Big datan ja analytiikkamaailman käsitteiden läpikäyminenJari Jussila
Big datan ja analytiikkamaailman käsitteiden läpikäyminen. Kooste esityksestä 12.3.2014 Edutech Big Data ja data-analytiikka liiketoiminnan kehittämisessä,
Moduuli 1: Big Data nyt ja tulevaisuudessa.
Tutustuminen data-analytiikan ja big datan maailmaanJari Jussila
Tutustuminen data-analytiikan ja big datan maailmaan. Valikoitua sisältöä Edutech Data ja analytiikka liiketoiminnan kehittämisessä koulutuspäivästä. Kouluttajina Pasi Hellsten & Jari Jussila. @EdutechTUT #Data4BizTraining
Big datan ja analytiikkamaailman käsitteiden läpikäyminenJari Jussila
Big datan ja analytiikkamaailman käsitteiden läpikäyminen. Kooste esityksestä 12.3.2014 Edutech Big Data ja data-analytiikka liiketoiminnan kehittämisessä,
Moduuli 1: Big Data nyt ja tulevaisuudessa.
Tutustuminen data-analytiikan ja big datan maailmaanJari Jussila
Tutustuminen data-analytiikan ja big datan maailmaan. Valikoitua sisältöä Edutech Data ja analytiikka liiketoiminnan kehittämisessä koulutuspäivästä. Kouluttajina Pasi Hellsten & Jari Jussila. @EdutechTUT #Data4BizTraining
Tietokulttuuri - Miten data-ohjautunut kulttuuri muodostuu organisaatioon?Mika Aho
Esityksessä tarkastellaan data-ohjautuneen kulttuurin muodostumista organisaatioon neljän näkökulman kautta: tiedon demokratisointi, tiedon hyödyntäminen, mittaaminen sekä osaaminen ja oppiminen.
1. www.bearit.fi
D ATA P O H J A I S T E N V I S U A L I S O I N T I E N S U U N N I T T E L U A
Anne Tervakari, Service Designer
anne.tervakari@bearit.fi
Åkerlundinkatu 11 D, Tampere
2. SISÄLTÖ
• Informaation prosessointi ja
visualisoinnit
• Visualisointiprosessi
• Suunnittelun lähtökohtia
• Visualisoinnin toteutuksessa
huomioitavaa
• Erityyppisiä visualisointeja
• Lähtödata ja esitettävä informaatio
• Esitystavan valinta
• Vuorovaikutuksen suunnittelu
• Visualisoinnit ja tiedon luotettavuus
• Millainen on laadukas visualisointi
• Suunnitteluharjoitus
Grandjean CC-BY-SA-3.0. http://bit.ly/2FL8EMp
6. INFORMAATION PROSESSOINTI
1. Aistiärsyke
Sensorinen muisti
näkö, kuulo, jne.
3. Tarkkaavaisuus ja 4. havainto
(automaattinen rinnakkaisprosessointi vs.
sarjallinen prosessointi)
huomio > valinta > hahmojen tunnistaminen >
tulkinta
Pitkäkestoinen muisti
- semanttinen (merkitys, tieto)
- episodi (tapahtuma, kokemus)
5. Muokkaaminen
Lyhytkestoinen muisti
(visuaalinen – kielellinen)
- aktiivinen käsittely
- merkityksen miettiminen
- mieleen painaminen ja
palauttaminen
Freepik from Flaticon CC-BY-3.0
Ajattelu
Muistaminen
Toiminta
2.
Poikkeava väri, koko, kontrasti,
liike, reunat, tekstuuri,
orientaatio, syvyys
6. Säilyttäminen
(vrt. Utriainen 2004, 32 - 35)
7. VISUALISOINTI
Tarkoitetaan yleensä prosessia, jossa ei-visuaalinen data (tai informaatio) muunnetaan visuaaliseksi
esitykseksi, joka voidaan havaita näköaistin avulla. Tavoitteena tukea analysointia, ongelmaratkaisua
tai kommunikointia.
(Gershon, Eick & Card 1998)
(Kuosa et al., 2016; Tervakari et al. 2014)
8. • Data (yksittäisiä, irrallisia merkkejä tai merkkijonoja), joilla ei
semanttista merkitystä.
