أمثلة على التصور المضلل للبيانات يجب الابتعاد عنها

يعد تصور البيانات أداة أساسية لتحليل مواد البيانات المعقدة وإيصالها . يجب أن تكون حذرا بالرغم من ذلك. عندما يتم القيام به بطريقة خاطئة ، فإنه يؤدي إلى تشويه المعلومات أو تحريفها.

من المحزن القول ، أن البعض يستخدم تصور البيانات لتحريف البيانات عن قصد . لديهم أجندة أو يريدون الترويج لآرائهم الخاصة. تصورات البيانات المضللة الأخرى هي نتيجة أخطاء أو عدم فهم كيفية تقديم البيانات. قد يكون التصميم جميلًا وجذابًا ولكنه غير مناسب للتواصل الواضح للمعلومات.

أحيانًا يكون تصور البيانات المضللة واضحًا ؛ في بعض الأحيان يكون الأمر أكثر دقة. من المفيد معرفة شكل التصور الجيد للبيانات وما هي أفضل الطرق لتمثيل البيانات.

ستعرض لك هذه المقالة أمثلة مضللة لتصور البيانات يمكن أن تعلمك دروسًا مهمة.

اقتطاع النطاق

تعد المخططات الشريطية من أكثر أمثلة تصور البيانات شيوعًا. يعطي فكرة سريعة عن الحجم النسبي من خلال مقارنة ارتفاعات الشريط. من السهل صنعها والجميع يفهمها .

يقارن المخطط الشريطي في هذا المثال صافي الإيرادات التي حققتها شركة Coca-Cola على مدار السنوات الماضية. المقياس الرأسي يمتد من 0 إلى 48 مليار. هذا منطقي وصحيح. يبدأ المحور الصادي في المثال التالي عند 28 مليارًا مما يجعل نمو إيرادات السنوات التالية يبدو وكأنه تضخم إلى طبقة الستراتوسفير.

تم إنشاء المخطط باستخدام wpDataTables

يؤكد قطع جزء من المحور الرأسي على الاختلافات في حجم الأعمدة المختلفة. يستخدم البعض هذه الحيلة لخداع الناس في افتراض أن الاختلافات في البيانات أكبر مما هي عليه .

تم إنشاء المخطط باستخدام wpDataTables

هنا مثال آخر. يقارن عائدات Apple لكل منطقة بين عامي 2017 و 2018. للوهلة الأولى ، يبدو أن أداء Apple كان أفضل بكثير في اليابان منه في أوروبا.

هل هذا صحيح ، أم أن هذا مثال على ضعف تصور البيانات؟ إذا نظرت عن كثب ، ستلاحظ اقتطاع المحور ص. ينتج عن هذا تحريف للبيانات.

هكذا يجب أن تبدو في الواقع كما يلي:

تم إنشاء المخطط باستخدام wpDataTables

التلاعب بالمحور الصادي

تؤدي المعالجة الإضافية للمحور الصادي إلى المزيد من أخطاء تصور البيانات. يمكنك إظهار المحور الرأسي بأكمله مع الاستمرار في تغييره بطريقة تفقد كل معانيها. تتمثل إحدى الطرق في تغيير المقياس بحيث يبالغ في التركيز على اختلافات البيانات .

تغيير هذا المحور هو مثال شائع جدًا لتصور البيانات السيئة. وسائل التواصل الاجتماعي مليئة بهذا التحريف. يدفع بالروايات الكاذبة.

على سبيل المثال ، قد يمثل شخص ما تغيرات طفيفة في درجة الحرارة في الرسم البياني. لجعل المنحنى ضئيلًا قدر الإمكان ، يستخدمون مقياسًا رأسيًا يتراوح من -10 درجة مئوية إلى 100 درجة مئوية. هذه خدعة شائعة لإنكار آثار الاحتباس الحراري.

يمكن أن يكون للتغييرات الصغيرة تأثيرات كبيرة وتغير القصة وراء مجموعة البيانات. ننظر في هذه الأمثلة. درجة ائتمان 634 من 700

لا تبدو مثل درجة ائتمان 634 من 850.

إخفاء البيانات ذات الصلة

الكذب بشأن البيانات أمر سيء. لكنها سيئة مثل إهمال نقاط البيانات لأنها لا تناسب غرضك.

ترك بعض البيانات يركز انتباه الجمهور على جزء محدد من المعلومات الإيجابية . يذهب ذلك على حساب الدقة وفهم القصة الكاملة. كل نقطة بيانات لها قصة ترويها ويمكنها نقل معلومات مهمة. ومع ذلك ، يمكن أن تكون كل نقطة بيانات مضللة عندما لا يكون هناك سياق مناسب.

