Berichten

9.5 Tips for Great Data Visualisation

This article was originally posted on the measure-up blog of Stacey Barr.

Enrico Bertini explains in his recipe that studying plays an important role in becoming a Data Visualization expert. However, he also emphasizes it is just the beginning. This was probably the reason why Ben de Jong approached me a year ago to help him improve data visualizations at the bank he works for.

Ben was already familiar with the works of people like Stephen Few, Alberto Cairo and Andy Kirk. He clearly wasn’t looking for additional theoretical background. He was looking for someone with hands-on experience that could help him and the bank to the next level. And so we started to work together to improve the data visualizations of “his” bank.

Part of the assignment was to share our knowledge and experience with as many people as possible within the bank. We realized it would be difficult to get a broad audience interested if it would require a lot of their time. Furthermore, we wanted the session to be practical and not just an introduction. After attending our session, everyone should be able to directly apply the basics to their own work.

This is how we came up with our one-hour session called: 9.5 tips for great data visualizations. We conducted dozens of these sessions to confront people with the most common mistakes, illustrated by their own visualizations.

A couple of weeks ago Stacey was in The Netherlands, and I mentioned our “9.5 tips” sessions to her. Before I knew it she convinced me to write this blog post to share it with an even broader audience.

Tip 1. Start with WHY

In general, a visualization is the answer to a question. But how do you formulate an answer if you don’t know the question?

Therefore, you always start designing by an answering this fundamental WHY question. Although the question is easy, the answer (almost) never is.

This also implies you know your audience and take them into account.

Tip 2. Don’t make me think

Most visualizations require a lot of thought. Not because the audience is reflecting on the actions they need to take, but because they find it hard to understand the visualization itself. To avoid this, we need to apply three basic rules:

Tip 3. Cutting corners

When we use bar charts we “ask” our audience to compare area sizes. This can only be done right if these bars start at 0. Unfortunately, it is very common to have them start at other values, because otherwise “the differences are not clear enough”. If this is the case, choose an other chart type, because a bar chart scale should ALWAYS start at 0.

by ‘cutting’ the scale the difference here looks way bigger

the actual difference is only 22%

Tip 4. Apples to Oranges

When we have two measures with completely different scales it is difficult to combine them into one single chart. A common solution is to apply a secondary y-scale, so each of the measures has its own scale. Unfortunately, this practice introduces a lot of confusion. Sometimes even to the point that the visualization suggests there is some form of correlation between the measures, without any being really there. The solution is straightforward: split the two measures into two separate charts.

by applying two (independent) y-axis the message is determined by the different scaling. All three examples here are exactly the same data

by applying two (independent) y-axis the message is determined by the different scaling. All three examples here are exactly the same data

by applying two (independent) y-axis the message is determined by the different scaling. All three examples here are exactly the same data

Tip 5. Show your true colors

Color plays an important role in our visual perception and attention, so apply it with care. A number of ground rules concerning color usage are:

  • Use a neutral color as your base color (like white);
  • Make sure objects with the same color are related or mean the same;
  • Only use limited strong colors (like saturated red) for emphasizing important data;
  • Use a neutral color (like light gray) for all contextual/context elements (scales, tick marks, reference lines, etc.)

Probably the most popular color scheme is Red, Amber & Green (RAG). This color scheme is also responsible for a lot of clutter and distraction on visualizations. Please bear in mind that some people can’t distinguish red from green (color blindness), so maybe it is better to use an other color for green (like blue). Also ask yourself the question: do we really need to show the green color? Limit yourself to coloring exceptions only.

Tip 6. Less is more

Sometimes I get the impression that visualization designers experience white space as their enemy. As long as they have space left they keep adding stuff. But if you have answered your WHY question, there is no reason to add more. It is even the other way around: the visualization is done when you are done with removing components.

Tip 7. Trending topic

It is very common (unfortunately) to simplify trends over time into one single indicator/arrow: we have gone up or down compared to the result in the previous period. These point-to-point comparisons are terrible, as Stacey explains in her workshops and book. A popular alternative to this single indicator is displaying all historic context, cluttering the visualization. A good alternative is to make use of Tufte’s sparklines: they give enough historic context without cluttering your visualization.