• Kun dataa tarkastellaan suhteessa johonkin muuhun, luodaan datalle
merkitys > informaatio (tulkinta) > integrointi osaksi omaa, aiempaa
tietoa, tietämystä (knowledge) > viisaus (wisdom): kyky käyttää
tietoa omassa toiminnassa (osaaminen, taitotieto)
• Ihmisen informaation prosessoinnin ”kapasiteetti” riippuu:
• Yksilön ominaisuuksista, kuten esim. kyvyt, tiedot, asenteet, tarpeet,
motivaatio, vireystila, kokemukset, odotukset jne.
• Kontekstitekijöistä esim. käyttötilanne, toimintakulttuuri
• Myös itse visualisointi ja laiteympäristö vaikuttavat tulkintojen tekemiseen.
DATASTA TIETÄMYSTÄ
(Berg, 2012; Masud ym. 2010)
10. • Miksi? Mikä on visualisoinnin tarkoitus: välittää informaatiota, vaikuttaa tai
suostutella, herättää ajatuksia tai tunteita, tukea datan tutkimista, auttaa
datan ymmärtämisessä? Minkä tyyppinen visualisointi?
• Mitä? Mitä informaatiota (lähtö)data sisältää? Miltä alalta? Mikä osa datasta
tulisi visualisoida? Millä tarkkuudella? Muuttujien määrä ja tyyppi?
Muuttujien väliset suhteet ? Lähtödata > Informaatio > Tietämys
• Miten? Millainen visualisointi? Millainen visuaalinen koodaus (encoding)?
Vuorovaikutteiset toiminnot? Algoritmi ja sen tehokkuus? Jne. Kaaviot,
enkoodaus, vuorovaikutustavat
• Kenelle? Kenelle visualisointi on tarkoitettu? Kohderyhmän ominaisuudet?
Kulttuurinen ja sosiaalinen konteksti? Kohderyhmän tarpeet? Vaikuttaa
siihen, mitä, miksi ja miten.
SUUNNITTELUN LÄHTÖKOHTIA
(vrt. Munzner 2009)
11. Heidenreich 2010
M I K S I ? E R I T Y Y P P I S I Ä V I S U A L I S O I N T E J A
12. KOMPLEKSISUUS
Visualisoitavien dimensioiden
määrä
• Kaksi dimensiota: esim. PEF-arvo
ennen lääkettä ja lääkkeen
jälkeen (vertailu), kolmas:
ajankohta (trendi), neljäs: suhde
hlökohtaiseen tasoon (vertailu)
• Yleisimpiä ovat 2-4 dimensiot
visualisoinnit (visuaalisen
vihjeen valinta suhteellisen
helppoa).
Lähde: Astmapäivyri. BearIT Oy
13. TOTEUTUSTAPA
Data- ja informaation visualisointi
• Manuaalinen (toteutus piirtämällä tai
kuvankäsittelyohjelmistolla tms.)
• Viestinnällinen funktio (visuaalinen viestintä)
• Kontrolli visualisoinnin toteuttajalla, ei
vuorovaikutusmahdollisuutta (käyttäjä ei voi ”tutkia”
dataa)
Lähde: Yle 2013 ja GDS-Flickr
Infografiikka
• Toteutettu ohjelmallisesti (algoritmit)
• Tukee lähtödatan tutkimista ja ymmärtämistä
(vuorovaikutteisuus)
Mortality in England and Wales. Dataseed.
https://getdataseed.com/ > DEMO
14. KÄYTTÖTARKOITUS
Tutkiminen
Lähde: Jussila 2016
Selittäminen
• (Raaka)datan tutkiminen, oleellisen tiedon
löytäminen ja ymmärtäminen, trendien tai
poikkeamien tunnistaminen suuresta ja
kompleksisesta tietojoukosta
• Esim. datavisualisoinnit, visuaalinen
analytiikka.
Hybridi
• Valitut dimensiot selittävät ja välittävät
halutun informaation tai tietämyksen, tukee
vertailua ja tarinan kerrontaa
• Esim. käsitteelliset kaaviot, metaforat,
tietämyskartat, narratiiviset visualisoinnit
• Visualisointi tukee uuden tiedon löytämistä ja
ymmärtämistä. Esittää tietoa eri näkökulmista.
