KWANTITATIEVE DATAVISUALISATIE Gemaakt door: Iris Mark 1679047 Cursus: Seminar JDE-SEMUX.3V-13 Docent: Thijs Waardenburg User Experience 15-06-2018 Aantal woorden: 3657
INHOUDSOPGAVE 03. INLEIDING 04. DE VRAAGSTELLING 04. DE ONDERZOEKSMETHODE 05. DEELVRAGEN Hoe werkt visuele perceptie bij mensen? Wat zijn de meest voorkomende theorieën op het gebied van kwantitatieve datavisualisatie? Wat zijn de twee meest voorkomende manieren om kwantitatieve data te visualiseren? Wat zijn voorbeelden van goede en slechte datavisualisaties van kwantitatieve data? 14. CONCLUSIE 16. BRONVERMELDING 17. BIJLAGE Bijlage 1.1 Analysemodellen (1) Bijlage 1.2 Analysemodellen (2) Bijlage 1.3 Onderzoeksopzet Bijlage 1.4 Interviews 2
INLEIDING Met de komst van de computer en veel software die helpt bij het visualiseren van data, is het heel makkelijk geworden om zelf, met haast 1 druk op de knop, data te visualiseren. Echter wil dit niet zeggen dat mensen ook weten hoe ze data moeten visualiseren en zo het meeste uit hun data kunnen halen. Zeg nou zelf, wie heeft er niet een keer excel geopend, snel zijn data ingevoerd en de eerste de beste optie aangeklikt (en vervolgens allerlei leuke kleurtjes toegevoegd)? Makkelijk en snel is het zeker, maar is het ook het beste wat je kunt doen? Er zij zelf sommige deskundigen van mening dat slechte (en vaak misleidende) datavisualisaties zo vaak voorkomen, dat de meeste mensen niet beter weten (en ze dus ook niet herkennen). In een tijd waarin wij de hele dag veel informatie te verwerken krijgen, is (kwantitatieve) datavisualisatie een belangrijke en relevante vaardigheid geworden. Een relevante vaardigheid die iedere CMD er en UX er naar mijn mening zou moeten bezitten, want ook in de beroepspraktijk zal ik (vooral als UX er) vaak met data moeten werken. Een onderzoek naar kwantitatieve datavisualisatie is dan ook een goede verdieping binnen het UX vakgebied, die mij een mooie toevoeging lijkt aan mijn ontwikkeling als CMD er en UX er. Deze gedachten vormde dan ook de kern van mijn motivatie om de afgelopen weken mijn verder te verdiepen in dit onderwerp. 3
DE VRAAGSTELLING De hoofdvraag: Hoe kan kwantitatieve data gevisualiseerd worden op een manier die niet misleidend is? De deelvragen: - Hoe werkt visuele perceptie bij mensen? - Wat zijn de meest voorkomende theorieën op het gebied van kwantitatieve data visualisatie? - Wat zijn de twee meest voorkomende manieren om kwantitatieve data te visualiseren? - Wat zijn voorbeelden van goede en slechte visualisaties van kwantitatieve data? DE ONDERZOEKSMETHODE Literatuuronderzoek Voor deelvragen 1 t/m 4 heb ik gekozen voor literatuuronderzoek. Op het gebied van datavisualisatie is veel literatuur beschikbaar, waaruit veel informatie is te halen. Voor het literatuuronderzoek heb ik veel verschillende boeken van deskundigen op dit vakgebied geraadpleegd. Analysemodellen Voor deelvraag 4 heb ik analysemodellen gebruikt om te kijken of de datavisualisaties goed en/of slecht zijn. Zo wordt er ook gekeken vanuit een andere blik dan alleen literatuuronderzoek om te kijken of datavisualisaties goed of slecht zijn. De analysemodellen komen uit boeken die ik ook voor mijn literatuuronderzoek heb gebruikt. Interviews Voor deelvraag 2 en 3 heb ik korte interviews met mensen gedaan om de stelling Mensen zijn geconditioneerd om een voorkeur te hebben voor slechte kwantitatieve data visualisaties te testen. Dit biedt de mogelijkheid om verder te onderzoeken hoe mensen tegen datavisualisaties aankijken en waar hun voorkeuren liggen. 4
HOE WERKT VISUELE PERCEPTIE BIJ MENSEN? Visuele perceptie is een actief process waarbij visuele prikkels (data) door onze hersenen worden omgezet naar interpretaties die ons helpen begrijpen wat wij zien. Wat we zien is echter niet altijd wat we waarnemen. Niet misleidende datavisualisaties ontstaan o.a. als de maker een begrip heeft van hoe visuele perceptie bij mensen werkt. In visuele perceptie kunnen we onderscheid maken tussen twee vormen, namelijk low level visuele perceptie en high level visuele perceptie. Simpel gezegd zou je kunnen zeggen dat low level de basis is en high leven de diepgang is bij visuele perceptie. Het brein is goed in het herkennen van patronen, dit vormt de basis van low level visuele perceptie. Het brein besteed in eerste instantie weinig tijd aan het interpreteren van data, dit komt pas later. In eerste instantie is het brein bezig met het herkennen van patronen. Op deze manier kunnen grote hoeveelheden data in vrij korte tijd worden verwerk en onderscheid worden gemaakt tussen wat belangrijk is en wat niet. De Gestaltwetten zijn gebaseerd op de low level visuele perceptie. Snap je hoe de Gestaltwetten werken, dan snap je (grotendeels) hoe low level visuele perceptie werkt. De Gestaltwetten zijn (van den Broek, Koetsenruijter, de Jong, Laetitia, 2015, p. 52): - Wet van voorgrond en achtergrond; - Wet van eenvoud; - Wet van nabijheid; - Wet van overeenkomst; - Wet van symmetrie; - Wet van gelijke achtergrond; - Wet van gelijke bestemming; - Wet van geslotenheid; - Wet van ingeslotenheid; - Wet van ingevulde hiaat; - Wet van continuïteit; - Wet van ervaring. Na low level visuele perceptie komt high level visuele perceptie. High level visuele perceptie gaat over het identificeren van wat we zien of anders gezegd, het betekenis geven aan. Voor een versimpelde werking van visuele perceptie, zie figuur 1. Bij high visuele perceptie zijn dus meerdere delen van het brein actief. De manier waarop het brein bij high visuele perceptie betekenis geeft aan aan data kan grofweg in drie categorieën worden samengevoegd: (niet toevallige) eigenschappen / kenmerken, componenten en configuratie (hoe verhouden dingen zich tot elkaar). Belangrijk bij high visuele perceptie is, hoe abstracter (met zo min mogelijk poespas) de waargenomen data is, hoe makkelijker het brein het herkent. Reden hiervoor is op het moment dat de data abstracter is, de belangrijkste elementen zichtbaar worden. 5
