Visual Analytics

¿Cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones?

Transcript

1. Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones
2. BIG DATA Agosto 24 y 25 | Lima – Perú 2018 ANALYTICS SUMMIT #BIGDATASUMMIT2018
3. Hola! Soy Alex Rayón Director Deusto BigData (www.bigdata.deusto.es) Me puedes encontrar como @alrayon, en www.alexrayon.es y alex.rayon@deusto.es
6. ÍNDICE DE CONTENIDOS Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones Tres anécdotas #BIGDATASUMMIT2018 Errores de visualización Cognición Procedimiento Visual Analytics Dashboard(s) Herramientas y librerías
7. TRES ANÉCDOTAS La idea prevalente en el s. XIX era que el cólera se transmitía por miasmas (mal aire). Pero John Snow tenía sus dudas.
8. TRES ANÉCDOTAS (II) Una aproximación al análisis de datos que consiste en analizar datasets y resumir sus principales características, con métodos visuales. Ver qué nos dicen los datos más allá del modelado formal y los tests de hipótesis.
9. TRES ANÉCDOTAS (III) Charles Joseph Minard in 1869
10. TRES ANÉCDOTAS (IV)
11. TRES ANÉCDOTAS (V)
12. TRES ANÉCDOTAS (VI)
13. TRES ANÉCDOTAS (VII) • Lectures on History and General Policy (1788) ◦ A Chart of Biography (1765) ◦ A New Chart of History (1769) • Joseph Priestley crea unas preciosas metáforas de una dimensión imprecisa y abstracta (tiempo) trasladada a una concreta (espacio) ◦ Pensamiento temporal consume recursos cognitivos
14. TRES ANÉCDOTAS (VIII)
15. TRES ANÉCDOTAS (IX)
16. TRES ANÉCDOTAS (X)
17. TRES ANÉCDOTAS (XI)
18. “ La visualización, es una forma de expresión ◦ Como las matemáticas, la música, la pintura o la escritura ◦ En consecuencia, tiene una serie de reglas que respetar “
19. ÍNDICE DE CONTENIDOS Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones Tres anécdotas #BIGDATASUMMIT2018 Errores de visualización Cognición Procedimiento Visual Analytics Dashboard(s) Herramientas y librerías
20. ERRORES DE VISUALIZACIÓN
21. ERRORES DE VISUALIZACIÓN (II)
22. ERRORES DE VISUALIZACIÓN (III)
23. ERRORES DE VISUALIZACIÓN (IV)
24. ERRORES DE VISUALIZACIÓN (V)
25. ERRORES DE VISUALIZACIÓN (VI)
26. ERRORES DE VISUALIZACIÓN (VII) ¿Diferencia entre dos variables? Cleveland and McGill, nuestro cerebro tiene problemas comparando ángulos, curvas y direcciones → si queremos mostrar la diferencia, debemos representar directamente la diferencia o
27. ERRORES DE VISUALIZACIÓN (VIII)
28. ERRORES DE VISUALIZACIÓN (IX)
29. ERRORES DE VISUALIZACIÓN (X)
30. ERRORES DE VISUALIZACIÓN (XI) “Save the pies for dessert” (Stephen Few)
31. “ Paradigma Less is More ◦ Nuestro cerebro es especialista en comparar largos, longitudes, no áreas ni ángulos ni volúmenes ◦ Evitar representar jerarquías ◦ Evita distorsiones en los ejes ◦ El color es más difícil de comparar que la longitud “
32. ÍNDICE DE CONTENIDOS Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones Tres anécdotas #BIGDATASUMMIT2018 Errores de visualización Cognición Procedimiento Visual Analytics Dashboard(s) Herramientas y librerías
33. COGNICIÓN
34. “ “Transformar información simbólica en información geométrica” (McCormick et al. 1987) “El uso de representaciones visuales de datos generadas por ordenador para aumentar la cognición” (Card, Mackinlay, & Shneiderman 1999) “
35. COGNICIÓN (II)
