Drei Möglichkeiten, wie Schemas Ihre Datenvisualisierung verbessern können

Denkmuster spielen eine wichtige Rolle in der Datenvisualisierung, weil sie entscheidend sind für ihre beiden wichtigsten Vorteile: die Zeit bis zur Erkenntnis verkürzen und die Präzision der Erkenntnisse erhöhen. Versetzen Sie sich in die Denkmuster Ihrer Zielgruppe, dann wird deren Erfahrung verbessert. Wenn Sie Denkmuster stören, laufen Sie Gefahr, Ihre Zielgruppe in die falsche Richtung zu lenken.

Ob Sie sich dessen bewusst sind oder nicht, in Ihrem täglichen Leben erkennen und verarbeiten Sie ständig Muster. Diese Schemas lassen sich gegebenenfalls für die Datenvisualisierung nutzen. Wenn Sie zum Beispiel ein neues Restaurant ausprobieren, haben Sie möglicherweise folgende Erwartung hinsichtlich der Abläufe:

  • Sie treten ein, werden begrüßt und zu einem Tisch geführt
  • Der Kellner kommt, stellt sich vor und nimmt die Getränkebestellung auf
  • Nachdem er die Getränke serviert hat, nimmt er Ihre Bestellung auf
  • Während Sie essen, kommt der Kellner von Zeit zu Zeit, sieht nach dem Rechten und füllt Ihre Getränke auf
  • Nach dem Essen macht der Kellner einen schwachen Scherz über „Platz für den Nachtisch reservieren“
  • Nachdem Sie abgelehnt haben, holen sie entweder die Rechnung aus ihrer Tasche oder gehen zum Tresen und holen sie
  • Sie bezahlen und verlassen das Restaurant

Es ist eines von vielen Beispielen für ein psychologisches Schema (nicht zu verwechseln mit einem Datenbankschema) im täglichen Leben. Mithilfe dieser Muster können sich verschiedene Zielgruppen einer Gesellschaft aneinander ausrichten. Sie helfen uns, verschiedene Situationen effizient zu verarbeiten. Diese Schemata sind so mächtig und tief verwurzelt, dass eine Störung des Musters verwirrend und herausfordernd sein kann. Nehmen wir das extreme Beispiel, dass Sie das Restaurant betreten und der Kellner Ihnen die Rechnung bringt, bevor Sie sich hingesetzt haben.

Das Restaurantmuster ist eine intuitive Abfolge. Es ist also nicht sehr wahrscheinlich, dass es wesentlich variiert. Aber Sie generieren auch Ihre persönlichen Denkmuster aufgrund Ihrer eigenen Lebenserfahrungen und Ihrer Weltsicht. Dank dieser Erwartungen vermeiden Sie, das Rad neu zu erfinden, weil Sie zuvor bereits gleiche oder ähnliche Situationen erlebt haben und wissen, wie Sie damit umzugehen haben.

Denkmuster spielen eine wichtige Rolle in der Datenvisualisierung, weil sie entscheidend sind für ihre beiden wichtigsten Vorteile: die Zeit bis zur Erkenntnis verkürzen und die Präzision der Erkenntnisse erhöhen. Versetzen Sie sich in die Denkmuster Ihrer Zielgruppe, dann wird deren Erfahrung verbessert. Wenn Sie Denkmuster stören, laufen Sie Gefahr, Ihre Zielgruppe in die falsche Richtung zu lenken.In diesem Beitrag werden drei Möglichkeiten vorgestellt, um Schemata zur Verbesserung Ihrer Datenvisualisierung zu nutzen.

Schema 1: Räumlicher Kontext

Karten helfen uns Daten zu verarbeiten, weil sie zusätzlich zum Datenpunkt einen räumlichen Kontext bieten, der unsere Analysen unterstützt. Sehen Sie sich das folgende Balkendiagramm mit den niedrigsten Preisen pro Sektion für den Super Bowl 50 an:

Dies ist eine gute Datenvisualisierung gemäß den Best Practices und es lassen sich eindeutig Erkenntnisse aus diesem Diagramm gewinnen. Wenn jedoch der räumliche Kontext hinzugefügt wird, wird die Analyse aussagekräftiger, auch wenn Sie nicht mit dem Stadion vertraut sind, in dem das Spiel stattfindet:

Ich kann das Schema verwenden, das ich aufgrund meiner Erfahrungen beim Kauf von Eintrittskarten im Lauf meines Lebens entwickelt habe. Ich weiß, dass die unteren Plätze, näher am Mittelfeld, teurer sind. So verkürze ich meine Zeit bis zur Erkenntnis, weil ich viel schneller ermitteln kann, ob die Zahlen im Balkendiagramm intuitiv aussagekräftig für mich sind, oder ob mein Denkmuster gestört wird. Auch in diesem Fall käme ich zu einer Erkenntnis (d. h. wenn die Eintrittskarten für die unteren Ränge zu niedrigeren Preisen verkauft werden als für die oberen).

