Przykład 1. – wykres słupkowy zamiast kołowego

Jednym z klasycznych przykładów poprawy wykresu kołowego jest jego zamiana na wykres słupkowy. Kluczem do stworzenia wykresu słupkowego który będzie przedstawiał zarówno wartości absolutne oraz procentowe np. wyników ankiety jest stworzenie dwóch jednakowych wykresów oraz odpowiednie ich wyrównanie w przestrzeni.

Zatem tworzymy wykres słupkowy. W pierwszej kolejności formatujemy oś kategorii klikając na nią prawym przyciskiem myszy (Formatuj oś).

Zaznaczamy opcję „kategorie w kolejności odwrotnej” oraz przecięcie z osią poziomą „przy kategorii maksymalnej”, ustawiamy „etykiety osi” oraz „typ głównego znacznika osi” na brak, a następnie usuwamy zbędne elementy wykresu tj. tytuł, legendę, dodajemy etykiety danych oraz nadajemy wykresowi estetyczny wygląd zgodny z dobrymi praktykami wizualizacji danych.

Wynikiem powyższych operacji jest pierwsza część naszego wykresu.

Następnie tworzymy jego duplikat przy użyciu skrótu klawiszowego Ctrl+C > Ctrl+V, klikamy na serię danych drugiego wykresu i przeciągamy obszar zakresu danych na wartości %.

Otrzymujemy:

Drugą część wykresu również należy odpowiednio sformatować. Kolejno:

a)    Zaznaczamy serie danych i wybieramy brak wypełnienia (Formatowanie > Wypełnienie kształtu > Brak wypełnienia)

b)    Zaznaczamy oś wartości i wypełniamy białym kolorem (Formatowanie > Wypełnienie tekstu > Biały oraz Formatowanie > Kontur tekstu > Biały

c)    Ustawiamy etykiety danych na podstawie (Formatowanie etykiet danych > Podstawa wewnętrzna) oraz kolor linii osi pionowej na biały

d)    Zaznaczamy oś kategorii (oś pionowa) i ustawiamy opcję etykiet osi „obok osi” (Formatowanie osi > Opcje osi > Etykiety osi > Obok osi)

e)    Wstawiamy tytuł wykresu

Druga część naszego wykresu jest gotowa i prezentuje się następująco:

W ostatnim kroku pozostaje nałożyć dwa wykresy na siebie. W tym celu klikamy po kolei na wykresy przytrzymując klawisz Ctrl, a następnie wchodzimy w zakładkę Formatowanie > Wyrównaj > Wyrównaj do środka w pionie, dostosowujemy ręcznie w poziomie oraz grupujemy oba wykresy.

Przykład 2. – rozkład na wykresie kolumnowym

W drugim przykładzie zajmiemy się rozkładem danej zmiennej, w której to wykres kołowy zastąpimy dużo bardziej czytelnym słupkowym wykresem dystrybucji. Przygotujmy najpierw dane:

Dane w ostatniej kolumnie tys. PLN zostały odpowiednio ustawione poprzez użycie skrótu klawiszowego Alt+Enter Zastosowanie tego skrótu pozwala przenieść dany fragment tekstu do następnej linijki w danej komórce.

Zaczynamy od wstawienia wykresu kolumnowego wykorzystując kolumny „Przedział zarobków” oraz „Liczba odpowiedzi”. W ten sposób uzyskujemy wykres który po odpowiednim sformatowaniu powinien wyglądać następująco:

Cały myk polega teraz na wstawieniu osi kategori tak, żeby przesunąć wykres o jedną kolumnę w prawo oraz otrzymać oś wielo(w tym przypadu dwu)-poziomową. Aby uzyskać pożądany wynik klikamy na wykres, wybieramy zakładkę Projektowanie > Zaznacz dane > Edytuj serię (a), a następnie zaznaczamy zakres serii razem z nazwą kolumny.

