انتخاب انواع نمودار: زمینه را در نظر بگیرید

خلاصه: ضمن اجتناب از درهم و برهمی ، داده های UX خود را با ارائه زمینه و کنتراست به وضوح تجسم کنید.

توسط کیت موران

در تاریخ 2022-01-30 30 ژانویه 2022

این مقاله را به اشتراک بگذارید:

داده های کمی UX می توانند فوق العاده قدرتمند باشند. این می تواند به ما کمک کند تا تصمیم بگیریم ، استدلال ها را پایان دهیم یا حتی ارزش کار خود را اثبات کنیم. با این حال ، من اغلب می فهمم که بسیاری از متخصصان UX برای ارائه داده های خود تلاش می کنند. به طور خاص ، آنها به ندرت نمودارهای قانع کننده و آسان برای تفسیر را جمع می کنند.

برای ایجاد نمودارهای خوب از داده های تحلیلی یا سایر داده های کمی UX لازم نیست که مهارت های طراحی بصری گسترده ای داشته باشید. به سادگی همان رویکرد طراحی کاربر محور را که هنگام طراحی رابط استفاده می کنید ، اعمال کنید.

قبل از شروع طراحی نمودار خود ، یک سوال اصلی را در نظر بگیرید: هدف شما چیست؟

به عبارت دیگر ، شما در چه نقشی می خواهید بیان کنید؟می خواهید مخاطبان شما هنگام نگاه به نمودار شما چه چیزی را درک کنند؟شما می خواهید چه اقدامی انجام دهند؟

هنگامی که به این سؤال پاسخ دادید ، نمودار خود را متناسب با آن هدف متناسب کنید (در حالی که البته نادرست و جعل داده ها را جعل نمی کنید).

آنچه این مقاله انجام می دهد (و نه) پوشش می دهد

در این مقاله به تجسم داده های توضیحی - برقراری یافتن یافته به هم تیمی ها ، ذینفعان یا مشتری ها می پردازیم. برای کشف داده های خود در طی فرآیند تجزیه و تحلیل به احتمال زیاد نیاز به ایجاد انواع مختلف نمودارها دارید.

همچنین ، این مقاله در مورد نمودارها ، نه اینفوگرافیک ، که معمولاً چندین تصویر و تجسم داده ها را برای گفتن یک داستان ترکیب می کنند ، بحث می کند. علاوه بر این ، این مقاله طرح های داشبورد را پوشش نمی دهد.

3 CS برای نمودارهای بهتر

3 CS راهی آسان برای به یاد آوردن مهمترین جنبه های هر نمودار خوب است:

ما هر یک از این عوامل را در یک سری سه قسمتی کشف می کنیم. در این مقاله به اهمیت زمینه در تجسم داده ها و چگونگی زمینه می تواند به شما در تصمیم گیری در مورد نوع نمودار کمک کند.

متن نوشته

اعداد بدون زمینه بی معنی هستند. اگر من به شما گفتم که نرخ تکمیل برای بررسی در یک برنامه تجارت الکترونیک 24 ٪ بود ، این به چه معنی است؟هیچ چیز ، مگر اینکه به شما هم بگویم که نرخ تکمیل در سال گذشته 17 ٪ بوده است. برای تفسیر آن ، مردم باید یک عدد را با شماره دیگر مقایسه کنند.

در UX ، ما اغلب نقاط داده جمع آوری شده در زمان های مختلف را مقایسه می کنیم. به عنوان مثال ، ما می توانیم نرخ تکمیل خود را برای سال جاری در برابر نرخ تکمیل ما برای 3 سال گذشته مقایسه کنیم. یا ، ما می توانیم قبل و بعد از طراحی مجدد ، زمان تکمیل را برای یک کار مهم جستجو کنیم.

بعضی اوقات ، به جای مقایسه دو نسخه از یک محصول یکسان در زمان های مختلف ، ما محصولات ، ویژگی ها ، محتوا یا گروه های کاربر مشابه را مقایسه می کنیم. مثلا:

• محصول یک شرکت در برابر محصول رقیب
• محصول یک شرکت در برابر بقیه خانواده خود
• یک ویژگی در برابر چندین ویژگی اصلی دیگر
• یک صفحه وب در برابر سایر صفحات وب با استفاده از همان الگوی صفحه
• یک مقاله بسیار محبوب علیه سایر مقالات در مورد همین موضوع
• عملکرد یک کار در برابر سایر کارهای کلیدی
• عملکرد یک گروه از کاربران در برابر گروه دیگر

هنگام مقایسه داده های عددی ، مهم است که حداقل با اصول اولیه طراحی و آمار تجربی - به ویژه فواصل اطمینان و اهمیت آماری - آشنا باشید. دوره تمام روز ما نحوه تفسیر اعداد UX شامل نحوه کاربرد این مفاهیم در تحقیقات UX است.

