Imagem de DALL-E 3


No artigo anterior , discutimos a escolha do tipo de visualização mais adequado para sua tarefa. Identificamos sete casos de uso diferentes ( Série Temporal, Comparação Nominal, Desvio, Classificação, Parte para o Todo, Distribuição de Frequência e Correlação ) e quais tipos de gráficos serão as melhores opções para eles. Não é surpresa que, na maioria dos casos, você possa usar tipos básicos de gráficos, como gráficos de linhas, gráficos de barras ou gráficos de dispersão.

Selecionar o tipo de visualização ideal é uma base essencial. No entanto, não é tudo o que você precisa ter em mente ao trabalhar na visualização de dados.

Vamos voltar ao básico. O objetivo principal da visualização é transmitir sua mensagem ao público. É por isso que precisamos pensar em como o público percebe nossos gráficos. Na prática, a percepção e a compreensão do público dependem de muitos pequenos detalhes.

Neste artigo, gostaria de compartilhar esses aspectos essenciais da visualização de dados. Passaremos por três etapas para obter visuais mais claros, nítidos e inteligentes:reduzindo o ruído para evitar confusão e distração do público,
adicionando destaques para focar sua atenção,
adicionando o contexto para fornecer todas as informações necessárias para uma compreensão clara.

Usarei o Plotly, pois é minha principal ferramenta para visualização de dados.


A menos que seja explicitamente declarado, todos os exemplos de gráficos abaixo são baseados em conjuntos de dados sintéticos.
Passo 1: Reduzindo o ruído

Pode ser tentador incluir todas as informações que você possui em sua visualização, por exemplo, adicionar rótulos para cada ponto do gráfico. Nesses momentos, geralmente somos movidos por boas intenções — dar ao público uma visão abrangente.

No entanto, o cérebro humano funciona de maneira diferente. Cada elemento adicionado à visualização aumenta a carga cognitiva. As pessoas têm uma capacidade mental limitada para perceber informações, por isso é essencial não desperdiçá-las adicionando elementos desnecessários. Ao adicionar muitos detalhes, você corre o risco de perder completamente o seu público, porque seus gráficos podem ser considerados mais complicados do que realmente são. Essa complexidade percebida pode assustar o seu público, pois eles podem não querer gastar tempo e esforço para compreendê-la.

Podemos consultar os livros icônicos de visualização de dados para pensar sobre isso. Edward Tufte é um pioneiro na área de visualização de dados. Em seu livro “ The Visual Display of Quantitative Information” , ele introduz o conceito de relação dados-tinta ( fonte ).


Uma grande parte da tinta em um gráfico deve apresentar informações de dados, a tinta mudando conforme os dados mudam. A tinta de dados é o núcleo não apagável de um gráfico, a tinta não redundante disposta em resposta à variação nos números representados.

Nosso objetivo é maximizar a participação de elementos significativos (ou tinta) em nossos gráficos. Para isso, podemos remover a desordem (ou ruído) dos nossos gráficos para diminuir a carga cognitiva percebida. A desordem são elementos gráficos que ocorrem, mas não fornecem nenhuma compreensão adicional.

Infelizmente, as configurações padrão em nossas ferramentas às vezes não nos ajudam a fazer visualizações claras. Então, antes de tudo, aconselho você a alterar o modelo padrão no Plotly – isso o ajudará a organizar seus gráficos.

O modelo padrão é plotly. É semelhante ao estilo Seaborn (você pode conferir na galeria ) e inclui cores de fundo e linhas de grade. Na minha opinião, adiciona muito ruído aos gráficos. Eu prefiro um modelo muito mais leve chamado simple_white.

Você pode comparar esses dois estilos no gráfico. Sinta a diferença.

