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.

Onze innovatie is top, nu de datavisualisatie nog

Afgelopen zaterdag is het me eindelijk gelukt: na 3 jaar blessureleed eindelijk weer 10km kunnen hardlopen. Het heeft de nodige moeite gekost, maar zoals ik in mei al schreef is een combinatie van structureel meten en goede ondersteuning net als in het bedrijfsleven een randvoorwaarde voor succes.

Het gevolg was natuurlijk wel dat ik zondag rustig aan gedaan heb. En een rustige zondag begint bij mij meestal met het doornemen van de verschillende tijdschriften die gedurende de week op de mat zijn gevallen. Natuurlijk kan ik het dan ook niet nalaten om te letten op de gebruikte datavisualisaties.

Deze week trok een artikel uit het blad Management Team mijn aandacht. De titel was Onze innovatie is top en beschrijft het goede innovatieklimaat in Nederland. Onderdeel van dit artikel zijn twee korte achtergrondverhalen, welke alleen voorkomen in de gedrukte versie.

Het eerste achtergrondverhaal, Alle 9 top, gaat over de negen topsectoren en de financiering van dit initiatief. Blijkbaar zal het bedrijfsleven 1,8 miljard voor zijn rekening nemen en de overheid 1 miljard. Vervolgens staan onder aan het verhaal de grafieken uit afbeelding 1.

We zien hierin de verdeling van de financiering naar topsector. Niet alleen de keuze voor een zogenaamde donut-chart is ongelukkig (taartgrafiek met een gat), maar ook de kleuren van verschillende sectoren lijken te veel op elkaar (bijv. tuinbouw, life sciences & health en high tech systemen en materialen). Door het gebruik van sterk gelijkende kleuren moet je soms meerdere keren heen en weer gaan tussen de grafiek en de legenda om zeker te stellen welke sector het betreft. Verder valt op dat de grafiek van het bedrijfsleven veel groter is afgebeeld dan die van de overheid. Nameten leert dat de diameter van de linker grafiek (bedrijfsleven) 2 keer zo groot is als die van de rechter (overheid). Blijkbaar hebben de makers hiermee de verhouding tussen 1,8 miljard en 1 miljard willen illustreren. Jammer genoeg voegt het weinig toe. Sterker nog, het maakt het alleen maar lastiger om de overheidsinvesteringen per sector te vergelijken.

Op de eerste plaats ben ik op zoek gegaan naar de bron van deze gegevens, want deze staat helaas niet vermeld in het artikel. Na wat zoeken in Google kwam ik de gegevens tegen op een pagina van de rijksoverheid. Op basis hiervan heb ik het alternatief gemaakt zoals te zien in afbeelding 2.

Wat direct opvalt is de post overig bij de overheid. Deze was niet aanwezig in donut-chart. Ook zul je merken dat je met deze datavisualisatie veel minder tijd nodig hebt om de informatie te verwerken.

Op de volgende pagina in het tijdschrift staat het tweede achtergrondverhaal met als titel Hotspot Eindhoven. De relatie tussen de tekst en de grafiek lijkt me niet erg sterk: de tekst gaat exclusief over Eindhoven, waar de grafiek over de vijf grootste r&d investeerders van Nederland gaat. Wellicht dat het hebben van twee bedrijven uit Eindhoven in de top 5 van Nederland de relatie is, maar erg sterk is het niet.

Het positieve van deze grafiek is dat er een bronvermelding bij staat. Helaas kan ik verder geen enkel positief punt noemen van deze grafiek. Het 3D effect maakt het zeer moeilijk om de getallen te lezen. Dus ook in dit geval ben ik aan de slag gegaan om een alternatief te maken, waarvan je hieronder het resultaat kunt vinden.

Zien jullie het enorme inhoudelijke verschil? Volgens de gegevens uit het Technisch Weekblad daalt de investering van Philips in r&d vanaf 2008, maar in de grafiek van het MT stijgt hij. Ook bij ASML zou volgens deze gegevens de investering vanaf 2008 blijven dalen, waar de grafiek in het MT vanaf 2009 een stijging “suggereert”.

