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

2.3백만 달러의 실수, 차트에 대한 나의 생각을 바꾼 사건

잘못 디자인된 막대 차트가 내 클라이언트에게 2.3백만 달러의 비용을 초래한 순간을 아직도 기억합니다. 2019년이었고, 나는 맨해튼 고층 빌딩의 47층 회의실에 앉아 있었으며, 제약 회사의 경영인이 그의 경력 중 최악의 비즈니스 결정을 내리는 모습을 지켜보고 있었습니다. 모두 내가 만든 오해의 소지가 있는 시각화 때문이었습니다.

내 이름은 사라 천이며, 지난 14년 동안 데이터 시각화 컨설턴트로 일해왔으며, Fortune 500 기업, 정부 기관, 연구 기관과 협력해왔습니다. 맨해튼에서의 그 날은 나에게 경종을 울리는 순간이었습니다. 내가 디자인한 차트는 0에서 시작하지 않고 85에서 시작되는 잘린 y축을 사용하여 분기별 판매 추세를 보여주고 있었습니다. 극적인 40% 감소처럼 보였지만 실제로는 단지 6% 감소—정상적인 계절 변동이었습니다. 그러나 경영자는 축 레이블을 주의 깊게 읽기보다는 시각적 직관을 의존하여 전체 제품 라인에 큰 타격을 주는 대규모 구조 조정을 승인했습니다.

그 이후로, 나는 단지 보기 좋은 차트를 만드는 것이 아니라 진실을 전달하는 시각화를 만드는 방법을 이해하는 것을 내 사명으로 삼게 되었습니다. 나는 산업 전반에 걸쳐 3,000개 이상의 데이터 시각화를 분석하고, 500명 이상의 참가자와 함께 시선 추적 연구를 수행했으며, 마케팅 예산에서 공공 건강 정책에 이르기까지 다양한 프로젝트에 컨설팅했습니다. 내가 배운 것은 정보를 제공하는 차트와 오도하는 차트 간의 차이는 종종 몇 가지 중요한 결정으로 귀결된다는 사실입니다—대부분의 사람들이 생각 없이 내리는 결정들입니다.

이 기사는 그 회의실 재앙 이전에 내가 알고 싶었던 모든 것입니다. 아름다운 차트를 만드는 것이 아니라 정직한 차트를 만드는 것입니다.

왜 당신의 두뇌는 차트를 잘못 해석하도록 되어 있는가 (그리고 이를 극복하는 방법)

대부분의 데이터 시각화 가이드에서는 말하지 않는 것이 있습니다: 인간의 시각 시스템은 정량적 정보를 해석하는 데 근본적으로 불리합니다. 우리는 차트의 막대 상대 높이를 비교하는 것이 아니라 키가 큰 풀 속의 포식자를 발견하기 위해 진화했습니다. 이러한 생물학적 한계를 이해하는 것이 실제로 작동하는 시각화를 만드는 첫 단계입니다.

"가장 위험한 차트는 잘못된 것을 보는 것이 아니라, 올바르게 보이지만 잘못된 이야기를 전하는 차트입니다. 잘린 축은 속삭임을 외침으로 바꿀 수 있습니다."

내 연구에서 나는 사람들이 영역(예: 파이 차트)을 비교할 때 평균 23% 차이를 과대 평가한다는 것을 발견했습니다. 참가자들에게 서로 다른 크기의 두 원을 보여주었을 때, 그들은 보통 큰 원이 2.5배에서 3배 더 크다고 추정합니다. 이는 사람들이 수학을 잘 못해서가 아니라—우리의 시각 시스템이 면적을 선형이 아닌 로그 방식으로 처리하기 때문입니다.

같은 문제가 3D 차트에는 더욱 극적으로 나타납니다. 나는 한 소매 체인과 함께 일한 적이 있으며, 그들은 분기 보고서에서 3D 열 차트를 사용했습니다. 이러한 차트를 관리 팀과 테스트할 때, 나는 경영진이 관점 왜곡으로 인해 가까운 열이 멀리 있는 열보다 더 크게 보이면서 데이터를 30-40% 잘못 해석하는 것을 발견했습니다. 실제 값은 동일했지만요. 우리는 간단한 2D 막대로 바꾸었고, 그 결과 모든 사람이 실제로 그들의 판매 데이터를 이해할 수 있었습니다.

색상 인식은 또 다른 함정입니다. 남성의 약 8%와 여성의 0.5%는 색각 이상증이 있으며, 가장 흔하게는 적녹 색맹입니다. 그럼에도 불구하고 나는 매주 중요한 카테고리를 구분짓기 위해 빨간색과 초록색을 사용하는 차트를 여전히 봅니다. 기업 대시보드를 감사할 때, 약 35%는 색각 사용자에게 부분적으로 또는 완전히 접근할 수 없는 색 구성표를 사용합니다.