Wat versterkt wordt door het feit dat het brein niet in staat is om grote hoeveelheden informatie te gelijk te onthouden. Door rekening te houden met hoe low- en high level visuele perceptie werken, en dus ook hoe mensen data in zich opnemen, kunnen misleidende kwantitatieve datavisualisaties voorkomen worden. De definitie van (opzettelijk visuele) misleiding is dan ook iemand, door manipulatie van data en/of de visuele weergaven, opzettelijk iets laten geloven wat niet klopt. Deze definitie zal in de rest van het verslag worden aangehouden. Visuele perceptie is dus het proces waarbij visuele prikkels (data) worden omgezet naar interpretaties, waarbij er onderscheid gemaakt kan worden tussen low- en high level visuele perceptie. Low level visuele perceptie gaat over het herkennen van patronen, waarbij de Gestaltwetten een belangrijke basis vormen. High level visuele perceptie gaat over het herkennen en betekenis geven aan de visuele prikkels, waarbij er grofweg drie categorieën voor herkenning zijn: (niet toevallige) eigenschappen / kenmerken, componenten en configuratie. Op deze manier werkt de visuele perceptie van mensen. Figuur 1: Bottom up and top-down processing. Aangepast overgenomen uit The Functional Art van A. Cairo, 2013. Copyright A. Cairo, 2013. 6
WAT ZIJN DE MEEST VOORKOMENDE THEORIEËN OP HET GEBIED VAN KWANTITATIEVE DATAVISUALISATIE? Over de manier hoe kwantitatieve data het beste kan worden vormgegeven is veel geschreven. In alle boeken die zich over deze materie buigen, zijn veel overeenkomsten te vinden, maar ook weer verschillen. In dit hoofdstuk zijn de verschillende richtlijnen op het gebied op een rij gezet en onderverdeeld in een paar hoofdcategorieën. In dit hoofdstuk, en in de rest van het verslag, wordt gesproken over kwantitatieve data. De definitie van kwantitatieve data is volgens de digitale Nederlandse Encyclopedie (z.j.): Kwantitatieve gegevens zijn gegevens waarbij sprake is van een kwantiteit, hoeveelheid of volgorde in de zin van meer of minder, hoger of lager en dergelijke. (kwantitatieve gegevens, par 1). Kwantitatieve data zijn dus gegevens die meetbaar zijn, vaak bestaande uit concrete cijfers. In dit hoofdstuk en de rest van het verslag zal deze definitie worden aangehouden. Kleur Kleur is een belangrijk aspect van je datavisualisatie en kunnen de visualisatie maken of breken. Kleuren trekken de aandacht van de gebruiker en geven aanwijzingen waar er op gefocust moet worden. Het kiezen van de juiste kleur is daarom erg belangrijk, maar kan soms lastig zijn. Kleur kan grofweg twee verschillende functies hebben: het kan onderscheiden of het kan accentueren. Daarnaast hebben bepaalde kleuren bepaalde connotaties, die ook nog is kunnen verschillen per land. Tijdens het maken van een datavisualisatie moet dan ook rekening worden gehouden met welke functie (doel) de kleur heeft en of er eventuele connotaties zijn voor die kleur. Few (2005, p.125) raadt aan om felle kleuren alleen te gebruiken in het geval dat bepaalde data moet worden geaccentueerd. In alle andere gevallen kan er veel beter voor pastelkleuren worden gekozen, omdat deze veel rustiger zijn om naar te kijken. Daarnaast waarschuwt Few voor het gebruik van te veel verschillende kleuren, omdat te veel verschillende kleuren als afleidend kunnen worden ervaren. Probeer het gebruik van verschillende kleuren om rank of volgorde aan te geven te minimaliseren. Volgens Kirk (2012, p. 96) is het belangrijk om de relatie tussen kleuren aan te geven en hier het gebruik en keuze van kleur op af te stemmen. Volgens Kirk kan dit het beste worden gedaan door gebruik te maken van bepaalde connotaties die gebruikers al hebben, bijvoorbeeld groen is goed en rood is slecht. Een van de beste oplossingen die hierop inspeelt is het gebruik van één kleur, met variaties van donker naar licht. Denk bijvoorbeeld aan een heatmap, hier geeft een donkere kleur een hoge concentratie aan een een lichte kleur een lage concentratie. De kleur maakt hier gebruik van connotaties om de relatie aan te geven. Waar wel rekening mee moet worden gehouden, is dat de methode van Kirk minder effectief is als er sprake is van meerdere variabelen. 7
Tekst en typografie Iedere goede datavisualisatie maakt gebruik van woorden of nummers om het visuele aspect te ondersteunen. Goede en duidelijke tekst en typografie zijn een essentieel onderdeel van iedere datavisualisatie, toch worden ze niet altijd even goed ingezet. Iliinsky en Steele (2011, p. 74) geven een aantal richtlijnen voor het gebruik van tekst en typografie: gebruik tekst alleen wanneer het noodzakelijk is, gebruik geen gothic, fantasie of schrift lettertypes, gebruik één lettertype familie in je visualisatie en verander eventueel van dikte voor meer variatie, vermijd het gebruik van alleen maar hoofdletters. Eenvoud en samenhang is volgens Iliinsky en Steele belangrijk. Labels zijn volgens Yuk en Diamond (2014, p. 43) bedoeld om ervoor te zorgen dat de gebruiker in een oogopslag kan zien wat de datavisualisatie weergeeft. Labels zouden moeten worden toegevoegd aan alles waarvan het niet snel duidelijk is wat de functie ervan is. Een titel is zeker iets wat ook toegevoegd moet worden aan een datavisualisatie. Zowel Few (2005, p. 52) en Kirk (2012, p. 112) geven aan dat een goede titel een (accurate) reflectie moet zijn van de content. Een titel die niet duidelijk maakt waar de datavisualisatie over gaat, kan misleidend zijn voor de gebruiker. Vorm Als het gaat om de vorm geeft Few (2005, p.51) twee richtlijnen: 1. Kies het medium (de vorm) wat het beste het verhaal verteld; 2. Design de visuele elementen om het verhaal duidelijk te vertellen. Wat Few en andere deskundigen op het gebied benadrukken, is dat je gekozen vorm ( en de vormgeving hiervan) je verhaal