W ten sposób nasz wykres przesunie się o jedną pozycję w prawo. Ostatnim etapem jest analogiczny zabieg dla etykiet osi poziomej (kategorii) (b).

Edytuj etykiety osi, a następnie zaznaczamy zakres razem z nazwami kolumn.

Otrzymujemy finalny wykres rozkładu, który w czytelny sposób przedstawia zarówno wartości absolutne jak i procentowe udziały odpowiedzi w ankiecie odnośnie miesięcznych zarobków w gospodarstwie domowym.

Już na pierwszy rzut oka możemy określić dominantę w ankietowanej próbie, którą stanowią zarobki w przedziale od 3 do 4,5 tys. PLN (21% ankietowanych osób).

Przykład 3. – wykres liniowy i panelowy zamiast skumulowanego kolumnowego

Zaczynamy od odpowiedniego przygotowania danych. Drugą kolumnę w naszej tabeli danych pozostawiamy pustą. Wpłynie to na czytelność wykresu w dalszym etapie jego konstrukcji. Kolumna „Etykiety” to procentowa zmiana udziałów na koniec 2014 w stosunku do 2010 roku. Wykorzystamy ją w późniejszym etapie.

Zaznaczamy kolumny od 1 do 7 i wstawiamy wykres liniowy. Excel automatycznie błędnie zaznacza nam zakres nazw serii (o jedną kolumnę za dużo) oraz zakres danych (o jedną kolumnę za mało). Dostosowujemy ręcznie zakres każdej serii poprzez Projektowanie > Zaznacz dane > Edytuj serię. Nadajemy poszczególnym seriom indywidualny kolor oraz wstawiamy wbudowany typ znacznika (kółko). Po tych zabiegach wykres wygląda następująco.

Dodajemy etykiety danych punktów krańcowych. Zaznaczamy każdy z punktów indywidualnie poprzez dwukrotne kliknięcie i dodajemy etykiety danych. Formatujemy każdą etykietę z osobna (do lewej dla punktów krańcowych z lewej strony oraz do prawej dla punktów z prawej). Dopasowujemy kolor czcionki do koloru serii oraz stosujemy pogrubienie. Ostatecznie wstawiamy tytuł wykresu.

Otrzymujemy sformatowany wykres.

Nie widać na nim jeszcze o ile procent zmieniły się udziały poszczególnych grup telewizyjnych w 2014 vs 2010 rok. Do przedstawienia procentowej zmiany wykorzystamy komórki arkusza oraz formatowanie niestandardowe. Musimy najpierw ustawić właściwości wykresu na „Nie przenoś ani nie zmieniaj rozmiaru z komórkami”. Umożliwi do dostosowywanie położenia wartości etykiet na poziomie odpowiednich serii danych bez wpływu na rozmiar wykresu.

Wstawiamy w komórkach odwołanie do obliczonych wcześniej % zmian w latach 2010-2014. Jeśli komórka nie znajduje się na poziomie końca odpowiadającej jej serii danych możemy dowolnie manipulować wysokością wiersza żeby zsynchronizować ją w jednej linii z serią danych.

Ostatnim działaniem będzie ustawienie niestandardowego formatu komórek, tak żeby wartości dodatnie były wyświetlane z (+) przed liczbą. W formatowaniu komórek wpisujemy „+0%;-0”.

Voilà:

Alternatywę dla powyższego wykresu może stanowić propagowana przez Edwarda Tufte’go tzw. „mała wielokrotność” (ang. small multiples). Doskonale obrazuje ona trendy poszczególnych zmiennych.

O autorze

Piotr Lorenc – analityk biznesowy jednej z głównych firm energetycznych w Polsce.

