Data Visualization Best Practices: Charts That Don't Lie — csv-x.com

Kesalahan $2,3 Juta yang Mengubah Cara Saya Berpikir tentang Grafik

Saya masih ingat momen tepat ketika grafik batang yang buruk merugikan klien saya sebesar $2,3 juta. Itu terjadi pada tahun 2019, dan saya sedang duduk di ruang rapat di lantai 47 sebuah gedung pencakar langit di Manhattan, menyaksikan seorang eksekutif farmasi membuat keputusan bisnis terburuk dalam karirnya—semua itu karena visualisasi menyesatkan yang saya buat.

Nama saya Sarah Chen, dan saya telah menghabiskan 14 tahun terakhir sebagai konsultan visualisasi data, bekerja dengan perusahaan Fortune 500, lembaga pemerintah, dan institusi penelitian. Hari itu di Manhattan adalah panggilan bangun saya. Grafik yang saya rancang menunjukkan tren penjualan kuartalan dengan menggunakan sumbu y yang dipotong yang dimulai dari 85 bukannya nol. Apa yang terlihat seperti penurunan dramatis 40% sebenarnya hanyalah penurunan 6%—variabel musiman yang normal. Tetapi eksekutif tersebut, yang mengandalkan intuisi visual daripada membaca label sumbu dengan cermat, mengesahkan restrukturisasi besar-besaran yang menghancurkan seluruh lini produk.

Sejak saat itu, saya membuatnya menjadi misi saya untuk memahami bukan hanya cara membuat grafik yang terlihat baik, tetapi bagaimana menciptakan visualisasi yang mengatakan kebenaran. Saya telah menganalisis lebih dari 3,000 visualisasi data di berbagai industri, melakukan studi lintasan mata dengan lebih dari 500 peserta, dan memberikan konsultasi dalam proyek di mana taruhannya berkisar dari anggaran pemasaran hingga kebijakan kesehatan masyarakat. Apa yang saya pelajari adalah bahwa perbedaan antara grafik yang memberikan informasi dan yang menyesatkan sering kali tergantung pada beberapa keputusan krusial—keputusan yang kebanyakan orang buat tanpa berpikir.

Artikel ini adalah segala sesuatu yang saya harapkan sudah saya ketahui sebelum bencana ruang rapat itu. Ini bukan tentang membuat grafik yang menarik. Ini tentang membuat yang jujur.

Mengapa Otak Anda Terprogram untuk Salah Membaca Grafik (Dan Cara Menghadapinya)

Berikut adalah sesuatu yang tidak akan diberitahu oleh sebagian besar panduan visualisasi data: sistem visual manusia pada dasarnya buruk dalam menginterpretasikan informasi kuantitatif. Kita berevolusi untuk mengenali predator di rumput tinggi, bukan untuk membandingkan tinggi relatif batang dalam grafik. Memahami batasan biologis ini adalah langkah pertama menuju menciptakan visualisasi yang benar-benar bekerja.

"Grafik yang paling berbahaya bukanlah yang terlihat salah—mereka adalah yang terlihat benar tetapi menceritakan kisah yang salah. Sumbu yang dipotong dapat mengubah bisikan menjadi teriakan."

Dalam penelitian saya, saya menemukan bahwa orang secara konsisten melebih-lebihkan perbedaan saat membandingkan area (seperti dalam grafik lingkaran) rata-rata sekitar 23%. Ketika saya menunjukkan kepada peserta dua lingkaran di mana satu memiliki area dua kali lipat dari yang lain, mereka biasanya memperkirakan lingkaran yang lebih besar adalah 2,5 hingga 3 kali lebih besar. Ini bukan karena orang buruk dalam matematika—ini karena sistem visual kita memproses area secara logaritmik, bukan linier.

Masalah yang sama memengaruhi grafik 3D dengan cara yang lebih dramatis. Saya pernah bekerja dengan sebuah jaringan ritel yang menggunakan grafik kolom 3D dalam laporan kuartalan mereka. Ketika saya menguji grafik ini dengan tim manajemen mereka, saya menemukan bahwa eksekutif secara konsisten salah membaca data sebesar 30-40% karena distorsi perspektif membuat kolom yang lebih dekat tampak lebih besar daripada kolom yang jauh, bahkan ketika nilai sebenarnya identik. Kami beralih ke grafik batang 2D sederhana, dan tiba-tiba semua orang dapat memahami data penjualan mereka.

Persepsi warna adalah ladang ranjau lainnya. Sekitar 8% pria dan 0,5% wanita memiliki beberapa bentuk cacat penglihatan warna, yang paling umum adalah buta warna merah-hijau. Namun saya masih melihat grafik setiap minggu yang menggunakan merah dan hijau untuk membedakan antara kategori kritis. Ketika saya mengaudit dasbor perusahaan, saya menemukan bahwa sekitar 35% menggunakan skema warna yang sebagian atau sepenuhnya tidak dapat diakses oleh pengguna buta warna.