• Lähtödata on kuitenkin käsiteltyä (suodatettua ja
jalostettua).
• Esim. vuorovaikutteiset informaation visualisoinnit
Lähde: Morov, 2016
Lähde: Tervakari et al. 2014
15. SELITTÄVÄ VISUALISOINTI: TAVOITE
Informointi
Lähde: Valtonvarainministeriö 2017
Vakuuttaminen, vaikuttaminen
• Käyttäjän informointi, faktatiedon
välittäminen (käyttäjä <-> data)
• Suuren datamäärän esittäminen
ymmärrettävästi (tunnistettavuus ja
luettavuus)
• Hyödyllisyys, käytännöllisyys.
Keskustelun herättäminen
• Tavoitteena on vakuuttaa käyttäjä jostakin tai
vaikuttaa käyttäjään (käyttäjä <->
suunnittelija)
• Data ja visuaalinen esitystapa valitaan
tukemaan tavoitteen saavuttamista (myös:
propaganda)
• Visuaalinen taide (suunnittelija <-> data):
Visualisointi ei ole tunnistettavissa tai
ymmärrettävissä, visuaalisen esitystavan valinta
perustuu esim. esteettisyyteen.
• Tavoitteena nostaa esiin datan perusidea ja herättää
keskustelua ja nostaa esiin datan perusidea.
Lähde: Kosara, 2007
Lähde: Hiroshi Koi
16. Heidenreich 2010
M I TÄ? L Ä H T Ö D ATA J A E S I T E T TÄVÄ I N F O R M A AT I O
17. • Kohdealueen ja toimintaympäristön määrittely
• Kohdealueen käsitteet, toimintamallit, prosessit ja käytänteet
• Kohderyhmä ja kohderyhmän tarpeet (käyttäjäanalyysi)
• Määrittele visualisoinnin tavoite suunnittelijan ja käyttäjän näkökulmasta.
• Suunnittelijan tavoite: Faktatiedon välittäminen käyttäjille
• Käyttäjän tavoite: Tutkia Tampereen suuralueiden väestörakennetta vuosina 1996 -2016.
• >> Tyyppi: esim. vuorovaikutteinen visualisointi (hybridi), joka välittää faktatietoa käyttäjälle
• Tavoitteen kuvaus konkreettisena toimintana:
• Esim. Vertaile suuralueiden eri ikäryhmiin kuuluvien määrää vuosina 1996 - 2016.
• Mitä informaatiota (dataa) visualisoinnin tulee esittää?
• Mitkä ovat tärkeimpiä muuttujia? Mitä arvoja visualisoinnissa pitää olla? Minimoi muuttujien
määrä.?
• Onko esim. jokin muuttujan saama arvo kiinnostavampi kuin muut? Esim. raja-arvon ylittävä
tai poikkeava arvo? Onko tarvetta metadatan (keskiluvut, hajontaluvut yms.) esittämiselle
• Mitkä ovat tärkeimmät muuttujien väliset suhteet?
• Ongelmia: Visualisointi vastaa väärään kysymykseen, visualisoidaan vääriä
asioita.
ONGELMAN (TAVOITTEEN) MÄÄRITTELY
(Munzner, 2009; Iliinsky & Steele, 2011)
18. • Perehdy lähtödatan ominaispiirteisiin
• Mitä dataa on kerätty, miten ja mistä?
• Missä muodossa kerätty data on? Onko data luokitteluasteikollista vai järjestys-,
välimatka- vai suhdeasteikollista? Vai verkostodataa?
• Sisältääkö data poikkeavia arvoja, kohinaa, tyhjiä tietoja?
• Suunnittele datan esikäsittely
• Tarvitaanko datatyypin muunnoksia jne.?
• Mitä tehdään puuttuvalle tiedolle, poikkeaville arvoille?
• Jalostetaanko dataa jollakin tavoin (esim. keskiluvut, hajontaluvut,
min+max arvot)? Rikastetaanko dataa
• Lajitellaanko tai järjestelläänkö jollakin tavoin)
• Ongelma: Datan pohjalta ei voida toteuttaa haluttua visualisointia,
visualisointi muodostuu kompleksiseksi eikä vähennä käyttäjän kognitiivista
taakkaa, visualisoinnin abstraktiotaso ei vastaa käyttäjän tarpeeseen.