قم بتحليل هذا المثال التالي في قائمة أمثلة تصور البيانات المضللة. في عام 2018 ، نشر مركز بيو للأبحاث دراسة استقصائية حول استخدام وسائل التواصل الاجتماعي.

من الأمثلة السيئة لتصور البيانات المبالغة في التأكيد على حقيقة أن 68٪ من الأمريكيين يستخدمون Facebook.

يوضح هذا المثال كيف يمكن لشخص ما استبعاد نقاط البيانات لإعطاء انطباع مختلف عن تقدم النمو. ترى نموًا أكثر سلاسة إذا عرضت نقاط البيانات لكل سنة ثانية

بدلا من كل عام. لكن هذا ليس ما يبدو عليه الواقع.

تستخدم الشركات هذا التصور المضلل للبيانات عن طريق حذف القيم المتطرفة الكبيرة في المبيعات أو الربح. يجعل الأمر يبدو أن الشركة أكثر استقرارًا وقابلية للتنبؤ مما هي عليه. إنه يخفي التقلبات الحقيقية للسوق. عند إجراء تصورات للبيانات ، تأكد من منح حق الوصول إلى جميع المعلومات.

تستحق بياناتك الجميلة أن تكون على الإنترنت

يمكن لـ wpDataTables جعلها على هذا النحو. هناك سبب وجيه لكونه المكون الإضافي الأول في WordPress لإنشاء جداول ومخططات سريعة الاستجابة.

ومن السهل فعل شيء مثل هذا:

1. تقوم بتوفير بيانات الجدول
2. تكوينه وتخصيصه
3. انشرها في منشور أو صفحة

وهي ليست جميلة فحسب ، ولكنها عملية أيضًا. يمكنك إنشاء جداول كبيرة تصل إلى ملايين الصفوف ، أو يمكنك استخدام عوامل التصفية والبحث المتقدمين ، أو يمكنك جعلها قابلة للتحرير.

"نعم ، لكني أحب Excel كثيرًا ولا يوجد شيء مثل ذلك على مواقع الويب". نعم ، هناك. يمكنك استخدام التنسيق الشرطي كما هو الحال في Excel أو Google Sheets.

هل أخبرتك أنه يمكنك إنشاء مخططات باستخدام بياناتك أيضًا؟ وهذا جزء صغير فقط. هناك الكثير من الميزات الأخرى لك.

الارتباط والسببية

يُعد إظهار الارتباطات بين البيانات طريقة جيدة لمساعدة الجمهور على فهم الموضوع بشكل أفضل. يمكنك القيام بذلك عن طريق عمل تراكبات لمجموعات البيانات في رسم بياني واحد. يمكن أن يساعد الجمع بين الشرح الشفهي والمرئي المشاهدين في تكوين روابط مهمة معينة. هناك تحذير في مكانه كذلك. يحجب عدد كبير جدًا من التراكبات المعلومات بدلاً من تمييز الاتصالات.

تم إنشاء المخطط باستخدام wpDataTables

عند استخدامها بطريقة خاطئة ، يمكن أن تشير التراكبات إلى أسباب غير موجودة. هنا مثال مشهور. يقترح وجود علاقة بين استهلاك الآيس كريم والجريمة العنيفة. في الواقع ، كلاهما نتيجة الطقس الدافئ.

السببية ليست هي نفسها الارتباط في البيانات. الآن بعد أن أصبحت مجموعات البيانات أكبر وأكبر ، أصبح الارتباط أكثر تأكيدًا. من الأسهل اكتشاف الارتباط بدلاً من إنشاء علاقة سببية حقيقية بين ظاهرتين.

هناك سبب مهم لعدم تساوي السببية مع الارتباط. يمكن أن تحجب المقارنة بين متغيرين وجود متغير ثالث محير.

يمكن أن يؤثر متغير ثالث غير معروف على متغيرين آخرين. قد يعطي اقتراحًا بوجود علاقة سببية بين الاثنين. لا يمكن لأحد أن يدرك وجود هذا المتغير الثالث ومن المستحيل إثبات السببية.

قطف الكرز

يعد قطف الكرز أحد أمثلة التصور العديدة المعروفة للبيانات المضللة. يتجاهل نموذج تصور البيانات هذا مصادر أو أجزاء معينة من المعلومات .