moeten ondersteunen en versterken. Vragen zoals wat is je doel?, wat is je boodschap en wie is je doelgroep? kunnen helpen bij het maken van je keuzes. Op het gebied van welke vormen wel en niet werken, is binnen het vakgebied al jaren veel discussie. Toch lijkt er over het algemeen een consensus over twee dingen: 3D en cirkeldiagrammen. Het gebruik van beide wordt door de meeste deskundigen afgeraden. Met 3D wordt een extra dimensie toegevoegd die vaak totaal niet nodig is en in de meeste gevallen ook erg misleidend is. Cirkeldiagrammen geven vaak ook een vertekend beeld, met name doordat gegevens ( en/of verschillende onderdelen) moeilijk te vergelijken zijn. Lijnen Lijnen kunnen een belangrijk onderdeel zijn van de datavisualisatie, vooral bij tabellen. Het gebruik van lijnen bij een datavisualisatie kent volgens eigenlijk één belangrijke regel: beperk het gebruik van (ondersteunende) lijnen. Elke lijn die niet hoeft te worden getrokken om een duidelijker beeld te creëren, is een lijn te veel (Van den Broek et al., 2015, p. 258). 8
Het Somberheidsprincipe & Chartjunk Naast bovenstaande richtlijnen zijn er twee begrippen die op het gebied van datavisualisatie erg belangrijk zijn. Beide begrippen zijn afkomstig van Edward Tufte (2001): het somberheidsprincipe en chartjunk. Het somberheid principe is gebaseerd op de Gestaltwet van eenvoud en, zoals de naam al suggereert, houd in: hou het simpel en functioneel en snijd alles weg wat geen functie heeft. Het somberheidsprincipe komt weer voort uit chartjunk. Volgens Edward Tufte (2001, p. 102) is chartjunk alle visuele elementen die niet noodzakelijk zijn om de informatie in de grafiek te begrijpen of die de kijker afleiden van deze informatie. Uit eigen onderzoek blijkt (zie bijlage Interviews ) dat mensen, ook al is het een kleine meerderheid, een voorkeur hebben voor slechte datavisualisaties. Mensen gaan liever voor makkelijk en snel en staan minder snel stil bij wat qua vormgeving het beste en meeste uit hun data haalt. Vooral als het gaat om vorm lijkt niet iedereen zich bewust van wat het beste werkt. De meest voorkomende theorieën op het gebied van kwantitatieve datavisualisatie kunnen dus worden onderverdeeld onder vier hoofdcategorieën: kleur, tekst en typografie, lijnen en vorm. Daarnaast zijn er ook nog twee begrippen op het gebied van datavisualisatie die belangrijk zijn, namelijk het somberheidsprincipe en chartjunk. 9
WAT ZIJN DE TWEE MEEST VOORKOMENDE VORMEN OM KWANTITATIEVE DATA TE VISUALISEREN? Grafiek Een grafiek is een van de meest voorkomende manieren om kwantitatieve data te visualiseren. Er zijn veel verschillende soorten grafieken die gebruikt kunnen worden. Een grafiek (in het algemeen) is met een aantal eigenschappen te definiëren (Few, 2005, p. 55): - Waarden worden weergegeven in een gebied dat is gedefinieerd door één of meer dere assen; - Waarden worden gecodeerd als visuele objecten (waarden vertaald naar visuele vor men), geplaatst in relatie tot de assen; - De assen bieden schalen (kwantitatief en categoriaal) aan, die waarden en labels toevoegen aan de data. Grafieken zijn een hele effectieve manier om soms complexe informatie op een hele eenvoudige manier te kunnen uitleggen. Een grafiek laat de relatie(s) zien tussen de verschillende waarden van de grafiek door er vorm aan te geven en zo de informatie voor iedereen begrijpelijk(er) te maken. Wel is het zo dat deze relaties alleen goed zichtbaar zijn als de grafiek goed is vormgegeven. Tabel Een tabel is ook een veel voorkomende manier om kwantitatieve data te visualiseren. Een tabel (in het algemeen) is ook met een aantal eigenschappen te definiëren (Few, 2005, p. 54): - Data geordend in kolommen en rijen; - Data gecodeerd als tekst (data omgezet in tekst). Een belangrijk punt wat Few verder nog maakt bij tabellen is dat rasterlijnen in een tabel niet per se nodig zijn. Lijnen kunnen helpen om een tabel duidelijker te maken, maar zijn niet noodzakelijk voor een goede tabel. Naast een aantal eigenschappen, definieert Few (2005, p. 56) ook een aantal eisen voor wanneer een tabel het beste werkt: - De tabel gebruikt wordt om individuele eigenschappen op te zoeken; - De tabel gebruikt wordt om individuele eigenschappen te vergelijken; - De data heel precies is (bijvoorbeeld 155.7 of 180.12); - Er meerdere meeteenheden moet worden opgenomen in de tabel. Uit eigen onderzoek, zie bijlage Interviews, blijkt dat mensen zich in de praktijk vaak niet bewust zijn van wat de sterke en slechte punten van bepaalde datavisualisaties zijn, waaronder ook de grafiek en de tabel. Het is belangrijk dat mensen zich dus bewust worden van bovenstaande eigenschappen wanneer een tabel of grafiek het beste werkt. De meest voorkomende vormen om kwantitatieve data te visualiseren zijn dus de grafiek en tabel. Beide vormen kennen verschillende variaties, met name de grafiek, die terug zijn te zien in allerlei datavisualisaties. Echter de grafiek en de tabel vormen dus de basis voor de meeste kwantitatieve datavisualisaties. 10