انتخاب نوع نمودار

بسیاری از نمودارهای مختلف وجود دارد ، اما برای اکثر اهداف UX ، اصول اولیه را توصیه می کنیم: نمودارهای نوار ، نمودارهای خط یا توطئه های پراکندگی. نمودار را انتخاب کنید که به بهترین وجه متناسب با هدف شما و زمینه ای باشد که ارائه می دهید.

نمودار میله

برای بیشتر این مقایسه های مشترک UX ، نمودار نوار (که گاهی اوقات نمودار ستون خوانده می شود) به خوبی کار می کند. محققان دریافتند که نمودارهای نوار برای افراد بسیار ساده تر از سایر نمودارها (مانند نمودارهای پای) برای افراد بسیار ساده تر است. این امر به این دلیل است که نمودارهای نوار باعث می شود که مردم بتوانند سریع و دقیق تفاوت های بین ارزش ها را درک کنند.

خوب: یک کلاسیک به یک دلیل - نمودارهای نوار ساده به سرعت پردازش و درک می شوند. این مثال نرخ تبدیل متفاوتی را قبل و بعد از طراحی مجدد نشان می دهد ، با هدف برقراری موفقیت در طراحی مجدد.

نمودار نوار زوج

نمودار نوار زوج دو سری داده را در کنار هم نشان می دهد - به عنوان مثال ، داده های مربوط به دو گروه کاربر مختلف ، طرح ها یا دستگاه ها.

بیایید تصور کنیم که اخیراً وب سایتی را که مبلمان خانگی را می فروشد دوباره طراحی کرده ایم. ما دو گروه کاربر اصلی داریم - افرادی که مبلمان را برای خانه های خود (مصرف کنندگان) و افرادی که مبلمان را برای مشتری خود (طراحان داخلی) خریداری می کنند ، خریداری می کنند. ما برای هر گروه قبل و بعد از طراحی مجدد مقدار متوسط سفارش (AOV) را جمع می کنیم. در اصل ، این شماره نشان می دهد که ما از میانگین خرید چقدر پول می گیریم.

در این حالت ، ما دو متغیر (گروه کاربر و زمان) با هر دو سطح داریم و در نتیجه چهار دیتاپینانه می خواهیم مقایسه کنیم:

• AOV برای مصرف کنندگان قبل از طراحی مجدد
• AOV برای مصرف کنندگان پس از طراحی مجدد
• AOV برای طراحان داخلی قبل از طراحی مجدد
• AOV برای طراحان داخلی پس از طراحی مجدد

این یک فرصت عالی برای یک نمودار نوار زوج است ، اما ما باید تصمیم بگیریم که چگونه داده ها را گروه بندی کنیم. ما می توانیم میله ها را بر اساس زمان (قبل از Vs After) یا توسط گروه کاربر (مصرف کنندگان در مقابل طراحان داخلی) گروه بندی کنیم.

بسیاری از افراد تصمیم می گیرند که آنها را به موقع گروه بندی کنند.(در یکی از دوره های آموزشی من ، شرکت کنندگان غالباً این گروه را با یک فعالیت مشابه انتخاب می کنند.) با این حال ، این اشتباه است که در این مورد گروه ها را به موقع گروه بندی کنید. برای دیدن دلیل ، نگاهی به نمودار زیر بیندازید.

BAD: در این مثال ، میله ها به موقع گروه بندی می شوند (قبل از Vs After). اگرچه این ممکن است منطقی باشد ، مشاهده نقطه داده ها را دشوارتر می کند - یعنی نشان دادن تأثیر طراحی مجدد بر هر گروه (به جای تفاوت بین انواع کاربران).

در این مثال به هدف ما فکر کنید - برای نشان دادن تفاوت های قبل و بعد از طراحی مجدد برای هر گروه کاربر. شما می خواهید مردم چه مقایسه ای انجام دهند؟آن چیزها را در کنار هم قرار دهید ، بنابراین بینندگان شما به راحتی آنها را در کنار هم می بینند و نکته اصلی شما را درک می کنند. در نمودار فوق ، ساده ترین مقایسه بین مصرف کنندگان و طراحان داخلی است: کاملاً واضح است که متخصصان بیشتر از آماتورها خریداری می کنند. اما این مهمترین نکته نیست.