해결책은 색상을 피하는 것이 아니라, 지능적으로 사용하는 것입니다. 나는 항상 색각 장애인을 위해 안전하고 복사하기 쉬운 색상 팔레트인 ColorBrewer를 추천합니다. 무엇보다도, 데이터 카테고리를 구분하는 유일한 방법으로 색상을 사용하지 마십시오. 패턴, 레이블 또는 다양한 모양을 추가하세요. 색각 사용자(그리고 차트를 흑백으로 인쇄하는 모든 사람)에게 감사받을 것입니다.

이러한 인식 한계를 이해하는 것은 내가 모든 시각화 프로젝트에 접근하는 방법을 변화시켰습니다. 이제 나는 무엇이 잘못될 수 있는지에 대해 생각하는 시간을 그만큼이나 많이 쓰고 있습니다.

영점 기준선 규칙: 언제 깨야 하는가 (그리고 언제 깨는 것이 사기인가)

방 안의 코끼리를 다루어 봅시다: y축 논쟁. 축은 항상 0에서 시작해야 할까요? 이 질문에 대한 절대적인 의견으로 가득한 인터넷에서, 14년의 현장 경험을 바탕으로 말씀드리자면, 그 답은 대부분 사람들이 인식하는 것보다 더 미묘합니다.

일반적인 규칙은 간단합니다: 비율로 비교할 수 있는 양(예: 판매, 인구, 수익)을 보여주는 경우 축은 0에서 시작해야 합니다. 마침표. 내가 외부에서 잘못된 차트를 분석할 때, 잘린 y축이 내가 접하는 오해의 소지가 있는 시각화의 약 40%를 차지합니다. 0에서 시작하지 않는 막대 차트는 본질적으로 비율에 대해 거짓말을 하고 있습니다—시각적 비율이 숫자 비율과 일치하지 않기 때문입니다.

나는 그 2.3백만 달러의 실수로 이 교훈을 어렵게 배웠습니다. 제약 회사의 판매량은 94개에서 88개로 감소하여 6.4% 하락했습니다. 하지만 내 y축은 85에서 시작했기 때문에 시각적 인상은 거의 절반으로 줄어든 막대처럼 보였습니다. 경영자의 뇌는 수치 레이블보다 시각적 정보를 더 빠르게 처리했고, 누군가 실제 숫자를 보기 전에 결정이 내려졌습니다.

그러나—이것이 중요합니다—정당한 예외도 있습니다. 큰 숫자에서 작은 변화를 보여줄 때, 0 기준선은 데이터를 완전히 읽을 수 없게 만들 수 있습니다. 온도 차트가 고전적인 예입니다. 만약 68°F와 74°F 사이의 일일 온도 변화를 보여준다면, 0에서 시작하는 차트는 모든 데이터를 상단의 좁은 띠로 압축시켜 실제 패턴을 보는 것을 불가능하게 만들 것입니다.

핵심은 맥락과 정직성입니다. 비제로 기준선을 사용해야 할 때, 나는 세 가지 규칙을 따릅니다: 첫째, 축의 단절을 시각적으로 명확하게 만들고, 종종 지그재그 라인이나 명확한 주석을 사용합니다. 둘째, 실제 숫자를 눈에 잘 띄게 포함시켜 독자가 시각적 인상을 검증할 수 있게 합니다. 셋째, 잘림이 독자의 이해에 기여하는지 아니면 내 의도에 기여하는지 스스로에게 물어봅니다. 후자라면 차트를 다시 디자인합니다.

또한 간단한 테스트를 개발했습니다: 누군가가 당신의 차트를 세 초 동안 쳐다본다면, 그들은 데이터에 대한 정확한 인상을 가지고 떠날까요? 아니라면, 디자인을 다시 해야 합니다. 내 컨설팅 작업에서, 이 3초 테스트는 청중에게 도달하기 전에 오해의 소지가 있는 시각화의 약 80%를 잡아내는 것을 발견했습니다.

올바른 차트 유형 선택하기: 실제로 작동하는 결정 프레임워크

나는 데이터가 정확하지만 메시지에 완전히 부적합한 시각화 유형을 가진 수천 개의 차트를 검토했습니다. 변화 과정을 보여주는 파이 차트. 관련 없는 카테고리를 비교하는 선 그래프. 단순한 표여야 할 3D 분해 도넛 차트. 잘못된 차트 유형은 단지 모양이 나쁘기 때문에...