KÄYTETTÄVISSÄ OLEVA DATA
(Munzner, 2009; Iliinsky & Steele, 2011)
20. VISUAALINEN HAVAINNOINTI 1/3
• Ihminen havaitsee visuaalisesta esityksestä
ensin yleiskuvan (kokonaiskuva) ja vasta sen
jälkeen yksityiskohdat.
• Visuaalisen kohteen ominaispiirteitä
täydennetään mielikuvien pohjalta (tuttujen
kuvien käyttö)
• Lisää muistettavuutta ja
tunnistettavuutta.
• Visualisointeja katsotaan lukusuunnan
mukaisesti.
• Ihminen havaitsee luontaisesti kontrasteja:
ominaisuuksiltaan poikkeava objekti
havaitaan nopeasti
• Muoto, koko, suunta, tummuus, sijainti,
väri, suunta, pituus, liikkuvuus, ryhmä
• Nopeuttaa olennaisen erottamista, ohjaa
käyttäjän huomion Lähde: Berger, 2011
21. • Gestalt-teorian mukaan ihminen
havaitsee ensisijaisesti
kokonaisuuksia pelkkien osien
sijaan
• Läheisyys (proximity)
• Samankaltaisuus (similarity)
• Jatkuvuus (continuity)
• Symmetrisyys (symmetry)
• Alue (area)
• Sulkeutuvuus (closure)
• Tuttuus (familiarity) ja
valiomuotoisuus (good shape)
• Yhteinen liike (common fate)
VISUAALINEN HAVAINNOINTI 2/3
Lähde: Koumoundouros, 2015
22. • Väri (sävy) ei sovellu järjestyksen esittämiseen tai
lukumäärien, voimakkuuksien tai arvojen vaihtelun
kuvaamiseen.
• Poikkeus: värin kirkkautta (tummuus) ja kylläisyyttä (puhtaus)
voidaan käyttää ilmentämään suhteellista voimakkuutta esim.
heat map-visualisoinneissa
• Väri sopii hyvin luokkien erotteluun
• Luokkien määrä on rajoitettu
• Ideaali 6 väriä (musta, valkoinen, punainen, sininen, vihreä,
keltainen), hyvä 12, ehdoton maksimi 20.
• Mustavalkoskaala: 4 (musta, tummanharmaa, vaaleanharmaa,
valkoinen)
• Edellyttää luokkien nimeämistä
• Huomioi:
• Värisokeus (n. 8% miehistä punavihersokeita)
• Värien vaikutus riippuu kontrasteista, väripinnan koosta ja
muodosta, muista käytetyistä väriestä.
VISUAALINEN HAVAINNOINTI 3/3
Lähde: Iliinsky & Steele, 2011
23. JÄRJESTYKSEN HAVAITSEMINEN
• Automaattisesti havaittavia, kulttuurista tai kielestä
riippumattomia järjestyksen esittämiseen soveltuvia
visuaalisia vihjeitä ovat:
• Sijainti, pituus, tiheys, viivan paksuus, koko, värin
kirkkaus (värin vaaleus- tai tummuusaste) ja värin
kylläisyys (värin puhtaus) > Heat map
• Visuaaliset vihjeet, joiden tulkinta edellyttää
oppimista tai erillistä ohjeistusta, esim.
• Värin sävy (väri itsessään), esim. punaista ei
automaattisesti tulkita suuremmaksi/pienemmäksi kuin
sininen.
• Muoto, pinnan tekstuuri, viivan tyyppi.
• Yleensä kannattaa käyttää hyväksi havaittuja
visuaalisia vihjeitä ja säilyttää vastaavuus
reaalimaailman ja kulttuuristen konventioiden kanssa.
• Kuitenkin: Kulttuuristen tulkintasääntöjen soveltamisessa
oltava varovainen esim. punainen, keltainen, vihreä
(liikennevalot) ilmentämässä järjestystä.
(Iliinsky & Steele, 2011)
(Lähde: Holmes, 2013)
25. • Ei ole olemassa yhtä kaikkeen sopivaa esitystapaa.
