Πώς να δημιουργήσετε μια καλαίσθητη ιστορία: ένας οδηγός οπτικοποίησης δεδομένων

Η εργαλειοθήκη

«Πάντα μου άρεσαν τα γραφικά, τα διαγράμματα και οι χάρτες, μέχρι που ανακάλυψα το εύρος των δυνατοτήτων που έχει η οπτικοποίηση δεδομένων, καθώς συνδυάζει τόσο την επιστημονική όσο και την καλλιτεχνική μου πλευρά. Όταν το συνειδητοποίησα, αποφάσισα να εντρυφήσω στις γλώσσες προγραμματισμού», λέει ο Hoffmann. «Τότε μου κέντρισε το ενδιαφέρον πραγματικά η οπτικοποίηση δεδομένων: λόγω των δυνατοτήτων της. Οι στατιστικές μπορούσαν να αναλυθούν σε μια σελίδα ή να συνοψιστούν σε μια μόνο εικόνα». Παρόλο που υπάρχουν διαθέσιμα εργαλεία που δεν απαιτούν προγραμματιστικές γνώσεις, η χρήση προγραμματισμού κατά τη διαδικασία οπτικοποίησης δεδομένων μπορεί να βελτιώσει σημαντικά τα αποτελέσματα. Τα παρακάτω εργαλεία, κατηγοριοποιημένα ανά επίπεδο δυσκολίας, προσφέρουν πολύτιμη βοήθεια στην οπτικοποίηση.

• Οι δημοσιογράφοι συνήθως προτιμούν το Datawrapper και το Flourish. Το φιλικό προς το χρήστη διεπαφή, οι προκαθορισμένες χρωματικές παλέτες και οι διαδικασίες δημιουργίας βήμα προς βήμα επιτρέπουν ακόμα μεγαλύτερη εξερεύνηση των δυνατοτήτων που παρέχουν αυτοί οι ιστότοποι. Ιδανικά, θα ήταν καλό να έχετε σχηματίσει ήδη μια αρχική εικόνα για την οπτικοποίηση που επιθυμείτε, ώστε να διασφαλίσετε ότι η δομή των δεδομένων θα είναι ευθυγραμμισμένη με τις επιλογές που προσφέρει ο ιστότοπος. Αυτά τα εργαλεία μπορούν να ενσωματωθούν στο Excel και στο Google Sheets και υποστηρίζουν μορφές αρχείων όπως CSV ή XLSX, γεγονός που ενισχύει την ευκολία της χρήσης τους και την προσβασιμότητα σε αυτά.

• Βιβλιοθήκες όπως η Matplotlib και η Plotly, βασίζονται στην Python και στη βιβλιοθήκη του υπολογιστικού οικοσυστήματος της Python, τη NumPy. Ειδικότερα, η Plotly είναι γνωστή για τη φιλική προς το χρήστη διεπαφή της και την υποστήριξη τρισδιάστατων γραφημάτων, ενώ και οι δύο βιβλιοθήκες χρησιμοποιούνται ευρέως για οπτικοποιήσεις δεδομένων. Προσφέρουν διαδραστικές λειτουργίες και είναι συμβατές με κοινές γλώσσες προγραμματισμού που ενδείκνυνται για οπτικοποιήσεις, συμπεριλαμβανομένων των Python και R. Μια άλλη βιβλιοθήκη κατάλληλη για αυτόν τον σκοπό είναι η Seaborn, η οποία είναι χτισμένη πάνω στην Matplotlib και έχει τη δυνατότητα να παράγει οπτικοποιήσεις με ενισχυμένη αισθητική.

• Μετά την εξοικείωση με απλούστερα εργαλεία, η χρήση κώδικα γίνεται αναπόσπαστο κομμάτι της διαδικασίας οπτικοποίησης. Η πολυπλοκότητα αυτών των εργαλείων απαιτεί βαθύτερη κατανόηση της Python. Ωστόσο, το αποτέλεσμα ανταμείβει τον χρήστη, ο οποίος απολαμβάνει τη δυνατότητα δημιουργίας οποιουδήποτε είδους οπτικοποίησης με τη μεγαλύτερη δυνατή δημιουργική ελευθερία. Το D3.js είναι μια βιβλιοθήκη JavaScript ανοικτού κώδικα που αποτελούσε ένα από τα δημοφιλέστερα εργαλεία στη δημοσιογραφία δεδομένων, γι’ αυτό και υιοθετήθηκε από μέσα ενημέρωσης όπως το Reuters. Ωστόσο, η χρήση του έχει πλέον μειωθεί σε σχέση με το συγγενικό του εργαλείο, το Observable. Και τα δύο δημιουργήθηκαν από τον Mike Bostock, πρώην γραφίστα των New York Times. Το Observable JS φημίζεται για τον διαδραστικό του χαρακτήρα και τη γρήγορη ανταπόκριση, λειτουργεί όμως με συνδρομητικό μοντέλο. Είναι σημαντικό να τονιστεί ότι και τα δύο εργαλεία μπορούν να χρησιμοποιηθούν εντός των Jupyter Notebooks.