36. COGNICIÓN (III) • Estudio de Michelle Borkin ”Beyond Memorability: Visualization Recognition and Recall” ◦ Las visualizaciones que son memorables “de un vistazo” tienen contenido memorable ◦ Los títulos y el texto son elementos clave en una visualización y ayudan a recordar el mensaje ◦ Los pictogramas no obstaculizan el recuerdo o la comprensión de una visualización ◦ La redundancia ayuda con el recuerdo y la comprensión de la visualización
37. COGNICIÓN Errores típicos - Regresión a la media - Correlación no causalidad (Post-hoc…) - Endogeneidad (omitida, confounding) - Falacia ecológica - Paradoja de Simpson - Sampling bias (self-selection, non-resp) - Forking paths (p-value hack) - Overfitting - Survivorship bias - Gambler fallacy/Hot-hand fallacy - Cherry-picking - Media, moda, mediana… - Ignorar non-sampling errors - Ignorar la descripción - Ignorar colas largas - Significatividad ≠ magnitud Sesgos - Confirmación Me convence lo que ya sabía - Focus illusion Exagero lo que tengo en la cabeza - Small numbers Conclusiones con datos insuficientes - Sesgo de atribución Todo tiene un culpable - Patternicity Encontramos patrones donde no hay - ¡Lo supe siempre! En realidad no lo sabías - Vivan las historias Todo encaja - Overconfidence bias Lo domino - Illusion of control Yo controlo - Ilusión de explicación Sé cómo va (pero no) - Sesgo de negatividad Lo negativo nos influye más - Sesgo optimismo Todo saldrá bien - Base-rate fallacy
38. ÍNDICE DE CONTENIDOS Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones Tres anécdotas #BIGDATASUMMIT2018 Errores de visualización Cognición Procedimiento Visual Analytics Dashboard(s) Herramientas y librerías
39. VISUAL ANALYTICS Ranking of elementary perceptual tasks [ClevelandMcGill1985]
40. VISUAL ANALYTICS (II) • Dos investigadores de AT&T Bell Labs, William S. Cleveland y Robert McGill, publicaron un artículo central en el Journal of the American Statistical Association ◦ El título era: “Graphical perception: theory, experimentation, and application to the development of graphical methods” • Propone una guía con las representaciones visuales más apropiadas en función del objetivo de cada gráfico
41. VISUAL ANALYTICS (III) Problema Procesos mentales Variables Visualización 1 2 3 4 Tiempo Datos Importancia Resultado final Público objetivo Comparar Anomalías Agrupaciones Patrones ¿Cuáles? ¿De qué tipo?
42. VISUAL ANALYTICS (IV)
43. “ Las citas se imprimen comúnmente como un medio de inspiración y para invocar pensamientos filosóficos del lector. “
44. ÍNDICE DE CONTENIDOS Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones Tres anécdotas #BIGDATASUMMIT2018 Errores de visualización Cognición Procedimiento Visual Analytics Dashboard(s) Herramientas y librerías
45. DASHBOARD(S) Fundamentales Percepción Visión Color Principios Técnicas Representación Presentación Interacción Aplicaciones Dashboards Visual Analytics
46. “ “Most information dashboards that are used in business today fall far short of their potential” (Stephen Few, 2007) “A dashboard is a visual display of the most important information needed to achieve one or more objectives; consolidated and arranged on a single screen so the information can be monitored at a glance” (Stephen Few, 2007) “
47. DASHBOARD(S) (II) • Características ◦ Displays visuales ◦ Visualizar información necesaria para alcanzar unos objetivos específicos ◦ Que se ajuste a una sola pantalla ◦ Que se pueda emplear para monitorizar información a golpe de ojo ◦ Mecanismos de visualización pequeños, concisos, claros e intuitivos ◦ Personalizados a las necesidades