Tip 8. Avoid chart junk

In your data visualization it should be DATA FIRST: let the data tell its story. Everything else is considered chart junk (as introduced by Edward Tufte), and should be minimized. Making the visualization look “nice” is mostly adding more junk and compromising your goal: to inform.

Tip 9. Save the pies for dessert

In most cases when someone uses a pie chart there are (far) better alternatives at hand. This is why Stephen Few saves all pies for dessert. We have had no need for them either, but should you insist on using one, apply the rules from Donna Wong:

  • Never more than 4 slices;
  • Use one single color (hue);
  • Start at 12 o’clock and order the slices descending.

Tip 9.5 Sketch & experiment

This last tip is not concerning the visualization itself, but more on your design approach. This is why we have valued it with half a tip.
There are two important enemies to effective data visualization: software tools & actual data. When you start with software you run the risk to get distracted by the functions and features of the software. Actual data demands a lot of attention because of unclear definitions or questionable quality. Both make you loose the focus on the WHY and your visualization. This is why we use pencil and paper to start sketching the visualization. Make use of the Five Design Sheet methodology to design your visualizations.

Ik zie, ik zie, wat ik niet zie…

Het verspreiden van kennis over het visualiseren van gegevens is een belangrijke doelstelling van deze wekelijkse blog. We hopen hiermee onze bijdrage te leveren aan het verbannen van slechte visualisaties, of zoals Tufte het zo mooi samenvat: Chartjunk.

Naast deze artikelen verzorg ik ook met enige regelmaat een workshop Effectief Rapporteren. Zo’n workshop wordt bijna altijd verzorgd “op locatie”. Dit heeft als grote voordeel dat we niet alleen kunnen praten over de algemene richtlijnen en aandachtspunten, maar ook over het toepassen van de kennis op de werkelijke rapporten en dashboards van de betreffende organisatie. De deelnemers kunnen het dus direct toepassen op hun eigen werk.

Een belangrijk onderdeel van de workshop is tijdens de introductie uitleggen dat we niet zien met onze ogen, maar met onze hersenen. Dit besef is de basis van het effectief visualiseren van gegevens. Nu kan ik dit wel vertellen en uitleggen, maar het zelf ervaren is veel krachtiger en duidelijker.

Gelukkig zijn er genoeg websites beschikbaar met voorbeelden van hoe onze hersenen ons op het verkeerde been (kunnen) zetten. Op Your amazing brain… staan een aantal klassiekers, maar ook op de Nederlandse site Gissen en Missen zijn er verschillende te vinden.

Iemand die nog een stapje verder gaat is Brusspup. Hij heeft op YouTube een geweldige collectie van video’s, de ene nog spectaculairder dan de ander.

Ieder van deze voorbeelden toont wel aan dat onze hersenen een grote rol spelen bij het zien, maar wat zien we nu eigenlijk met onze ogen?

In zijn boek The Functional Art heeft Alberto Cairo een aardig voorbeeld gebruikt om dit te illustreren. In de onderstaande foto’s heb ik dit geprobeerd na te bootsen.

Van de ongeveer 180 graden zicht die onze twee ogen ons geven zijn maar 2 graden scherp en gedetailleerd (zie afbeelding 3). Dus we denken wel dat we het beeld zien zoals op de eerste afbeelding, maar in werkelijkheid zien we op een bepaald moment maar een klein onderdeel (zie afbeelding 2). De rest is wazig, maar onze hersenen vullen het beeld voor ons aan. Gelukkig vallen afwijkende zaken ook op in het wazige gebied, zodat we vanzelf ons scherpe zicht daarop kunnen richten. Vandaar dat het van belang is om context informatie niet te veel te laten opvallen en de signalen juist wel. Anders weten onze hersenen niet waar we moeten kijken.

Functionele dashboard kunst

Eerder dit jaar schreef ik over het boek el arte funcional van Alberto Cairo. Op dat moment was alleen de Spaanse versie beschikbaar, maar inmiddels is ook de engelse vertaling te koop: the functional art.

Zijn benadering van infographics en informatievisualisatie is wat breder dan die van bijvoorbeeld Stephen Few. Hij gaat bijvoorbeeld ook uitvoerig in op de artistieke en emotionele kant van informatievisualisatie, welke Few al snel zal classificeren als chartjunk.

