Irreführende Datenvisualisierungsbeispiele, von denen Sie sich fernhalten sollten
Veröffentlicht: 2022-07-27Datenvisualisierung ist ein unverzichtbares Werkzeug zur Analyse und Kommunikation von komplexem Datenmaterial . Sie müssen jedoch vorsichtig sein. Wenn es falsch gemacht wird, werden die Informationen verzerrt oder falsch dargestellt.
Leider verwenden einige Datenvisualisierungen, um Daten absichtlich falsch darzustellen . Sie haben eine Agenda oder wollen ihre eigene Meinung vertreten. Andere irreführende Datenvisualisierungen sind das Ergebnis von Fehlern oder mangelndem Verständnis für die Darstellung von Daten. Das Design mag schön und ansprechend sein, aber für eine klare Übermittlung der Informationen ungeeignet.
Manchmal ist eine irreführende Datenvisualisierung offensichtlich; manchmal ist es subtiler. Es ist hilfreich zu wissen, wie eine gute Datenvisualisierung aussieht und wie Daten am besten dargestellt werden können.
Dieser Artikel zeigt Ihnen irreführende Beispiele für die Datenvisualisierung , die Ihnen wichtige Lektionen beibringen können.
Skalenkürzung
Balkendiagramme sind einige der beliebtesten Beispiele für Datenvisualisierungen. Es gibt eine schnelle Vorstellung von der relativen Größe, indem es die Balkenhöhen vergleicht. Sie sind einfach zu machen und jeder versteht sie .
Das Balkendiagramm in diesem Beispiel vergleicht die Nettoeinnahmen von Coca-Cola in den letzten Jahren. Die vertikale Skala reicht von 0 bis 48 Milliarden. Das ist logisch und richtig. Die Y-Achse im nächsten Beispiel beginnt bei 28 Milliarden, was das Umsatzwachstum der folgenden Jahre so aussehen lässt, als würde es in die Stratosphäre aufsteigen.
Diagramm erstellt mit wpDataTables
Das Abschneiden eines Teils der vertikalen Achse betont Unterschiede in der Größe der verschiedenen Balken. Einige wenden diesen Trick an, um Menschen zu der Annahme zu verleiten, dass die Unterschiede in den Daten größer sind, als sie sind .
Diagramm erstellt mit wpDataTables
Hier ist ein weiteres Beispiel. Es vergleicht Apples Umsatz pro Region zwischen 2017 und 2018. Auf den ersten Blick scheint es, dass Apple in Japan viel besser abgeschnitten hat als in Europa.
Stimmt das oder ist dies ein Beispiel für schlechte Datenvisualisierung? Wenn Sie genauer hinsehen, werden Sie das Abschneiden der Y-Achse bemerken. Dies führt zu einer falschen Darstellung der Daten.
So sollte es eigentlich aussehen:
Diagramm erstellt mit wpDataTables
Manipulation der Y-Achse
Eine weitere Manipulation der y-Achse führt zu mehr Datenvisualisierungsfehlern. Sie können die gesamte vertikale Achse anzeigen und sie trotzdem so verändern, dass sie alle Bedeutung verliert. Eine Möglichkeit besteht darin, die Skalierung so zu ändern, dass die Datenunterschiede überbetont werden .
Dieser Achsenwechsel ist ein sehr häufiges Beispiel für eine schlechte Datenvisualisierung. Die sozialen Medien sind voll von dieser Falschdarstellung. Es fördert falsche Erzählungen.
Beispielsweise kann jemand kleine Temperaturänderungen in einem Diagramm darstellen. Um die Kurve so unbedeutend wie möglich zu machen, verwenden sie eine vertikale Skala von -10 °C bis 100 °C. Das ist ein gängiger Trick, um die Auswirkungen der globalen Erwärmung zu leugnen.
Kleine Änderungen können große Auswirkungen haben und die Geschichte hinter einem Datensatz verändern. Schau 'dir diese Beispiele an. Eine Kreditwürdigkeit von 634 von 700
sieht nicht so aus wie eine Kreditwürdigkeit von 634 von 850.
Ausblenden relevanter Daten
Über Daten zu lügen ist eine schlechte Sache. Aber es ist so schlimm, wie Datenpunkte wegzulassen, weil sie nicht zu Ihrem Zweck passen.