Gráficos por autor


Use o código abaixo para alterar o modelo para todas as suas visualizações do Plotly. Você pode verificar quais outros modelos integrados estão disponíveis e até aprender como criar seu próprio modelo personalizado na documentação .importar plotly.io como pio
pio.templates.default = 'simple_white'


Após alterar o modelo para simple_white, todos os seus gráficos ficarão automaticamente mais claros. No entanto, é apenas o começo de nossa jornada para visualizações de dados sem confusão. Como cada elemento gráfico adiciona carga cognitiva, vale a pena considerar se eles são necessários. Cada elemento do seu gráfico deve ser uma decisão consciente, e não o comportamento padrão da sua ferramenta.

Em muitos casos, os elementos gráficos não agregam nenhum valor à compreensão, por isso podemos (e devemos) nos livrar deles. Vejamos alguns desses exemplos.

Se você criar um gráfico de barras com apenas um traço, o Plotly ainda mostrará a legenda. No entanto, podemos eliminá-lo sem perder nenhuma informação e fornecer contexto sobre a métrica no título do eixo y.

Gráficos por autor


Vamos ocultar a legenda em nosso gráfico.# cria gráfico
fig = px.bar( df , text_auto = ',.6r' , width = 600)

# oculta a legenda
fig.update_layout(showlegend = False)


Foi surpreendente para mim, mas há casos em que você consegue se livrar não só da lenda, mas também de um dos eixos. Observe os dois gráficos abaixo: rotulamos cada barra para maior clareza, tornando mais fácil para o público interpretar e comparar os valores com base no comprimento das barras. Portanto, não há necessidade de manter o eixo x. Idealmente, deveríamos adicionar algum contexto sobre a métrica usada ao título do gráfico – discutiremos como fazer isso mais tarde.
Gráfico por autor

Para ocultar um dos eixos, precisamos alterar sua visibilidade.fig.update_xaxes(visible = False )
# você pode ocultar os eixos y de forma semelhante usando fig.update_yaxes(visible = False)


Aprendemos como ajustar os padrões do Plotly e tornar seus gráficos mais limpos e claros. No entanto, não é a única coisa a ter em conta: muitas vezes, adicionamos ruído e desorganizamo-nos. Deixe-me mostrar exemplos de gráficos barulhentos que já vi muitas vezes.

Analistas gostam de números (pelo menos eu). Então, muitas vezes queremos mostrar ao nosso público todos esses números, por exemplo, quantos clientes tivemos nos meses anteriores. Muitas vezes termina com um gráfico como o abaixo.
Gráfico por autor

Com toda essa confusão de números, você perde totalmente as tendências e insights dos dados. O que eu faria para consertar:Escusado será dizer que eu removeria os rótulos. Se o seu público precisa saber números precisos, mantenha apenas os essenciais (por exemplo, apenas os últimos dois meses).
É uma boa prática arredondar os valores que você está mostrando, por exemplo, 184.1Kem vez de 184051. Na maioria dos casos, não há muita diferença para o seu público, se eram 184.051 ou 184.063 clientes.
Além disso, se você quiser focar a atenção do seu público nas tendências dos seus dados, aconselho você a omitir os marcadores e manter apenas as linhas.

A outra tentação é tornar suas visualizações mais coloridas. Por favor, resista, a menos que as cores desempenhem o seu papel, seja codificando alguns dados ou destacando os aspectos mais dignos de nota. Falaremos sobre o uso sábio das cores em um segundo. Enquanto isso, você pode olhar o exemplo abaixo e observar o que chama sua atenção primeiro e quanto esforço é necessário para entender os dados subjacentes. Quando olho para o primeiro gráfico, fico um pouco confuso e fico pensando no que essas cores significam e por que cada barra é diferente.

Gráficos por autor


Além disso, este gráfico nos mostra que ter muitos acentos (cores brilhantes no nosso caso) não funciona — estamos apenas distraídos e não sabemos no que focar.

