تجسم‌هایی که واقعا اثرگذارند قسمت دوم

 

 

 


تجسم‌هایی که واقعا اثرگذارند

قسمت دوم

تاریخ انتشار : ژوئن   2016

منتشر شده در مجله کسب‌و‌کار هاروارد


 

 

کشف بصری 

 

 

نوع اطلاعات

کلان داده، پیچیده، پویا

تنظیمات معمولی

جلسات کاری، تست، تجزیه‌وتحلیل

مهارت‌های اولیه

هوش تجاری، برنامه‌نویسی، تجزیه‌وتحلیل زوجی

اهداف

شناسایی روند، ایجاد حس، تجزیه‌وتحلیل عمیق

 

 

این پیچیده ترین ربع است، زیرا در حقیقت دارای دو دسته است. به یاد بیاورید که ما در ابتدا اهداف اکتشافی را به دو نوع تقسیم کردیم: آزمایش یک فرضیه و استخراج الگوها، روندها و ناهنجاری‌ها. اولی متمرکز است، درحالی‌که دومی انعطاف‌پذیرتر است. هرچه داده‌ها بزرگ‌تر و پیچیده‌تر باشند، و هرچه اطلاعات کمتری از ورود به آن داشته باشید، نتیجه کار بازتر و واضح‌تر است.

 

 

 

تایید بصری

 

 شما با این نوع پروژه به یکی از دو سوال پاسخ می‌دهید: آیا آنچه گمان می‌کنم واقعاً درست است؟ راه‌های دیگر برای به تصویر کشیدن این ایده چیست؟

 

دامنه داده‌ها معمولاً قابل مدیریت است و انواع نمودارهایی که احتمالاً از آن‌ها استفاده می‌کنید رایج هستند - اگرچه وقتی سعی می‌کنید چیزها را به روش‌های جدید به تصویر بکشید، ممکن است به سراغ نوع‌هایی که کمتر رواج دارند، بروید. تأیید معمولاً در یک محیط رسمی اتفاق نمی‌افتد. این کاری است که شما انجام می‌دهید تا نمودارهایی را که می‌خواهید برای ارائه ایجاد کنید پیدا کنید. این بدان معناست که زمان شما از طراحی دور می‌شود و به سمت نمونه‌سازی می‌رود که به شما امکان می‌دهد به سرعت روی‌داده‌های مصورسازی تکرار داشته باشید. برخی از مهارت‌ها در دست‌کاری صفحات گسترده و دانش برنامه‌ها یا سایت‌هایی که نمونه‌سازی سریع را فعال می‌کنند، در اینجا مفید هستند.

 

 

 

 

 

 

 

 

 

 

فرض کنید یک مدیر بازاریابی معتقد است که در زمان‌های معینی از روز، مشتریان بیشتری در سایت های موبایل نسبت به کامپیوترهای رومیزی دارد، اما برنامه‌های بازاریابی او برای استفاده از آن طراحی نشده‌اند. او برخی از داده ها را در یک ابزار آنلاین (به نام Datawrapper) بارگذاری می‌کند تا ببیند حرفش درست است یا خیر .

 

او هنوز نمی‌تواند فرضیه خود را تایید یا رد کند. او نمی‌تواند چیز زیادی بگوید، اما در حال نمونه‌سازی و استفاده از ابزاری است که آزمایش نماهای مختلف در داده ها را آسان می‌کند. او سریع کار می‌کند؛ طراحی مشکلی ندارد. او یک نمودار خطی را به‌جای نمودار میله ای (2) امتحان می‌کند.

 

اکنون او چیزی می‌بیند، اما در حین کار با سه متغیر هنوز به نمای موبایلی در مقابل دسکتاپ که می‌خواهد نمی‌رسد، بنابراین دوباره با دو متغیر (3) تلاش می‌کند. هر بار که کارش را تکرار می‌کند، ارزیابی می‌کند که آیا می‌تواند فرضیه اصلی خود را تأیید کند: در ساعات خاصی از روز مشتریان بیشتری از تلفن همراه خرید می‌کنند تا از کامپیوترهای رومیزی.

 

در تلاش چهارم زوم می‌کند و فرضیه خود را تأیید می‌کند (4). ابزارهای نرم افزاری جدید به این معنی است که این نوع تجسم آسان‌تر از همیشه است: آن‌ها تحلیل داده ها را به‌جای ما انجام می‌دهند.

 

 

کاوش بصری

 

تجسم‌های مبتنی بر داده‌های باز معمولاً حوزه دانشمندان داده و تحلیل‌گران هوش تجاری است، اگرچه ابزارهای جدیدی شروع به درگیر کردن مدیران کل در کاوش بصری کرده‌اند. امتحان کردن هیجان‌انگیز است، زیرا اغلب بینش‌هایی را ایجاد می‌کند که به‌هیچ‌وجه نمی‌توان آن‌ها را به دست آورد.

