TFL Vsebine / TFLGlasnik

1. UVOD V VIZUALIZACIJO PODATKOV

»Sposobnost sestavljanja podatkov – razumevanja, obdelave, pridobivanja vrednosti, vizualizacije in komuniciranja – bo v prihodnjih desetletjih izjemno pomembna veščina.« Hal Varian, glavni ekonomist pri Googlu (The Mckinsey Quarterly, 2009)

Vid je človekov najmočnejši čut, na sekundo prenese v možgane kar okoli osemkrat več podatkov kot vsi preostali čuti skupaj (Koponen & Hildén, 2019, str. 21). Naši možgani sliko zaznavajo hitreje kot besedilo, zato je zmožnost vizualne predstavitve informacij v današnji poplavi teh eno od uporabnejših znanj ne glede na poklic in področje. Vizualizacija podatkov je vrsta komunikacije. Redko najdemo znanstveni članek, učbenik, navodila za uporabo ali večerna poročila brez enega samega primera slikovne ponazoritve.

Vizualizacija podatkov je grafični prikaz podatkovnih informacij, najpogosteje z diagrami, grafi, zemljevidi, shemami ... Nastali vizualni elementi so zasnovani tako, da olajšajo razumevanje in primerjavo podatkov ter doprinesejo k pripovedovanju zgodbe o njih (angl. Storytelling) (Google LLC & Material System, 2018). Tako bralca usmerjajo v sprejemanje odločitev na podlagi podatkov. Zato je vizualizacija podatkov zelo koristna v revizijskih poročilih, ki so večinoma namenjena prav odločevalcem.

Sama znanost informacijskega oblikovanja in s tem vizualizacije podatkov izhaja iz prepletanja različnih področij, med drugim grafičnega oblikovanja, ilustracije, novinarstva, statistike, računalništva, matematike, kartografije in poslovne administracije (Koponen & Hildén, 2019, str. 24). Zato je na tem področju sčasoma nastalo več različnih terminov z enakim pomenom. V pričujočem prispevku pa so uporabljeni le termini, ki jih uporabljata avtorja v priročniku o vizualizaciji podatkov (Koponen & Hildén, 2019).

Scott Berinato pravi, da je tipologija grafičnega prikaza informacije vedno zasnovana na dveh osnovnih vprašanjih:

• Ali je informacija konceptualna ali podatkovna (merljiva)?
• Ali je namenjena pojasnjevanju ali raziskovanju?

Ta razdelitev pa ni črno-bela, saj gre pri grafičnem prikazu pogosto za spekter (Berinato, 2016, str. 54–63).

Slika 1: Tipologija informacijske grafike s primeri

Vir: Koponen & Hildén, 2019, str. 27 in 222 (sliki sta združeni v eno).

Vizualizacija podatkov, namenjena raziskovanju, je v fazi načrtovanja revizije lahko odličen pripomoček pri analitiki, saj izboljša razumevanje poslovanja strank in pripomore k opredelitvi področij tveganja, ki bi lahko bila pomembna za revizijo. Pomaga predvsem prepoznati razmerja med različnimi atributi v večdimenzionalnem naboru podatkov in pri iskanju anomalij v vzorcih – kar lahko privede do boljših ocen tveganja goljufij in izboljšanja učinkovitosti revizije (Rodríguez-Quintero et al., 2021, str. 3).

Slika 2: Raba vizualizacije podatkov v revizijskem procesu

Vir: Alawadhi in Rutgers University, 2015, str. 41.

Pri vizualizaciji za namen lastnega raziskovanja ne potrebujemo estetsko dovršenih grafik. Dovolj je, da je vizualizacija razumljiva njenemu kreatorju in mu omogoči nova dognanja. Ko pa jih želimo kot razkritja vizualno predstaviti bralcem, je treba začeti razmišljati kot oblikovalec.