Ty też możesz opublikować własny artykuł na blogu SkuteczneRaporty.pl

Jeżeli czujesz, że temat wizualizacji danych i dashboardów jest Ci bliski i masz ciekawe doświadczenia, praktyczne przykłady wykorzystania wiedzy z tej strony czy triki Excel, którymi chcesz się podzielić, zerknij na stronę Współpraca lub po prostu napisz na kontakt@skuteczneraporty.pl. Czekam na Twoje wykresy i dashboardy.

Podoba Ci się redesign wykresów? Podziel się Twoją opinią w komentarzu.

Ogólny przebieg analizy

W pierwszej fazie neurony w naszym oku dostrzegają elementy w polu widzenia i wykrywają, bez naszej świadomości, atrybuty takie jak położenie, rozmiar, kształt, kolor, orientację, teksturę. Pomagają one pogrupować  i zorganizować widziane elementy. W drugiej fazie, pole widzenia jest dzielone na kształty i wzorce. W trzecim etapie aktywnie szukamy związku między elementami tworzącymi wzorce, przechowując wyniki naszego badania w pamięci krótkotrwałej. Dla analizy danych kluczowa jest zdolność do rozpoznawania kształtów i wzorców, która kiedyś umożliwiła ludziom przetrwanie, a w dzisiejszych czasach jest szczególnie przydatna przy wnioskowaniu na podstawie danych biznesowych.

Analiza przebiega zwykle w następujących etapach: Przegląd całości > Zbliżenie na szczegół > Odfiltrowanie elementów nieistotnych > Wejście w niezbędne detale > Wyciągnięcie wniosków.

Związek między danymi

Punktem wyjścia do analizy zawsze jest związek między danymi, które są analizowane. Dla każdego z nich problem jest definiowany inaczej, np.:
– szereg czasowy – Czy ruch na stronie internetowej rośnie czy maleje?
– korelacja – Czy istnieje związek między wydatkami na marketing a sprzedażą?
– rozkład – Jaki jest zakres zarobków pracowników i ile osób znajdzie się w grupie powyżej 10 000 zł?
– część całości – Jaki udział w rynku ma nasza firma?
– ranking/porównanie nominalne – W jakiej kolejności występują departamenty?
– odchylenie – W jakim stopniu wydatki departamentów różnią się od planowanego budżetu?

Wzorce w związkach

W zależności od występującego związku szukamy innych wzorców i kształtów.

Szereg czasowy

– punkty skrajne – W którym miesiącu sprzedaż była najwyższa, a w którym najniższa?

– trend – Czy wartości rosną, maleją czy pozostają bez zmian?

– zmienność – Czy ruch na stronie internetowej waha się mocno czy nieznacznie?

– tempo zmian – Czy tempo jest stałe, rośnie czy maleje? Który z dwóch zestawów danych zmienia się szybciej?

– sezonowość – Czy występują skoki (tzw. peaki) sprzedaży?

– chwilowy związek – Czy kampania marketingowa miała wpływ na sprzedaż?

– przesunięcie – Z jakim opóźnieniem zadziałała kampania marketingowa?

– przecięcie – Kiedy sprzedaż produktu A dogoniła produkt B?

Korelacja

– zależność – Czy wraz ze wzrostem stażu pracy rosną uzyskiwane premie (zależność liniowa dodatnia)?

Czy wraz ze wzrostem PKB spada umieralność noworodków (zależność liniowa ujemna)?

Czy wraz ze wzrostem liczby lat działalności w branży IT sprzedaż rośnie coraz szybciej (zależność dodatnia nieliniowa)?

– koncentracja – Czy większość zamówień jest średniej wielkości?

– skupisko – Czy istnieje grupa dużych zamówień z niewielkim zyskiem?

– luka – Czy na rynku są mieszkania większe niż 80 m2, ale mniejsze niż 100 m2?

– wyjątek – Czy największy klient jest traktowany na zwykłych warunkach?

– losowość – Czy dane na wykresie nie wykazują związku?

Rozkład

– symetria – Czy rozkład wzrostu uczniów w klasie jest symetryczny czy asymetryczny?