 

ازآنجایی‌که نمی‌دانیم به دنبال چه چیزی هستیم، این تصاویر بصری تمایل دارند داده ها را به‌طور فراگیرتری ترسیم کنند. در موارد شدید، این نوع پروژه ممکن است چندین مجموعه داده را ترکیب کند یا داده های پویا و بلادرنگ را در سیستمی بارگذاری کند که به‌طور خودکار به‌روز می‌شود. مدل‌سازی آماری از کاوش بصری سود می برد.

 

کاوش همچنین باعث تعامل می‌شود: مدیران می‌توانند پارامترها را تنظیم کنند، منابع داده جدید را اعمال کنند و به‌طور مداوم تجدید نظر کنند. داده‌های پیچیده گاهی اوقات برای تجسم تخصصی و غیرمعمول نیز مناسب است، مانند نمودارهای اجباری که نحوه خوشه‌بندی شبکه‌ها یا نمودارهای توپوگرافی را نشان می‌دهند.

 

نتایج عملکرد در اینجا شکل می گیرد: مهارت‌های تحلیلی، برنامه‌نویسی، مدیریت داده و هوش تجاری بسیار مهم‌تر از توانایی ایجاد نمودارهای قابل ارائه هستند. جای تعجب نیست که این نیمی از ربع جایی است که مدیران به‌احتمال زیاد از متخصصان برای کمک به راه‌اندازی سیستم هایی برای بررسی داده ها و ایجاد تجسم‌هایی که با اهداف تحلیلی آن‌ها مطابقت دارد، دعوت می‌کنند.

 

آنمول گارگ، دانشمند داده در تسلا موتورز، از اکتشاف بصری برای بهره‌برداری از حجم عظیمی از داده های حسگر که خودروهای این شرکت تولید می‌کنند، استفاده کرده است. گارگ یک نمودار تعاملی ایجاد کرد که فشار لاستیک‌های خودرو را در طول زمان نشان می‌دهد. در شکل واقعی اکتشافی، او و تیمش ابتدا تجسم‌ها را ایجاد کردند و سپس کاربردهای مختلفی از آن‌ها پیدا کردند: دیدن اینکه آیا لاستیک‌ها هنگام خروج خودرو از کارخانه به‌درستی باد می‌شوند یا خیر، مشتریان چقدر آن‌ها را دوباره باد می‌کنند و چقدر طول می‌کشد تا مشتریان نسبت به هشدار فشار پایین واکنش نشان دهند؛ یافتن نرخ نشت؛ و انجام برخی مدل‌سازی‌های پیش‌بینی کننده در مورد احتمال پنچر شدن لاستیک‌ها. فشار هر چهار لاستیک بر روی یک طرح پراکنده تجسم می‌شود، که هر چند برای مخاطب عام غیر قابل درک است، اما برای مخاطب مورد نظرش واضح است.

 

 

 

 

گارگ در حال بررسی داده‌ها برای یافتن بینش‌هایی بود که فقط از طریق تصاویر به دست می‌آمدند. او می‌گوید: «ما همیشه با ترابایت داده سروکار داریم. "شما نمی‌توانید چیزی را با نگاه کردن به صفحات گسترده و پایگاه داده های جستجو پیدا کنید. باید بصری باشد.» برای ارائه به تیم اجرایی، گارگ این جلسات کاوش را به انواع نمودارهای ساده‌تر که در زیر مورد بحث قرار می‌گیرند تبدیل می‌کند. او می‌گوید: «مدیریت عاشق دیدن تجسم‌ها است».

 

 

داده های مصورسازی روزمره

 

 

نوع اطلاعات

ساده، کم حجم

تنظیم معمولی

رسمی، ارائه

مهارت‌های اولیه

طراحی، قصه‌گویی

اهداف

تأیید، تنظیم زمینه

 

 

درحالی‌که دانشمندان داده بیشتر کار را بر روی کاوش بصری انجام می‌دهند، مدیران بیشتر کار را روی تجسم‌های روزمره انجام می‌دهند. این ربع شامل نمودارهای اساسی است که معمولاً از یک صفحه گسترده در یک ارائه قرار می‌دهید. آن‌ها معمولاً نمودارهای خطی ساده، نمودارهای میله ای، دایره‌ها و نمودارهای پراکنده هستند.

 

"ساده" کلید است. در حالت ایده آل، تجسم یک پیام واحد را منتقل می‌کند و تنها چند متغیر را ترسیم می‌کند. و هدف مستقیم است: تأیید و تنظیم زمینه. سادگی در درجه اول یک چالش طراحی است، بنابراین مهارت‌های طراحی مهم هستند. وضوح و سازگاری، این نمودارها را در محیطی که معمولاً در آن استفاده می‌شود مؤثرتر می‌سازد: ارائه رسمی. در ارائه، زمان محدود است. نموداری که طراحی ضعیفی دارد، این زمان را با برانگیختن سؤالاتی تلف می‌کند که ارائه‌کننده را ملزم به تفسیر اطلاعاتی می‌کند که واضح است. اگر یک دیتاویز روزمره نتواند خودش را توضیح دهد، شکست می خورد - درست مثل یک شوخی که خط مشتش باید توضیح داده شود.