Aprendemos como remover ruído de nossos gráficos. Após esta etapa, temos visualizações neutras. Eles são como uma tela. Agora, o próximo passo é colocar os acentos estrategicamente.
Passo 2: Adicionando acentos

Usar sotaques com sabedoria permite direcionar a atenção do público e enfatizar a mensagem principal. As pessoas geralmente prestam atenção primeiro às cores mais brilhantes e mais escuras. Porém, é importante lembrar que não é possível destacar tudo. Em vez disso, você deve concentrar o foco do seu público em um ou dois aspectos principais dos dados.

Você também pode construir uma hierarquia de acentos, enfatizando ao máximo a mensagem principal e colocando partes não tão importantes (mas ainda necessárias) para segundo plano. Ele permite que você evite distrações, mas ainda mantenha todo o contexto necessário. Veremos exemplos de tais abordagens abaixo.

Se você quer entender quais elementos da sua visualização de dados chamam a atenção, tente fazer o seguinte teste simples: feche os olhos, abra-os e observe o que inicialmente chama sua atenção. Outra opção é mostrar sua visualização a outra pessoa e pedir que comente sobre seu processo de pensamento.
Cores

Na minha opinião, a cor é a ferramenta mais poderosa para chamar a atenção do seu público. É por isso que quero discutir isso em detalhes. Vamos começar com um exemplo. Veja a visualização abaixo. O que você olha primeiro? O que você acha que o autor queria lhe dizer com este gráfico?
Gráfico por autor, dados da pesquisa StackOverflow

Você provavelmente começou a olhar para o SQL e compará-lo com outras linguagens. Em meu artigo anterior , usei este gráfico para ilustrar a seguinte ideia:

De acordo com a pesquisa anual StackOverflow , SQL ainda é uma das linguagens mais populares do mundo. Para desenvolvedores profissionais, SQL está entre as três principais linguagens (depois de Javascript e HTML/CSS). Mais da metade dos profissionais o utilizam. Surpreendentemente, o SQL é ainda mais popular que o Python.

Usei o contraste entre o cinza e o azul brilhante para focar sua atenção no SQL de que estava falando. Se eu fizesse essa visualização agora, também deixaria o título mais ousado para destacá-lo, já que é um contexto significativo.

Vamos compará-lo com uma versão totalmente neutra em cinza. Sem nenhuma pista visual, você gastaria muito mais tempo e esforço analisando todos os dados.
Gráfico por autor

Espero que agora você possa ver todo o poder potencial da cor. Vamos aprender como usar as cores no Plotly

Começaremos com um gráfico de barras como no exemplo acima. Destaquei os segmentos onde a conversão está abaixo do limite com uma cor mais brilhante. Para isso, defini a lista de cores dependendo do valor de conversão e passei para o Plotly como cor para linhas e marcadores. Também especifiquei que quero rótulos fora das barras e tornei as cores mais claras com a opacidade.# definindo cores com base no valor de conversão
cores = list ( map (
lambda x: 'silver' if x >= 40 else 'purple' ,
conv_df.conversion.values
​​))

# criando gráfico padrão
fig = px.bar(conv_df, text_auto= '.2f' , rótulos = { 'valor' : 'conversão, %' })

# atualizando cores
fig.update_traces(marker_color=colors, marker_line_color=colors,
textposition= 'outside' , marcador_line_width= 1.5 , opacity= 0.9 )

# escondendo legenda
fig.update_layout(showlegend = False )

# atualizando o intervalo para adicionar algum espaço no topo
fig.update_yaxes( range = [ 0 , 70 ])

Gráfico por autor

Vamos discutir um pouco sobre como definir as cores. No exemplo acima, usei cores SVG predefinidas "silver"e arquivos "purple". Você pode encontrar a lista completa de cores predefinidas aqui .

Se quiser mais personalização, você pode passar as cores como códigos HEX. Por exemplo, você pode usar as cores da sua marca para adicionar a vibração da sua empresa às apresentações.