Echter, ook Stephen Few is duidelijk onder de indruk van Alberto’s boek. Hij heeft er zelfs het volgende artikel over geschreven: Here at Last, “The Functional Art”.

Wat mij direct opviel in het boek was het zogenaamde Visualisatie Wiel. Het is een handig hulpmiddel om de verschillende afwegingen in kaart te brengen die horen bij het ontwerpen van een visualisatie of dashboard.

Alberto Cairo geeft de afwegingen weer met 6 verschillende assen. Iedere as verbind twee extremen (bijvoorbeeld origineel vs. stereotiep). Vervolgens kun je per as aangeven waar je visualisatie of dashboard op de as thuishoort. Al is dit slechts een subjectief proces, het helpt goed bij het structureren van je ontwerp-overwegingen. Laten we kort de verschillende assen bekijken.

Abstract – Concreet

Bij Concreet representeer je een object zoals deze er ook in werkelijkheid uit ziet. Hoe minder de representatie lijkt op het werkelijke object, hoe meer het richting Abstract gaat. In management dashboards wordt vooral gebruik gemaakt van Abstract.

Functioneel – Decoratief

Functioneel is alleen dat tonen wat noodzakelijk is voor het communiceren van de informatie. Bij Decoratief worden ook zaken getoond die niet noodzakelijk zijn, maar slechts ter verfraaiing van het beeld dienen. Decoratief valt in de meeste gevallen onder het kopje chart junk. Informatie visualisatie binnen management dashboards zal dus vooral neigen naar Functioneel.

Dichtheid – Luchtigheid

De positie op deze as wordt bepaald door de hoeveelheid getoonde informatie ten opzichte van de gebruikte hoeveelheid ruimte. Bij complexe omgevingen zal veel informatie nodig zijn om het overzicht te verkrijgen. Dit vraagt een hoge mate van Dichtheid van het management dashboard. Echter, er zijn ook onderwerpen waarbij de hoeveelheid meevalt, waardoor Luchtigheid mogelijk is.

Multidimensioneel – Unidimensioneel

Bij deze as gaat het om twee gerelateerde variabelen: de mogelijkheden om te navigeren door de verschillende niveaus van gegevens (bijv. drillen) en de verschillende manieren (grafiek- en tabelvormen) om dezelfde informatie af te beelden. Aangezien een belangrijke functie van een management dashboard het drillen is is hier de voorkeur duidelijk voor Multidimensioneel.

Origineel – Stereotiep

Als de visualisatie gebaseerd is op een bekend grafiektype (bijv. staaf- of lijngrafiek) is er sprake van Stereotiep. Echter, als de visualisatie zelf nieuw is voor de lezer is het Origineel. Aangezien we bij een management dashboard de kortst mogelijke route naar het antwoord willen ondersteunen heeft Stereotiep hier de voorkeur.

Noviteit – Redundantie

Een visualisatie kan een gegeven slechts één keer tonen (Noviteit), of meerdere keren op verschillende manieren (Redundantie). Voor een management dashboard zijn beide goed bruikbaar.

Inmiddels heb ik het Visualisatie Wiel al een paar keer toegepast tijdens het ontwerpen van een dashboard of rapport. Het heeft mij in ieder geval geholpen de verschillende overwegingen en keuzes te structureren. Wat denken jullie hiervan? Ik kijk uit naar jullie input en reacties op onze Linkedin pagina.

 

Dashboard waar de vonken vanaf vliegen

Op vrijwel ieder management dashboard dat wij ontwerpen staat een grafiektype dat zo klein en subtiel is dat je het bijna over het hoofd zou zien. Echter, ondanks haar omvang is dit grafiektype van onschatbare waarde voor ieder dashboard. Het gaat hier om de zogenaamde sparkline.

De term sparkline is in 2004 door Edward Tufte geïntroduceerd. Zijn bedoeling was om de gegevensvisualisatie niet langer uitsluitend te tonen in een grafiek op een afgezonderde plaats op de pagina of het scherm. Hij wilde de gegevensvisualisatie daar plaatsen waar ook de bijbehorende woorden en getallen staan. Samengevat is een sparkline een eenvoudige en compacte visualisatie, rijk aan gegevens met de omvang van een woord.