Das Auslassen einiger Daten lenkt die Aufmerksamkeit des Publikums auf einen bestimmten Teil positiver Informationen . Das geht auf Kosten der Genauigkeit und des Verständnisses der vollständigen Geschichte. Jeder Datenpunkt hat eine Geschichte zu erzählen und kann wichtige Informationen vermitteln. Jeder Datenpunkt kann jedoch irreführend sein, wenn es keinen relevanten Kontext gibt.
Analysieren Sie dieses nächste Beispiel auf der Liste irreführender Datenvisualisierungsbeispiele. 2018 veröffentlichte das Pew Research Center eine Umfrage zur Nutzung von Social Media.
Ein schlechtes Beispiel für Datenvisualisierung würde die Tatsache überbetonen, dass 68 % der Amerikaner Facebook nutzen.
Dieses Beispiel zeigt, wie jemand Datenpunkte weglassen könnte, um einen anderen Eindruck vom Wachstumsverlauf zu vermitteln. Sie sehen ein gleichmäßigeres Wachstum, wenn Sie die Datenpunkte für jedes zweite Jahr anzeigen
statt jedes Jahr. Aber so sieht die Realität nicht aus.
Unternehmen nutzen diese irreführende Datenvisualisierung, indem sie große Ausreißer bei Umsatz oder Gewinn weglassen. Es lässt den Eindruck entstehen, dass das Unternehmen stabiler und vorhersehbarer ist, als es ist. Es maskiert die wahre Launenhaftigkeit des Marktes. Wenn Sie Datenvisualisierungen erstellen, stellen Sie sicher, dass Sie Zugriff auf alle Informationen gewähren.
Ihre schönen Daten verdienen es, online zu sein
wpDataTables kann es so machen. Es gibt einen guten Grund, warum es das Nr. 1-WordPress-Plugin zum Erstellen reaktionsschneller Tabellen und Diagramme ist.
Und es ist wirklich einfach, so etwas zu tun:
- Sie stellen die Tabellendaten bereit
- Konfigurieren und anpassen
- Veröffentlichen Sie es in einem Beitrag oder einer Seite
Und es ist nicht nur hübsch, sondern auch praktisch. Sie können große Tabellen mit bis zu Millionen von Zeilen erstellen, oder Sie können erweiterte Filter und Suchen verwenden, oder Sie können wild werden und sie bearbeitbar machen.
„Ja, aber ich mag Excel einfach zu sehr und auf Websites gibt es so etwas nicht“. Ja, das gibt es. Sie können die bedingte Formatierung wie in Excel oder Google Sheets verwenden.
Habe ich Ihnen schon gesagt, dass Sie mit Ihren Daten auch Diagramme erstellen können? Und das ist nur ein kleiner Teil. Es gibt viele andere Funktionen für Sie.
Korrelation und Kausalität
Das Aufzeigen von Korrelationen zwischen Daten ist eine gute Möglichkeit, dem Publikum zu helfen, das Thema besser zu verstehen. Sie können dies tun, indem Sie Datensätze in einem Diagramm überlagern. Die Kombination aus mündlicher und visueller Erklärung kann den Zuschauern helfen, bestimmte wichtige Verbindungen herzustellen. Eine Warnung ist ebenfalls vorhanden. Zu viele Überlagerungen verdecken Informationen, anstatt Verbindungen hervorzuheben.
Diagramm erstellt mit wpDataTables
Bei falscher Verwendung können Überlagerungen Kausalitäten implizieren, die nicht vorhanden sind. Hier ist ein bekanntes Beispiel. Es deutet auf einen Zusammenhang zwischen Eiscremekonsum und Gewaltverbrechen hin. In Wirklichkeit sind sie beide das Ergebnis von warmem Wetter.
Kausalität ist nicht dasselbe wie Korrelation in Daten. Jetzt, da die Datensätze immer größer werden, wird die Korrelation viel stärker betont. Es ist einfacher, eine Korrelation zu erkennen, als eine echte Kausalität zwischen zwei Phänomenen herzustellen.
Es gibt einen wichtigen Grund, warum Kausalität nicht mit Korrelation gleichzusetzen ist. Der Vergleich zweier Variablen kann das Vorhandensein einer dritten Störvariablen verschleiern.
Eine unbekannte dritte Variable kann zwei andere Variablen beeinflussen. Es kann den Hinweis auf das Vorhandensein einer kausalen Beziehung zwischen den beiden geben. Niemand kann das Vorhandensein dieser dritten Variablen erkennen, und es ist unmöglich, eine Kausalität festzustellen.
Rosinenpickerei
Rosinenpickerei ist eines der vielen bekannten Beispiele für irreführende Datenvisualisierungen. Bei dieser Form der Datenvisualisierung werden bestimmte Quellen oder Informationen weggelassen .