والغرض من ذلك هو إظهار مجموعة نتائج أوضح أو أكثر قابلية للتنبؤ واستخراج اتجاه أو نمط غير موجود. إنه غير أمين وليس موضوعي. تصبح النتائج غير دقيقة وغير كاملة ولا تنقل المعرفة الفعلية.

قطف الكرز هو شكل من أشكال التصور السيئ للبيانات غالبًا ما يُنظر إليه في صناعة الأدوية. يمكن أن تظهر المراجعة الدقيقة ذلك في عرض نتائج التجارب السريرية. من الأمثلة على ذلك مضادات الاكتئاب. يتضح من خلال مقارنة البيانات مع نتائج التحقيقات الممولة من الحكومة لنفس الدواء.

يوضح المثال أعلاه مدى خطورة انتقاء البيانات. يمكن أن تكشف التجارب السريرية بعض التعقيدات الدقيقة. لا يمكن استخراجها إلا من خلال النظر في البيانات غير المغشوشة.

تحجيم لوغاريتمي غير واضح

القيمة بين نقطتين على المحور الخطي هي نفسها دائمًا. في حالة المقياس اللوغاريتمي. تختلف القيمة بين نقطتين وفقًا لنمط معين. هذه هي أسهل طريقة لمعرفة الفرق بين المقياس الخطي واللوغاريتمي.

هذا لا يعني أن التمثيل اللوغاريتمي هو شكل من أشكال التصور المضلل للبيانات. يمكن أن تكون طريقة فعالة للغاية لاستخراج علاقة مهمة في مجموعة البيانات. بالطبع ، من المهم إظهار أن الرسم البياني يستخدم مقياسًا لوغاريتميًا. إذا لم يكن الأمر كذلك ، فقد يؤدي ذلك إلى فقدان أهمية البيانات.

يوضح الرسمان البيانيان أدناه طريقتان لتقديم نفس البيانات. يستخدم المرء مقياسًا خطيًا ،

بينما يستخدم الآخر مقياس لوغاريتمي. كلا التمثيلين ، في جوهرهما ، صحيحان ، لكنهما يبدوان مختلفين.

الدرس هو أنه يمكنك استخدام مقياس لوغاريتمي ، ولكن بطريقة ما تحتاج إلى توضيح ذلك للمشاهد .

التصور غير التقليدي

تؤثر عناصر تصور البيانات على علم النفس البشري . الألوان والخطوط والأيقونات جميعها لها دلالة أعمق. إنها تؤثر على الطريقة التي يدرك بها المشاهد المعلومات. يُعد تجاهل هذه الحقائق أو إساءة استخدامها أمثلة مضللة لتصور البيانات.

لا ينبغي التقليل من أهمية تصور البيانات. عندما يأخذ الدماغ معلومات جديدة ، يستغرق الأمر وقتًا لتحليل معنى بعض عناصر التصميم.

أن تكون مبدعًا أمرًا جيدًا ويمكن أن يضيف معنى لتصور البيانات. لكن لا تشتت انتباه الجمهور بالتطبيقات غير العادية للارتباطات المرئية المعتادة كما في هذا المثال

أو هذا عن قتل السلاح.

المثال الثاني هو أحد أسوأ الأمثلة لأنه من الواضح ما يحاول الصانع قوله تحت السطح. إنه تمثيل مقلوب غير تقليدي. إنه يعطي الانطباع بأن الوفيات بالأسلحة النارية آخذة في الانخفاض في فلوريدا بينما العكس هو الصحيح.

هنا مثال آخر. يظهر خريطة للولايات المتحدة مع معدلات الإصابة بالفيروس لكل ولاية.

يظهر المعدل بألوان مختلفة. في خرائط مماثلة ، تظهر ظلال مختلفة من نفس اللون التركيز. كلما كان اللون أغمق ، زاد معدل الإصابة. هذه الخريطة لا تتبع هذه الاتفاقية. النتيجة محيرة للغاية وقد تكون مضللة.

مخططات دائرية مضللة

تعد المخططات الدائرية من أكثرها شيوعًا ، عندما يتعلق الأمر بأمثلة تصور البيانات المضللة. حسب التعريف ، يمثل المخطط الدائري الكامل دائمًا إجمالي 100٪ . يصبح هذا مربكًا أو مضللًا عندما يتعلق الأمر باستخدام المخططات الدائرية لإظهار نتائج الاستطلاعات بأكثر من إجابة واحدة.

المثال في هذا الرسم البياني صحيح.