Ook op het management dashboard vervult de sparkline een belangrijke functie. Vooral bij het afbeelden van KPI resultaten. Meestal is alleen het huidige resultaat van een KPI niet voldoende, maar is het ook nodig om eerdere resultaten inzichtelijk te maken (historie). Voordat je het weet past je management dashboard niet meer op één scherm of pagina als je voor iedere KPI een grafiek moet toevoegen, waardoor het dashboard zijn functie (overzicht) verliest. Dit is precies waar de sparkline kan helpen.

Vaak zie ik nog dashboards waarbij de historie wordt samengevat met een enkele pijl. Hierbij verliezen we echter een hoop waardevolle gegevens. Op de plaats van de pijl kunnen we ook een sparkline kwijt, waardoor de hoeveelheid informatie direct toeneemt zonder meer plaats te kosten.

Net als bij een gewone lijngrafiek is het ook bij de sparkline de vraag of een afwijking normaal is (natuurlijke variantie) of bijzonder (het echte signaal). Hier schreef ik al eerder over in het artikel Vertrouwen in uw management dashboard is goed, maar controle is beter.

Vandaar dat Stacey Barr in haar laatste artikel de sparkline en controlchart combineert tot smartlines.

Met haar smartlines weet Stacey nog meer bruikbare informatie te stoppen in een klein gebied. Ik weet alleen nog niet of de smartline op korte termijn op onze dashboards moet verschijnen. Ik ben benieuwd naar jullie mening over de smartlines van Stacey. Laat een bericht achter op onze Linkedin pagina.

 

Management dashboard is als een goed gesprek

In het begin van deze blog reeks gaf ik al aan dat een persoon als Stephen Few een belangrijke bron van kennis en inspiratie is. Daarom was ik in december ook blij verrast met het nieuws dat hij naar Nederland zou komen voor een 3-daagse training.

Afgelopen maandag was het eindelijk zover: de eerste trainingsdag van Stephen Few. Iedere dag staat in het teken van één van zijn boeken: op maandag Show me the numbers, dinsdag Information Dashboard Design en op woensdag Now you see it.

Op het moment dat ik dit artikel schrijf (maandagavond) zit de eerste dag er net op. Hij heeft ons vandaag meegenomen op een reis langs de belangrijkste ontwerpbeslissingen om numerieke gegevens te communiceren. Dit komt vooral neer op het effectief inzetten van tabellen en/of grafieken. Dit heeft hij gedaan aan de hand van verschillende voorbeelden van hoe het wel, maar ook hoe het niet moet.

Doordat ik Show me the numbers al een paar keer gelezen heb kwam het meeste me bekend voor. Maar de persoonlijke toelichting en antwoorden op vragen uit de zaal hebben veel nieuwe informatie opgeleverd.

Zo vertelde hij bijvoorbeeld over de conversationele maximes van Paul Grice. De maximes van Grice zijn richtlijnen voor een goed gesprek en we passen deze richtlijnen meestal al toe zonder er bij stil te staan.

De richtlijnen zijn onderverdeeld in 4 categorieën: kwantiteit, kwaliteit, relevantie en stijl.

Bij de kwantiteit is het van belang om je bijdrage aan een gesprek zo informatief mogelijk te maken, maar ook niet meer informatie te delen dan er nodig is om je boodschap over te brengen aan je gesprekspartner.

Bij kwaliteit is het vooral van belang dat je geen dingen vertelt waarvan je weet dat ze niet waar zijn. Of simpel gezegd: niet liegen. Denk er ook aan dat je nooit dingen moet beweren die je niet kunt aantonen.

Relevantie gaat om de functie van de boodschap. De boodschap moet relevant zijn. Wanneer je over een bepaald onderwerp spreekt, kun je niet zomaar over iets geheel anders beginnen.

Stijl gaat over hoe je de boodschap qua taal overbrengt. Vermijdt onduidelijke, vage of dubbelzinnige termen en formulering. Zorg ook dat je formulering bondig en gestructureerd is.

Wanneer er niet aan deze maximes (of richtlijnen) voldaan wordt, kunnen we niet spreken van succesvolle communicatie. Maar dit geldt niet alleen voor een gesprek, maar ook voor het effectief communiceren van numerieke gegevens (lees: effectief rapporteren). Zorg dus dat je management dashboard en rapport informatie toont die:

  • Niet meer zegt dan nodig is;
  • Niet minder zegt dan nodig is;
  • Alleen maar dingen zegt die waar zijn;
  • Alleen maar dingen zegt die bewijsbaar zijn;
  • Gestructureerd is;
  • Niet moeilijk is om te begrijpen;
  • Geen dubbelzinnige betekenis heeft.

