Εισαγωγή
Συχνά χρησιμοποιούμε διαγράμματα για να συγκρίνουμε πραγματικές τιμές με τους στόχους. Αυτό το άρθρο εξετάζει διάφορους τρόπους για τη δημιουργία αυτών των γραφημάτων με στόχο τη μείωση του cognitive load (γνωστικού φορτίου), δηλαδή της προσπάθειας που χρειάζεται για να κατανοήσει κάποιος τα δεδομένα. Θα αναλύσουμε διάφορους τύπους γραφημάτων και θα προσδιορίσουμε ποια επιτρέπουν στους παρατηρητές να κατανοούν τα δεδομένα με μεγαλύτερη ευκολία. Έτσι, εξασφαλίζουμε ότι η παρουσίαση είναι σαφής και εύληπτη!
Τι σημαίνει Cognitive Load ή αλλιώς Γνωστικό Φορτίο;
Το γνωστικό φορτίο αναφέρεται στην πνευματική προσπάθεια που χρειάζεται για την επεξεργασία πληροφοριών. Όταν οι πληροφορίες παρουσιάζονται με σύνθετο ή δύσκολο τρόπο, το γνωστικό φορτίο αυξάνεται, δυσκολεύοντας την κατανόηση και απομνημόνευση.
Τύποι Cognitive Load
Υπάρχουν τρεις βασικοί τύποι:
- Intristic: η πολυπλοκότητα των δεδομένων και των μηνυμάτων.
- Extraneous: η επιπλέον προσπάθεια λόγω κακού σχεδιασμού.
- Germane: η προσπάθεια που βοηθάει τους θεατές να κατανοήσουν και να θυμούνται τα δεδομένα.
Παράδειγμα: Πρόγραμμα Διαχείρισης Ζήτησης του Ντουμπάι (DSM)
Το πρόγραμμα DSM του Ντουμπάι στοχεύει στη μείωση της κατανάλωσης νερού. Αρχικά δυσκολευόταν να επιτύχει τους στόχους του, αλλά από το 2019 κατάφερε να ξεπεράσει τις ετήσιες προβλέψεις, εξοικονομώντας ακόμη περισσότερα αποθέματα νερού.
Σταδιακή Βελτίωση του Παραπάνω Γραφήματος
Σύγκριση με Σειρές στηλών: Χρησιμοποιούμε δύο στήλες ανά έτος για να συγκρίνουμε την πραγματική και την στοχευμένη εξοικονόμηση.
Στόχοι ως γραμμές: Αντικαθιστούμε τη μία στήλη με γραμμή, διευκολύνοντας την αναγνώριση αν η πραγματική εξοικονόμηση υπερέβη τον στόχο.
Διάγραμμα γραμμής για αναγνώριση τάσεων: Οι γραμμές δείχνουν την πραγματική και στοχευμένη εξοικονόμηση, με σκιασμένη περιοχή για να διακρίνουμε τις αποκλίσεις.
Έμφαση στα πλεονάσματα και ελλείμματα: Με στοιβαγμένο διάγραμμα στήλης, αποτυπώνεται η υπερκάλυψη ή υστέρηση των στόχων.
Οπτική έμφαση: Προσθέτοντας υδάτινα μοτίβα στις στήλες, κάνουμε το γράφημα πιο ελκυστικό και σχετικό με το θέμα.
Συμπέρασμα
Αφού εξετάσαμε τα διαφορετικά διαγράμματα, ας αξιολογήσουμε ποια ήταν πιο εύκολα κατανοητά και ποια παρουσίασαν τα δεδομένα πιο καθαρά.
Όπως είδαμε στο παρόν άρθρο, η επιστήμη Data Visualization συνδέεται άμεσα με και με άλλες επιστήμες όπως εκείνες της μάθησης, της ψυχολογίας και της νευροεπιστήμης.
