Al crear visualizaciones complejas, he encontrado varias pautas útiles:
Mantenga la dimensionalidad lo más baja posible.
Mantenga baja la dimensionalidad, tanto en términos de perspectiva de audiencia como de dimensiones de datos. Evite gráficos en 3D, excepto cuando sea natural o intuitivo para los datos, y no intente mostrar más de siete variables dentro de la misma visualización. Incluso cuando se muestra un número menor de variables, la combinación de matiz, luminancia y textura (por ejemplo, tamaño, orientación o densidad de puntos) para los atributos debe elegirse cuidadosamente para maximizar las diferencias visuales entre registros de datos diferentes. La técnica de múltiplos pequeños puede ayudar a mostrar claramente varias variables en la misma imagen.
- ¿Ganar una competencia de Kaggle es importante fuera de Kaggle?
- Como licenciado en Ciencias de la Computación, ¿debería seguir un aprendizaje teórico de aprendizaje automático o un aprendizaje de aprendizaje automático aplicado?
- ¿Cuál es la importancia del big data?
- ¿Cómo será una carrera en análisis de big data en los próximos años?
- ¿Dónde está el mejor lugar para aprender el pronóstico de series de tiempo?
Mantenga los ejes honestos.
En una visualización ya compleja, la manipulación de las expectativas de escala de la audiencia suele ser indeseable. Los rangos inconsistentes para los ejes de múltiplos pequeños son una fuente común de mala interpretación de datos.
El color y la textura son fácilmente reconocibles para la mayoría de los miembros de la audiencia.
Al elegir cómo comunicar diferentes tipos de información sobre un atributo dado en una imagen, las variaciones más fáciles de reconocer visualmente para la mayoría de los miembros de la audiencia son, en orden:
- Color Hue
- Luminancia de color
- Textura (por ejemplo, tamaño, orientación o densidad de puntos)
Aunque las diferencias de atributo de tono tienden a ser las que se distinguen de manera más inmediata, los esquemas que incluyen rojo y verde pueden causar dificultades para los miembros de la audiencia daltónica de color rojo-verde.
Evite las caídas visuales comunes.
Tanto los miembros de la audiencia general como los analistas son susceptibles a la memoria limitada para el detalle visual y al enfoque atencional limitado, conocido como Cambio de ceguera y Ceguera desatendida, respectivamente. La ceguera al cambio puede ocurrir cuando los usuarios experimentan dificultades para tomar decisiones analíticas basadas en gráficos en páginas separadas o en ventanas separadas. La ceguera desatendida puede ocurrir cuando la atención completa de un usuario se despliega por completo en una tarea exigente dentro de una visualización, y no se dan cuenta de otras características importantes.