• Jokainen tapaus täytyy miettiä erikseen
• Esitystavat voidaan jaotellaan neljään pääryhmään visualisoinnin tavoitteen
perusteella:
• Vertailu (comparison): Esim. samankaltainen data eri ajanjaksoina, datan arvojen
vertailu, kohteiden vertailu mittareiden perusteella > pylväs- ja viivakaaviot
• Jakauma (distribution): Arvojen esiintymismäärää datassa (mitä arvoja esiintyy
esim. eniten, poikkeamat). Myös luokkien vertailua. > histogrammit, pylväs- tai
pistekaaviot
• Koostumus (composition): määrän suhdetta kokonaisuuteen > ympyräkaavio,
pinottu pylväskaavio
• Suhde (relationship): esim. kahden muuttujan välisen suhteen havainnollistaminen
> pistekaavio (scatter plot)
ESITYSTAVAN VALINTA
(Abela, 2009)
27. ERILAISIA KAAVIOITA 1/3
Pylväskaavio
Lähde: Wikipedia CC-0
Histogrammi
• Soveltuu diskreetin datan esittämiseen,
määrien ja muutosten
havainnollistamiseen ja vertailuun.
• Pinotussa pylväskaaviossa vertailu on
hankalampaa.
Viivakaavio
• Jakaumakuvio, joka esittää miten muuttujan
arvot jakautuvat tietyllä arvoalueella.
• Haasteena on sopivan luokkavälin ja
luokkamäärien löytäminen. Soveltuu hyvin
yhden muuttujan samanaikaiseen
esittämiseen..
• Soveltuu jatkuvan datan esittämiseen ja mm.
trendien tunnistamiseen. Useamman muuttujan
arvot erotellaan värien tms. avulla.
• Aluekaavio: Viivan alle jäänyt alue on väritetty.
Alueen pinta-ala kuvaa arvoja. Ongelma: Monta
aluetta > jäävät toistensa taakse > vaikea
vertailla.
• Pinottu aluekaavio: Havaintosarjoja kuvaavat
alueet on pinottu päällekkäin. Ylin viiva kuvaa
osien summaa.
Lähde: Wikipedia CC-BY-SA 3.0)
Lähde: Wikipedia CC-0
28. ERILAISIA KAAVIOITA 2/3
Ympyräkaavio
Lähde: Wikipedia CC-0
Pistekaavio
• Ympyrä on jaettu (suhteellisia) osuuksia
kuvaaviin sektoreihin. Kuvaa osuuksien
suhteita toisiinsa ja kokonaisuuteen. Kuva
heikosti osuuksien välisiä eroja.
• Rinkiläkaavio: Kuten ympyräkaavio, mutta
keskellä reikä. Ei paranna selkeyttä
• Kerroskaavio: Sisäkkäisiä ympyräkaavioita.
Tavoitteena parantaa vertailtavuutta.
Treemap
• Muuttujien välisen suhteiden esittäminen.
Jokainen piste kuvaa yhtä arvoparia (sijaintia
suhteessa x- ja y-akseliin)
• Helppo havaita säännönmukaisuuksia,
tihentymiä ja riippuvuuksia.
• Soveltuu hierarkkisen tiedon esittämiseen rajatussa
tilassa. Muodostuu suorakulmioista, joiden pinta-
ala kuvaa alkion arvoa. Yksi alkio sisältää aina kaikki
lapsi-alkionsa (hierarkkia).
• Useita variaatioita.
Lähde: Wikipedia CC-0.
Lähde: Wikipedia CC-0
Lähde: Wikipedia CC-0.
Lähde: Simoes CC-BY-SA-4.0.
29. ERILAISIA KAAVIOITA 3/3
Lämpökartta (heat map) Toistokaavio (small multiples)
• Kaksiulotteinen kaavio, jossa voidaan
korostaa tiettyjä arvoja värin avulla
(kolmas ulottuvuus)
• Arvojen muutosta voidaan havainnollistaa
värin kirkkaudella (tummuus) ja
kylläisyydellä (puhtaus).
Marimekko
• Ruudukko, joka muodostuu erillisistä
kaavioista, jotka kuvaa toisiinsa liittyviä
asioita tai ilmiöitä.