Het is bekend dat het 3D effect de leesbaarheid negatief beïnvloed, maar dat de trend zo ernstig vervormt wordt kan ik me niet voorstellen. Wellicht dat ik de verkeerde brongegevens heb gebruikt, of zijn de getallen in het MT door elkaar gehaald?

Gebruik dus een effectieve datavisualisatie, maar belangrijker nog: gebruik de juiste gegevens.

 

Visualisatie voor iedereen

Voor iedereen die geïnteresseerd is in het verbeteren van data visualisaties was 2012 al een geweldig jaar. In mei was er de mogelijkheid om de driedaagse training van Stephen Few bij te wonen en in juli was Andy Kirk in Amsterdam voor een training. Voor iedereen die deze twee trainingen gemist heeft: komend jaar is er vast weer een mogelijkheid om één van deze trainingen in Nederland bij te wonen.

Vorige week schreef ik over een andere grote naam in de wereld van data visualisaties: Alberto Cairo. Ook hij geeft regelmatig data visualisatie trainingen, alleen heb ik nog niet de mogelijkheid gehad om een training van Alberto bij te wonen. Na het schrijven van mijn artikel vorige week ben ik maar op zoek gegaan naar zijn trainingsschema. Zo te zien is ook hij van plan om een training/presentatie in Nederland te verzorgen, alleen is dat pas in maart 2013.

Natuurlijk zal ik proberen er bij te zijn, maar maart is nog zo ver weg. Vandaar dat ik blij verrast was met Alberto’s blog artikel van vrijdag jl.

Hij verzorgt een 6-weekse workshop vanaf eind deze maand bij mij thuis! Niet alleen bij mij thuis, maar ook bij jou als je dat wilt. De workshop is namelijk in de vorm van een zogenaamde Massive Open Online Course of MOOC.

Het is al geweldig dat we allemaal kunnen deelnemen vanuit onze luie stoel, maar het wordt nog beter: de workshop is GRATIS!

Dit is een geweldige kans om eens en voor altijd af te rekenen met die verschrikkelijke dashboards en rapporten met slechte visualisaties die we overal maar tegen komen. Dus als je iets te maken hebt met data visualisatie: mis deze kans niet en schrijf je nu in! In de onderstaande video vertelt Alberto je meer over de workshop.

Dag vakantie, hallo verkiezingen!

Welkom terug! Net als de meeste van jullie hebben ook wij in de maand augustus van onze vakantie genoten.

Na de vakantie weer in het ritme komen valt mij altijd zwaar, vooral als ‘s-morgens vroeg de wekker om aandacht schreeuwt. Als de wekker de enige was die om aandacht verlegen zat…

Na een paar weken doorgebracht te hebben in Spanje was ik helemaal vergeten dat we weer snel naar de stembus mogen. Maar “gelukkig” hoef je de TV maar aan te zetten of een krant open te slaan: je ontkomt er niet aan. Ook een rustige wandeling door de stad is niet meer mogelijk, want op iedere hoek staat wel iemand die zijn of haar politieke voorkeur aan je uitdeelt.

En natuurlijk horen bij verkiezingen ook de peilingen. Iedere grote naam in onderzoeksland doet verplicht mee. Gevolg: een lawine aan getallen en bijbehorende analyses, die als het een beetje mee zit elkaar natuurlijk tegen spreken.

Zo zag ik gisteren op www.telegraaf.nl de onderstaande grafiek verschijnen. Natuurlijk niet handig dat er gekozen is voor een 3D staafgrafiek, maar hoe ondersteunt deze grafiek het bijbehorende artikel?

In het artikel staat geschreven dat de PvdA (volgens de peilingen) de laatste weken steeds dichter bij het zetelaantal van de SP komt. Hoe zie ik dat in deze grafiek? Buiten de typische moeilijkheden met een 3D staafgrafiek (zie Trellis chart: klein maar fijn) is er nog iets anders wat vragen bij mij oproept: waar kan ik zien dat het verschil kleiner is geworden in de loop van de tijd?