Der Zweck besteht darin, einen saubereren oder besser vorhersehbaren Satz von Ergebnissen anzuzeigen und einen nicht vorhandenen Trend oder ein Muster zu extrahieren. Es ist unehrlich und nicht objektiv. Die Ergebnisse werden ungenau und unvollständig und vermitteln kein aktuelles Wissen.
Rosinenpickerei ist eine Form der schlechten Datenvisualisierung, die häufig in der pharmazeutischen Industrie anzutreffen ist. Eine sorgfältige Überprüfung kann dies in der Präsentation der Ergebnisse klinischer Studien zeigen. Ein Beispiel wären Antidepressiva. Deutlich wird es, wenn man die Daten mit den Ergebnissen staatlich geförderter Untersuchungen zum selben Medikament vergleicht.
Das obige Beispiel zeigt, wie gefährlich Rosinenpickerei bei Daten sein kann. Eine klinische Studie kann bestimmte subtile Komplexitäten aufdecken. Diese sind nur unter Berücksichtigung unverfälschter Daten extrahierbar.
Unklare logarithmische Skalierung
Der Wert zwischen zwei Punkten auf einer Linearachse ist immer gleich. Bei einer logarithmischen Skala. der Wert zwischen zwei Punkten unterscheidet sich nach einem bestimmten Muster. Das ist der einfachste Weg, um den Unterschied zwischen einer linearen und einer logarithmischen Skala zu erkennen.
Das bedeutet nicht, dass eine logarithmische Darstellung eine Form irreführender Datenvisualisierung ist. Dies kann eine sehr effektive Methode sein, um eine wichtige Beziehung im Datensatz zu extrahieren. Natürlich ist es wichtig zu zeigen, dass der Graph eine logarithmische Skala verwendet. Ist dies nicht der Fall, kann dies zum Verlust der Aussagekraft der Daten führen.
Die beiden folgenden Grafiken zeigen zwei Möglichkeiten, dieselben Daten darzustellen. Man verwendet eine lineare Skala,
während der andere eine logarithmische Skala verwendet. Beide Darstellungen sind im Wesentlichen korrekt, sehen aber unterschiedlich aus.
Die Lektion ist, dass Sie eine logarithmische Skala verwenden können, aber das müssen Sie dem Betrachter irgendwie klar machen .
Unkonventionelle Visualisierung
Elemente der Datenvisualisierung wirken sich auf die menschliche Psychologie aus . Farben, Schriftarten und Symbole haben alle eine gewisse tiefere Konnotation. Sie beeinflussen die Art und Weise, wie der Betrachter die Informationen wahrnimmt. Das Ignorieren oder Missbrauchen dieser Fakten sind irreführende Beispiele für die Datenvisualisierung.
Die Bedeutung der Datenvisualisierung sollte nicht unterschätzt werden. Wenn das Gehirn neue Informationen aufnimmt, braucht es Zeit, um die Bedeutung bestimmter Gestaltungselemente zu analysieren.
Kreativ zu sein ist gut und kann der Datenvisualisierung Bedeutung verleihen. Aber lenken Sie das Publikum nicht mit ungewöhnlichen Anwendungen gewöhnlicher visueller Assoziationen wie in diesem Beispiel ab
oder dieses über Waffentote.
Das zweite Beispiel ist eines der schlechtesten Beispiele, weil es offensichtlich ist, was der Hersteller unter der Oberfläche zu sagen versucht. Es ist eine unkonventionelle auf dem Kopf stehende Darstellung. Es erweckt den Eindruck, dass die Schusswaffentoten in Florida rückläufig sind, während das Gegenteil der Fall ist.
Hier ist ein weiteres Beispiel. Es zeigt eine Karte der Vereinigten Staaten mit den Virusinfektionsraten pro Bundesstaat.
Es zeigt die Rate mit verschiedenen Farben an. In ähnlichen Karten zeigen verschiedene Schattierungen derselben Farbe die Konzentration an. Je dunkler die Farbe, desto höher die Infektionsrate. Diese Karte folgt dieser Konvention nicht. Das Ergebnis ist sehr verwirrend und kann irreführend sein.
Irreführende Tortendiagramme
Eines der häufigsten Beispiele für irreführende Datenvisualisierungen sind Kreisdiagramme. Per Definition repräsentiert ein vollständiges Tortendiagramm immer eine Summe von 100 % . Dies wird verwirrend oder irreführend, wenn Tortendiagramme verwendet werden, um die Ergebnisse von Umfragen mit mehr als einer Antwort anzuzeigen.
