Ons zintuiglijk geheugen helpt ons razendsnel belangrijke informatie te herkennen in de wereld om ons heen. Dat doen het door te scannen op pre-attentieve eigenschappen. In een mini-serie van drie blogs leg ik je uit hoe je van deze krachtige tools gebruik kunt maken in datavisualisaties. Met in deze blog: hoe zet je positie effectief in?
Een korte introductie
Eerst even een korte introductie: pre-attentive eigenschappen zijn kenmerken (attributes) van dingen om ons heen die wij registreren in ons brein vóórdat we ons daar echt bewust van zijn (preattentive). Dit doen we in ons zintuiglijk geheugen (sensory memory). Deze blog beperkt zich tot de visuele eigenschappen, want ja, het gaat over visualisaties.
Pre-attentieve visuele eigenschappen zijn in te delen in grofweg drie hoofdcategorieën: vorm, positie en kleur. Uiteraard kun je heel goed verschillende (sub-)categorieën met elkaar combineren, maar welke eigenschap op welk moment het meeste effect heeft, hangt af van welke informatie je wil overbrengen. Vandaag bekijken we de verschillende manieren om positie effectief in te zetten.
Positie
Voor de meeste visuele eigenschappen geldt dat ze pas echt opvallen wanneer ze afwijken van de context waarin ze zich bevinden. De categorie waarvoor dit wellicht het meest duidelijk is, is positie. Positie geldt als de meest in het oog springende eigenschap van het drietal kleur, vorm en positie, maar is tegelijk misschien wel het moeilijkst te controleren. Het gebruik van positie in visualisaties kan onderverdeeld worden in grofweg vier categorieën:
- Oriëntatie
- Insluiting
- Ruimtelijke groepering
- Positionering
Oriëntatie
De oriëntatie of richting van een object valt meteen op als deze afwijkt van de norm of omgeving. Wie daar aanvullend bewijs van wil, moet eens een reisje naar Pisa maken. Denk bijvoorbeeld aan een snelheidsmeter in je auto. Zelfs zonder de achterliggende cijfers te zien, heb je direct een gevoel voor hoe hard je ongeveer rijdt. Maar de bekendste vorm van oriëntatie is natuurlijk de lijndiagram. Je gebruikt lijnen vooral om een algemene trend door de tijd aan te geven voor kwantitatieve gegevens uit eenzelfde dimensie (!).
Toch zijn lijndiagrammen niet altijd eenvoudig om te lezen. Zo is het lastig om meerdere lijnen met elkaar te vergelijken als de verschillen van datapunt tot datapunt groot zijn en de lijn alle kanten op springt. Ook als lijnen elkaar vaak kruisen, raakt ons brein gemakkelijk in de war. Dit gebeurt al helemaal wanneer er veel lijnen in één visualisatie staan. In dat geval is het beter om een ander type visualisatie te gebruiken, of om minder datapunten op de x-as te plaatsen (bijvoorbeeld door geen maanden, maar kwartalen of jaren met elkaar te vergelijken).
Insluiting
We staan er lang niet altijd bij stil wat voor impact insluiting of begrenzing heeft op ons begrip van de wereld. Toch snapt iedereen die deze blog leest dat een witregel tussen twee alinea’s aangeeft dat er een andere context ontstaat, en het tweede tekstblok nieuwe informatie bevat. In dashboards geldt hetzelfde voor lege (of gekleurde) ruimte tussen visualisaties in. Insluiting heeft dus vooral betrekking op kwalitatieve of categorische gegevens, maar kan dus op meerdere niveaus worden ingezet.
Insluiting is zeer doeltreffend om stukjes informatie te groeperen of juist van elkaar te scheiden. Referentielijnen kunnen bijvoorbeeld in één oogopslag duidelijk maken welke kwartalen een doelstelling gehaald hebben, en welke niet. Of denk aan scheidslijnen in een staafdiagram die verschillende sub-categorieën per categorie groeperen, of achtergrondkleuren zoals color banding in een tabel. Let er daarbij wel altijd op dat je door insluiting of groepering geen foute verwachtingen wekt bij de kijker. In mijn Tableau Public-story over positie onderaan deze pagina zie je wat dat doet.
Groepering
Groepering kwam hierboven al uitgebreid aan bod, maar dan voornamelijk door aanvullende en bewust ingezette visuele hulpmiddelen als lijnen of achtergrondkleuren. Ruimtelijke groepering leunt daarentegen meer op het onderscheidend vermogen van de data zelf. Toch blijft het onderliggende principe hetzelfde: wanneer datapunten een duidelijke groep vormen, veronderstelt de kijker dat er een verband is tussen die punten met een achterliggende oorzaak.
Denk bijvoorbeeld aan een heatmap van een sporter waaruit je zijn of haar speltype of positie op het veld kunt afleiden. Of hoe je op basis van een kaart met alle bruggen in Europa, een goed beeld krijgt van hoe de meeste rivieren lopen. Maar ook in bedrijfscontext vallen ruimtelijke clusters in een scatterplot of op een kaart al snel op. Groepering kan tijdens de verkenning van een dataset dus zeer waardevol zijn. Voor een presentatie van een visualisatie is het wel aan te bevelen om het gesuggereerde verband dan expliciet te maken (of te ontkennen, als de groepering toeval is).
Positionering
Net als insluiting is positionering een instrument dat zowel ín een visualisatie te gebruiken is als in het samenvoegen ervan in een dashboard. Daarvoor zijn een paar vuistregels:
- plaats de belangrijkste informatie in de linkerbovenhoek (of de rechter, in landen die van rechts naar links lezen),
- zorg dat informatie die bij elkaar hoort, bij elkaar staat,
- richt je visualisatie zo in dat alle teksten goed leesbaar zijn.
Slimme positionering van visualisaties op je dashboard, maar ook filters, legenda’s, titels en subtitels kunnen het verschil maken tussen een goed en een slecht dashboard. Wanneer de belangrijkste informatie op de belangrijkste plek staat, de visualisaties goed leesbaar zijn en het gebruik intuïtief is, breng je met dezelfde data en bijna dezelfde visualisaties je boodschap veel beter over.
Dit is de derde blog in een minireeks over het gebruik van pre-attentieve eigenschappen in visualisaties, naast kleur en vorm. Meer blogs (met links) volgen in de rest van deze maand. Klik hier voor het complete overzicht van al mijn blogs, of bekijk mijn profiel op The Information Lab of op Tableau Public.
Fotocredits:
Voetbalveld: Gamersdecide
Toren van Pisa: Smaak van Italië
Heatmap: SofaScore
Foto Nederlands Elftal: Eurosport
Bekijk onze andere blogs over Tableau, Alteryx, and Snowflake.
Werk samen met een van onze consultants en haal alles uit je data.
Neem contact met ons op, en wij helpen je meteen.