V nadaljevanju se zato osredotočimo le na vizualizacijo podatkov, namenjeno razlagi. Nato predstavimo, kako kreiramo vizualizacijo z metodo oblikovalskega mišljenja (angl. Design thinking) in kako v fazi oblikovanja dosežemo jasen prikaz, ki bralca nezavedno vodi naravnost do glavnega sporočila in mu tako pomaga pri interpretaciji revizijskih ugotovitev.

2. KREIRANJE VIZUALIZACIJE PODATKOV S POMOČJO OBLIKOVALSKEGA MIšLJENJA

Oblikovalsko mišljenje je metoda, usmerjena v reševanje problemov, ki v središče postavlja končnega uporabnika, v tem primeru bralca revizijskih poročilih. Proces oblikovalskega mišljenja se deli na pet faz: empatija, opredelitev, iskanje zamisli, prototipiranje in testiranje (Friis Dam & Yu Siang, 2021).

Prednost te metode je, da si med kreiranjem vizualizacije vodeno postavljamo prava vprašanja, ki nas usmerjajo k rezultatom, prilagojenim specifičnemu bralcu.

2.1. Empatija

Na začetku reševanja problema se s pomočjo empatije vprašamo, komu je vizualizacija namenjena (na primer revidiranec, naročnik, vodstvo, zaposleni v marketingu, inženirji, študentje …). Vsak ciljni uporabnik ima svoje potrebe in posebnosti, ki jih moramo pri vizualizaciji upoštevati. Gre za to, da se postavimo v njihovo vlogo in pogledamo na problem z njihovega vidika. Cole Nussbaumer Knaflic (2015) v svoji knjigi o pripovedovanju zgodb s podatki (angl. Storrytelling with data) pri določanju ciljnega uporabnika priporoča, da si bralca zastavimo kar se da ozko – predvsem da se osredotočimo na tiste uporabnike, za katere želimo, da bi na podlagi predstavljenih podatkov sprejeli odločitve.

Tipična vprašanja, ki si jih zastavimo v pomoč, so:

• Kdo je naš bralec?
• Na kateri ravni statistične pismenosti je naš bralec?
• Koliko informacij/konteksta iz besedila ali predznanja o tematiki ali področju že pozna?
• Ali je to za bralca nov podatek?
• Zakaj bi lahko podvomil o verodostojnosti naših podatkov oz. kaj je treba nujno upoštevati, da zagotovimo verodostojno in pravično prikazane podatke? (Nussbaumer Knaflic, 2015, str. 20-22)

2.2. Opredelitev

S podrobno določenim uporabnikom v mislih lahko preidemo v drugo fazo oblikovalskega mišljenja – opredelitev, s katero določimo bistvo prikaza. Pri vizualizaciji v revizijskih poročilih gre za oblikovanje jasnega in jedrnatega glavnega sporočila, za katerega želimo, da ga vizualizacija prikazuje.

Za pomoč pri oblikovanju glavnega sporočila se lahko vprašamo:

• Kaj je bistvo, ki ga želimo prikazati bralcu? (v enem stavku)
• Zakaj bi ta prikaz moral bralca zanimati?
• Če si lahko zapomni le en podatek, kateri naj bo?
• Priporočeno je, če nam seveda kontekst omogoča, to sporočilo uporabiti tudi kot naslov slike.

2.3. Iskanje zamisli

Z vsemi zbranimi odgovori v mislih lahko začnemo proces iskanja zamisli. V tej fazi si z različnimi tehnikami viharjenja (angl. Brainstorming) povečamo nabor različnih idej. Ker celoten proces apliciramo na vizualizacijo podatkov in ker imajo včasih isti problemi lahko več rešitev prikaza, je pomembno le to, da naše rešitve prikazujejo pravilen podatkovni odnos, ki ustreza glavnemu sporočilu. Glavne vrste odnosov med podatki so: odstopanje, korelacija, sprememba v času, uvrstitev, porazdelitev, del celote, velikost, prostor, pretok. Za iskanje idej vizualizacije si lahko pomagamo z različnimi spletnimi vodiči po vrstah vizualizacije podatkov, na primer DataVizproject1 ali Financial Times Visual Vocabulary².