WAT ZIJN VOORBEELDEN VAN GOEDE EN SLECHTE DATAVISUALISATIES VAN KWANTITATIEVE DATA? In dit hoofdstuk zullen enkele voorbeelden van goede en slechte datavisualisaties worden getoond, waarvan er enkele zullen worden toegelicht. Zie de bijlage Analysemodellen voor de resultaten van de analyses op basis van verschillende modellen, die de basis hebben gevormd voor het antwoord op deze vraag. Voorbeeld 1: Goed Wat onderstaande datavisualisatie goed maakt, ligt vooral aan de gekozen vorm. De keuze voor een lijngrafiek, in de vorm van small multiples (een serie kleine, vergelijkbare plaatjes die hun punt maken door herhaling). Door het gebruik van small multiples is het makkelijker om de verschillende waardes te vergelijken en vallen bijzonderheden eerder op. Daarnaast is het kleurgebruik simpel en consistent en ook de titel van de tabellen schept snel en effectief duidelijkheid. Neerslag in mm per maand 2017 Neerslag in mm per maand 2016 200 180 160 140 120 100 80 60 40 20 0 200 180 160 140 120 100 80 60 40 20 0 Neerslag in mm per maand 2015 Neerslag in mm per maand 2014 200 180 160 140 120 100 80 60 40 20 0 200 180 160 140 120 100 80 60 40 20 0 Figuur 2 Voorbeeld 2: Goed Het kleurgebruik, lijnen en de vorm in onderstaand voorbeeld zijn goed toegepast. Het aantal gebruikte kleuren is beperkt en de kleuren zijn niet te fel, waardoor het een rustige indruk op de gebruiker heeft. De lijnen zijn subtiel en ondersteunen de weergegeven informatie, wat het aflezen van de informatie makkelijker maakt. De keuze om een horizontale staafdiagram te gebruiken i.p.v. een verticale is een goede keuze geweest, omdat de staafdiagram lange staven bevat. Een keuze voor verticaal is dan beter, omdat dit minder ruimte in beslag neemt en makkelijker afleest. 11
Figuur 3: Alleenstaande minderjarige vreemdelingen. Overgenomen van CBS, 2017 (https://www.cbs.nl/nl-nl/nieuws/2017/17/minder-alleenreizende-minderjarige-asielzoekers-in-2016). Copyright 2017, CBS. Voorbeeld 3: Slecht De keuze voor het gebruik van 3D, de vele kleuren en de indeling van de assen maken onderstaande datavisualisatie zeer slecht. Het toevoegen van een extra dimensie maakt de data niet duidelijker of overzichtelijker, sommige data is zelf helemaal niet meer zichtbaar hierdoor. Daarnaast kan de data ook heel moeilijk vergeleken worden met elkaar, hierdoor kan de datavisualisatie erg misleidend zijn. De assen zijn onduidelijk ingericht (welke as lees je eerst?) en de kleuren voegen niets extra s toe. Figuur 4: Revenue by sales channel and quarter. Overgenomen uit Show me the numbers van S. Few, 2005. Copyright 2005, S. Few. 12
Voorbeeld 4: Slecht Wat onderstaande datavisualisatie slecht maakt, is dat de boodschap van de datavisualisatie verloren gaat door alle chartjunk. De boodschap, namelijk diamanten zijn niet meer waard wat ze ooit geweest zijn, wordt niet duidelijker door het toevoegen van de vrouw. Het somberheidsprincipe van Tufte is dus niet goed toegepast. Daarnaast maakt de afwezigheid van ondersteunende lijnen en de niet rechte plaatsing van de bedragen het aflezen van de datavisualisatie niet makkelijker. Figuur 5: Diamonds Were a Girl s Best Friend. Overgenomen uit Time 120, no.9 van N. Holmes, 1982. Copyright 1982, N. Holmes. Wat opvalt is dat de goede datavisualisaties zich houden aan de richtlijnen die in hoofdstuk 2 zijn benoemd, waardoor de datavisualisaties ook niet misleidend zijn. De slechte datavisualisaties lijken zich vooral meer te focussen op design in plaats van de functie (en de boodschap). Ook valt op dat soms te veel data in één datavisualisatie wordt gepropt en er geen focus ligt op de meest belangrijke data en/of relevante data. De voorbeelden die te zien zijn in dit hoofdstuk zijn dus voorbeelden van goede en slechte kwantitatieve datavisualisaties. 13
CONCLUSIE De hoofdvraag die centraal stond tijdens dit onderzoek was: Hoe kan kwantitatieve data gevisualiseerd worden op een manier die niet misleidend is? Uit het onderzoek naar visuele perceptie bleek dat er een onderscheid is te maken tussen low- en high level visuele perceptie. Low level visuele perceptie gaat over het herkennen van patronen (in visuele prikkels), waar de Gestaltwetten een belangrijke rol bij spelen. High level visuele perceptie gaat over het herkennen en interpreteren van visuele prikkels, waar de interpretatie van deze visuele prikkels in grofweg drie categorieën onderverdeeld kan worden: (niet toevallige) eigenschappen, componenten en configuratie (verhoudingen). De kennis die hieruit voortkomt is een idee van hoe visuele perceptie bij mensen werkt. De theorie over kwantitatieve datavisualisaties is onder te verdelen in enkele hoofdcategorieën, waaronder de belangrijkste theorieën en meningen van deskundigen kunnen worden geschaard. Deze categorieën zijn: kleur, teksten typografie, lijnen en vorm. Wat vooral belangrijk is tijdens het vormgeving is dat je rekening houdt met je verhaal (boodschap) en je doelgroep. Naast de categorieën zijn er op het gebied van kwantitatieve datavisualisaties twee belangrijke begrippen: het somberheidsprincipe en chartjunk van Edward Tufte. De kern van deze twee begrippen is, hou het simpel en functioneel en snijd alles weg wat geen functie heeft. Door gebruik te maken van deze richtlijnen en begrippen, kan er een duidelijk onderscheid gemaakt worden tussen goede en slechte kwantitatieve datavisualisaties (op basis van theorie). De twee belangrijkste en meest voorkomende vormen bij kwantitatieve datavisualisaties zijn de grafiek en de tabel, beide met eigenschappen die ze geschikt maken voor bepaalde type data. Uit onderzoek kwam naar voren dat de meeste mensen zich niet weten wat deze eigenschappen zijn, of daar bewust mee bezig zijn. Toch is het belangrijk dat mensen de juiste vorm kiezen, willen ze een datavisualisatie maken die niet misleidend is. Wat opviel bij de analyses van goede en slechte datavisualisaties was, dat de goede datavisualisaties zich vooral goed lijken te houden aan de theorie en de voorkeur te geven aan simpel en functioneel. Slechte datavisualisaties leggen de nadruk meer op alleen het design en niet zozeer op het verhaal dat verteld moet worden. Wat ook opviel is dat slechte datavisualisaties soms te veel informatie bevatten, niet alleen de belangrijke en/of relevante data wordt getoond. Uit dit onderzoek kan dus worden opgemaakt dat er een aantal richtlijnen zijn, op basis van de onderzoeksresultaten, waarmee een niet misleidende kwantitatieve datavisualisatie kan worden vormgegeven: 1. Begrijp het verhaal Wat is je doel?, Wat is je boodschap? en Wie is mijn doelgroep? zijn vragen die je helpen om je verhaal te begrijpen. Voordat je begint moet je weten wat je wil vertellen en aan wie, dit helpt je om de juiste keuzes te maken. 14