• Mahdollistaa vertailun paremmin kuin
viivakaavio (etenkin jos muuttujia on useita).
• Yhteneväiset asteikot ja akselit
• Matriisi tai mosaiikkikaavio. Muistuttaa pinottua
pylväskaaviota, mutta kuvaa suhteellisia osuuksia
kokonaisuudesta.
• Pylväät ovat saman korkuisia (100%)
• Vrt. ympyräkaavio..
Lähde: Leonid CC-BY_SA-3.0
Lähde: Mundigl, 2014.
Lähde: VisInfo.
http://www.vis-info.info/index_en.html
30. Heidenreich 2010
M I T E N ? V U O R O VA I K U T U K S E N S U U N N I T T E L U
31. • Staattisen visualisoinnin toteutus voi olla täysin perusteltua
• Infografiikka > viestinnällinen funktio (tietyn havaitun ilmiön esittäminen)
• Datajoukko on pieni
• Eivät kuormita käyttäjän kognitiivisia prosesseja.
• Vuorovaikutteinen visualisointi tukee informaation tutkimista ja
ymmärtämistä sekä vie vähemmän tilaa.
• Vuorovaikutteisuus voidaan toteuttaa monin tavoin:
• Yksittäisen elementin arvon selvittäminen zoomaamalla tai ns. tool tipin
avulla > Vähentää staattisten selitteiden käytön tarvetta.
• Muita tapoja ovat esim. datajoukon ”filteröinti”, järjestäminen, valita,
zoomaaminen
VUOROVAIKUTUS
32. VUOROVAIKUTUKSEN SUUNNITTELU 1/3
Datajoukon suodatus, ”filteröinti”
• Visualisoitavan datan järjestäminen voi tuoda esiin mielenkiintoisia
trendejä tai klustereita sekä helpottaa datan tulkintaa (esim.
järjestäminen käyttäjille tuttujen muuttujien mukaan, kuten
kellonaika, viikonpäivä jne.)
• Useimmiten: datajoukon järjestäminen yhden tai useamman
muuttujan arvojen mukaan.
• Moniulotteisen datan tai verkostodatan lajittelu edellyttää
monimutkaisempia lajittelumenetelmiä, jotta datan ”sisältämät”
tyypilliset rakenteet ja mallit sekä poikkeavuudet saadaan näkyviin
Lähde: Bostock, 2012
Datajoukon järjestäminen
• Kokonaiskuvan visualisoitavasta datasta → Suodatus tietyn
rajatun datajoukon yksityiskohtien tarkastelemiseksi.
• Useita tapoja:
• Suora manipulointi (kohteiden tai datajoukkojen valitseminen
”lassoamalla”).
• Käyttöliittymäelementtien ja dynaamisten kyselyvimpainten
(dynamic query widgets) käyttö
• Radionapit, valintaruudut tai valintalistat.
• Lukuvalinnat, avainsanahaku jne.
Lähde: Tampereen kaupunki, 2017
33. VUOROVAIKUTUKSEN SUUNNITTELU 1/3
Datajoukon valinta tarkasteltavaksi
• Navigointi eritasoisten näkymien välillä informaatioavaruudessa.
• Perussääntö: ”Overview first, zoom and filter, then details-on-demand”.
• Yleisnäkymän tarjoaminen ensin ei aina ole tarkoituksenmukaista.
• Edistyneempiä menetelmiä (focus plus context methods), jotka auttavat
käyttäjää hahmottamaan mitä osaa informaatiosisällöstä hän kulloinkin
tarkastelee. Esimerkiksi yhdistetty yleinen ja yksityiskohtainen näkymä
(overview and detail displays), erilaiset kalansilmänäkymät
Navigointi eri näkymien välillä
• Kokonaiskuvan visualisoitavasta datasta → tietyn rajatun
datajoukon korostaminen yksityiskohtien
tarkastelemiseksi.
Demo: Evans
34. VUOROVAIKUTUKSEN SUUNNITTELU 3/3
Näkymien yhdistäminen Navigointi eri näkymien välillä
• Erilaisten näkymien yhdistäminen →
erilaisia tarkastelukulmia dataan.
• Lisäksi tehokkaampi esitystapa kuin
pyrkiä esittämään yhdessä
visualisoinnissa useita ulottuvuuksia.