2.4. Prototipiranje

Predzadnja faza oblikovalskega mišljenja je prototipiranje. Bistvo prototipa je, da ga lahko hitro naredimo, testiramo in nadomestimo z boljšim. V smislu vizualizacije podatkov gre res za skiciranje oz. osnutek, ki je dovolj natančen, da prikaže bistvo in je tako pripravljen za nadaljnjo fazo testiranja. Zato ni potrebno, da je popolnoma dovršen, saj je namenjen temu, da nam prihrani čas z zgodnjim odkrivanjem napak (Friis Dam & Yu Siang, 2021).

2.5. Testiranje

Testiranje vizualizacije podatkov je namenjeno preverjanju, ali naš ciljni uporabnik iz nje res razbere glavno sporočilo. Med samim nastajanjem revizijskega poročila največkrat nimamo možnosti testirati naše vizualizacije neposredno na ciljnem uporabniku (čeprav bi bilo to najbolj priporočljivo), lahko pa poskusimo pri osebah, ki imajo čim manj predznanja o vsebini prikaza oz. jo berejo prvič (na primer sodelavcu iz sosednje pisarne). Prototip tako izboljšujemo in ponovno testiramo, dokler ne dobimo zadovoljivih povratnih informacij za končno izvedbo oz. oblikovanje (Friis Dam & Yu siang, 2021).

3. OBLIKOVANJE VIZUALIZACIJE PODATKOV

3.1. Jasnost prikaza

Avtorja priročnika o vizualizaciji podatkov pravita, da je najenostavnejši prikaz vedno tudi najbolje oblikovan. Če česa ne moremo prikazati enostavno, to njuno sploh ni vredno prikaza oz. moramo spremeniti svoj pristop (koponen & Hildén, 2019, str. 29).

Da dosežemo jasnost prikaza, se moramo na začetku oblikovanja najprej znebiti vizualnega in vsebinskega balasta, ki le jemlje bralčevo pozornost in velikokrat bralcu po nepotrebnem daje občutek, da je vizualizacija zapletena. S tem pa tvegamo, saj bralca postavimo pred odločitev, ali bo posvetil svoj čas temu, da bo vizualizacijo sam razvozlal in poiskal njeno bistvo (Nussbaumer Knaflic, 2015, str. 73).

Pogosti primeri predvsem vizualnega balasta v klasičnih grafih so: premočne mrežne črte, nepotrebne označbe ločnic med posameznimi stolpci, uporaba raznih 3D učinkov, senc ali dodatnih stilskih obrob in nepravilna ali čezmerna uporaba barve ... Pri vsebinskem balastu pa gre najpogosteje za: preveč različnih vrst podatkov oz. veliko količino različnih kategorij podatkov v enem grafu, pregost interval na osi, ali pa legende tam, kjer niso potrebne…

Slika 3: Primer vizualnega balasta in vizualizacija istih podatkov po preoblikovanju

Vir podatkov: SURS, marec 2021.

Na preoblikovanem grafu so ostali le podatki, nujni za razumevanje. Znebili smo se tako oblikovnega kot vsebinskega balasta. Ob prikazu zdaj ni nepotrebne legende. Napis na osi X, oznaka za leto (ki za večino vsaj malo statistično pismenih ni potrebna), je nadomestila za bralca pomembnejša informacija – podrobnost o vrsti podatka, ki ga prikazujejo stolpci. Spremenil se je interval mrežnih črt na osi Y, ki se na preoblikovanem grafu začne z 0 – tako zagotovimo korektnejši prikaz podatkov, saj drugače bralca zavaja.