Bij de vier onderzoeken staat in de legenda gelukkig wel vermeld wanneer deze zijn uitgevoerd. Alleen staan ze zowel in de grafiek als legenda niet in chronologische volgorde. In de volgende grafiek heb ik de gegevens daarin geplaatst.

Nu is te zien dat het verschil kleiner lijkt te zijn geworden, sterker nog: de PvdA lijkt de SP te hebben ingehaald. Echter, niet alleen het tijdstip verschilt per grafiek. Iedere grafiek is ook nog eens gebaseerd op een ander onderzoek. Nu weet ik niet veel van dit soort onderzoek, maar ik ben er vrij zeker van dat deze vier onderzoekers allen hun eigen specifieke aanpak hebben. Dus wat vergelijken we eigenlijk? Op de website www.peilloos.nl heb ik ook de eerdere resultaten van de gebruikte onderzoekers gevonden. Hieronder per onderzoeker de peilingen vanaf 1 juli 2012 van de PvdA en de SP.

Het blijven natuurlijk peilingen met alle beperkingen van dien, maar door zoveel mogelijk zaken gelijk te houden (ceteris paribus) zijn we op zijn minst in staat om de ontwikkeling in de tijd te zien. Deze laatste grafieken ondersteunen de strekking van het artikel in ieder geval een stuk beter dan het 3D origineel. Met deze laatste grafieken is het direct duidelijk dat het verschil in aantal zetels tussen de PvdA en de SP de laatste weken kleiner is geworden.

 

Pas op… kwantipulatie

Het blijft me opvallen dat we met enige regelmaat bezoekers aan deze blog ontvangen die de website gevonden hebben dankzij het combineren van zoektermen als misleiden, bedriegen en grafiek. Ik moet toegeven dat ook ik regelmatig op zoek ben naar foute voorbeelden. Ze werken namelijk goed om uit te leggen wat er allemaal fout kan gaan bij incorrect gebruik van grafieken.

Wekelijks scan ik een grote hoeveelheid artikelen om te zien of er iets tussen zit wat ik kan gebruiken. Zo kwam ik laatst een artikel tegen op snarketing 2.0: “How to Quantipulate using graphics”. Het voorbeeld op zich (verkeerd gebruiken van een staafdiagram) is niet spectaculair, maar de gebruikte term quantipulate of kwantipulatie sprak mij direct aan. Eindelijk een term om foute grafieken mee aan te duiden. Vrij vertaald betekent kwantipulatie:

De kunst van het toepassen van oncontroleerbare statistieken om mensen te overtuigen van je gelijk

Direct heb ik verder gezocht op de term Quantipulate, maar zonder veel resultaat. Blijkbaar wordt de term (nog) niet veel gebruikt. Toch kwam ik via een andere weg wel een recent artikel tegen op de website van Business Insider welke goed past bij de term kwantipulatie.

De titel van het artikel is: “Waarom alcohol schadelijker kan zijn dan heroïne”. Deze stelling wordt ondersteund met de onderstaande grafiek.

Het is wel duidelijk dat alcohol het hoogste scoort op de “schadelijk”-schaal (Overall harm score). Alleen is er ook een grote hoeveelheid informatie verstopt in deze gestapelde staafgrafiek.

Zo zijn 16 verschillende categorieën in één gestapelde staafgrafiek wat te veel van het goede. Ook de kleuren van verschillende categorieën lijken te veel op elkaar. Zeker als in een staaf een bepaalde categorie (bijna) niet voorkomt kost het veel moeite om de exacte categorie te herkennen. Wat is bijvoorbeeld de drug met de hoogste “drug-specific impairment of mental functioning (CW 5-7)“?

Ook lijken de drugs gesorteerd van hoog naar laag op basis van de Overall harm score. Alleen waarom staat Khat dan voor Anabolic steroids? Er valt dus genoeg aan te merken op deze visualisatie. Maar het is nog erger: we zien namelijk alleen maar gegevens die de suggestieve titel van het artikel ondersteunen.