– szerokość – Jeśli rozkład jest symetryczny, czy jest wąski czy szeroki?

– jednolitość – Czy wszystkie badane grupy wiekowe z podobnym natężeniem korzystają ze strony internetowej w tych samych porach?

– wierzchołki – Czy korki w badanym mieście tworzą się 2 razy dziennie?

– luka – Czy istnieją zamówienia między 15 i 20 zł?

– wyjątek – Czy prezes zarządu zarabia wielokrotnie więcej niż inni?

Ranking/porównanie nominalne/część całości/odchylenie

– punkty skrajne – Która firma dominuje na rynku? Jaka jest jej przewaga nad drugą w rankingu?

– udział w całości – Jaki jest udział firmy w rynku?

Przykład

Rezultat badania przedstawiono na poniższym rysunku.

Rozwiązanie

Powyższa prezentacja prostych (teoretycznie) danych zawiera szereg podstawowych błędów i stanowi świetny materiał do poprawy.

Komunikat
Wizualizacja wyników sondy powinna przede wszystkim przekazać informację, ilu procent kredytobiorców dotyczy ten problem, czyli jaka jest potencjalna skala problemu. Zamiast tego otrzymujemy komunikat, że prawie 50% respondentów nie ma kredytu. Ich artykuł jednak nie dotyczy, więc dlaczego nie odjąć ich odpowiedzi, poprawiając przekaz i odpowiadając na postawione pytanie. Informacja o liczbie uczestników może zostać przesunięta na drugi plan.

Porównanie nominalne vs Ranking
Czytelnika tego artykułu w drugiej kolejności interesować może informacja, która waluta jest najpopularniejsza i na którym miejscu jest w tym zestawieniu frank, o którym mowa w artykule. Dane reprezentują związek część całości, w ramach którego sortowanie tworzy nam ranking, a jego brak – porównanie nominalne. Dane korzystniej będzie posortować malejąco, zastępując tym samym porównanie nominalne rankingiem.

Tabela vs Wykres
Umieszczenie tabeli i wykresu razem rzadko ma sens. W przypadku wyników sondy wykres spełnia zadanie znacznie lepiej i w zupełności wystarczy do ich przedstawienia. Liczba osób, które oddały głosy na poszczególne waluty jest zupełnie niepotrzebna, gdyż skalę zjawiska odda najlepiej udział poszczególnych walut.

Formatowanie
Formatowanie wykresu stanowi w powyższym przykładzie znaczną barierę komunikacyjną. Główne błędy tu popełnione to: różne kolory dla kolumn, brak wyróżnienia dla najważniejszego elementu, gradienty, niepotrzebna legenda (przez którą Czytelnik musi wodzić wzrokiem w tę i z powrotem), zbędne linie siatki i cieniowanie między nimi, zaokrąglony obszar kreślenia.

Skala i oś
Skala została błędnie zaprojektowana, gdyż odstępy na osi Y są nieregularne – pierwszy skok wynosi 8%, następne po 7%. To może wprowadzić Czytelnika w błąd. Etykiety danych na skali są skrótami, których część odbiorców może nie znać, warto więc zastąpić je powszechnie używanymi nazwami walut.

Oto poprawiona wizualizacja wyników tej samej sondy.

W odróżnieniu od poprzedniej wersji, wykres ma przejrzystą strukturę, a komunikat jest czytelny („Frank jest drugą najpopularniejszą walutą z udziałem 35%.”). Odbiorca nie musi się niczego domyślać, co więcej dowiaduje się, że skala problemu może być większa niż sugerowało to pierwotne zestawienie. Proste dane, jasny komunikat, skuteczny wykres.

Większość związków między ilościowymi danymi biznesowymi może zostać sklasyfikowanych w 7 kategorii. Poznanie ich jest pierwszym krokiem do zrozumienia, jak je przedstawiać, ponieważ kategorie te są ściśle powiązane ze sposobem ich obrazowania.