A maneira mais fácil de obter códigos HEX é fazer uma captura de tela de sua interface, carregá-la em um seletor de cores ( normalmente procuro “seletor de cores online a partir de imagem” ) e procurar todos os códigos necessários. Por exemplo, uma das cores da marca Wise (a empresa em que trabalho) é verde brilhante com um código hexadecimal #9FE870.
Imagem do autor

Como costumo usar cores de marca em meus gráficos, guardei-as localmente em um arquivo de configuração para que possa acessá-las facilmente por nome.cores = {
"light_green" : "#9FE870" ,
"dark_green" : "#163300" ,
"light_blue" : "#7CECF1" ,
"dark_blue" : "#000146" ,
"light_orange" : "#FFC828"
}


Agora, espero que você não fique preso tentando entender como dizer ao Plotly qual cor você deseja. Então, vamos passar para outro exemplo com gráficos lineares e aprender outras maneiras de especificar cores.

Se quiser definir manualmente a cor de cada segmento com precisão, você pode usar color_discrete_map. Costumo usar essa abordagem quando preciso de codificação de cores consistente em vários gráficos. Se você representar o Android em azul e o iOS em laranja em um gráfico da sua apresentação, mas depois inverter as cores em outro gráfico, seu público poderá ficar confuso. Então, vale ficar atento a tais detalhes.

No gráfico abaixo, usei roxo para destacar o crescente público do iOS e tons de cinza para as outras plataformas, pois não quero que você preste atenção nelas.colormap = { 'Android' : 'prata' , 'Windows' : 'cinza' , 'iOS' : 'roxo' }
px.line (ts_df, color_discrete_map = colormap)

Imagem do autor

Se eu quiser mostrar coortes e não me importar com uma cor específica para cada coorte, posso apenas especificar a sequência de cores no color_discrete_sequenceparâmetro.px.area(df, color_discrete_sequence = px.colors.qualitative.Prism)

Gráfico por autor

Usei uma paleta Plotly predefinida para cores, mas você também pode especificar cores personalizadas como uma lista de strings. Aqui estão as paletas disponíveis no Plotly:Paletas de cores discretas incluem principalmente cores divergentes, que são úteis quando você precisa distinguir segmentos diferentes uns dos outros.
Nas escalas de cores contínuas , você pode encontrar muitas paletas de cores sequenciais que são ideais para categorias ordinais (por exemplo, maturidade do cliente igual a "< 1 month", "1–3 months", "4–6 months", "6–12 months"e "> 12 months").

As escalas contínuas também podem ser usadas quando você precisa codificar valores usando cores, como mapas de calor.px.imshow(
gmv_df.values,
x = gmv_df.columns,
y = gmv_df.index,
color_continuous_scale= 'pubugn'
text_auto= ',.6r' , aspecto= "auto" ,
rótulos= dict (x= "faixa etária" , y= "região" , color= "GMV em GBP" )
)

Gráfico por autor

Ao usar cores, você precisa ter em mente que existem pessoas daltônicas. A dificuldade mais comum é distinguir tons de vermelho e verde. Portanto, tente evitar essas combinações ou use outras dicas visuais simultaneamente (como texto ou ícones). Isso o ajudará a não perder parte do seu público.

Tons de verde e vermelho são frequentemente usados ​​para denotar os aspectos positivos e negativos de algo (por exemplo, para mostrar conversões mais altas e mais baixas em um mapa de calor). Você pode usar tons de azul e laranja.
Tamanho

A outra maneira de destacar algo é o tamanho. Percebemos algo maior como algo mais significativo. Por exemplo, para acentuar uma das linhas, podemos aumentar sua largura.