Trellis chart: klein maar fijn

Het gebruik van 3D effecten in grafieken is over het algemeen een slecht idee. Het “mooie” uiterlijk weegt nooit op tegen de slechte leesbaarheid van bijvoorbeeld een 3D staafgrafiek. Met andere woorden: geen 3D effecten gebruiken.

Er zijn ook staafgrafieken waarbij 3D niet alleen het uiterlijk verandert, maar waar de derde dimensie gebruikt wordt om extra gegevens te tonen in de grafiek. Een voorbeeld hiervan zijn de zogenaamde Manhattan (staaf)grafieken(zie afbeelding boven).

In de bovenstaande afbeelding zie je dat op de derde dimensie (z-as) de verschillende producten zijn geplaatst. Alleen hebben we ook hier weer te maken met slechte leesbaarheid, helemaal als staven (bijna) helemaal wegvallen (zie product B in periode 7).

Toch is het voor management dashboards van belang om meerdere gezichtspunten tegelijkertijd inzichtelijk te maken. Hierdoor ontstaat de mogelijkheid om de situatie in één overzicht te analyseren zonder te navigeren of “bladeren”.

De eerste stap om meerdere gezichtspunten tegelijkertijd inzichtelijk te kunnen maken is het kiezen voor een effectieve presentatievorm. Aangezien het hier gaat om de ontwikkeling van een meetwaarde over tijd ligt een lijngrafiek het meest voor de hand. De gegevens zijn in afbeelding 2 zonder veel moeite eenvoudig af te lezen en te analyseren.

In dit geval is de keuze van een andere presentatievorm al een enorme verbetering. Maar wat als we ook de verkoopregio als gezichtspunt willen toevoegen aan de grafiek? Bij slechts 2 verkoopregio’s (Noord en Zuid) verdubbelt het aantal lijnen in onze lijngrafiek. Dit heeft direct een negatieve invloed op de leesbaarheid en maakt analyse zeer lastig (afb. 3). Terugvallen op de Manhattan staafgrafiek is ook hier geen optie, want die was met 3 gezichtspunten al niet leesbaar.

Voor situaties waarbij meer dan 3 gezichtspunten tegelijkertijd geanalyseerd moeten worden gebruiken wij de zogenaamde Trellis Chart of Small Multiple. Beide termen worden door elkaar gebruikt en komen op hetzelfde neer: een kruistabel met in iedere cel een grafiek in plaats van alleen een getal. Iedere grafiek in een Trellis Chart gebruikt dezelfde schaalverdeling om het vergelijken en analyseren van alle gezichtspunten mogelijk te maken. In afbeelding 4 staan alle eerder genoemde gezichtspunten afgebeeld met behulp van een Trellis Chart. Zie je het verschil?

Gezocht: misleidende grafiek

In haar blog voor Forbes geeft Naomi Robbins wekelijks praktische tips op het gebied van effectief rapporteren. Zo schreef zij begin maart een aardig artikel over het vinden van misleidende en bedrieglijke grafieken.

Blijkbaar wordt er veel gezocht op termen als: misleiden en bedriegen in combinatie met grafiek. Ook wij krijgen regelmatig bezoekers op deze website die in Google deze zoektermen hebben gebruikt (met name de Engelse vertalingen als misleading, deceptive en charts). Nu is het lastig om te bepalen wat deze personen precies willen met voorbeelden van grafieken die misleiden en/of bedriegen. Ik ga er gemakshalve vanuit dat zij willen leren van hoe het niet moet. Ze zijn dus (hopelijk) op zoek naar tips om hun grafieken beter en effectief te maken.

Nu zijn er de laatste jaren ontelbare publicaties verschenen over dit onderwerp. Van bijvoorbeeld auteurs als: Edward Tufte, Stephen Few, Donna Wong, Alberto Cairo, etc. Echter, William Cleveland schreef al in 1968 zijn “The Elements of Graphing Data”, de basis van het gelijknamige boek uit 1994. Cleveland vertelt in zijn boek over de criteria waaraan een goede grafiek moet voldoen. Zijn filosofie is: “minimaliseer de mentale gymnastiek die de lezer moet uitvoeren om de grafiek te doorgronden”.