Das Beispiel in diesem Diagramm ist richtig.
Diagramm erstellt mit wpDataTables
Die Prozentsätze im Tortendiagramm ergeben zusammen 100 %. Stellen Sie sich nun eine Umfrage vor, bei der eine der Fragen den Kandidaten mehr als eine Antwort erlaubt. Zum Beispiel: „Wohin würden Sie für eine bessere wirtschaftliche Situation ziehen?“ Einige könnten zwei Antworten geben, zum Beispiel Australien und Europa. Dann funktioniert ein Tortendiagramm nicht mehr.
Wenn jemand diesen Diagrammtyp verwendet, werden die Informationen verzerrt und ungenau. Ein Venn-Diagramm wäre in diesem Fall die bessere Wahl.
Kumulative vs. jährliche Daten
Eine kumulative Darstellung fügt aufeinanderfolgende Eingaben hinzu. In diesem Fall geht der Graph mit jedem Datenpunkt nach oben.
Jahresdaten zeigen die absoluten Datenergebnisse für ein bestimmtes Jahr. Der Graph kann nach oben und unten gehen. In einigen Fällen kann dies eine ehrlichere Darstellung der Ergebnisse sein.
Die Worldometer-COVID-19-Grafik dient zur Veranschaulichung dieses Punktes.
Und tatsächlich waren kumulative Grafiken während der Pandemiezeit sehr beliebt.
Außerdem verwenden viele Unternehmen kumulative Diagramme, um ihre Ergebnisse zu präsentieren. Es lässt die Verkaufsergebnisse besser erscheinen, als sie sind, aber lassen Sie sich davon nicht täuschen.
Im Jahr 2013 erhielt Apples CEO Tim Cook viel Kritik, weil er eine kumulative Datenvisualisierung verwendete, um die iPad-Verkäufe anzuzeigen. Viele Leute hatten das Gefühl, dass Apple versuchte, die sinkenden Verkaufszahlen ihrer Produkte zu vertuschen.
Es ist nichts Falsches daran, kumulative Datendarstellungen anzuzeigen, wenn Sie es richtig machen. Es hebt zum Beispiel Veränderungen im Wachstum hervor. Überlegen Sie sich vor der Verwendung, was Sie zeigen und welchen Eindruck Sie erwecken möchten .
Zu viele Variablen
Sie müssen große Entscheidungen treffen, wenn Sie ein Design für eine visuelle Datendarstellung erstellen. Was schließen Sie ein und was schließen Sie aus? Du willst ehrlich sein , aber auch die Präsentation muss klar sein. Je mehr Daten man hat und je interessanter die Details, desto schwieriger die Entscheidungen.
Dies ist ein Beispiel dafür, wie man es nicht machen sollte.
Das Diagramm enthält zu viele Informationen und die Linien erschweren die Unterscheidung von Datenpunkten. Sie fragen sich vielleicht sogar, ob der Designer versucht hat, einige Daten zu verschleiern. Wenn das das Ziel war, ist es ihnen vielleicht gelungen. Das Ergebnis ist jedenfalls unbrauchbar.
Bei näherer Betrachtung zeigte sich, dass die Grafik die Anzahl und Bandbreite der Examensstudierenden über einen langen Zeitraum darstellte. Der Punkt war, dass die Universitäten mehr Studenten aus Minderheitengruppen und mit niedrigeren Einkommen zuließen. Die Inspektion zeigte, dass innerhalb dieser Gruppen die Durchschnittswerte anstiegen.
Wenn Sie mit der Arbeit an Ihren Datenvisualisierungen beginnen, denken Sie zuerst darüber nach, was Sie zeigen möchten und welche Daten Sie dafür benötigen. Die Anzahl der Datenvariablen bestimmt, welche Art von Datenvisualisierung Sie verwenden werden. Fragen Sie sich also, welches Datenformat am effektivsten ist, um meinen Standpunkt klar zu kommunizieren?
Falsche Verwendung von 3D-Grafiken
Es besteht kein Zweifel, dass Ihr Publikum 3D-Grafiken lieben wird. Aber Sie müssen vorsichtig sein, wenn Sie dreidimensionale Datenvisualisierungen verwenden. Hier ist der Grund.
Schauen Sie sich dieses Beispiel an.