تم إنشاء المخطط باستخدام wpDataTables

تضيف النسب المئوية في المخطط الدائري ما يصل إلى 100٪. تخيل الآن استطلاعًا حيث يتيح أحد الأسئلة للمرشحين أكثر من إجابة واحدة. على سبيل المثال ، "إلى أين ستنتقل من أجل وضع اقتصادي أفضل؟" قد يعطي البعض إجابتين ، على سبيل المثال ، أستراليا وأوروبا. ثم لا يعمل المخطط الدائري بعد الآن.

إذا استخدم شخص ما هذا النوع من الرسم البياني ، فإن المعلومات تصبح مشوهة وغير دقيقة. سيكون مخطط Venn خيارًا أفضل في هذه الحالة.

البيانات التراكمية في مقابل البيانات السنوية

يضيف التمثيل التراكمي مدخلات متتالية. في هذه الحالة ، يرتفع الرسم البياني مع كل نقطة بيانات.

ستظهر البيانات السنوية نتائج البيانات المطلقة لسنة محددة. يمكن أن يرتفع الرسم البياني لأعلى ولأسفل. في بعض الحالات ، قد يكون هذا تمثيلاً أكثر صدقًا للنتائج.

يوضح الرسم البياني Worldometer COVID-19 هذه النقطة.

وبالفعل ، كانت الرسوم البيانية التراكمية شائعة جدًا خلال فترة الوباء.

أيضًا ، تستخدم العديد من الشركات الرسوم البيانية التراكمية لعرض نتائجها. يجعل نتائج المبيعات تبدو أفضل مما هي عليه ولكن لا تدعها تخدعك.

في عام 2013 ، تلقى الرئيس التنفيذي لشركة Apple ، Tim Cook ، انتقادات كثيرة لأنه استخدم تصورًا تراكميًا للبيانات لعرض مبيعات iPad. شعر الكثير من الناس أن شركة آبل حاولت التستر على انخفاض مبيعات منتجاتها.

لا حرج في إظهار تمثيلات البيانات التراكمية إذا قمت بذلك بالطريقة الصحيحة. إنه يسلط الضوء ، على سبيل المثال ، على التغيرات في النمو. قبل استخدامه ، فكر في ما تريد إظهاره والانطباع الذي تريد إعطائه .

متغيرات كثيرة جدًا

تحتاج إلى اتخاذ قرارات كبيرة عندما تقوم بتصميم لتمثيل البيانات المرئية. ماذا تدرج وماذا تستبعد؟ تريد أن تكون صادقًا ،   لكن يجب أن يكون العرض واضحًا أيضًا. كلما كانت لديك بيانات أكثر وكلما كانت التفاصيل أكثر إثارة للاهتمام ، زادت صعوبة القرارات.

هذا مثال على كيفية عدم القيام بذلك.

يحتوي الرسم البياني على الكثير من المعلومات وتجعل الخطوط من الصعب تمييز أي نقطة بيانات. قد تتساءل حتى عما إذا كان المصمم قد حاول إخفاء بعض البيانات. إذا كان هذا هو الهدف ، فقد يكونون قد نجحوا بشكل جيد. على أي حال ، فإن النتيجة غير مجدية.

أظهر الفحص الدقيق أن الرسم البياني يمثل عدد ونطاق طلاب الامتحان على مدى فترة طويلة. كانت النقطة أن الجامعات قبلت المزيد من الطلاب من الأقليات ومن ذوي الدخل المنخفض. أظهر التفتيش أن متوسط ​​الدرجات داخل هذه المجموعات زاد.

عندما تبدأ العمل على تصورات البيانات الخاصة بك ، فكر أولاً في ما تريد إظهاره والبيانات التي تحتاجها لتحقيق ذلك. سيحدد عدد متغيرات البيانات نوع تصور البيانات الذي ستستخدمه. لذا اسأل نفسك ، ما تنسيق البيانات الذي سيكون أكثر فاعلية في توصيل وجهة نظري بوضوح؟

استخدام خاطئ للرسومات ثلاثية الأبعاد

ليس هناك شك في أن جمهورك سيحب الرسوم البيانية ثلاثية الأبعاد. لكن عليك أن تكون حذرًا عند استخدام تصورات البيانات ثلاثية الأبعاد. إليكم السبب.

الق نظرة على هذا المثال.

كما ترى على اليسار ، يمكن للرسم البياني ثلاثي الأبعاد أن يحجب البيانات عن طريق حظر أجزاء أخرى من الرسم البياني. هذا لأن الرسم البياني ثلاثي الأبعاد يحاكي الفضاء الطبيعي. هذه مشكلة عندما لا تسمح بالوصول المرئي إلى نقاط البيانات المهمة. قد يؤدي هذا إلى إنشاء تسلسلات هرمية خاطئة وتأكيدًا على أجزاء معينة من المعلومات.

