Gracias por el A2A.
Es difícil proporcionar una lista de verificación concisa pero completa, y mucho depende del contexto de las visualizaciones en cuestión; por ejemplo, las visualizaciones ad hoc creadas sobre la marcha durante las fases de exploración / descubrimiento estarán sujetas a mucho menos escrutinio. que las visualizaciones que forman parte de un producto o un conjunto de análisis / informes empresariales.
Al realizar análisis visuales y crear contenido sobre la marcha para explorar patrones, algunas de mis visualizaciones son muy crudas. Si / cuando los patrones parecen estar emergiendo de manera consistente, daré un paso atrás y crearé una o más visualizaciones sustanciales desde cero para validar lo que parece ser aparente. El proceso aquí (¡pero no una lista de verificación exhaustiva!) Sigue, descrito en la terminología de Tableau:
- ¿Se puede dividir un conjunto de datos en dos conjuntos separados, en un conjunto predicho con precisión y un conjunto de errores?
- ¿Es SPSS una herramienta de minería de datos más apropiada que Weka?
- ¿Cuál es su experiencia con la combinación de datos?
- ¿Cuáles son algunos buenos libros / documentos sobre aprendizaje kernelized, en general y especialmente con SVM?
- Ciencia de datos: ¿dónde encontrar ejemplos de proyectos usando Python con SQL?
- Verifique las dimensiones y medidas correctas seleccionadas
- Compruebe el formato de todo el contenido numérico (p. Ej., Ejes, etiquetas, leyendas, etc.)
- Verifique los filtros en uso (fácil de pasar por alto un filtro errante)
- Verifique las acciones entre los objetos en pantalla (si crea un panel de visualización múltiple)
- Comprobar esquema de color
- Verifique las etiquetas de los ejes (¿son útiles, precisas, útiles?)
- Comprobar fuentes
Cuando se trata de desarrollo de productos / informes visuales regulares, etc., hemos descubierto que la revisión por pares es el mecanismo más efectivo y eficiente. Sí, puede ralentizar la fase de construcción / prueba, pero aumenta en gran medida la calidad (reduce la tasa de error / omisión), aumenta el valor (mejora la claridad, precisión, integridad) y, en general, el resultado final se logra más rápido y con menos retrabajo .
Por supuesto, vale la pena desarrollar un lenguaje común para que la revisión por pares sea efectiva: los excelentes libros de Stephen Few nos han ayudado a poner a todos en la misma página, pero incluso con esta base hay muchas maneras de lograr excelentes resultados.
Lo sentimos, no podría ofrecer una lista de verificación simple, pero en nuestro trabajo la mayor parte de la actividad de datos es parte de un todo más grande … y es el todo el que tiene la lista de verificación más completa (y exhaustiva).