In het paper “Good Graphs: Graphical Perception and Data Visualization” vat Nina Zumel de belangrijkste eigenschappen van een goede grafiek samen met de volgende punten:

  • Maak belangrijke verschillen groot genoeg om waar te nemen (zie afbeelding 2)
  • Voorkom grote spreiding van de waarden binnen één grafiek (zie afbeelding 3)
  • Als je een verschil wilt analyseren, laat het verschil dan zien (zie Directe duidelijkheid)
  • Als je geïnteresseerd bent in het relatieve verschil (bijv. groei%), toon dan het relatieve verschil (zie Logische schalen)

Verschil tussen de twee staven is te klein om goed waar te nemen (links), maar door iedere balk te omkaderen met een gelijk kader (rechts) wordt het verschil duidelijk

Door de grote spreiding (hier: piek voor 1.500) is het niet goed mogelijk om het patroon na 1.500 goed te zien

Daarnaast moeten we niet afgeleid worden bij het lezen en interpreteren van de grafiek door zogenaamde chartjunk. Om chartjunk te voorkomen wil ik afsluiten met: “de grafiek is pas af als er niets meer af kan”.

Vind de kat!

Een paar blog artikelen terug ging Michel al in op slechte PowerPoint presentaties en het trieste gevolg voor katten. Deze keer vergaat het de katten gelukkig beter, je moet alleen heel goed zoeken. Kun je op de bovenstaande foto de kat vinden?

En op deze foto?

De meeste van ons hebben heel wat tijd nodig om de katten te vinden. We vragen nogal wat van ons visueel waarnemingsvermogen om deze katten met goede schutkleuren te vinden in deze bont gekleurde omgevingen. Jammer genoeg hebben veel van de rapporten en management dashboards die we tegenkomen last van dit effect: we zetten er teveel op, waardoor het heel veel moeite kost om de boodschap te zien.

Voorkom dat je moet zoeken naar de boodschap: bepaal voor een rapport of management dashboard eerst een helder doel en zorg vervolgens dat alles gericht is op alleen dat ene doel. Als we ook rekening houden met de werking van ons menselijk waarnemingsvermogen voor het verwerken van visuele informatie kan iedereen zijn kat vinden binnen een seconde.

Een goed hulpmiddel bij het zichtbaar maken van “de kat” op uw management dashboard is het whitepaper van Stephen Few uit 2006. Het beschrijft de 13 belangrijkste valkuilen in dashboard ontwerp en hoe deze te voorkomen:

  • Gegevens passen niet op één scherm;
  • Ontoereikende context van de gegevens;
  • Overdreven veel detail informatie;
  • Gebruik van ineffectieve presentatie vormen;
  • Variatie zonder betekenis;
  • Slecht ontworpen presentatie vormen;
  • Onjuist coderen van kwantitatieve gegevens;
  • Slecht organiseren van gegevens;
  • Vervuilen van het scherm met nutteloze versiering;
  • Overmatig gebruik van kleuren;
  • Onaantrekkelijk ontwerp.

Logische schalen

In de tijd dat ik op de middelbare school zat (vanaf 1984) hadden we allemaal rekenmachines om complexe berekeningen te kunnen uitvoeren tijdens de wiskunde en natuurkunde lessen. Ergens tijdens mijn verblijf op het voortgezet onderwijs heeft mijn vader mij laten zien hoe zij dat in “hun tijd” deden. Er waren toen nog geen rekenmachines (laat staan computers), maar ook zij moesten berekeningen uitvoeren met sinus, cosinus, tangens, worteltrekken, etc.

Tot ongeveer 1980 gebruikten scholieren (maar ook technici, natuurkundigen, ingenieurs, etc) de rekenliniaal . Deze liniaal is gebaseerd op logaritmen en wordt ook wel logaritmische liniaal genoemd.

Met het verdwijnen van de rekenliniaal is ook de parate kennis van logaritmen afgenomen. Zo moest ik laatst opzoeken wat logaritmen ook alweer zijn en hoe ze te gebruiken. Toch kom ik ze nog vaak tegen, ook als schaalverdeling in grafieken.