2. Kies de juiste vorm Kies de vorm (en vormgeving) die je verhaal ondersteund en versterkt. Kies de vorm die het best past bij het type data wat je wilt laten zien. Door de juiste vorm te kiezen verklein je de kans op een misleidende datavisualisatie al enorm. 3. Beantwoord de juiste vragen Prop niet te veel informatie in één grafiek, maar laat alleen de belangrijkste en/of relevante data zien. Let er wel op dat de data niet te selectief wordt, de gebruiker moet nog steeds wel een objectieve en compleet beeld krijgen. 4. Hou het simpel Volg het somberheidsprincipe van Tufte: hou het simpel en functioneel en snij alles weg wat geen functie heeft. Hou rekening met kleuren, lijnen, tekst (benaming) en typografie. Hou de Gestaltwetten en de werking van visuele perceptie in het achterhoofd. Kwantitatieve data kan dus op een manier gevisualiseerd worden die niet misleidend is als bovenstaande richtlijnen worden gebruikt. 15
BRONVERMELDING 5 ways to make the most powerful data visualizations possible. (2017, z.d.). Opgeroepen op juni 6, 2018, van Flexmanage: https://www.flexmanage.com/2017/03/15/5-ways-for-powerful-data-visualiza tions/ Cairo, A. (2013). The Functional Art: an introduction to information graphics and visualisation. Berkeley: New Riders. Opgeroepen op mei 29, 2018 Cairo, A. (2013). The Functional Art [Afbeelding]. Opgeroepen op 26 mei 2018. CBS. (sd). Alleenstaande minderjarige vreemdelingen. Minder alleenreizende minderjarige asielzoekers in 2016. CBS, z.p. Opgeroepen op mei 26, 2018, van https://www.cbs.nl/nl-nl/nieuws/2017/17/min der-alleenreizende-minderjarige-asielzoekers-in-2016 Few, S. (2005). Show me the numbers (2e ed.). z.p.: Analytics Press. Opgeroepen op mei 12, 2018 Stephen, Few. (2005). Show me the numbers [Afbeelding]. Opgeroepen op 26 mei 2018. Few, S. (z.d. ). 35. Data Visualization for Human Perception. Opgehaald van Interaction Design Foundation: https://www.interaction-design.org/literature/book/the-encyclopedia-of-humancomputer-interaction-2nd-ed/data-visualization-for-human-perception Holmes, N. (1983). Time 120, no. 9 [Afbeelding]. Opgeroepen op 26 mei 2018. Illinsky, N., & Steele, J. (2011). Designing Data Visualizations. z.p.: O Reilly Media, Inc. Opgeroepen op mei 16, 2018 Katz, J. (2012). Designing Information. z.p.: John Wiley & Sons, Inc. Opgeroepen op mei 24, 2018 Kirk, A. (2012). Data Visualization: a successful design process. z.p.: Pakt Publishing. Opgeroepen op mei 22, 2018 Tufte, E. (2001). The Visual Display of Quantative Information (2e ed.). z.p. : Graphics Press LLC. Opgeroepen op Mei 26, 2018 Van den Broek, J., Koetsenruijter, W., De Jong, J., & Smit, L. (2015). Beeldtaal (2e ed.). Amsterdam: Boom Lemma Uitgevers. Opgeroepen op mei 22, 2018 Yuk, M., & Diamond, S. (2014). Data Visualisation for Dummies. New Jersey: John Wiley & Sons Inc. Opgeroepen op mei 18, 2018 16
BIJLAGE 1.1 ANALYSEMODELLEN Onderstaande analysemodel komen uit het boek Data visaluzation for Dummies (p. 172). Het analysenmodel zijn gebruikt om te kijken of de voorbeelden van datavisualisaties bij deelvraag 4 goed of slecht zijn. Voorbeeld 1: Neerslag 17
Voorbeeld 2: Vreemdelingen 18
Voorbeeld 3: Revenue 19
20
Voorbeeld 4: Diamond 21
22
BIJLAGE 1.2 ANALYSEMODELLEN Onderstaande analysemodel is de Gestalt-checklist uit het boek Beeldtaal (p. 67). Deze checklist is gebruikt om te kijken of de voorbeelden van datavisualisaties bij deelvraag 4 goed of slecht zijn. Voorbeeld 1: Neerslag Staat de vormgeving in dienst van de boodschap, of omgekeerd? Begrijp je de boodschap, of zit de vormgeving in de weg? De vormgeving staat in dienst van de boodschap. De keuze voor small multiples maakt het makkelijker om bijzonderheden in de neerslag over de afgelopen jaren op te merken. De keuze voor de vormgeving versterkt de boodschap. Is alles wat er is gebruikt echt nodig? Of kunnen er dingen weg? De vormgeving is minimaal een bevat alleen datgene wat nodig is, chartjunk is niet aanwezig. Horen de dingen die dicht bij elkaar staan ook bij elkaar? Nvt. Wat doet de achtergrond met de samenhang van de onderdelen? De keuze voor een witte achtergrond zorgt ervoor dat de blauwe lijn goed opvalt en de lijnen op de achtergrond zijn niet super veel aanwezig, waardoor ze de gebruiker ondersteunen en niet afleiden. Scheiden scheidslijnen de juiste onderdelen van elkaar? Nvt. Kan de waarnemer de logische volgorde vinden? Het is mogelijk voor de gebruiker om een logische volgorde te vinden, doordat de vier grafieken naast elkaar staan (+ dezelfde waardes hebben) en zo makkelijk te vergelijken zijn. Is goede continuïteit tussen alle onderdelen gewaarborgd? Nvt. Hebben onderdelen met gelijke eigenschappen wat met elkaar te maken? Alle vier de grafieken hebben dezelfde vormgeving en eigenschappen, waardoor ze een geheel vormen. Dus ja, alle onderdelen met gelijke eigenschappen hebben wat met elkaar te maken. Wordt er per ongeluk tegen de Gestaltwetten gezondigd, of expres? Er wordt niet tegen de Gestaltwetten gezondigd. En als er wordt gezondigt, wegen de voordelen dan op tegen de nadelen? Nvt. 23
Voorbeeld 2: Vreemdelingen Staat de vormgeving in dienst van de boodschap, of omgekeerd? Begrijp je de boodschap, of zit de vormgeving in de weg? De vormgeving zorgt ervoor dat de boodschap duidelijk bij de gebruiker overkomt. Is alles wat er is gebruikt echt nodig? Of kunnen er dingen weg? De datavisualisatie bevat geen onnodige elementen. Horen de dingen die dicht bij elkaar staan ook bij elkaar? Ja, de elementen die bij elkaar staan horen bij elkaar en vormen zo een duidelijke eenheid. Wat doet de achtergrond met de samenhang van de onderdelen? De achtergrond zorgt voor rust en zorgt ervoor dat de verschillende kleuren goed tot hun recht komen. Scheiden scheidslijnen de juiste onderdelen van elkaar? Nvt. Kan de waarnemer de logische volgorde vinden? Door de keuze voor een staafdiagram kan de gebruiker makkelijk het verband zien tussen de verschillende categorieën. Is goede continuïteit tussen alle onderdelen gewaarborgd? Nvt. Hebben onderdelen met gelijke eigenschappen wat met elkaar te maken? De verschillende categorieën van de staafdiagram bestaan allemaal uit dezelfde drie eigenschappen, namelijk 2014, 2015 en 2016. Hierdoor vormen de onderdelen telkens een geheel, waarmee ze met elkaar vergeleken kunnen worden. De onderdelen met gelijke eigenschappen hebben dus met elkaar te maken. Wordt er per ongeluk tegen de Gestaltwetten gezondigd, of expres? De datavisualisatie zondigt niet tegen een van de Gestaltwetten. En als er wordt gezondigt, wegen de voordelen dan op tegen de nadelen? Nvt. 24