In zijn blog Junk Charts geeft Kaiser Fung aan dat er blijkbaar een hiërarchie zit in de getoonde categorieën. De bron voor het artikel was een paper van David Nutt. Deze had niet alleen de bovenstaande grafiek gemaakt, want zijn paper bevat ook de onderstaande grafiek:

Deze grafiek laat een genuanceerder beeld zien: alcohol is wel schadelijker dan heroïne als je de schade van de gebruiker en de omgeving optelt. Echter, als je deze los van elkaar ziet blijkt dat voor de gebruiker heroïne veel schadelijker is. Daarnaast kunnen deze gegevens ook beter gevisualiseerd worden. Vandaar dat ik in de volgende grafiek een eerste aanzet geef om het eenvoudiger te maken om de schade per drug goed met elkaar te kunnen vergelijken (opgesplitst naar schade aan de omgeving en aan de gebruiker). Met beter kleurgebruik en een andere sortering zou deze nog duidelijker worden, maar deze heb ik gelijk gehouden aan het origineel zodat de verbinding tussen alle grafieken blijft bestaan.

Duidelijk een geval van kwantipulatie. Niet zozeer door David Nutt, maar wel door Business Insider. Deze heeft alleen de gegevens gebruikt die een sensationele kop ondersteunen, waardoor je bijna gelooft dat alcohol schadelijker dan heroïne is.

 

Hallucineren met management dashboards

Een onderdeel van onze workshop Effectief Rapporteren is het beschrijven van hoe mensen waarnemen. Vooral ons visuele waarnemingsvermogen is van belang bij het effectief inzetten en gebruiken van management dashboards en rapporten.

Onze visuele waarneming wordt vaak vergeleken met een camera. In ons oog zit, net als in een fototoestel, een compleet lenzenstel, een diafragma en een lichtgevoelige filmplaat. Het oog heeft twee lenzen: het hoornvlies (cornea) en de eigenlijke lens (ooglens). Tussen de twee lenzen bevindt zich het diafragma. Dit is de pupil. Aan de binnenkant van de oogbol ligt de gevoelige filmplaat, het netvlies of retina. Het lenzenstelsel zorgt ervoor dat op het netvlies een scherpe afbeelding komt.

Het bovenstaande beschrijft in grote lijnen wel de werking van ons oog, maar zeker niet hoe onze visuele waarneming werkt. We zien namelijk niet met onze ogen, maar met onze hersenen.

Belangrijker nog: het zien met onze hersenen is niet alleen gebaseerd op de signalen van onze ogen, maar ook op zaken als motivatie en eerdere ervaringen. Zo lijkt het dat er veel meer rode auto’s rondrijden nadat je er zelf één rijdt en zie je overal eten zodra je honger begint te krijgen. Met andere woorden: je ziet wat je wilt zien.

Door onze hersenen zien we geen objectief beeld van onze omgeving, maar slechts een interpretatie of mening van onze hersenen over de omgeving. Er zijn een groot aantal factoren die invloed hebben op dat beeld, ook wel cognitieve bias genoemd. Het komt er eigenlijk op neer dat we allemaal de hele dag aan het hallucineren zijn.

Is dit dan slecht? Zeker niet. Onze visuele waarneming werkt geweldig goed. Je moet alleen wel rekening houden met cognitieve biases en zorgen dat je juist de sterke kanten gebruikt.

pre-attentive eigenschappen

Zo zijn er visuele eigenschappen die heel snel, eenvoudig en accuraat verwerkt kunnen worden door onze hersenen. Deze eigenschappen noemen we pre-attentive: we hoeven er niet bewust over na te denken. Door gebruik te maken van deze pre-attentive eigenschappen in onze management dashboards zorgen we dat informatie snel, eenvoudig en accuraat verwerkt wordt door onze hersenen. Er zijn 3 groepen van pre-attentive eigenschappen die zich goed lenen voor het visueel presenteren van gegevens: vorm, kleur en positie.