• Μερικές φορές, η επεξεργασία των οπτικοποιήσεων συμβάλλει στη βελτίωσή τους, την ενίσχυση της αισθητικής τους ώστε να ταιριάζουν καλύτερα και με όσα η ιστορία επικοινωνεί. Ωστόσο, αυτά τα εργαλεία μπορεί να δυσκολέψουν τους χρήστες, καθώς απαιτούν εξάσκηση. «Αν θέλετε να μάθετε ένα νέο εργαλείο, καλό είναι να πειραματιστείτε με ένα προσωπικό σας έργο, γιατί τότε η διαδικασία της εκμάθησής του θα μοιάζει περισσότερο με παιχνίδι ή γρίφο παρά με δουλειά», συμβουλεύει ο Hoffmann. Το αγαπημένο του εργαλείο για τρισδιάστατες απεικονίσεις είναι το Blender, ένα δωρεάν λογισμικό ανοιχτού κώδικα που παρέχει στους καλλιτέχνες τον έλεγχο ολόκληρης της 3D διαδικασίας, από τη μοντελοποίηση έως την παρακολούθηση κίνησης. Το Adobe Illustrator –που συνήθως χρησιμοποιούν οι καλλιτέχνες– είναι ένα άλλο λογισμικό για σκοπούς οπτικοποίησης δεδομένων. Με το Illustrator, ο χρήστης μπορεί να βελτιώσει τα στατιστικά δεδομένα και να επεξεργαστεί στοιχεία μέσα στο υπάρχον γράφημά του, ώστε να το απλοποιήσει ή να το κάνει πιο ενδιαφέρον.

• Η περίπτωση των χαρτών είναι ενδιαφέρουσα και χρήζει περαιτέρω διερεύνησης και προσαρμογής. Παρόλο που το Flourish και το Datawrapper δίνουν πρακτικές λύσεις για τη δημιουργία διαδραστικών χαρτών, υπάρχουν και άλλα προγράμματα που μπορούν να συμβάλουν περαιτέρω στον εμπλουτισμό της εργαλειοθήκης σας. Το λογισμικό ανοικτού κώδικα QGIS έχει αναλυτικές δυνατότητες κατά την επεξεργασία συντεταγμένων, δεδομένων OpenStreetMap και plugins που το καθιστούν πιο λειτουργικό. Το Mapbox προσφέρει την API του για την απρόσκοπτη ενσωμάτωση χαρτών σε διαδικτυακές εφαρμογές και ιστοσελίδες. Για όσους ενδιαφέρονται περισσότερο για τον σχεδιασμό χαρτών, ο οδηγός χαρτών του Economist παρέχει χρήσιμες πληροφορίες, ενώ μπορείτε επίσης να αντλήσετε έμπνευση από τη σελίδα χαρτών της Le Monde.

Αισθητική, χρήση και εξερεύνηση

Μία από τις μεγαλύτερες δυσκολίες κατά τη δημιουργία μιας οπτικοποίησης είναι ο καθορισμός του κατάλληλου τύπου δεδομένων. Όπως αναφέρει το Statistical Consulting Center του Πανεπιστημίου της Μελβούρνης, τα περίφημα «διαγράμματα πίτας» μπορεί να μην είναι η ιδανικότερη επιλογή για την απεικόνιση ποσοτήτων. Αυτό ισχύει ιδιαίτερα όταν το ποσοστό που παρουσιάζεται αντιπροσωπεύει ένα μικρό μέρος του συνόλου. Ωστόσο, υπάρχουν πολλές προσεγγίσεις για την απεικόνιση ποσοτήτων.