Voorbeeld 3: Revenue Staat de vormgeving in dienst van de boodschap, of omgekeerd? Begrijp je de boodschap, of zit de vormgeving in de weg? Boodschap die met deze datavisualisatie moest worden overgebracht gaat compleet verloren door de vormgeving. De vormgeving zit de boodschap dus in de weg. Vooral de keuze om in de vormgeving 3D te gebruiken is geen goede keuze geweest. Is alles wat er is gebruikt echt nodig? Of kunnen er dingen weg? Het toevoegen van het 3D aspect had weg kunnen worden gelaten, aangezien het niets doet om de datavisualisatie duidelijker te maken. Horen de dingen die dicht bij elkaar staan ook bij elkaar? Ja, de dingen die dicht bij elkaar staan horen bij elkaar. Wat doet de achtergrond met de samenhang van de onderdelen? De witte achtergrond staat de samenhang niet in de weg. Scheiden scheidslijnen de juiste onderdelen van elkaar? De scheidslijnen zorgen voor een duidelijke scheiding tussen de verschillende elementen. Wel hadden eventueel sommige lijnen weg kunnen worden gelaten, zoals de scheidingslijnen tussen de verschillende onderdelen van één categorie, omdat deze niet perse nodig zijn om duidelijk te maken dat het om verschillende waardes gaat. Kan de waarnemer de logische volgorde vinden? Nee, niet alle data is zichtbaar voor de gebruiker en doordat de datavisualisatie gedraaid is, is ook niet helemaal duidelijk bij welke as de gebruiker nou moet beginnen met lezen. Is goede continuïteit tussen alle onderdelen gewaarborgd? Nvt. Hebben onderdelen met gelijke eigenschappen wat met elkaar te maken? Ja, de verschillende categorieën vormen een geheel. Wordt er per ongeluk tegen de Gestaltwetten gezondigd, of expres? De datavisualisatie gaat in tegen de wet van eenvoud. En als er wordt gezondigt, wegen de voordelen dan op tegen de nadelen? Het toevoegen van 3D en het draaien van de datavisualisatie maken deze onnodig moeilijk, waardoor de boodschap verloren gaat. De voordelen wegen dus niet op tegen de nadelen. 25
Voorbeeld 4: Diamond Staat de vormgeving in dienst van de boodschap, of omgekeerd? Begrijp je de boodschap, of zit de vormgeving in de weg? De boodschap is duidelijk en helder, daar voegt de tekening vrij weinig aan toe. Door de tekening weg te halen en andere elemente toe te voegen, zoals duidelijke hulplijnen en duidelijke x- en y-as was de grafiek nog duidelijker geweest. Nu staat de vormgeving de boodschap dus meer in de weg dan dat het versterkt. Is alles wat er is gebruikt echt nodig? Of kunnen er dingen weg? Niet alles wat wordt gebruikt is ook nodig, er kunnen ook dingen weg. De tekening van de vrouw is niet nodig om de grafiek en de boodschap te snappen. Horen de dingen die dicht bij elkaar staan ook bij elkaar? Nvt. Wat doet de achtergrond met de samenhang van de onderdelen? De achtergrond trekt meer de aandacht van de kijker dan de grafiek zelf. Voor de samenhang tussen de verschillende onderdelen is de achtergrond dus niet goed. Scheiden scheidslijnen de juiste onderdelen van elkaar? Nvt. Kan de waarnemer de logische volgorde vinden? Nvt. Is goede continuïteit tussen alle onderdelen gewaarborgd? Nvt. Hebben onderdelen met gelijke eigenschappen wat met elkaar te maken? De verschillende waardes worden verbonden met een lijn, waardoor het verband tussen de waardes zichtbaar wordt. Wordt er per ongeluk tegen de Gestaltwetten gezondigd, of expres? De datavisualisatie gaat met name tegen de wet van eenvoud in. In mindere mate zou je ook kunnen zeggen dat het tegen de wet van gelijke achtergrond ingaat. En als er wordt gezondigt, wegen de voordelen dan op tegen de nadelen? De tekening voegt niet voldoende toe aan de boodschap, die de grafiek al niet duidelijk maakt. Daarnaast leidt de tekening af van de grafiek zelf. De voordelen wegen dus niet op tegen de nadelen. 26
BIJLAGE 1.3 ONDERZOEKSOPZET Aanleiding The public is more familiar with bad design than good design. It is, in effect, conditioned to prefer bad design, because that is what it lives with. The new becomes threatening, the old reassuring. (Kevin Mullet and Darrel Sano, Designing Visual Interfaces, Sun Microsystems, Inc., 1995 quoting Paul Rand, Design, Form, and Chaos) Bovenstaande quote is de aanleiding geweest voor mij om deze stelling te gaan onderzoeken. Het idee dat mensen geconditioneerd zouden zijn om slechte data visualisaties te verkiezen boven goede data visualisaties is een stelling die ik erg interessant vond om te onderzoeken. Hoe onderzoeken Ik ga testen of de stelling waar is door een groep mensen in korte interviews telkens twee voorbeelden van kwantitatieve data visualisatie voor te leggen (soort A/B testing), één goede en één slechte. Vervolgens krijgen de testpersonen de vraag welke van de twee visualisaties zij beter vinden en waarom. Aan de hand van deze resultaten wil ik kijken of mensen echt geneigd zijn om een voorkeur voor slecht design te hebben en dus zo of deze stelling waar is. Stelling: Mensen zijn geconditioneerd om een voorkeur te hebben voor slechte kwantitatieve data visualisaties. 27
