摘要: 在上篇兩篇文章裡《遇見大數據可視化:基礎研究》和《遇見大數據可視化:來做一個數據可視化報表》,簡單的介紹了下可視化的基礎和製作流程。我們也發現將數據進行可視化的好處,可以清晰有效的傳達數據信息,以實現“用視覺的方式去思考”。相比數據的公平,視覺的方式會帶有一定的引導性。


大數據

作者:騰訊雲

在上篇兩篇文章裡《遇見大數據可視化:基礎研究》《遇見大數據可視化:來做一個數據可視化報表》,簡單的介紹了下可視化的基礎和製作流程。我們也發現將數據進行可視化的好處,可以清晰有效的傳達數據信息,以實現“用視覺的方式去思考”。相比數據的公平,視覺的方式會帶有一定的引導性。

大數據

如上圖所示,我們能快速的發現圖形上的不同之處。NSF的圖形和圖像處理小組稱之為“可視化感知”,人眼的啟動時間至少需要200毫秒,在啟動時間內能感知到區別的存在(*見附錄) 。上圖就是一種簡單的預先處理感知實例,目標對象具有視覺屬性“圓形”,“長條形”干擾物對像沒有(所有非目標對像都被認為是乾擾物)。觀察者一眼就能知道目標對像是否存在還是不存在。

這種“可視化感知”實際上是運用人眼低層視覺系統(Preattentive Processing)的引發的快速感知特徵。能夠迅速的引發預設在圖形中的潛在目標對象的注意。所以我們在可視化設計中可以運用這一特點,快速的遷移觀察者的注意點。

大數據

按照Anne Treisman在早期提出特徵理論(Feature integration theory人類視覺注意力最有影響力的心理模型之一),我們可以繼續去尋找影響【個體特徵】的視覺屬性點。

大數據

通過去預設目標對象和乾擾對象的顏色、大小、對比和方向的不同特徵屬性。觀察者也可以快速的通過這種“特徵搜索” 遷移注意點。

之所以很快就能找到這些注意點,因為它們跟其乾擾項相比,最多只相差了一種視覺元素。比如,紅色線條和黑色線條,長線條和短線條。當只有一種視覺元素的時候,我們的視覺系統中的低層視覺系統(Preattentive Processing) 就起作用了,它可以平行處理所有在圖中出現的點,然後很快找到特徵點。我們再來看下反例

大數據

跟上面的例子相比,我們要花相對長的時間找到那個注意點。原因很簡單,因為圖中使用了兩種視覺元素來區分特殊點,顏色和大小,方向和對比。在這種情況下,我們的低層視覺系統(Preattentive Processing)就不行了,視覺系統需要一個一個的處理每個點,識別兩種元素,做仔細的區分。

理論說了這麼多,那在我們做可視化圖表的時候有什麼作用呢?在可視化中,我們希望想讓用戶注意到重要的數據,可以用單一特徵去引導用戶的注意點。

大數據

上圖圖表,展示一個國內云廠商的用戶佔比情況之類的數據,大致如上。那作為本廠的產品騰訊雲,我們希望觀察者關注到騰訊雲的數據,佔比【50%】。但是上圖的使用了多個視覺元素,沒用突出目標項,這樣就很難引導觀察者的注意點。

修改上圖圖表,減少視覺元素的使用,我們再來看一個圖。

大數據

從這個圖表來看,只使用一個目標項和一個乾擾項作為視覺元素的差異,我們就可以去引導觀察者的注意點。引導到我們想要重點說明的數據上面去。

但是對於數據可視化來說,引導注意點,其目的是為了讓觀察者快速的去了解數據,而非刻意誘導,造成觀察者的誤解。

大數據

我們來看一個例子,上圖是一個銷售財年的報表,2015年銷售額100萬,2016年到達200萬,從上圖圖表展示出來給觀察者的信息就是,2016年比2015年銷售額增長了1倍的樣子。

大數據

但是我們把所有數據拉出來看,卻發現出完全不同的事實,2013年銷售額400萬,2014年300萬,2015年100萬。2016年雖然比2015年增長了,但是和前幾年相比有著明顯的下滑,這就是一種圖表展示的錯誤誘導的方式。

大數據

這種在Y軸上誘導的方式很常見,經常【某額寶】上展示近幾日收益的時候,通過圖表好像3月15號的時候收益非常高,但是仔細去看Y軸上的數值,會發現其實3月15號比3月10號的收益增長只有0.6%的,但是感觀上給觀察者非常誇張的展示。

大數據

而按照坐標軸為0%來展示的情況,實際只是一個非常穩定的狀態。

數據可視化的真正價值在於,讓觀察者輕鬆的理解數據的價值。“可視化感知”低層視覺系統(Preattentive Processing)是讓觀察者快速的找到重點數據所在,而非孤立數據導致傳遞給觀察者錯誤的理解。

附錄:

我們將圖形的展示時間設置為200毫秒,只設置一個視覺元素(形狀) 。“圓形”作為目標對象,“長條形”作為乾擾對象。測試觀察“可視化感知”的低層視覺系統(Preattentive Processing)的實際作用。

大數據

除了上述列舉的【形狀】、【顏色】、【大小】、【對比】、【方向】。還列舉出一下視覺元素的對比【密度】、【閉環】、【曲率】、【整體方向】、【投影方向】和【投影深度】。

大數據

End.

轉貼自: 36大數據


留下你的回應

以訪客張貼回應

0

在此對話中的人們

Popular Tags

每月文章