Szereg czasowy

Kiedy wartości ilościowe są wyrażane jako seria pomiarów wykonanych w równych odstępach czasu, związek ten nazywa się szeregiem czasowym. Żaden innych związek nie występuje w danych biznesowych tak często jak ten. Badania wykazały, że ok. 75% wszystkich wykresów biznesowych pokazuje szereg czasowy. Czas może być podzielona na interwały różnej długości, takie jak lata, kwartały, miesiące, tygodnie, dni, godziny, a nawet minuty. Typowym przykładem jest poniższy wykres:

Obserwacja faktu, jak wartości różnią się od siebie, rosnąc lub malejąc w czasie, jest bardzo wartościowa. Szeregi czasowe ujawniają trendy i wzorce, których musimy być świadomi i które musimy rozumieć, aby podejmować skuteczne decyzje.

Ranking

Kiedy wartości ilościowe są ułożone wg wielkości, od największego do najmniejszego lub odwrotnie, związek ten nazywany jest rankingiem. Często ma to duże znaczenie w biznesie, aby spojrzeć na dane uporządkowane, np. wyniki sprzedaży lub wydatki departamentów. Pozwala to nie tylko pokazać ich kolejność, ale także ułatwia porównania wartości poprzez umieszczenie wartości zbliżonych obok siebie. Poniższy wykres pokazuje typowy ranking:

Część całości

Kiedy wartości ilościowe są przedstawiane w celu ukazania porcji ogółu, który reprezentują, mamy do czynienia z częścią całości. Nierzadko przydaje się widok elementów, z których składa się całość i procent, który przypada na każdy element, np. podział rynku między konkurentów lub wydatki w podziale na region, jak na poniższym wykresie.

Odchylenie

Kiedy wartości ilościowe są przedstawiane w celu uwypuklenia, jak bardzo zbiór danych różni się od zbioru referencyjnego, jesteśmy świadkami odchylenia. Najczęstszym przykładem biznesowym jest ukazanie, jak bardzo zbiór danych (np. wydatki rzeczywiste) odbiega od wartości planowanych (budżetu zaplanowanego), tak jak na poniższym wykresie.

Rozkład

Kiedy pokazujemy, jak dane są rozsiane w całym zakresie, mamy do czynienia z rozkładem. Wiele rzeczy można się dowiedzieć poprzez analizę dystrybucji danych, szczególnie zaś jej kształtu, który mówi, co jest typowe dla danego zbioru wartości (jeśli rozkład jest niesymetryczny) lub gdzie są luki lub skupiska. Poniższy rysunek przedstawia symetryczny rozkład zwany normalnym, który ma kształt dzwonu.

Korelacja

Kiedy pary wartości ilościowych, z których każda mierzy inną właściwość dotyczącą tej samej jednostki (osoby, departamentu, produktu), są przedstawiane w celu ukazania związku między nimi (np. gdy jedna cecha rośnie, inna także lub jedna rośnie, a druga maleje) powstaje korelacja. Zrozumienie związku między wartościami ilościowymi może pomóc przewidzieć i wykorzystać te zachowania. Poniższy rysunek pokazuje korelację między kwotą kredytu a długością rozpatrywania wniosku kredytowego w banku.

Porównanie nominalne

Związek ten wykorzystuje skalę nominalną, w której elementy nie są ze sobą powiązane i nie ma związku między wartościami. Poniższy wykres dostarcza materiał do porównania wartości dla regionów, ale nic więcej. Jeśli wykres przedstawia tylko porównanie nominalne, warto zastanowić się, czy użycie innego związku nie miałoby więcej sensu. W tym przypadku wystarczy uporządkować wartości dla regionów, aby utworzyć ranking. Czasami jednak elementy są tak ułożone celowo, ponieważ ludzie oczekują zobaczyć je właśnie w ten sposób (np. tak jak poniższe regiony).