خوب: گروه بندی میله ها بر اساس نوع کاربر برای هدف این نمودار بهتر کار می کند. ما می توانیم چشم خود را بین قبل و بعد از میله ها برای هر گروه تکان دهیم و به سرعت تفاوت را درک کنیم.

در موردی مانند این ، ما می توانیم با نشان دادن درصد افزایش در مقدار سفارش برای هر نوع کاربر ، نمودار را حتی بیشتر ساده کنیم. نتیجه می تواند یک نمودار نوار ساده با یک سری واحد باشد. این رویکرد بیشتر کار را برای بینندگان انجام می دهد - آنها لازم نیست که بصری آن اختلافات را به تنهایی تخمین بزنند.

در نظر بگیرید که آیا به نمودار نوار زوجی نیاز دارید یا می توانید مانند این مثال تفاوت های علاقه را نشان دهید.

نمودار نوار افقی هنگام کار با برچسب های طولانی گزینه خوبی است - به عنوان مثال ، نام ویژگی ها یا توضیحات کار. جهت گیری افقی به شما امکان می دهد برچسب ها را بدون اختصار یا چرخاندن آنها به نمایش بگذارید ، همانطور که با نمودار نوار عمودی لازم است.

بد: هنگام تجسم داده های UX ، ما اغلب با برچسب های طولانی (مانند نام ویژگی ها یا توضیحات کار) سر و کار داریم. قرار دادن برچسب ها در تراز عمودی یا مورب ، خواندن آنها را سخت می کند.

خوب: نمودارهای نوار افقی گزینه خوبی هستند که موارد شما دارای نام طولانی هستند. در این مثال ، چهار توصیف کار کوتاه ذکر شده است. این برچسب ها از اختصارات کوتاه تر (مانند کار 2 یا بارگیری) معنی دار تر هستند و خواندن آن از برچسب های متن عمودی آسان تر است. هدف از این نمودار مثال این است که این کار را نشان می دهد که لایحه Find Find از 12 مه ، میزان موفقیت بسیار کمتری نسبت به سایر وظایف در مطالعه دارد و باید از طریق یک مطالعه کیفی مورد بررسی قرار گیرد.

یکی دیگر از تنوع محبوب نمودار نوار انباشته است. من اغلب این گزینه را می بینم که برای سطوح کار در موفقیت استفاده می شود. به عنوان مثال ، چنین نمودار می تواند برای هر کار ، شکست کاربرانی که به تنهایی موفق بودند ، با کمک تسهیلگر موفق باشند یا کار را شکست دهند.

در مثال نمودار نوار افقی قبلی ، ما فقط نرخ موفقیت را برای هر کار نشان دادیم. اکنون ، موفقیت را با کمک و خرابی در یک نمودار نوار انباشته شامل می کنیم.

این نمودار نوار انباشته ، برای هر کار ، درصد شرکت کننده هایی که به تنهایی موفق بودند ، با کمک تسهیل کننده موفق بودند یا کار را شکستند.

مثال بالا یکی از مشکلات اصلی نمودار نوار انباشته را نشان می دهد. مقایسه میله های موفقیت نشان داده شده به رنگ سبز آسان است ، زیرا هر چهار میله در محور x با 0 ٪ تراز شده اند.(به طور مشابه ، مقایسه آن با مقایسه میله های شکست ، که همه به سمت راست هستند ، آسان است.) با این حال ، مقایسه موفقیت با میله های کمک به رنگ زرد بسیار سخت تر است ، زیرا آنها همان نقطه شروع را ندارند.

همچنین ، توجه داشته باشید که نمودارهای نوار انباشته به شما امکان نمی دهد فواصل اطمینان (یا هر نوع دیگر از میله های خطا) را نشان دهید - که برای مقایسه عددی صدا مهم هستند.

تحقیقات نشان می دهد که نمودارهای نوار انباشته در واقع درک آن بسیار سخت است - آنها جزو نمودارهایی هستند که بالاترین نرخ خطا را دارند. به همین دلیل ما اکیداً توصیه می کنیم که از آنها دوری کنید. به سادگی از یک سری از نمودارهای 3 نوار استفاده کنید (یا حتی 3 نمودار مختلف اگر می خواهید تأکید کنید ، به عنوان مثال ، یک کار از مداخله تسهیلگر نسبت به سایرین بهره می برد.)