يعد التشويه مشكلة أخرى مرتبطة بتصورات البيانات ثلاثية الأبعاد. إنه نتيجة التقصير المسبق. هذا شائع في الصور لأن الأشياء الأقرب إلينا تظهر أكبر من الأشياء البعيدة. لكن في تصور البيانات ، هذه مشكلة. إنه يعطي انطباعًا عن التسلسلات الهرمية غير الموجودة ويؤدي إلى تشويه علاقات البيانات.

استخدام نوع مخطط خاطئ

يعمل المخطط الدائري بشكل أفضل عندما يكون هناك عنصرين إلى ثلاثة عناصر. هذا رقم جيد يمكن للعين البشرية أن تميزه. سيجد معظم الناس صعوبة في فهم المخطط الدائري الذي يحتوي على أربعة عناصر أو أكثر. يمثل هذا المخطط الدائري النقطة.

تم إنشاء المخطط باستخدام wpDataTables

أيهما أكبر ، الصين أم الأخرى؟

تتطلب أنواع البيانات المحددة نوع مخطط معين. بعض أنواع المخططات مفيدة لعرض بيانات من نوع مختلف. يمكن أن تواجه مشكلة كبيرة عندما تحاول استخدام نهج التصور الخاطئ.

في معظم الأحيان ، يحدد نوع البيانات التي تمتلكها الطريقة التي تتخيلها بها. بادئ ذي بدء ، ضع في اعتبارك ما إذا كانت بياناتك نوعية (وصفية) أم كمية (مقاييس). تتناسب المعلومات النوعية مع المخططات الدائرية والشريطية. من الأفضل استخدام الرسوم البيانية والرسوم البيانية للبيانات الكمية.

الق نظرة على هذا المثال.

يعرض نفس البيانات في مخطط دائري وفي مخطط شريطي. المخطط الدائري ليس أفضل خيار لتصور البيانات. يمثل المخطط الشريطي الأرقام بطريقة أكثر دقة. تضيف البيانات الموجودة في الكعكة دائمًا ما يصل إلى 100٪ ، ولكن هذا ليس هو الحال هنا.

عدم استخدام التعليقات التوضيحية

الأمر متروك لك لاستخدام التعليقات التوضيحية أم لا. لا يلزم القيام بذلك ، لكنها ممارسة جيدة . اجعلها عادة تفعل ذلك في كل مرة تقوم فيها بعمل مخطط.

سينظر الأشخاص ذوو الخلفيات المختلفة إلى تصورات البيانات الخاصة بك. سينظر البعض إلى العناصر المرئية فقط ، بينما يريد البعض الآخر المزيد من المعلومات. قد يحتاجون إلى نصوص وأرقام لتوضيح الشكوك التي لديهم.

هنا مثال يوضح النقطة.

تم إنشاء المخطط باستخدام wpDataTables

كل شيء يبدو جيدًا ويتم تقديم البيانات بشكل صحيح. ولكن عندما تنظر إلى البيانات نفسها ، قد تتساءل عن سبب حدوث مثل هذا الارتفاع الكبير في عام 2019. يمكن أن تساعدك التعليقات التوضيحية في توضيح المشكلة.

استنتاجات بعد أمثلة التمثيل المرئي للبيانات المضللة

هناك العديد من الطرق التي يحاول الناس من خلالها التلاعب بالبيانات وتحريفها. تشكل الأمثلة الثلاثة عشر لتصور البيانات المضللة المذكورة أعلاه أكثر الأمثلة شيوعًا.

تعلم دروسًا من الأخطاء التي ارتكبها الآخرون. كن عازمًا على عدم عمل نفس العناصر وستكون لوحات المعلومات والعروض التقديمية خالية من الأخطاء. تذكر أن تضع جمهورك في اعتبارك وتفكر فيما تريد إخبارهم به.

باستخدام هذه المعرفة ، يمكنك تمثيل البيانات بالطريقة الصحيحة والسماح للآخرين باتخاذ خيارات مدروسة بشكل أفضل.

إذا كنت قد استمتعت بقراءة هذه المقالة حول أمثلة تصور البيانات المضللة ، فيجب عليك قراءة هذه أيضًا:

• أفضل ممارسات تصور البيانات التي تحتاج إلى معرفتها
• أمثلة على لوحة ألوان التمثيل المرئي للبيانات الرائعة التي يجب استخدامها
• أمثلة تصور البيانات الرائعة للتحقق منها