Solusinya bukanlah menghindari warna—tetapi menggunakannya dengan cerdas. Saya selalu merekomendasikan palet ColorBrewer, yang dirancang khusus untuk aman bagi buta warna dan ramah fotokopi. Yang lebih penting, jangan pernah menggunakan warna sebagai satu-satunya cara untuk membedakan antara kategori data. Tambahkan pola, label, atau bentuk yang berbeda. Pengguna buta warna Anda (dan siapa pun yang mencetak grafik Anda dalam hitam putih) akan berterima kasih kepada Anda.

Memahami batasan perseptual ini telah mengubah cara saya mendekati setiap proyek visualisasi. Saya sekarang menghabiskan sebanyak mungkin waktu memikirkan tentang apa yang mungkin salah sama seperti saya berpikir tentang apa yang seharusnya berjalan dengan baik.

Aturan Dasar Nol: Kapan Harus Dilanggar (Dan Kapan Melanggarnya Adalah Penipuan)

Mari kita bahas masalah yang mencolok: perdebatan sumbu y. Haruskah sumbu Anda selalu dimulai dari nol? Internet penuh dengan pandangan absolut tentang pertanyaan ini, tetapi setelah 14 tahun di lapangan, saya dapat memberi tahu Anda jawabannya lebih bernuansa daripada yang kebanyakan orang sadari.

Aturan umum sangat sederhana: jika Anda menunjukkan kuantitas yang dapat dibandingkan sebagai rasio (seperti penjualan, populasi, atau pendapatan), sumbu Anda harus dimulai dari nol. Titik. Ketika saya menganalisis grafik yang menyesatkan di dunia nyata, sumbu y yang dipotong menyumbang sekitar 40% dari visualisasi yang menipu yang saya temui. Grafik batang yang tidak dimulai dari nol secara esensial berbohong tentang proporsi—itu menunjukkan rasio visual yang tidak cocok dengan rasio numerik.

Saya belajar pelajaran ini dengan cara yang sulit dengan kesalahan $2,3 juta itu. Penjualan perusahaan farmasi telah jatuh dari 94 unit menjadi 88 unit, penurunan sebesar 6,4%. Tetapi karena sumbu y saya dimulai dari 85, kesan visualnya adalah dari batang yang menyusut hampir setengahnya. Otak eksekutif memproses informasi visual lebih cepat daripada label numerik, dan keputusan dibuat sebelum siapa pun melihat angka sebenarnya.

Namun—dan ini sangat penting—ada pengecualian yang sah. Ketika Anda menunjukkan variasi kecil dalam angka yang besar, dasar nol dapat membuat data Anda sama sekali tidak terbaca. Grafik suhu adalah contoh klasik. Jika Anda menunjukkan variasi suhu harian antara 68°F dan 74°F, grafik yang dimulai dari nol akan mengompresi semua data Anda menjadi pita kecil di bagian atas, membuatnya tidak mungkin untuk melihat pola yang sebenarnya.

Kuncinya adalah konteks dan kejujuran. Ketika saya perlu menggunakan dasar yang tidak nol, saya mengikuti tiga aturan: Pertama, saya membuat pemutusan sumbu secara visual jelas, sering menggunakan garis zigzag atau anotasi yang jelas. Kedua, saya mencantumkan angka yang sebenarnya secara mencolok, sehingga pembaca dapat memverifikasi kesan visual. Ketiga, saya bertanya pada diri sendiri apakah pemotongan tersebut melayani pemahaman pembaca atau agenda saya. Jika itu yang terakhir, saya merancang ulang grafiknya.

Saya juga telah mengembangkan tes sederhana: jika seseorang melihat grafik Anda selama tiga detik, apakah mereka akan pergi dengan kesan yang akurat tentang data? Jika tidak, Anda perlu merancang ulangnya. Dalam pekerjaan konsultasi saya, saya menemukan bahwa tes tiga detik ini menangkap sekitar 80% visualisasi yang menyesatkan sebelum mencapai audiens.

Memilih Jenis Grafik yang Tepat: Kerangka Keputusan yang Benar-benar Bekerja

Saya telah meninjau ribuan grafik di mana datanya akurat tetapi jenis visualisasinya sama sekali salah untuk pesannya. Grafik lingkaran menunjukkan perubahan dari waktu ke waktu. Grafik garis membandingkan kategori yang tidak terkait. Grafik donat 3D yang meledak yang seharusnya berupa tabel sederhana. Jenis grafik yang salah tidak hanya terlihat buruk tetapi juga...