نمودارهای خط

اگر می خواهید با گذشت زمان یک روند داده را نشان دهید ، یک نمودار خط بهتر از نمودار نوار کار خواهد کرد. برای نمودارهای خط ، از نشانگرهای نقطه داده استفاده کنید تا مشخص کنید که در جدول زمانی داده ها را جمع آوری کرده اید.

این نمودار خط روند نمرات CSAT یک شرکت را در طی یک دوره 5 ساله نشان می دهد. هر نشانگر داده (نقطه آبی) هنگام جمع آوری داده ها نشان می دهد.

طرح پراکنده

سرانجام ، یک پراکندگی می تواند در شرایطی کار کند که می خواهید رابطه بین دو متغیر را نشان دهید. Scatterplots مانند نمودارهای خط به نظر می رسد ، اما نقاط با خطوط مرتبط نیستند.

به عنوان مثال ، برای نشان دادن اینکه تعدادی از ویژگی های یک برنامه بیشتر توسط اکثر کاربران مورد استفاده قرار می گیرد ، ممکن است هر ویژگی را به عنوان یک نقطه ترسیم شده در برابر درصد حساب هایی که از هر ویژگی (محور x) و میانگین استفاده می کنند ، نشان دهیممقدار دفعات این ویژگی توسط هر کاربر در یک ماه (محور y) استفاده می شود.

این ScatterPlot میزان استفاده از ویژگی های برنامه (نقاط) توسط کاربران آن را نشان می دهد. محور x نشان می دهد که درصد حسابهای کاربر از این ویژگی استفاده کرده است ، در حالی که محور y میانگین باری که هر کاربر در 30 روز گذشته از این ویژگی استفاده کرده است نشان می دهد. این نمودار ممکن است برای اولویت بندی این 3 ویژگی محبوب ترین استفاده شود.

انواع نمودار برای جلوگیری از

محققان دریافتند که نمودارهای نوار ، نمودارهای خط و توطئه های پراکندگی ساده ترین درک هستند.

انواع دیگر نمودارها برای درک داده ها به کاربران نیاز دارند تا از نظر بصری زاویه ، منطقه یا حجم را ارزیابی کنند. این موارد برای پردازش افراد بسیار چالش برانگیز تر است و شامل:

• نمودارهای پای
• نمودارهای حباب
• نمودارهای موزائیک
• نمودارهای واحد یا وافل
• نمودارهای سانکی یا دندروگرام
• نمودارهای منطقه انباشته

فقط به این دلیل که خواندن آنها سخت تر است ، این بدان معنا نیست که شما هرگز نمی توانید از آنها استفاده کنید. اما قبل از انتخاب یکی از این موارد ، به هدف خود برگردید: سعی می کنید ارتباط برقرار کنید؟آیا یکی از این تجسم های پیچیده تر به پیام شما اضافه می کند؟اگر با یکی از نمودارهای اساسی می توان هدف شما را بدست آورد ، آنها را انتخاب کنید.

به عنوان مثال ، بسیاری از ابزارهای تست تحلیلی و اطلاعات-معماری از دندروگرام برای نشان دادن جریان ناوبری استفاده می کنند. این نمودارها برای نشان دادن خوشه های اشیاء مناسب هستند. ارائه با یک نمودار یا خط خط ، همین اطلاعات چالش برانگیز خواهد بود. همچنین ، به طور معمول این ابزارها از دندروگرام ها برای کاوش داده ها و انجام تجزیه و تحلیل استفاده می کنند - نه برای ارائه یافته ها یا توصیه ها به ذینفعان.)

نتیجه

با استفاده از مقایسه های مربوطه زمینه را برای نقاط داده خود فراهم کنید. تصمیم بگیرید که بر اساس نوع داده ای که با آنها کار می کنید و مقایسه ای که می خواهید ارائه دهید ، از کدام نوع نمودار استفاده کنید.

مقاله بعدی در سری توضیح می دهد که چگونه می توانید نمودارهای خود را با از بین بردن عناصر غیر ضروری تمیز و متمرکز کنید.

خواندن توصیه می شود

کتاب ها و وب سایت های زیر منابع خوبی در مورد نحوه طراحی نمودارهای عالی هستند. این کتاب ها الهام بخش این مجموعه مقاله هستند.