• Οδηγοί όπως το Data Visualization Catalogue, που δημιουργήθηκε από τον Severino Ribecca, ή το visual data vocabulary των Financial Times μπορούν να σας βοηθήσουν να κατανοήσετε την ιδέα για κάθε τύπο οπτικοποίησης και να αποφασίσετε αν είναι κατάλληλος για την ιστορία ή/και τα δεδομένα σας.
• Για οδηγούς σχεδίασης, αξίζει να συμβουλευτείτε το visual style guide του Economist και το Data Viz Design Guide του Jonathan Soma.
• Το μηνιαίο podcast DataViz Today που παρουσιάζει η Alli Torban μπορεί να προσφέρει πρόσθετες συμβουλές και ιδέες. Το podcast παρουσιάζει επίσης νέα εργαλεία και περιλαμβάνει συνεντεύξεις με εμπειρογνώμονες του χώρου.

Ο συνδυασμός χρησιμότητας και δημιουργικότητας που προσφέρει η οπτικοποίηση δεδομένων είναι επαναστατικός. Όπως αναφέρει η μελέτη «Seeing is believing: The importance of visualization in real-world machine learning applications», «για να εξηγήσουμε την επιτυχία της οπτικοποίησης ως εργαλείου εξερεύνησης δεδομένων, πρέπει να αντιληφθούμε τη σημασία της αισθητικής. Για να το πούμε απλά, οι όμορφες εικόνες είναι χρήσιμες επειδή μας ελκύουν σε ένα θεμελιώδες, μη διαλεκτικό επίπεδο. Η χρησιμότητα και η ομορφιά ως έννοιες είναι συχνά δυσδιάκριτες». Η καλή αισθητική είναι θεμελιώδες στοιχείο κάθε δημιουργικού εγχειρήματος.

Αυτό συνειδητοποίησε και ο Hoffmann όταν ήρθε σε επαφή για πρώτη φορά με τις δυνατότητες της οπτικοποίησης δεδομένων, στη διάρκεια της ομιλίας του David McCandless «The Beauty of Data Visualization», στα πλαίσια του TEDTalks το 2010. «Όταν συνδυάζεις τη γλώσσα των ματιών με τη γλώσσα του μυαλού, τότε μιλάς δύο γλώσσες ταυτόχρονα», λέει στην ομιλία του.

Όπως και με οποίασδήποτε γλώσσα, το κλειδί για την εκμάθησή της είναι η διαρκής τριβή.

Όπως και με οποίασδήποτε γλώσσα, το κλειδί για την εκμάθησή της είναι η διαρκής τριβή. Στην περίπτωση της οπτικοποίησης δεδομένων, χρειάζεται να βλέπετε δουλειές άλλων ανθρώπων και να φαντάζεστε νέα οπτικά στοιχεία. Φυσικά, η έμπνευση μπορεί να έρθει από ταινίες, περιοδικά ή άλλους καλλιτέχνες. Ο Hoffman επισημαίνει ότι οι οπτικοποιήσεις του βελτιώθηκαν όταν άρχισε να σημειώνει κάθε ιδέα που του έρχονταν, γιατί, όπως είπε, «ακόμα και αν έχεις την καλύτερη ιδέα, στο τέλος θα την ξεχάσεις». Η ιστοσελίδα δημοσιογραφίας δεδομένων Chart Doctor των Financial Times και οι οπτικοποιήσεις του Economist, του Pudding και του Guardian μπορούν επίσης να αποτελέσουν πηγές έμπνευσης και ατελείωτου scrolling.

Παρ’ όλα αυτά, η παρουσίαση υπογραμμίζει τη σημασία της ανάλυσης των δεδομένων. Εάν η πηγή δεν είναι καλή ή η ανάλυση είναι λανθασμένη, δεν έχει σημασία πόσο ωραία είναι η οπτικοποίηση – το αποτέλεσμα θα εξακολουθεί να είναι λάθος. Η τέλεια ιστορία δεδομένων απαιτεί και τα τρία στοιχεία: σωστή πηγή, ανάλυση και οπτικοποίηση. «Διανύουμε τη χρυσή εποχή της οπτικοποίησης πληροφοριών», λέει ο Hoffmann στο τέλος. Διευκρινίζει ότι τα εργαλεία είναι προσιτά στον καθένα και η ανθρώπινη γνώση είναι προσβάσιμη σε όλους όσους θέλουν να την αποκτήσουν. Οι δυνατότητες είναι απεριόριστες. Στη σημερινή εποχή, όπου τα πάντα ποσοτικοποιούνται και εκφράζονται με αριθμούς, οι καλές οπτικοποιήσεις μπορούν να έχουν σημαντικό αντίκτυπο, γεγονός που οι δημοσιογράφοι συχνά υποτιμούν. Ο Hoffmann από την πλευρά του, επιμένει στην άποψή του: «Ένα καλοδουλεμένο άρθρο χωρίς οπτικοποιήσεις είναι ένα άρθρο που υστερεί».