Visualisatie A (Goed): Marktaandeel Nederlandse Banken 2010 Rabobank ING ABN Amro SNS Fortis Overige 0% 5% 10% 15% 20% 25% 30% 35% 40% Spaarmarkt Hypotheekmarkt Visualisatie B (Slecht): Fortis 9% HYPOTHEEKMARKT 2010 Overige 23% Rabobank 29% ABN Amro 13% 3% Overige 6% SPAARMARKT 2010 SNS 9% Fortis Rabobank 34% SNS 6% ABN Amro 13% ING 20% ING 35% Welke visualisatie heeft jouw voorkeur en waarom? 28
Visualisatie A (Slecht): Sales Qtr1 2003 500000 450000 400000 350000 300000 250000 200000 150000 100000 50000 0 Americas Europe Asia Visualisatie B (Goed): Welke visualisatie heeft jouw voorkeur en waarom? 29
Visualisatie A (Goed): 200 180 160 140 120 100 80 60 40 20 0 Neerslag in mm per maand 2017 200 180 160 140 120 100 80 60 40 20 0 Neerslag in mm per maand 2016 200 180 160 140 120 100 80 60 40 20 0 Neerslag in mm per maand 2015 200 180 160 140 120 100 80 60 40 20 0 Neerslag in mm per maand 2014 Visualisatie B (Slecht): Neerslag in mm 200 180 160 140 120 100 80 60 40 20 0 2017 2016 2015 2014 Welke visualisatie heeft jouw voorkeur en waarom? 30
Onderbouwing Hieronder een onderbouwing per set vragen waarom de ene visualisatie beter is dan de andere visualisatie. Nederlandse banken Visualisatie A (staafdiagram) is hier beter dan visualisatie B (cirkeldiagram). Visualisatie B geeft een misleidend beeld van hoe de verschillende banken het doen op beide markten. Bij visualisatie B is veel minder snel duidelijk dat de Rabobank de grootste bank is op zowel de hypotheken- als spaarmarkt in plaats van de ING. De cirkeldiagram maakt het lastig om alle stukken individueel te vergelijken, een probleem wat wordt opgelost door te kiezen voor een staafdiagram. Visualisatie A geeft dus een veel beter beeld dan visualisatie B, wat de visualisatie minder misleidend maakt. Daarom is visualisatie A de betere visualisatie. Sales Visualisatie B (tabel) is hier beter dan visualisatie A (3D staafdiagram). De tabel van visualisatie B biedt veel meer informatie en een completer beeld van visualisatie A. Als iemand alleen een mening moet vormen op basis van visualisatie B, zou deze heel anders zijn dan wanneer het op basis is van visualisatie A. Bij visualisatie B lijkt het of Amerika het stukken beter doet dan Europa en Azië, maar als er naar de informatie wordt gekeken in de tabel ontstaat er een veel genuanceerder beeld. Daarnaast is het 3D effect overbodig en ook het kleurgebruik (felle en verschillende kleuren) is niet goed. Visualisatie A is dus zeer misleidend, daarom is visualisatie B beter. Neerslag Visualisatie A (small multiples) is beter dan visualisatie B (lijngrafiek). Visualisatie A biedt de mogelijkheid om de verandering overzichtelijk weer te geven aan de hand van small multiples. In visualisatie B is te veel informatie weergegeven voor één grafiek, de lijnen lopen over elkaar en/of staan te dicht bij elkaar. Hierdoor is het lastig om precieze waardes te zien. Bovendien helpt dit ook niet om bijzonderheden op te merken. Visualisatie A is dus een betere visualisatie dan visualisatie B. 31
BIJLAGE 1.4 INTERVIEWS Hieronder de uitgewerkte interviews met de resultaten voor het praktijk onderzoek. Uit overweging van de privacy van de geïnterviewde, is alleen de voornaam en een afkorting van de achternaam aanwezig. Interview: Irma v.b. Nederlandse Banken Keuze: Visualisatie A (goede) De verandering is meteen duidelijk weergegeven, omdat het verschil per bank naast elkaar te zien is. Je hebt hierdoor meteen een duidelijker beeld van de markten zelf en de verhoudingen. Daarom heeft A mijn voorkeur. Sales Keuze: Visualisatie B (goede) In B zijn veel meer gegevens in verwerkt, dus je weet globaal hoe het percentage en de bijbehorende omzet tot stand zijn gekomen. Je kunt hierdoor veel beter een mening vormen. Neerslag Keuze: Visualisatie B (slechte) Het is hier voor mij veel duidelijker om het verschil te zien in 1 tabel, omdat ik de losse grafieken alsnog op elkaar vind lijken, dus gaat mijn voorkeur uit naar B. Conclusie Irma kiest twee keer voor de goede en één keer voor de slechte visualisatie. Wat opvalt bij Irma is dat ze bij de eerste twee optie eigenlijk grotendeels uitlegt wat die visualisaties nou beter maakt dan de andere optie. De stelling is dus niet van toepassing bij Irma. Interview: Renée t.h. Nederlandse Banken Keuze: Visualisatie A (goede) Visualisatie A heeft mijn voorkeur, want bij die kan ik alles een stuk sneller zien. Deze visualisatie overzichtelijker dan de andere. 32
Sales Keuze: Visualisatie A (slechte) Ook hier kies ik voor A, want hier hoef ik minder te lezen en dus minder moeite te doen om tot de informatie te komen. Neerslag Keuze: Visualisatie B (slechte) Visualisatie B, omdat dat de waardes makkelijker te vergelijken zijn. Conclusie Renée kiest twee keer de slechte visualisaties, wat er dus op duidt dat de stelling bij haar van toepassing is. Renée lijkt vooral te gaan vooral voor gemak. Interview: Tessa R. Nederlandse Banken Keuze: Visualisatie B (slechte) B is voor mij overzichtelijker, je ziet sneller wat je nodig hebt en wat het is. Sales Keuze: Visualisatie B (goede) Je hebt meer informatie tot je beschikking bij B dan bij A, wat je een beter totaalbeeld geeft. B heeft hier dus zeker mijn voorkeur. Neerslag Keuze: Visualisatie A (goede) Visualisatie A vind ik sterker, omdat je hier meer overzicht over de specifieke waardes hebt dan bij B. Conclusie Tessa kiest twee van de drie keer voor de goede visualisatie, voor de tweede set Sales geeft ze zelfs een van de belangrijkste reden aan waarom die visualisatie beter is dan de ander. De stelling is dan ook niet van toepassing op Tessa. 33