Echter, weinig mensen begrijpen goed wat de gevolgen zijn van het gebruik van een logaritmische schaalverdeling. Daarom is het beter om deze niet te gebruiken. Toch zijn er ook voordelen aan het gebruiken van een logaritmische schaalverdeling.

Zo is een logaritmische schaalverdeling beter in staat om (percentuele) veranderingen in beeld te brengen (in tegenstelling tot een lineaire schaalverdeling). Vandaar dat de prijsontwikkeling van aandelen vaak in een grafiek met een logaritmische schaal wordt afgebeeld. Hierna volgt een voorbeeld om dat te verduidelijken.

Wat was het verschil ook alweer tussen een lineaire en een logaritmische verdeling?

Bij een lineaire verdeling is het absolute verschil tussen twee waarden altijd dezelfde afstand op een as. Dus de afstand op de as tussen de waarden 15 en 25 (verschil=10) is gelijk aan de afstand tussen de waarden 2.950 en 2.960.

Bij een logaritmische verdeling is een gelijke afstand op een as niet het absolute verschil, maar het relatieve verschil (percentuele verschil). Dus de afstand op de as tussen de waarden 20 en 23 (verschil=15%) is gelijk aan de afstand tussen de waarden 1.000 en 1.150.

De onderstaande afbeelding laat de ontwikkeling van een denkbeeldig aandeel zien dat 15% per periode stijgt (met een lineaire schaalverdeling). Het aandeel begint in periode 1 met een prijs van 10 en eindigt in periode 50 met een prijs van 9.423.

Op het eerste gezicht lijkt het er op dat de prijs steeds sneller stijgt. In absolute waarden is dit ook het geval, maar toch is de stijging constant 15%. Als we deze zelfde gegevens nu afbeelden in een grafiek met een logaritmische schaal zien we duidelijk een constante stijging.

Toch blijft het oppassen met de logaritmische schaalverdeling: alleen gebruiken voor een publiek dat logaritmen en de gevolgen goed begrijpt!

 

Few is more…

Het rapporteren van resultaten wordt steeds eenvoudiger door de snelle ontwikkelingen in rapportage en dashboard software. Waar je voorheen als “schrijver” van een rapport of dashboard nog moest worstelen met complexe database-talen en ondoorgrondelijke statistische pakketten kun je nu in een handomdraai je gegevens in Excel laden en de meest uiteenlopende visualisaties maken. Ook zijn er steeds meer gespecialiseerde softwarepakketten waarmee een beetje handige “schrijver” de meest indrukwekkende overzichten maakt. Goede voorbeelden hiervan zijn Tableau en Spotfire.

Toch krijg ik niet de indruk dat de “lezers” van al dit moois hiermee geholpen zijn. Het ene naar het andere intimiderende rapport wordt over ze uitgestrooid. Net als het schrijven van een boek, tijdschrift of krant is ook het “schrijven” van een rapport of document een vak. Het gaat in beide gevallen om het effectief communiceren van een boodschap. Dit is iets anders dan het lezen van je eigen aantekeningen.

De meeste van de eerder genoemde ontwikkelingen zijn dus geweldig voor het zelfstandig kunnen uitvoeren van een analyse, maar voor het opstellen van leesbare rapporten en dashboards is meer nodig. Dit gaat dan niet om meer software of andere technische hulpmiddelen, maar om de juiste aanpak en kennis van effectief communiceren.

Er is gelukkig ook verbetering zichtbaar op het gebied van aanpak en kennis van effectief communiceren. Het werk van personen als Edward Tufte en Stephen Few wordt steeds bekender, zowel bij de “schrijvers” als de “lezers”. Ook las ik net op LinkedIn het geweldige nieuws dat Stephen Few naar Nederland komt om een 3-daagse workshop te verzorgen (21, 22 en 23 mei). Mocht je in de gelegenheid zijn, aarzel dan niet en schrijf je in. Ik ben er zeker bij.

Kun je er in mei niet bij zijn, maar wil je wel weten hoe je het inzicht in je organisatie vergroot?
In één dagdeel nemen we de belangrijkste onderwerpen met je door en bekijken we samen waar je huidige rapportage verbeterd kan worden. De prijs van deze Nova Silva training? Die bepaal je helemaal zelf, achteraf.