Esimerkiksi
• Yhdessä näkymässä tehty valinta
suodattaa, järjestää, korostaa tms.
toisessa näkymässä esitettyä
informaatiota (brushing and
linking).(Vrt.Voigt 2002)
• Toistokuviot (small multiples)
mahdollistavat vertailun (useampia
näkymiä, samat muuttujat) .
• Eri näkymissä voidaan myös hyödyntää
erilaisia visualisointitapoja.
Mortality on England and Wales. Dataseed.
http://bit.ly/2k2w58g
36. SUDENKUOPPIA JA HAASTEITA
Data prerpocessing,
integration,
cleansing
Filtering and grouping Visual mapping
Raw data
Focus data
Transformation
Selections
by user
Prepared data
(kaavio: Kuosa et al., 2016)
Interactive visualization
S2. Datan laatu
S3. Datan esikäsittely
S4. Visualisointityypin valinta
S5. Visuaalinen koodaus
S6. Käyttäjän tekemät valinnat
S7. Visualisointi itsestään
S8. Tuotoksen laatu
H1. Käyttäjän osaaminen,
kokemus, ominaisuudet
H2. Käyttäjän odotukset
H4. Informaation arviointi ja
hyväksyminen
H3. Järjestelmän käyttötaidot
H5. Hallinnan kokemus
H6. Järjestelmän toiminnan ja
tuotoksen havaitseminen
H7. Visuaalinen lukutaito
S1. Järjestelmän toiminta
(vrt. Sacha, Senaratne & Kwon, 2016)
37. LAATUKRITEERISTÖ
Osa-alue Kriteeri (heuristinen sääntö)
Havainnointi 1. Visuaalisen vihjeen tehokkuus on suhteessa kuvattavan asian tärkeyteen
2. Värien merkitys ja keskinäinen suhde
3. Kognitiivisen kuorman vähentäminen
Ymmärtämisen
tukeminen
4. Visualisoinnin ja kontekstin yhteys
5. Käyttäjän itseohjautuvuuden tukeminen
6. Sisäinen ja ulkoinen yhtenäisyys ja johdonmukaisuus
Analyysiprosessin
tukeminen
7. Analyysin osatavoitteita tukeva vuorovaikutus
8. Tulkinnan oikeellisuuden todennettavuus
9. Vuorovaikutteisuuden tehokkuus
10. Eritasoisten käyttäjien huomioiminen
11. Sosiaalinen ulottuvuus ja datan uudelleen käyttö
Saavutettavuus 12. Saavutettavan teknologian käyttö
13. Esteetön tiedon esittäminen, esim. mobiililaitteet
Muokattu alkuperäisen lähteen pohjalta. Paukkeri, J. (2014.) Informaation visualisoinnin laadukkuuskriteerit. Hypermedian DI-työ.Tampere:
Tampereen teknillinen yliopisto. http://dspace.cc.tut.fi/dpub/handle/123456789/21979
38. ESIMERKKEJÄ VISUALISOINNEISTA
• Dataseed. Mortality in England and Wales. https://getdataseed.com/ > DEMO
• YLE Uutisgrafiikka. (2013). https://yle.fi/uutiset/3-6638406
• GDS Infographics. (2012). https://flic.kr/p/7SRuLD CC BY 2.0
• Moroy, C. (2016). Doctor Networks: New tools for insight into complex health systems.
https://www.linkedin.com/pulse/doctor-networks-new-tools-insight-complex-health-systems-moroy/
• Jussila, H. (2016). Hyvä tiedon visualisointi säästää aikaa ja saa lukijan oivaltamaan. Kela.
http://blogi.kansanelakelaitos.fi/arkisto/3393
• Tervakari, A. et al. (2014). Usefulness of information visualizations based on educational data.
https://doi.org/10.1109/EDUCON.2014.6826081
• Kosara, R. (2007). Visualization Criticism – The Missing Link Between Information Visualization and Art.
