o anumang datos na gusto mong i-highlight ang konsentrasyon at mga kumpol.
Halimbawa: Ipinapakita ng trapiko sa website ayon sa oras ng araw at araw ng linggo na ang Martes ng 10:00 ng umaga ang pinakamataas na oras ng trapiko, ang Linggo ay tahimik, at ang gabi ay mabagal. Ang gradasyon ng kulay (cool blue para sa mababang trapiko, hot red para sa mataas na trapiko) ay nagpapalitaw sa mga pattern nang hindi binabasa ang mga numero.
Limitasyon: Pinakamahusay na gumagana ang mga heat map sa mga partikular na uri ng datos at nawawalan ng bisa kapag ang mga halaga ay hindi gaanong nag-iiba. Ang interpretasyon ng kulay ay nakadepende rin sa persepsyon ng kulay ng tumitingin, kaya mahalaga ang pagiging naa-access.
10. Mga scatter plot
Ipinapakita ng mga scatter plot ang dalawang magkakaugnay na baryabol bilang mga indibidwal na punto sa isang xy axis, na nagpapakita ng mga ugnayan at ugnayan. Sinasagot nila ang mga tanong tulad ng "Magkasama bang gumagalaw ang dalawang baryabol na ito?"
Pinakamahusay para sa: Pagsusuri ng ugnayan, pagtukoy ng outlier, pagtukoy ng mga ugnayan sa pagitan ng mga baryabol, o mga tsart ng kontrol sa kalidad.
Halimbawa: Ang pag-plot ng customer lifetime value (y-axis) laban sa bilis ng pag-aampon ng produkto na sinusukat sa mga araw (x-axis) ay nagpapakita kung ang mas mabilis na pag-aampon ay hinuhulaan ang mas mataas na halaga. Ang mga puntong nakumpol sa kaliwang itaas ay nagmumungkahi na ang mga mabibilis na gumagamit ay gumagastos nang mas malaki. Ang mga outlier sa ibaba ay nagmumungkahi na ang ilang mabibilis na gumagamit ay hindi nagko-convert sa mga high-value na customer. Ang insight na ito ang nagbibigay-impormasyon sa diskarte sa pagkuha ng customer.
Limitasyon: Ang mga scatter plot ay nagpapakita ng ugnayan, hindi sanhi. Maaari silang maging kalat-kalat ng malalaking dataset at maaaring makahadlang sa mga tiyak na halaga. Hindi rin gaanong madaling maunawaan ang mga ito para sa pangkalahatang madla kumpara sa mga bar o line chart.
Pagpili ng tamang paraan
Walang iisang format ang gumagana para sa lahat. Ang tamang pagpili ay nakasalalay sa tatlong bagay: kung ano talaga ang iyong data, kung sino ang nagbabasa nito, at kung ano ang kailangan mo para maunawaan nila ito.
Magsimula sa datos. Ang paghahambing ng mga kategorya ay nagtuturo sa iyo patungo sa mga bar chart. Ang pagsubaybay sa isang bagay sa paglipas ng panahon ay nangangahulugan ng mga line graph. Ang pagpapakita ng komposisyon ay nangangailangan ng isang pie chart. Ang paggalugad ng mga ugnayan sa pagitan ng dalawang baryabol ay isang trabaho para sa mga scatter plot.
Pagkatapos, isaalang-alang ang iyong mga tagapakinig. Ang mga heat map at radar chart ay mainam para sa mga teknikal na mambabasa na komportable sa pagbibigay-kahulugan sa mga hindi pamilyar na format. Para sa mga pangkalahatang tagapakinig, manatili sa mga bar, linya, at pie. Ang pagiging pamilyar ay mas mahusay kaysa sa pagiging sopistikado sa bawat pagkakataon.
Panghuli, ilang bagay na naaangkop anuman ang format: laktawan ang mga 3D effect, mas pinipili nilang baguhin kaysa pahangain. Lagyan ng label ang lahat. Isama ang iyong pinagmulan. At kung ang isang palamuting elemento ay hindi nagdaragdag ng impormasyon, mayroon itong nababawas.
Ang data visualization ay hindi tungkol sa pagpapaganda ng mga numero. Ito ay tungkol sa paggawa sa mga ito na imposibleng balewalain.
Ang tamang pormat ang siyang bahala sa argumento para sa iyo. Nakikita ng iyong tagapakinig ang padron, nararamdaman ang kakulangan, naiintindihan ang kalakaran, bago mo pa man ipaliwanag ang isang bagay. Kung gagawin mo iyan nang tama, hindi na kailangan ng datos ng tagapagsalita. Ito na ang magsasalita para sa sarili nito.
.webp)