No Plotly, precisamos usar objetos gráficos para ajustar a largura das linhas.importar plotly.graph_objects como go

fig = go.Figure()

fig.add_trace(
go.Scatter(
mode= 'lines' , x=ts_df.index,
y=ts_df.Android, showlegend= True ,
name = 'Android' , linha = { 'largura' : 1 }
)
)
fig.add_trace(
go.Scatter(
mode= 'lines' , x=ts_df.index,
y=ts_df.Windows, showlegend= True ,
name = 'Windows' , line = { ' largura' : 1 }
)
)
fig.add_trace(
go.Scatter(
mode= 'lines' , x=ts_df.index,
y=ts_df.iOS, showlegend= True ,
name = 'iOS' , line = { 'width' : 3 }
)
)

fig.show()

Gráfico por autor

Agora, a linha iOS se destaca em relação às demais plataformas. Também podemos chamar a atenção do público usando fontes em negrito ou itálico. Vamos adicionar o título ao nosso gráfico e destacar a parte central dele. Para isso, podemos usar a tag HTML <b>.fig.update_layout(
title = '<b>Sessões mensais:</b> tendência altíssima para iOS'
)

Gráfico por autor
Etapa 3: contar histórias

Aprendemos como colocar acentos e estamos prontos para passar para a última parte: contar histórias. Já discutimos que o contexto é vital para a compreensão da mensagem. Portanto, nesta parte discutiremos como adicioná-lo aos seus gráficos.

Para adicionar mais contexto, a coisa mais simples que você pode aproveitar é especificar um título e rótulos. Isso evitará perguntas do seu público sobre o que exatamente eles veem. Você pode usar um titleparâmetro para o título de um gráfico (semelhante ao que fizemos antes) e labelspara substituir rótulos padrão para eixos e títulos de legenda.px.line(ts_df, width = 600 ,
rótulos = { 'value' : 'sessions' , 'os' : 'platform' , 'month_date' : 'month' },
title = 'Sessões mensais ao longo do tempo' )


Gráficos por autor


É uma boa prática detalhar os títulos para que fiquem bastante longos. Plotly é uma ferramenta visual poderosa, mas pode ser melhorada. Por exemplo, ele não pode lidar com títulos longos de gráficos – a cauda do título não ficará visível.

No entanto, Plotly é bastante ágil e podemos consertar nós mesmos. Usaremos <br>a tag HTML para adicionar quebras de linha entre palavras se o comprimento da linha exceder o limite (70 caracteres). Vamos fazê-lo.def format_string_by_lines ( s, line_limit = 70 ):
linhas = []
curr_line_words = []
curr_line_length = 0


para palavra em s.split( ' ' ):
if curr_line_length + len (palavra) > line_limit:
linhas.append( ' ' .join (curr_line_words))
curr_line_words = []
curr_line_length = 0

curr_line_words.append(word)
curr_line_length += len (palavra)

linhas.append( ' ' .join(curr_line_words))
return ' <br> ' .join(lines)

chart_title = ' <b>Sessões mensais ao longo do tempo:</b> podemos ver uma tendência crescente no iOS, enquanto o Android e o Windows estão bastante estagnados.'
px.line(ts_df, largura = 600 ,
rótulos = { 'valor' : 'sessões' , 'os' : 'plataforma' , 'mês_data' : 'mês' },
título = format_string_by_lines(chart_title))


Gráficos por autor


Além disso, podemos querer mostrar alguns dos valores das métricas. Já discutimos que rotular todos os pontos de dados gera muita confusão, mas mostrar os últimos valores parece razoável.

Vou demonstrar duas maneiras de fazer isso no Plotly: usando a textfuncionalidade de campo e anotações. Geralmente prefiro usar text, mas é bastante subjetivo.

Vamos começar com a textopção. Primeiro, vamos dar uma olhada no conjunto de dados brutos.
Imagem do autor

Agora, vamos adicionar text_valao conjunto de dados o campo que é igual ao valor do último mês e está vazio para os demais. Também especifiquei a formatação para mostrar números como milhares para remover detalhes desnecessários.raw_ts_df[ 'text_val' ] = lista ( mapa (
lambda v, d: '' if d != raw_ts_df.month_date. max () else '%.1fK' % (v/ 1000 ),
raw_ts_df.value,
raw_ts_df.month_date
) )