Preoblikovali smo tudi naslov grafa. Ta zdaj povzema bistveno sporočilo vizualizacije. Ostal je le jasen prikaz podatkov in osnova za nadaljnje oblikovanje grafa.

3.2. Usmerjanje pozornosti

Naši možgani so se v evoluciji naučili, kako hitro zaznati razlike v okolju (na primer premik plenilca v travi), saj je bilo to pomembno za naše preživetje. Za njihovo zaznavo skrbi naš ikonični spomin – ta obdela podatke, še preden jih naši možgani pošljejo v naš kratkotrajni in potem v dolgotrajni spomin.

konični spomin stalno skenira naše okolje za predpozorne atribute – vizualne lastnosti, ki jih uporablja za zaznavo sprememb v vzorcu. S strateško uporabo predpozornih atributov v vizualizaciji lahko dosežemo, da bralec prejme informacijo, ki mu jo želimo podati, še preden se sam zaveda, da jo je prejel ali da jo sploh želi prebrati. Zato so močno orodje za usmerjanje pozornosti (Nussbaumer Knaflic, 2015, str. 101–105).

Slika 4: Nabor pomembnejših predpozornih atributov

Vir: Povzeto po Nussbaumer Knaflic, 2015, str. 105, in Koponen & Hildén, 2019, str. 53.

Z uporabo predpozornih atributov v vizualizaciji podatkov lahko možgane med zaznavanjem usmerjamo, da samodejno izvajajo naloge, kot so:

• zaznava izbranega dela vizualizacije,
• zaznava mej med različnimi skupinami elementov,
• odstopanje elementa od celote,
• zaznava smeri, v katero se elementi premikajo,
• računanje oz. ocenjevanje količin (koponen & Hildén, 2019, str. 52).

Zato jih zelo učinkovito lahko uporabljamo za usmerjanje pozornosti v tiste dele vizualizacije, ki poudarjajo naše glavno sporočilo.

Slika 5: Pred uporabo predpozornih atributov v vizualizaciji in po njej

Vir podatkov: SURS, marec 2021.

Bralca pritegne že predpozorni atribut debelina črte, ki je uporabljen kot odebeljena pisava v naslovu in glavnem delu. Ta nam da informacijo o hierarhiji v grafu. Pogled bralca tudi takoj pritegne predpozorni atribut barva, ki je uporabljen kot poudarek stolpca za leto 2020. S pomočjo predpozornega atributa velikost – v tem primeru besedila

– je v grafu jasno vzpostavljena hierarhija informacij. Manjše besedilo pomeni manj pomemben podatek. Predpozorne atribute velikokrat uporabljamo, ne da bi se sploh zavedali. Če pa jih uporabljamo zavestno, lahko ciljno usmerjamo pozornost bralca in tako izboljšamo sporočilnost vizualizacije.

3.3. S komentarjem do zgodbe

Velikokrat so kontekst in dognanja opisani podrobneje v besedilu, ki stoji pred ali za sliko. To bralca privede do večkratnega preusmerjanja pozornosti z besedila na sliko in nazaj. Zato mu lahko olajšamo branje tako, da kontekst in/ali dognanje povzamemo v obliki komentarja že znotraj slike (koponen & Hildén, 2019, str. 217).

Seveda dodamo komentar le, kadar je to primerno in kadar res prinaša dodano vrednost vizualizaciji. Preveč komentarjev v sliki lahko hitro postane tudi vizualen balast.

Slika 6: Uporaba komentarja v grafu prinese zgodbo v vizualizacijo

Vir podatkov: SURS, marec 2021.

Če pa komentar uporabimo pravilno, lahko ta v sliki bralcu opiše označen del podatkov in deluje kot kazanje s prstom ob razlagi. Zato je komentar odličen pripomoček pri oblikovanju celostne zgodbe v vizualizaciji podatkov (Nussbaumer Knaflic, 2015, str. 141-142).