Om verschillen in waarden uit te drukken kunnen we het beste gebruik maken van lengte en positie. Als we de waarden alleen bij benadering willen uitdrukken kunnen we daarnaast ook gebruik maken van breedte, omvang en kleurintensiteit.

Dashboard psychologie

“Smaken verschillen” is een argument wat vaak naar voren komt bij discussies over vormgeving van dashboards en rapporten. Voor een deel is persoonlijke voorkeur van belang voor vormgeving, maar belangrijker is rekening te houden met de sterke en zwakke punten van de menselijke waarneming.

De wetten van de menselijke (visuele) waarneming zijn begin vorige eeuw onderzocht en beschreven door een groep Duitse psychologen (o.a. Max Westheimer, Kurt Koffka en Wolfgang Kohler). Dit heeft geresulteert in de zogenaamde Gestalt principes of Gestalt wetten.

Gestalt is de Duitse term voor “georganiseerde” of “gehele” vorm. Het centrale idee achter Gestalt is dat de som der delen groter is dan de afzonderlijke delen. Met andere woorden: het geheel (de auto) heeft een andere en ook grotere betekenis dan de afzonderlijke onderdelen (banden, lak, ramen, metaal, etc).

Ondanks dat deze wetten al bijna 100 jaar oud zijn worden ze nog steeds gezien als de verklaring voor het functioneren van onze visuele waarneming. Deze wetten zijn daardoor ook de basis van de meeste ontwerp principes van informatie visualisaties.

Gelijkheid: door de gelijkheid per rij ontstaat er een rij-perceptie

Gelijkheid & nabijheid: kleur en positie zorgen voor 5 duidelijk herkenbare groepen

 

 

 

 

Voor het effectief ontwerpen van een dashboard zijn de volgende Gestalt wetten van belang:

  • Wet van gelijkheid: Elementen die op elkaar lijken worden gegroepeerd. Elementen die veel van elkaar verschillen worden als aparte elementen waargenomen;
  • Wet van nabijheid: Elementen die zich dicht bij elkaar bevinden, worden als groepen gezien. Elementen die zich ver van elkaar bevinden worden als onafhankelijk waargenomen;
  • Wet van geslotenheid: Elementen die omrand worden door een lijn worden als geheel gezien. Elementen die doorkruist worden door een lijn worden als aparte elementen waargenomen. Een voorbeeld is afbeelding 2: er staan in deze afbeelding 2 assen welke de indruk geven dat er een “gesloten” rechthoek bestaat waarbinnen de grafiek afgebeeld is.

Continuïteit: het ‘lijkt’ dat de missende waarde ergens in het verlengde van de bestaande lijnen zal liggen

Continuïteit: blijkbaar is in dit geval de aanname van afbeelding 3 niet juist

  • Wet van continuïteit: De vorm van een element wordt voortgezet zoals deze is begonnen.
  • Wet van eenvoud: Elementen worden waargenomen in de meest eenvoudige vorm: minste cognitieve inspanning heeft de voorkeur.

Eenvoud: een voorbeeld van een grafiek bestaande uit een aantal staven en een lijn (op het eerste gezicht)

Eenvoud: maar het zou ook een combinatie van verschillende (vreemde) figuren kunnen zijn

Voor het ontwerp van dashboards moeten we dus rekening houden met:

  • Mensen groeperen elementen op basis van kleur, vorm, richting, nabijheid en geslotenheid;
  • Mensen hebben een voorkeur voor eenvoudige, gesloten en symmetrische vormen die weinig inspanning kosten om te verwerken;
  • Het structureel toepassen van de Gestalt wetten en er ons voordeel mee doen bij het ontwerpen van betere dashboards;
  • De mogelijk negatieve gevolgen van de wetten: voorkom dat mensen groepen gaan zien die er eigenlijk niet zijn (volgens de onderliggende gegevens).