Una data visualization è uno degli espedienti più efficaci e diffusi nelle pratiche di business analysis: la potenzialità di tale strumento risiede nella possibilità di sviluppare un piano d’azione sulla base di tutti i dati sensibili – principali e inerenti – del fenomeno su cui s’intende operare.
Tuttavia, a seconda del tipo di obiettivo che si vuole conseguire è importante scegliere una forma di rappresentazione che solleciti il meccanismo cognitivo più opportuno: la nostra mente, infatti, è in grado di intraprendere diversi processi cognitivi ciascuno dei quali porta in evidenza aspetti diversi degli stessi fenomeni.
I vari esempi di data visualization
Per fare qualche esempio, il processo di comparazione porterà alla messa in evidenza di somiglianze e differenze di due set di dati differenti; il processo di comprensione di un meccanismo causa-effetto, invece, pone due fenomeni in momenti cronologici diversi in modo che l’origine di uno sia diretta conseguenza dell’altro.
Ogni ricerca esige un approccio analitico che soddisfi l’obiettivo preposto.
Le data visualization, allo stesso modo, non sono tutte uguali: ciascuna tipologia di grafico restituisce un frame specifico del fenomeno che si vuole analizzare, ne mette in evidenza un aspetto, un valore che sarà diverso da quello ottenuto da un grafico differente.
Il professor Paolo Piccigallo, docente di filosofia dell’Università di Messina ha delineato una “grammatica dei grafici” per indicare quell’insieme di pratiche ampiamente diffuse nella selezione delle forme che orientano la creazione delle rappresentazioni grafiche e ne facilitano la lettura.
Per una prima classificazione possiamo suddividere le data visualization in due macro-aree, ovvero le visualizzazioni concettuali e le visualizzazioni data-driven.
Le visualizzazioni concettuali fanno riferimento alla necessità di schematizzare e illustrare concetti astratti con l’obiettivo di semplificare un fenomeno complesso o costruire un brief a partire da elementi differenti.
Data driven visualization
Le data driven visualization, invece, hanno lo scopo di ricercare dei pattern tra fenomeni differenti in modo da ottenere una chiarezza espositiva. In base a questa prima classificazione, abbiamo quattro tipologie principali di data visualization:
- Concettuali-dichiarative
- Concettuali-esplorative
- Data Driven dichiarative
- Data Driven esplorative
Concettuali-dichiarative
Le visualizzazioni concettuali-dichiarative rappresentano gli abstract data, ovvero dati non quantitativi, e sono applicabili a qualsiasi soggetto, concreto o astratto, teorico o attuale, attuale, storico o futuro. La loro funzione principale è quella di avere un impatto significativo sul pubblico e possono essere ricordati più a lungo dello stesso argomento presentato. Hanno lo scopo di illustrare con semplicità ed efficacia concetti già formulati: chi utilizza questo genere di visualizzazioni ha le idee molto chiare su ciò che intende spiegare e sul livello di astrazione su cui deve intervenire per permettere alla sua audience di comprenderlo. Si pone maggiore focalizzazione sulla comunicazione di informazioni specifiche.
Tecniche come l’inclusione di immagini, l’uso della prospettiva, i riempimenti graduali, ecc. sono utilizzate più frequentemente in queste applicazioni che in altre. Pur essendo utilizzati frequentemente nella categoria business, si ritrovano in tutti i settori e variano a seconda che l’enfasi sia posta sull’estetica, sulla facilità d’apprendimento di concetti o sulla focalizzazione di un messaggio specifico. Uno dei grafici più utilizzati di tale categoria è il Break-Even-Point Graph.
Concettuali-esplorative
I grafici concettuali-esplorativi fungono da supporto visivo, spesso informale e creati sul momento, nelle fasi creative di progettazione.
La loro caratteristica è quella di permettere ai partecipanti, attraverso le metafore visive, di scoprire le relazioni tra un concetto e gli elementi ad esso correlati. Sono utilizzati soprattutto nei brainstorming e nella categorizzazione proposta da di R.L. Harris si inseriscono nel gruppo “Analyzing, exploring and planning” e fanno parte della sotto-insieme Business Graphs. Un esempio di grafico concettuale-esplorativo sono le Bubble Charts.
Data driven esplorative
I grafici data-driven esplorativi, al contrario di quelli confirmatori, tendono a essere molto complessi e articolati: la modalità operativa per scoprire i possibili elementi significativi all’interno di queste visualizzazioni è quella di creare grafici fortemente inclusivi, dove troveranno posto più categorie e sottocategorie contemporaneamente. In esse, è l’attitudine analitica a fare la differenza: questa si esprime al massimo mantenendo una mentalità aperta, un approccio creativo e una buona capacità di calcolo. L’obiettivo è l’effetto eureka, far emergere un significato tra i dati in modo chiaro e sempre verificabile.
Grafici fortemente inclusivi che permettono sia la macro che la micro-lettura: bisogna utilizzare tutti i dati possibili.
Questa tipologia di grafici è posta da Harris nelle due categorie “Analyzing, exploring, planning” e “Monitoring and controlling” e, pur essendo inclusi nel gruppo Business, costituiscono i gruppi Techincal/Scientific Graphs e Data Analysis. Uno dei modelli più diffusi di tale categoria è il grafico Spider, come quello riportato sotto che rappresenta non solo tutti gli elementi che caratterizzano un vino di tipologia Nebbiolo, ma anche il livello di intensità di ciascun elemento.
Grafico Spider
Data driven dichiarative
Il grafico data-driven dichiarativo corrisponde a quello più diffusamente noto come Data Storytelling ovvero un grafico che ha come obiettivo principale non quello di elaborare un ampio set di dati ma di comunicarli sotto forma di messaggio. Essendo nell’ambito della comunicazione, si deve tener conto delle stesse configurazioni di cui si compone un messaggio verbale: il tipo di destinatario, il canale di trasmissione e il linguaggio utilizzato. l grafico deve risultare al lettore estremamente chiaro già a prima vista e perché ciò accada ogni elemento della raffigurazione e deve essere auto-evidente: i simboli, i testi, le etichette. La presenza di un codice condiviso non basta a garantire la corretta trasmissione delle informazioni tra un emittente e un ricevente o destinatario: nel canale visivo possono interporsi degli ostacoli nella lettura, i cosiddetti rumori. Bisogna seguire una strategia d’efficacia comunicativa.
Gli elementi devono comunicare e al contempo facilitare l’interpretazione del ricevente.
Conclusioni
La peculiarità del data storytelling risiede nel rendere immediatamente e facilmente comprensibili a un ampio pubblico anche oggetti complessi e per questo sono ampiamente utilizzati nelle comunicazioni del settore scientifico, medico e politico. Come esempio possiamo considerare un grafico Data-Driven Dichiarativo (o Data Storytelling). Un esempio esaustivo di questa tipologia di grafico è la Interactive Timeline of the Most Icon Infographic che mostra lo sviluppo della pratica delle Data Visualization.
Dunque, la prima domanda da porsi quando si vuole analizzare un ampio set di dati non è “cosa significano” ma “cosa sto cercando”.