4. ZAKLJUČEK

Namen revizijskih poročil je, da spodbudijo in usmerijo revidiranca v boljše odločitve. Glavna naloga vizualizacije podatkov v revizijskih poročilih je razlaga revidirancu oz. bralcu.

Prispevek obravnava, kako lahko s pomočjo oblikovalskega mišljenja rešujemo probleme prikaza, tako da bralca postavimo v središče. Oblikovalsko mišljenje v kontekstu kreiranja vizualizacije podatkov se deli na pet faz:

• empatijo – določanje uporabnika in njegovih lastnosti (tako pogledamo na problem z njegovega vidika); 
• opredelitev – formulacija glavnega sporočila vizualizacije; 
• iskanje zamisli – pri katerih je z vidika vizualizacije podatkov najpomembnejša izbira pravilne vrste prikaza glede na odnose med podatki, ki jih želimo prikazati; 
• prototipiranje – hitro skiciranje najobetavnejših idej za naslednjo fazo – testiranje, katere namen je že zgodaj izvedeti, ali bralec res razume glavno sporočilo prikaza.

V drugem delu prispevka na praktičnem primeru grafa o javnem dolgu pokažemo, kako katero koli vizualizacijo narediti jasnejšo. To dosežemo z odstranitvijo nepotrebnega balasta, da tako pridobimo izčiščeno osnovno obliko. Prispevek nato obravnava predpozorne atribute – vizualne lastnosti, ki jih ljudje uporabljamo za zaznavo sprememb v vzorcu. Uporabo teh ponovno prikažemo na primeru grafa o dolgu države. S tem pokažemo, kako z njihovo uporabo usmerjamo bralčevo pozornost. V zadnjem delu prispevka je na istem primeru dodan še komentar, ki bralcu informacijo postavi v kontekst – s tem pa vizualizacija postane zgodba.

5. LITERATURA IN VIRI

1. Alawadhi, A., Rutgers University. (2015). The application of data visualization in auditing, doktorat. New Brunswick: Rutgers University.

2. Berinato, s. (2016). Good Charts: The HBR Guide to Making Smarter, More Persuasive Data Visualizations. Brighton: Harvard Business Review Press.

3. Ferdio Aps. (2021). DataVizProject – datavizproject.com. Najdeno 13. junija 2021 na spletni strani.

4. Financial Times, Smith, A. (b.l.). Visual Vocabulary Designing with data. Visual Vocabulary. Najdeno 13. junija 2021 na spletni strani.

5. Friis Dam, R., Yu Siang, T. (2021). 5 Stages in the Design Thinking Process. Interaction Design Fundation. Najdeno 13. junija 2021 na spletni strani.

6. Google llC, Material System. (2018). Data visualization – Material design. material.io. Najdeno 13. junija 2021 na spletni strani.

7. Koponen, J., Hildén, J. (2019). Data visualizations handbook. Espoo: Aalto University.

8. Nussbaumer Knaflic, C. (2015). Storytelling with data: a data visualisation guide for business professionals. Hoboken: John Wiley & Sons, Inc.

9. Rodríguez-Quintero, J.-F., Sánchez-Díaz, A., Iriarte-Navarro, L., Maté, A., Marco-Such, M., Trujillo, J. Fraud Audit Based on Visual Analysis: A Process Mining Approach. Applied Sciences, 2021, 11 (4751), 30. Najdeno 13. junija 2021 na spletnistrani.

10. Varian, H. (2009). Hal Varian on how the Web challenges managers. The McKinsey Quarterly. Najdeno 13. junija 2021 na spletni strani.

Opombe

* Aleksandra Vugrin, magistra oblikovanja vizualnih komunikacij, strokovna sodelavka, Računsko sodišče Republike slovenije, aleksandra.vugrin@rs-rs.si.

1. Dostopno na spletni strani (Ferdio Aps, 2021).

2. Dostopno na spletni strani (Financial Times & Smith, 2021).