Wie Sie links sehen können, kann ein 3D-Diagramm Daten verdecken, indem es andere Teile des Diagramms blockiert. Dies liegt daran, dass ein 3D-Graph den natürlichen Raum nachahmt. Dies ist ein Problem, wenn es keinen visuellen Zugriff auf wichtige Datenpunkte ermöglicht. Dies könnte falsche Hierarchien schaffen und bestimmte Informationen hervorheben.
Verzerrung ist ein weiteres Problem im Zusammenhang mit dreidimensionalen Datenvisualisierungen. Es ist das Ergebnis der Verkürzung. Dies ist in Bildern üblich, da Objekte, die näher bei uns sind, größer erscheinen als weit entfernte. Aber in der Datenvisualisierung ist dies ein Problem. Es erweckt den Eindruck von Hierarchien, die nicht existieren, und verzerrt Datenbeziehungen.
Verwendung des falschen Diagrammtyps
Ein Tortendiagramm funktioniert am besten, wenn es zwei bis drei Elemente gibt. Das ist eine gute Zahl, die das menschliche Auge unterscheiden kann. Die meisten Menschen werden Schwierigkeiten haben, ein Tortendiagramm mit vier oder mehr Elementen zu verstehen. Dieses Tortendiagramm veranschaulicht den Punkt.
Diagramm erstellt mit wpDataTables
Welches ist größer, China oder Anderes?
Bestimmte Datentypen fragen nach einem bestimmten Diagrammtyp. Bestimmte Diagrammtypen sind nützlich, um Daten anderer Art darzustellen. Sie können in große Schwierigkeiten geraten, wenn Sie versuchen, den falschen Visualisierungsansatz zu verwenden.
Meistens bestimmt die Art der Daten, die Sie haben, wie Sie sie visualisieren. Überlegen Sie zunächst, ob Ihre Daten qualitativ (beschreibend) oder quantitativ (Maßnahmen) sind. Qualitative Informationen eignen sich für Torten- und Balkendiagramme. Verwenden Sie für quantitative Daten am besten Histogramme und Diagramme.
Schauen Sie sich dieses Beispiel an.
Es zeigt die gleichen Daten in einem Tortendiagramm und in einem Balkendiagramm. Das Tortendiagramm ist nicht die beste Datenvisualisierungsoption. Das Balkendiagramm stellt die Zahlen genauer dar. Die Daten in einem Kuchen summieren sich immer zu 100 %, aber das ist hier nicht der Fall.
Anmerkungen nicht verwenden
Es liegt an Ihnen, Anmerkungen zu verwenden oder nicht. Dies ist nicht obligatorisch , aber eine gute Praxis . Machen Sie es sich zur Gewohnheit, dies jedes Mal zu tun, wenn Sie ein Diagramm erstellen.
Personen mit unterschiedlichem Hintergrund werden sich Ihre Datenvisualisierungen ansehen. Manche schauen sich nur die Optik an, andere wollen etwas mehr Informationen. Möglicherweise benötigen sie Text und Zahlen, um ihre Zweifel zu klären.
Hier ist ein Beispiel, das den Punkt verdeutlicht.
Diagramm erstellt mit wpDataTables
Alles sieht gut aus und die Daten werden korrekt dargestellt. Aber wenn Sie sich die Daten selbst ansehen, fragen Sie sich vielleicht, warum es 2019 einen so großen Anstieg gibt. Anmerkungen können Ihnen helfen, das Problem zu klären.
Schlussfolgerungen nach diesen irreführenden Datenvisualisierungsbeispielen
Es gibt viele Möglichkeiten, wie Menschen versuchen, Daten zu manipulieren und falsch darzustellen. Die 13 irreführenden Beispiele für Datenvisualisierungen oben sind die häufigsten.
Lerne aus Fehlern, die andere gemacht haben. Seien Sie entschlossen, nicht dieselben zu erstellen, und Ihre Dashboards und Präsentationen werden fehlerfrei sein. Denken Sie daran, Ihr Publikum im Auge zu behalten und darüber nachzudenken, was Sie ihm sagen möchten.
Mit diesem Wissen können Sie Daten richtig darstellen und anderen ermöglichen, fundiertere Entscheidungen zu treffen.
Wenn Ihnen dieser Artikel über irreführende Datenvisualisierungsbeispiele gefallen hat, sollten Sie auch diese lesen:
- Best Practices für die Datenvisualisierung, die Sie kennen müssen
- Hervorragende Beispiele für Farbpaletten zur Datenvisualisierung
- Beeindruckende Beispiele zur Datenvisualisierung zum Ausprobieren