Je nach der Story, die Sie erzählen möchten, kann es sinnvoll sein, solch eine Karte zusätzlich zum Balkendiagramm oder sogar anstatt des Diagramms anzuzeigen. Für meine oben gezeigte Visualisierung über die Eintrittskartenpreise beim Super Bowl 50 entscheide ich mich für die Stadionkarte und ein Liniendiagramm.

Schema 2: Symbole und Formen

Ein Bild sagt mehr als 1000 Worte. Das zweite Schema, dass Ihre Datenvisualisierung verbessern kann, ist die Verwendung von Symbolen und/oder Formen. Zwischen Diagrammen, die eine Visualisierung verbessern, und Diagrammschrott verläuft ein schmaler Grat. Ansprechend gestaltete Diagramme können jedoch viel mehr Informationen vermitteln als nur Worte.

Denken Sie nur daran, wie viel ein Plus- oder Minuszeichen verändert, wenn es vor einer Zahl auf einem Dashboard steht. Wenn es eingesetzt wird, um auf eine positive oder negative Änderung einer KPI hinzuweisen, reduziert dieses eine Zeichen die Zeit bis zur Erkenntnis und erhöht die Präzision der Erkenntnisse. Nach oben oder unten weisende Pfeile oder Dreiecke haben den gleichen Effekt.

Das ist ein einfaches Beispiel, aber viele Diagramme wirken auf diese Weise, weil wir vorgefasste Begriffe ihrer Bedeutung haben. Sehen Sie sich die Navigation an, die ich in meiner Visualisierung "The Odds of Going Pro in Sports" (Wie stehen die Chancen, Profisportler zu werden) verwendet habe.

Ich habe Symbole anstelle von Worten verwendet, um die verschiedenen Sportoptionen zu zeigen. Meiner Meinung nach wird die Ansicht dadurch ansprechender, aber Symbole bieten auch den Vorteil, Sprachbarrieren zu reduzieren, häufig sogar zu eliminieren.

In einem anderen Beispiel habe ich eine Polygonkarte eines Football-Spielers verwendet, um zu illustrieren, welche Körperteile in der NFL die meisten Kollisionen verursachen:

Ich hätte einfach ein Balkendiagramm nach Kollisionsquelle erstellen können. Das wäre ein ordentlicher Ansatz. Aber mit der Heatmap über der Körperform eines Spielers nutze ich die vorhandenen Schemata für die Verarbeitung der Ansicht und zum Gewinnen von Erkenntnissen.

Schema 3: Farbe

Bei besser oder schlechter assoziieren Sie wahrscheinlich Grün mit gut und Rot mit schlecht. Ich bin nicht ganz sicher, woher dieses Konzept stammt, aber es scheint sich gut zu halten. Es ist ein Schema. Sie brauchen Ihrer Zielgruppe nicht zu erklären, was Rot und Grün bedeuten. Sie wissen es (oder glauben es zu wissen, also Vorsicht!).

Ich empfehle diese Farbkombination nicht, sowohl aus wissenschaftlichen (Farbenblindheit) als auch aus persönlichen Gründen (ich finde sie hässlich), aber das ist ein Beispiel für ein Schema, das sie einsetzen können, damit Ihre Datenvisualisierungen an Aussagekraft für Ihre Zielgruppe gewinnen.

Wenn Sie sich der vorhandenen Assoziationen Ihrer Zielgruppe bewusst sind, können Sie ihr helfen, schneller Erkenntnisse zu gewinnen und die Präzision ihrer Erkenntnisse zu steigern. Dies funktioniert in beiden Richtungen. Achten Sie also darauf, keine Schemata zu stören. Wenn Sie eine Visualisierung über Obst machen, sollten Sie weder Orangen violett noch Weintrauben orangefarben darstellen.

Wenn Sie Farben außerhalb der Grün-/Rot- oder Blau-/Orange- Farbpaletten verwenden, achten Sie auf Konsistenz, damit Ihre Zielgruppe dahingehend konditioniert wird, Ihre Verwendung von Farben zu verstehen.

Diese drei Schemata durchdacht zu nutzen, kann die beiden größten Vorteile der Datenvisualisierung maximieren: Reduktion der Zeit bis zur Erkenntnis und Verbesserung der Präzision von Erkenntnissen. Achten Sie schließlich darauf, dass Ihre Zielgruppe ein eigenes Vorverständnis hat. Dies zu stören kann hinsichtlich des Werts Ihrer Datenvisualisierung für Ihre Zielgruppe eine Herausforderung bedeuten.

Welche anderen psychologischen Schemata berücksichtigen Sie, wenn Sie Ihre Datenvisualisierungen aufbauen? Teilen Sie uns unten Ihre Kommentare mit. Weitere Tipps, Tricks und Visualisierungen von Ryan Sleeper finden Sie in seinem Blog und auf seiner Profilseite auf Tableau Public. Sie können sich auch auf Twitter an ihn wenden @ryanvizzes.