http://bit.ly/2FUd2w4
• Valtiovarainministeriö. (2017). Avoimet työpaikat lisääntyvät, mutta työttömyys ei vähene. http://bit.ly/2HyKSnD
• Koi, Hirohhi. (2015). Metrogram 3D. http://nulldesign.jp/metrogram3d/
• Koumoundouros, T. (2015). What the hell are design principle?s https://thinkypictures.com/2015/09/30/what-the-
hell-are-design-principles-2/
39. ESIMERKKEJÄ VISUALISOINNEISTA
• Holmes, F. (2013). Global PMI: Possible Opportunity for Mining Stocks.
https://thinkypictures.com/2015/09/30/what-the-hell-are-design-principles-2/
• Abela, A. (2009). Chart Suggestions—A Thought-Starter. http://extremepresentation.typepad.com/files/choosing-
a-good-chart-09.pdf
• VisInfo. (2013). Visual Access to reserch data. https://www.vis-info.info/index_en.html
• Mundigl, R. (2014). Marimekko Charts in Microsoft Excel.
http://www.clearlyandsimply.com/clearly_and_simply/2014/05/marimekko-charts-in-microsoft-excel.html
• Tampereen kaupunki. (2017). Väestönkehitys ikäluokittain.
https://public.tableau.com/profile/tampereen.kaupunki#!/vizhome/Tamperealueittain2017/Etusivu >
Väestönlehitys.
• Bostock, M. (2012). Les Misérables co-occurance. https://bost.ocks.org/mike/miserables
• Evans, C. Parallel Coordinates.
http://www.columbia.edu/~cme2126/datavisuals/bigdata_parallelcoordinates.html
• ZoomCharts. https://demo.zoomcharts.com/sales/#
40. KIRJALLISUUSLÄHTEET
• Abela,A. (2009). Choosing a good chart. Blogikirjoitus. https://extremepresentation.com/choosing_a_good-2/
• Berg, M. (2012). Human abilities to perceive, understand, and manage multidimensional information with visualizations.
Doctoral Dissertations 30/2012. Helsinki: Unigrafia Oy.
• Berger, M. (2011). Designing effective figures for scientific papers. Blogikirjoitus.
https://www.nanowerk.com/spotlight/spotid=22829.php
• Gershon, N., Eick, S.G. & Card, S. (1998). Information visualization. Interaction, 5(2), 5 – 15.
http://dx.doi.org/10.1145/274430.274432
• Iliinsky, N. & Steele, J. (2011).Designing Data Visualizations. Sebastopol (CA): O’Reilly Media.
• Kosara, R. (2007). The Missing Link Between Information Visualization and Art. Proceedings of the 11th International
Conference Information Visualization, IEEE Computer Society Washington, DC, USA, 631-636.
http://dx.doi.org/10.1109/IV.2007.130
• Kuosa et al., (2016). Interactive Visualization Tools to Improve Learning and Teaching in Online Learning Environments.
International Journal of Distance Education Technologies (IJDET). http://dx.doi.org/10.4018/IJDET.2016010101
• Masud, L., Valsecchi, F., Ciuccarelli, P., Ricci, D. & Caviglia, G. (2010). From Data to Knowledge. Visualizations as
transformation processes within the Data-Information-Knowledge continuum. Proceedings of the 14th International
Conference Information Visualisation, the 26-29 July 2010 in London United Kingdom, 445-449.
http://doi.ieeecomputersociety.org/10.1109/IV.2010.68
• Munzner, T. (2009). Visualization. In: Shirley, P., and Marschner, S. (Eds.) (2009). Fundamentals of Graphics, 3rd edition.
AK Peters, 675-707.http://www.cs.ubc.ca/labs/imager/tr/2009/VisChapter/akp-vischapter.pdf
• Sacha, D., Senaratne, H., and Kwon, B.C. (2016). The Role of Uncerainty, Awareness, and Trust in Visual Analytics. IEEE
Transactions on Visualization and Computer Graphics, 22(1), 240 – 249. https://doi.org/10.1109/TVCG.2015.2467591
• Tervakari et al. (2014). Usefulness of information visualizations based on educational data
• http://doi.org/10.1109/EDUCON.2014.6826081
• Utriainen, O. (2004). Kokeellisuus ja voiman käsitteen merkityksen rakentaminen: ymmärtäminen ja selittäminen
hahmottavassa ja mallintavassa lähestymistavassa. Helsinki: Helsingin yliopisto.