Regola numero 1 della Data Visualization: visualizzare i dati serve per rendere più chiare le informazioni contenute nei dati! Se guardi un grafico o una dashboard e non capisci, probabilmente non è colpa tua ma dipende dal fatto che chi l’ha creata non l’ha fatto con la chiarezza sufficiente! 🙂 Siccome facendo esempi ci si spiega meglio, abbiamo inserito come immagine in evidenza di questo articolo una schermata della dashboard dell’Osservatorio Sostenibilità che abbiamo realizzato per il Sole 24 Ore. Quando si realizzano visualizzazioni complesse e articolate come questa, occorre evitare errori comuni che complichino la comprensione da parte degli utenti, invece di semplificarla. Se l’argomento ti interessa, proviamo ad approfondire l’argomento insieme.
AI Alert: il testo (e il titolo) che stai per leggere è una sintesi di questo articolo in inglese, ed è stato generato da ChatGPT. Sintesi e traduzioni sono cose che fa ottimamente!
Nell’ambito dell’analisi dei dati, la creazione di dashboard efficaci è fondamentale. Tuttavia, anche gli analisti più esperti possono commettere errori comuni durante la loro realizzazione. Questo articolo esplora gli errori più frequenti riscontrati nell’analisi di 100 dashboard casualmente selezionate dalla vetrina di Maven Analytics. Questi errori possono essere evitati per migliorare significativamente la qualità delle dashboard.
Elenco degli errori più comuni:
- Uso inutile di elementi visivi (58% delle dashboard): Evitare elementi grafici superflui che non incrementano la comprensione dei dati, come linee ondulate, icone, inserimenti colorati e font variabili.
- Mancanza di guida (53% delle dashboard): È importante fornire un contesto ai dati, etichettare gli assi e i vari elementi grafici, e spiegare le anomalie nei dati.
- Titoli/etichette poco utili (45% delle dashboard): Sostituire etichette generiche con descrizioni chiare e comprensibili, evitando termini tecnici non spiegati.
- Scelta inappropriata del tipo di grafico (42% delle dashboard): Selezionare il tipo di grafico più adatto ai dati rappresentati, evitando per esempio l’uso di grafici a torta per mostrare variazioni nel tempo.
- Cattivo uso dei colori (40% delle dashboard): Evitare colori accesi o confusione nell’uso dei colori tra diversi elementi della stessa pagina.
- Sfondo troppo elaborato (22% delle dashboard): Preferire sfondi semplici e neutri che non distraggano dall’analisi dei dati.
- Errori di ortografia/grammatica/punteggiatura (20% delle dashboard): Controllare attentamente il testo delle dashboard per evitare errori linguistici.
- Grafici a torta con più di 5 segmenti (12% delle dashboard): Utilizzare grafici a barre invece di grafici a torta con troppi segmenti, per una migliore leggibilità.
Conclusioni:
Nonostante questi errori comuni, sono state individuate anche numerose dashboard di alta qualità. Queste si distinguono per la chiarezza delle spiegazioni, l’analisi di tendenze e anomalie, e la fornitura di raccomandazioni pratiche. Per vedere esempi eccellenti di dashboard, si consiglia di visitare la vetrina di Maven Analytics.
La realizzazione di dashboard efficaci richiede attenzione ai dettagli e una comprensione approfondita degli strumenti e delle tecniche di visualizzazione dei dati. Evitando questi errori comuni, gli analisti possono migliorare notevolmente la qualità e l’impatto delle loro dashboard.
La parte generata da ChatGPT è finita qui sopra. Non male, eh? 🙂
Ad ogni modo se ti interessa imparare (o migliorare) come visualizzare i dati, dai un’occhiata ai nostri corsi qui (puoi prenotare una call per avere info) o ai video gratuiti su Youtube su Come creare data visualization più inclusive o come Creare data card per i social con Flourish. Se ti piace il faidate, guarda questo esperimento di @napo. Se preferisci studiare su un manuale, guarda il libro di Alberto Cairo.
