Коллега по цеху тут распарсил каждую статью каждого выпуска журнала Playboy с 1953 по 2020 годы и визуализировал популярные имена собственные, которые встречались в журнале.

Что примечательного в этой работе?

Данные не образуют паттерн и визуализация не даёт ровным счётом никаких инсайтов.

Что приходит на помощь?

Приёмы дата-сторителлинга!
Оказывается, за некоторыми из имён и названий тут стоят целые истории. Один умер, другой президентом стал.

Обратит ли читатель на это внимание, если ему не подсказать?
Возможно. Но только самый упорный.

Но держу пари — вы особенно внимательно отсмотрели тех, кто выделен в табличке цветом.

А что ещё интересного тут заметили?

T-Банк выпустил исследование, в котором есть грубейшая ошибка в инфографике — столбики построены не от нуля.

Почему так сделали — понятно. Числа для разных возрастов очень близки, а разницу показать очень хотелось.

Почему так нельзя?

Давайте сначала проговорим, почему столбики не строят от нуля.

Когда мы смотрим на столбики, то визуально сравниваем длины элементов. И на подсознательном уровне считываем — если длина одного столбика больше другого в два раза, то и значение — тоже.

И что тогда делать?

Вообще-то выход — есть. И в этом случае даже не нужно прибегать к манипуляциям.

Нужно просто... использовать вид графика, в котором значения кодируются не длинами элементов, а их положением

Это может быть точка, засечка, линия.

Вот пример такого графика у Т—Ж. Тоже близкие числа, тоже построен не от нуля.

Но обманчивого впечатления тут нет.

Сохранял когда-то ещё такой приём у South China Morning Post

Столбики, построены от нуля. Но за счёт отсчечки есть акцент на верхушке, и разницу проще сравнивать.

Подойдёт не всегда, но использовать — можно.

#отзыв

Уже скоро мы откроем основную запись на второй поток курса, а пока — хочу поделиться отзывом Екатерины Леонтьевой.
Меня в нём особенно греет то, что курс оказался полезнее менторской программы международного датавиз-сообщества 🥰

Я решила пройти курс «Эстетика в графиках», чтобы улучшить навыки в сторителлинге с помощью данных. Как фронтенд-разработчик, я имею опыт в визуализации данных, но хотелось расширить свои знания в этой области.

Так получилось, что одновременно с курсом я попала на менторскую программу от DVS, но через некоторое время ее забросила, чтобы сфокусироваться на курсе Алексея, потому что он для меня был более полезным. Информация хорошо структурирована, много заданий на отработку материала.

Мои эмоции от прохождения курса были положительными и вдохновляющими. Хотя тема визуализации данных мне интересна, поначалу я была настроена скептически, т.к. мне казалось, что сейчас можно все что угодно сделать с помощью готовых инструментов типа Datawrapper, Flourish, Tableau, а тем более, с помощью программирования, но когда пошла практика я очень быстро убедилась, что это не так, потому что Алексей показывал интересные приемы, которые не всегда доступны по умолчанию. Плюс в течение курса пришлось задействовать все свои дизайнерские навыки на полную мощность и много работать в Figma, чем обычно заниматься не приходится, что добавило новые аспекты в мою профессиональную практику.

Особенно полезным было наличие обратной связи от Алексея, как по небольшим домашним заданиям, так и в процессе работы над дипломом. Мы вместе разобрали очень много вариантов как донести ту или иную историю и в итоге я осталась довольна получившимся результатом.

Я думаю, после курса вряд ли можно сразу стать дата-журналистом или дизайнером инфографики, но он дает хорошую базу для тех, кто хочет делать полезные и красивые графики для презентаций, статей и т.п. Лично меня он вдохновил на эксперименты и новые творческие подходы к созданию графиков и их сочетаний.

P.S. пайчарт в стиле Ван Гога я сюда поставил неслучайно, а потому что Катя на курсе делала дипломную работу, посвящённую художнику

P.S.S. а неплохо нейросети могут в визуальные метафоры, да?

Что отвечать на вопрос «А когда будет готово?» (и при чём тут графики)

В исследовании о том, как прогнозировать время выполнения задач автор разбирается — помогает ли предварительная их оценка определить, когда будет сделана работа.

Ожидание: короткие — по оценке — задачи делаются быстрее, а длинные — дольше.
Реальность: какие-то задачи делаются быстрее, а какие-то дольше, но это никак не связано с изначальной оценкой затраченного времени 🤔

Автор собрал все задачи, получившие разную оценку сложности. Для каждого типа задач он построил графики с распределением времени, которое они реально съедают и увидел, что эти распределения практически совпадают.

Эксперименты для разных команд показали, что значимой связи между изначальной оценкой и временем выполнения задачи не существует.

Получается, такая система не помогает дать точный ответ на «А когда будет готово». Значит, нужно искать другую.

По-моему, это хороший пример того, как можно сделать интересное исследование, почувствовать себя первооткрывателем, а заодно использовать визуализацию данных для поиска инсайтов.

Если у вас есть проблема и есть данные, связанные с ней, — попробуйте разобраться с этим с помощью графиков.

Готовясь к завтрашнему вебинару про понятные и эстетичные графики, решил изучить отчёты ЦБ за много лет.

Надо сказать, в 2011 году годовые отчёты ЦБ уже выглядели достаточно стилёво!

Но есть кое-что, что отличает график из отчёта 2011 года от аналогичного графика из отчёта 2022 года.

Как вы думаете, что это? Пишите свои догадки в комментарии 👇

А я расскажу свою версию на лекции завтра в 19:00. Регистрируйтесь, если вы ещё не:
https://clck.ru/3CC3Ue