Interview: Chris M. Nederlandse Banken Keuze: Visualisatie B (slechte) Ik vind visualisatie B overzichtelijker dan visualisatie A, vooral omdat je meteen inzichtelijk hebt wie de grootste is en wie de kleinste. Je hebt meteen een beeld van hoe de markt er uit ziet, wat ik denk dat ook de bedoeling is van deze grafiek. Sales Keuze: Visualisatie B (goede) Ik vind visualisatie B hier veel sterker dan visualisatie A. Hier gaat het om getallen en/of procenten, wat visualisatie B een stuk duidelijker maakt dan visualisatie A. Je kunt makkelijker de verschillende gegevens onderscheiden. Neerslag Keuze: Visualisatie B (slechte) Ik denk dat het hier vooral om onderlinge vergelijkingen gaat, dus ik denk dat visualisatie B hier een betere visualisatie voor is, je kunt het namelijk direct zien. Conclusie Chris kiest twee keer voor de slechte visualisatie, ook al is die iedere keer goed overtuigd van zijn keuze. Dit wijst er op dat de stelling bij Chris van toepassing is. Interview: Anouk S. Nederlandse Banken Keuze: Visualisatie B (slechte) Visualisatie B is voor mij overzichtelijker omdat je twee aparte grafieken hebt. Sales Keuze: Visualisatie B (goede) Je hebt meer en duidelijkere informatie om af te lezen, daarom vind ik B de betere oplossing. 34
Neerslag Keuze: Visualisatie A (goede) Hetzelfde als wat ik bij de eerste had, je hebt aparte grafieken en dat maakt het makkelijker om het af te lezen. Conclusie Anouk kiest twee keer voor de goede visualisatie, en ook telkens met een duidelijke reden. De stelling is dan ook op Anouk niet van toepassing. Interview: Stefan v.d. Nederlandse Banken Keuze: Visualisatie B (slechte) Je kunt makkelijker de individuele waardes van de banken per markt zien, wat deze visualisatie een stuk makkelijker maakt dan de andere visualisatie. Sales Keuze: Visualisatie B (goede) Nogmaals heeft B hier mijn voorkeur, omdat je meer info krijgt wat helpt om je te laten begrijpen hoe de omzet in elkaar zit. Ik vind A ook misleidend, omdat je als je naar die grafiek kijkt, je zou denken dat Amerika het een stuk beter doet dan de rest. Terwijl als je naar de tabel kijkt, dit ook stuk minder het geval is. Neerslag Keuze: Visualisatie A (goede) Visualisatie A heeft hier mijn voorkeur omdat ik B veel te rommelig vind, er is geprobeerd om veel te veel info in één grafiek te proppen. Je kunt niet eens alle waardes duidelijk aflezen, omdat je ze gewoon niet kunt zien. Conclusie Stefan kiest twee van de drie keer voor de goede visualisatie, dus de stelling is niet van toepassing. Wat opvalt is dat ook Stefan goed in de gaten lijkt te hebben waarom bepaalde visualisatie wel of niet werken. 35
Interview: Bieneke N. Nederlandse Banken Keuze: Visualisatie B (slechte) Deze visualisatie voelt voor mij natuurlijker, ik zou niet weten waarom. Sales Keuze: Visualisatie A (slechte) Ik vind visualisatie A overzichtelijker, je ziet het gewoon veel sneller dan bij visualisatie B. Neerslag Keuze: Visualisatie A (goede) Ik vind B te druk, je kunt niet goed zien wat alle waardes zijn, daarom gaat mijn voorkeur uit naar visualisatie A. Conclusie Bieneke kiest 2 van de 3 keer voor een slechte visualisatie, wat betekent dat in haar geval de stelling waar is. Interview: Francis R. Nederlandse Banken Keuze: Visualisatie B (slechte) Visualisatie B is duidelijker en beter leesbaar naar mijn idee. Dat de waardes (percentages) er meteen bij staan vind ik fijn, dat leest een stuk makkelijker af dan bij de andere visualisatie. Sales Keuze: Visualisatie B (goede) Je krijgt bij B veel meer informatie, wat ik fijner vind. A is wel erg karig qua informatie. Daarnaast denk ik dat A ook niet goed is als je een compleet beeld wilt vormen wie wat heeft bijgedragen aan de omzet. 36
Neerslag Keuze: Visualisatie B (slechte) Ook hier geef ik mijn voorkeur weer aan visualisatie B, want het is makkelijker als je al je gegevens in één overzicht hebt in plaats van in vier verschillende. Met verschillende kleuren kun je toch duidelijk het verschil tussen de verschillende lijnen aangeven. Conclusie Francis kiest twee van de drie keer voor de slechte visualisatie, ook Francis lijkt een voorkeur te geven aan gemak. De stelling is dus bij haar van toepassing. Interview: Roy d.v. Nederlandse Banken Keuze: Visualisatie B (slechte) Ik vind B beter omdat je hier gewoon voor twee losse cirkeldiagrammen hebt, waardoor het makkelijker wordt om de individuele waardes te bekijken. Sales Keuze: Visualisatie A (slechte) Bij A heb je makkelijk en snel inzichtelijk welke van de drie het meeste heeft bijgedragen aan de omzet, dus daarom heeft A mijn voorkeur. Neerslag Keuze: Visualisatie B (slechte) B krijgt nu mijn voorkeur, voor dezelfde reden als bij de vorige vraag. Je hebt ook hier weer gewoon alles in één grafiek staan, wat het makkelijker maakt om te vergelijken en bijzonderheden te zien. Conclusie Roy kiest tot drie keers toe voor de slechte visualisatie, de stelling is dus zeker waar in zijn geval. 37
Conclusie De stelling: Mensen zijn geconditioneerd om een voorkeur te hebben voor slechte kwantitatieve data visualisaties. Op basis van dit onderzoek kan er gezegd worden dat bovenstaande stelling waar is. De stelling is van toepassing op 5 van de 9 geïnterviewden, de meerderheid wijst er dus op dat de stelling waar zou zijn. Wel is het een zeer krappe meerderheid, wat ervoor zorgt dat er niet helemaal met overtuiging gezegd kan worden dat de stelling waar is. Eventueel kan er in een vervolgonderzoek nog meer mensen benaderd worden om zo vast te stellen of de meerderheid (het verschil) behouden blijft en of deze nog verder groeit. Desondanks de niet zeer overtuigende meerderheid, zijn er toch een aantal dingen die opvielen uit de antwoorden van de geïnterviewden. Wat met name opviel is dat veel van de geïnterviewden niet weten wat de beste eigenschappen / kwaliteiten van bepaalde vormen van datavisualisaties zijn, of zich hier in ieder geval niet bewust mee bezig zijn. De meeste mensen kiezen toch eerder voor gemakkelijk en snel (en dus minder voor kwaliteit). Een ander punt dat opviel is dat iemands achtergrond toch ook van invloed is op de keuzes. Twee geïnterviewden hebben bijvoorbeeld een achtergrond in de financiële sector en bij beide was de stelling niet van toepassing. Stelling wel: 5x Stelling niet: 4x 38