48. DASHBOARD(S) (III) Graphic design Data analysis Interactive design Exploratory Data analysis Interactive visualization User interface design Static visualization Seleccionar Explorar Reconfigurar Codificar Elaborar Filtrar Conectar
49. “ 1. Choose metrics that matter 2. Keep it visual 3. Make it interactive 4. Keep it current or don’t bother 5. Make it simple to access and use “
50. ÍNDICE DE CONTENIDOS Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones Tres anécdotas #BIGDATASUMMIT2018 Errores de visualización Cognición Procedimiento Visual Analytics Dashboard(s) Herramientas y librerías
51. HERRAMIENTAS Y LIBRERÍAS GUI - WYSIWYG Programación Tableau QlikSense R / ggplot D3.JS Python Carto Plot.ly Dashboard.ly Hojas de cálculo
52. “ La herramienta, ayuda, pero debe ser siempre vista como la implementación de un procedimiento de visualización eficiente, no el objetivo en sí mismo “
54. REFERENCIAS [AmarStasko2005] Amar, R. A., & Stasko, J. T. (2005). Knowledge precepts for design and evaluation of information visualizations. Visualization and Computer Graphics, IEEE Transactions on, 11(4), 432-442. [Cairo] Alberto Cairo [Online]. URL: https://twitter.com/albertocairo [Chi2000] Chi, Ed H. "A taxonomy of visualization techniques using the data state reference model." Information Visualization, 2000. InfoVis 2000. IEEE Symposium on. IEEE, 2000. [ClevelandMcGill1985] Cleveland, William S., and Robert McGill. "Graphical perception and graphical methods for analyzing scientific data." Science 229.4716 (1985): 828-833. [Few2004] Few, Stephen. "Show me the numbers." Analytics Pres (2004). [Few2007] Few, Stephen. "Dashboard confusion revisited." Perceptual Edge (2007). [Fry] Ben Fry [Online]. URL: http://benfry.com/ [Jarvinen2013] Data visualization [Online]. URL: http://lib.tkk.fi/Lic/2013/urn100763.pdf [Keim2006] Keim, D.A.; Mansmann, F. and Schneidewind, J. and Ziegler, H., Challenges in Visual Data Analysis, Proceedings of Information Visualization (IV 2006), IEEE, p. 9-16, 2006. [Kosslyn] Kosslyn Laboratory [Online]. URL: http://isites.harvard.edu/icb/icb.do?keyword=kosslynlab&pageid=icb.page250946 [Malamed] Visual Language for Designers: Principles for Creating Graphics that People Understand [Online]. URL: http://www.amazon.com/Visual-Language-Designers-Principles-Understand/dp/1592535151 [Shneiderman1996] Shneiderman, Ben. "The eyes have it: A task by data type taxonomy for information visualizations." Visual Languages, 1996. Proceedings., IEEE Symposium on. IEEE, 1996. [Shneiderman2002] Shneiderman, B. (2002) Inventing discovery tools: combining information visualization with data mining1. Information visualization, 1(1), 5-12. [ThomasCook2005] J.J. Thomas and K.A. Cook, "A Visual Analytics Agenda," IEEE Computer Graphics & Applications, vol. 26, pp. 10-13, 2006. [Verbert2014a] Visual Analytics [Online]. URL: http://www.slideshare.net/kverbert/in-34471961 [Yau] Nathan Yau [Online]. URL: http://flowingdata.com/about-nathan/ [Zachary2013] Zachary, W., Rosoff, A., Miller, L. C., & Read, S. J. (2013). Context as a Cognitive Process: An Integrative Framework for Supporting Decision Making. Paper presented at the STIDS.
55. #BIGDATASUMMIT2018 @alrayon www.alexrayon.es alex.rayon.jerez@gmail.com www.linkedin.com/in/alrayon @alrayon www.slideshare.net/alrayon
56. Visual Analytics: cómo hacer visualizaciones eficientes para la mejora del proceso de toma de decisiones