 

این بدان معنا نیست که نمودارهای اعلامی نباید بحث ایجاد کنند. اما بحث باید در مورد ایده در نمودار باشد، نه خود نمودار.

 

فرض کنید معاون رئیس در مورد هزینه‌های مراقبت‌های بهداشتی شرکت به بقیه اعضای کمیته اجرایی ارائه می‌دهد. او می‌خواهد بگوید رشد این هزینه‌ها به‌طور قابل توجهی کاهش‌یافته است و فرصتی برای سرمایه‌گذاری در خدمات مراقبت‌های بهداشتی اضافی ایجاد کرده است.

 

معاون رئیس گزارشی آنلاین در مورد این روند خوانده است که شامل ارتباط برخی از داده های دولتی است. او داده ها را دانلود می‌کند و روی گزینه نمودار خط در اکسل کلیک می‌کند. او در عرض چند ثانیه به تصور فکری مورد نظر می‌رسد. اما ازآنجاکه این نمودار برای ارائه تهیه می‌شود، او از یک همکار طراح می‌خواهد تا جزئیاتی را از مجموعه داده‌ها اضافه کند تا نمای جامع‌تری ارائه دهد.

 

 

.

 

این یک نمودار خوب و دقیق است، اما احتمالاً درست نیست. کمیته اجرایی برای بحث در مورد استراتژی شرکت برای سرمایه‌گذاری مزایای کارکنان نیازی به دو دهه سابقه تاریخی ندارد. نکته‌ای که معاون رئیس می‌خواهد بداند این است که افزایش هزینه‌ها در چند سال گذشته کند شده است یا خیر. آیا پاسخش در این نمودار به وضوح بیان‌شده است؟

 

به‌طور کلی، زمانی که هضم داده‌ها در نمودار بیش از چند ثانیه طول می‌کشد، نمودار روی کاغذ یا روی صفحه دستگاه شخصی، برای کسی که نمی‌خواهد به ارائه گوش کند ولی میخواهد اطلاعات زیادی کسب کند، بهتر کار می‌کند. به‌عنوان‌مثال، سیاست‌گذاران مراقبت‌های بهداشتی ممکن است از دیدن این نمودار قبل از جلسه‌ای که در آن درباره این روندهای بلندمدت بحث می‌کنند، سود ببرند.

 

معاون رئیس ما به چیزی شفاف‌تر برای متن خود نیاز دارد. او می‌تواند نظر خود را به این سادگی بیان کند:

 

 

 

 

 

چنین سادگی نیاز به نظم و شهامت دارد تا به دست آید. انگیزه این است که همه‌چیزهایی را که می‌دانید شامل شود. نمودارهای شلوغ این ایده را به شما منتقل می‌کند که شما دقیقاً مشغول بوده اید. به نظر می‌رسد آن‌ها می‌گویند: "به تمام داده هایی که دارم و کارهایی که انجام داده ام نگاه کنید." اما این هدف معاون رئیس نیست. او می‌خواهد همکارانش را متقاعد کند که روی برنامه‌های جدید سرمایه‌گذاری کنند. با این نمودار، او مجبور نیست یک کلمه برای تیم اجرایی به زبان بیاورد تا روند را درک کند. او به وضوح پایه ای برای توصیه‌های خود ایجاد کرده است.

 

از برخی جهات، "تجسم داده ها" یک اصطلاح وحشتناک است. به نظر می‌رسد که ساخت نمودارهای خوب را به یک روش مکانیکی کاهش می‌دهد. ابزارها و روش‌شناسی موردنیاز برای ایجاد را به‌جای خود خلقت تداعی می‌کند. مثل این است که موبی دیک را «توالی سازی کلمات» یا «شب پرستاره» را «توزیع رنگ‌دانه» بنامیم.

 

همچنین منعکس‌کننده یک وسواس مداوم در دنیای دیتاویز نسبت به فرآیند بر روی نتایج است. تجسم صرفاً یک فرآیند است. کاری که ما در واقع وقتی یک نمودار خوب می‌سازیم انجام می‌دهیم این است که به حقیقتی دست پیدا کنیم و مردم را وادار کنیم تا آن را احساس کنند - ببینند آنچه قبلاً دیده نمی شد. برای تغییر عقیده؛  برای عمل کردن.

 

برخی از گرامرهای رایج اولیه توانایی ما را برای برقراری ارتباط بصری بهبود می‌بخشد. اما نتایج خوب مستلزم درک گسترده‌تر و رویکردی استراتژیک است - که گونه‌شناسی شرح داده‌شده در اینجا به منظور کمک به توسعه شما است.

 

 


 

  Visualizations that really affect

Part 2

June  2016

Harvard Business Review
 

 

۵
از ۵
۱۱ مشارکت کننده

دیدگاه‌ها