تجسم بهتر داده ها: راهنمایی برای محققان ، محققان و برنده های جاناتان شوابیش

کتاب Schwabish راهنمایی های مشخصی را در مورد زمان استفاده از هر نوع نمودار ارائه می دهد (از نمودارهای اساسی مانند نمودارهای نوار گرفته تا گزینه های مبهم تر مانند نمودارهای ویولن و Treemaps). او مشاوره مفصلی در مورد نحوه طراحی هر نوع ارائه می دهد. کتاب Schwabish به زبان ساده نوشته شده است و باید برای تمام سطوح تجربه قابل دسترسی باشد.

داستان پردازی با داده ها: راهنمای تجسم داده برای متخصصان تجارت توسط Cole Nussbaumer Knaflic

راهنمای راهنمای Nussbaumer Knaflic برای استفاده از یک طرز فکر طراحی در تجسم داده های شما - از درک روشنی از مخاطبان و هدف شما شروع می شود. این کتاب فراتر از تجسم داده ها است تا داستانی را که در اطراف داده های خود ایجاد می کنید در نظر بگیرید.

نمایش بصری اطلاعات کمی توسط ادوارد آر. توفت

به عنوان یک کلاسیک تجسم داده ، کتاب Tufte این موضوع "کسل کننده" را به یک شکل هنری بالا می برد. Tufte مجموعه متنوعی از نمونه های تصویری داده ها را از انواع زمینه ها ، کشورها و قرن ها جمع می کند. در حالی که این کتاب ممکن است کمتر از سایر موارد ذکر شده در اینجا کاربردی و کاربردی باشد ، من آن را به هر کسی که عمیقاً علاقه مند به تجسم داده ها باشد ، توصیه می کنم.

الهام

برای الهام بخشیدن بیشتر ، وب سایت های این سازمان ها را که در ارتباط با داده های کمی برتری دارند (بسیار در نظر گرفته شده) کشف کنید.

پیو بررسی های در مقیاس بزرگ را انجام می دهد و گزارش ها را منتشر می کند. هر یک از نمودارهای Pew بر برقراری ارتباط واضح و واضح از مجموعه داده های عظیم آنها متمرکز است.

هر مقاله در مورد سیاست ، اقتصاد یا ورزشی که FiveThirtyEight منتشر می کند حداقل شامل یک نمودار است و برخی از آنها تعاملی هستند.

این سایت روزنامه آمریکایی اغلب تجسم داده های تعاملی با تمرکز بر روی وقایع فعلی را فراهم می کند.

برای قدردانی از این نمودارهای درخشان ، لازم نیست در مورد اقتصاد چیز زیادی بدانید.(متأسفانه ، شما باید مشترک اقتصاددان پرداخت کننده باشید.)

سیمی نمودارهای جالبی را در مورد انواع موضوعات فناوری مجاور منتشر می کند. اگر اتفاق می افتد که یک اشتراک سیمی یا اپل نیوز+ دارید ، ستون ChartGeist را در مجله مشاهده کنید ، که دارای نمودارهای کمدی است (آنها از آنچه صدا می کنند خنده دار تر هستند).

منابع

Nussbaumer Knaflic ، C. ، 2015. داستان پردازی با داده ها: راهنمای تجسم داده برای متخصصان مشاغل ، ویلی.

Tufte ، E. ، 1983. نمایش بصری اطلاعات کمی ، مطبوعات گرافیکی.

Heer ، J. and Bostock ، M. and Ogievetsky V. ، 2010. یک تور از طریق باغ وحش تجسم ، ACM.

Schwabish J. ، 2021. تجسم بهتر داده ها: راهنمای محققان ، محققان و Winks ، انتشارات دانشگاه کلمبیا.

Cleveland W. and McGill ، R. ، 1984. ادراک گرافیکی و روش های گرافیکی برای تجزیه و تحلیل داده های علمی ، مجله انجمن آماری آمریکا.

• اشتراک گذاری:

• این مقاله را به اشتراک بگذارید: ||

درباره نویسنده

کیت موران معاون رئیس جمهور با گروه نیلسن نورمن است. او تجربه گسترده ای در انجام تحقیقات کاربر برای هدایت استراتژی UX ، با تخصص در هر دو روش کیفی و کمی دارد.

در خبرنامه نامه الکترونیکی Alertbox مشترک ما مشترک شوید:

آخرین مقالات در مورد قابلیت استفاده رابط ، طراحی وب سایت و تحقیقات UX از گروه نیلسن نورمن.< Pan> Schwabish J. ، 2021. تجسم بهتر داده ها: راهنمای محققان ، محققان و Winks ، انتشارات دانشگاه کلمبیا.