Estamos prontos para criar nossa visualização. Passei a text_valcoluna recém-criada como textparâmetro para a visualização, atualizei o modeto be "lines+text"e especifiquei a middle rightposição do texto. Também movi a legenda para que não interfira em nossas anotações.fig = px.line(raw_ts_df, x = 'mês_data' , y = 'valor' ,
cor = 'plataforma' , texto = 'text_val' ,
largura = 1000 , altura = 500 ,
rótulos = { 'valor' : 'sessões' , 'os' : 'plataforma' , 'month_date' : 'mês' },
title = '<b>Sessões mensais</b>' )

fig.update_traces(textposition= "middle right" , mode= 'lines+text' )
fig.update_layout(legend= dict (orientação= "h" , yanchor= "inferior" ,
y= 0.05 , xanchor= "direita" , x= 1 ))

Gráfico por autor

A outra maneira de rotular os valores é usar a funcionalidade de anotações. Primeiramente vamos calcular os últimos valores de cada plataforma e formatar o texto.anotações = raw_ts_df.groupby( 'plataforma' , as_index = False )\
.agregado({ 'valor' : 'último' , 'data_mês' : 'último' })\
.rename(colunas = { 'valor' : 'y' , 'data_mês' : 'x' })

anotações[ 'texto' ] = anotações.y. mapa ( lambda v: '%.1fK' % (v/ 1000 ))
anotações = annotations.drop( 'plataforma' , eixo = 1 )


Vamos adicionar mais parâmetros que usaremos para formatação das anotações e converter o quadro de dados na lista que podemos passar para o Plotly.anotações[ 'showarrow' ] = anotações falsas [ 'xanchor' ] = 'esquerda' anotações[ 'yanchor' ] = 'meio' annotations_list = annotations.to_dict( 'records' )





Agora, podemos fazer uma visualização passando anotações de forma semelhante e obter o mesmo resultado. Então, depende de você o que usar.fig = px.line(raw_ts_df, x = 'mês_data' , y = 'valor' ,
cor = 'plataforma' ,
largura = 1000 , altura = 500 ,
rótulos = { 'valor' : 'sessões' , 'os' : ' platform' , 'month_date' : 'month' },
title = '<b>Sessões mensais</b>' )

fig.update_layout(annotations = annotations_list,
legend= dict (orientation= "h" , yanchor= "bottom" ,
y= 0,05 , xanchor= "direita" , x= 1 ))


Linhas verticais ou horizontais também podem adicionar o contexto necessário para o seu público. Por exemplo, você pode destacar datas importantes, como o lançamento de uma campanha de marketing ou mostrar o SLA para sua métrica. Vamos adicionar uma linha vertical ao nosso gráfico.

Você pode fazer isso facilmente usando fig.add_vline. Infelizmente, há um bug no Plotly e ele não funciona com datas. No entanto, podemos usar uma solução alternativa : parece estranho, mas funciona.fig.add_vline(
x=datetime.datetime.strptime( "2023-09-01" , "%Y-%m-%d" ).timestamp() * 1000 , line_width= 3 , line_dash= "traço" ,
line_color= 'black' , annotation_text= "Campanha de marketing <br> " ,
annotation_position= "canto superior esquerdo"
)

Gráfico por autor

Você pode adicionar linhas horizontais ou até mesmo retângulos se quiser destacar toda a área do gráfico. Você pode encontrar mais detalhes na documentação .
Resumo

Neste artigo, examinamos os aspectos essenciais das visualizações de dados:Removendo ruídos desnecessários para evitar distrações,
Usando acentos para chamar a atenção do público usando cores e tamanhos,
Adicionando contexto para ajudar seu público a entender sua mensagem.


Muito obrigado por ler este artigo. Se você tiver alguma dúvida ou comentário, deixe-os na seção de comentários.
Referência

Este artigo é altamente influenciado pelo excelente livro sobre visualização de dados, “Storytelling with Data: A Data Visualization Guide for Business Professionals”, de Cole Nussbaumer Knaflic.