Questa pandemia ci ha fatto scoprire il mondo dei data e chi più e chi meno si sono sbizzarriti nel creare delle vere opere d’arte. Tra le dataviz più celebri ci sono quelle del The New York Times:

Questi sono solo due esempi, ma vi consiglio di fare un giro sul loro sito e sui loro social. Nell’ultimo appuntamento di Funnel Chips.

Abbiamo intervistato Giulia Zerbini, uno dei 4 fondatori del progetto Il Bollettino Grafico. In quest’occasione avevamo proprio parlato dell’importanza dei dati e della loro presentazione in forma grafica.

Storytelling with data

Ma veniamo a noi. Se come me avete scoperto questo mondo di recente, è bene mettersi sulle spalle dei giganti (grazie Merton, questa frase fa sempre effetto) e imparare da chi ha qualche esperienza in più di noi. Un mesetto fa, Amazon mi ha fatto recapitare questo bel libro: “Storytelling with data” di Cole Nussbaumer Knaflic.

Quindi veniamo alle 6 cose da fare per fare delle data visualisation efficaci e visivamente piacevoli, estrapolate dal libro di cui sopra.

Prima di partire con la classifica è bene imparare a memoria la regola d’oro, deve essere il mantra che vi ripetete prima di andare a dormire “Bad graphs are everywhere”.

Avete presente quei grafici dove non leggete le etichette? Quelli con una palette di colori che è peggio di un pugno in un occhio? Quando le barre non sono in ordine? Oppure, banalmente, i grafici che non capite? Ecco, quelli sono davvero ovunque, non pensiate che siano solo errori di gioventù immatura, ma chiunque ne è soggetto (anche le testate giornalistiche più rinomate, giuro!).

Ripetete dopo di me “Bad graphs are everywhere”. Dopo la decima volta vi sentirete meglio con i vostri primi scarabocchi.

1. Il contesto: guardati attorno

Prima di iniziare a prendere i vostri dati e buttarli a casaccio dentro a dei grafici che non avranno molto senso è bene prima porsi una serie di domande fondamentali.

Per chi scrivo? Avere molto chiaro a quale audience la tua dataviz è indirizzata è la base. Sono esperti? Colleghi? O devi fare capire a tua nonna che lavoro fai? Evitare platee generali “Chiunque possa essere interessato”.

NO.

Un’altra questione da considerare è anche la relazione che avete con la vostra audience: è formale? Friendly? Pensateci bene, perché quello sarà anche il tono con cui la vostra dataviz si dovrà esprimere.

Che cosa volete che la vostra audience colga dalla rappresentazione grafica? Volete che spinga le persone ad agire o a riflettere? Che messaggio volete far passare? Perché le persone dovrebbero aver voglia di vedere il grafico? Tutte domande che, bene o male, chiunque scriva un articolo o un copy si deve porre prima di iniziare.

2. Dimmi che grafico sei e ti dirò la tua personalità

È buona norma sapere che tipo di visualizzazione utilizzare, secondo le risposte che ci siamo dati al punto uno. Vediamone alcune:

data-viz-tipologie
  • Heatmap o tabelle

Le prime sono delle tabelle in cui si gioca con i colori e la grafica più in generale. In tal modo si mantiene la struttura tabellare, ma attraverso i colori si evidenziano alcuni valori più importanti di altri, oppure con una palette graduata si può mettere in evidenzia un trend, o la magnitudo dei numeri.

  • I grafici

I grafici sono immediati, il lettore riesce a processare le informazioni più velocemente proprio perché i grafici interagiscono con il nostro sistema visivo. In questa categoria troviamo diverse tipologie:

  1. Scatterplot: utili per evidenziare la relazione tra due o più variabili (oggetti, cose che consideriamo nella nostra analisi).
data-viz-scatterplot

2. Linee: il mondo magico delle linee che hanno colorato le nostre giornate di quarantena. Vengono usate quando c’è per esempio una serie temporale, per vedere come il fattore x è cambiato nel corso degli ultimi 10 anni.

N.B. il tipo di linea che si decide di usare significa qualcosa, il messaggio che si manda non è sempre lo stesso:

data-viz-lines-graphs
  • Le barre

Sono tra le dataviz più usate e questo fa sì che siano di facile lettura e comprensione. Vengono usate tendenzialmente per comparare due oggetti in un dato periodo, si capisce immediatamente chi è il più alto e chi il più basso ed è immediato l’intervallo di differenza tra le due o più colonne. Nonostante siano molto popolari, non sono immuni da errori. Uno dei più comuni, per esempio, è di far partire la barra dal valore più piccolo del database, anziché dallo zero. Oppure la dimensione delle barre, troppo fini e dunque si legge poco, troppo spesse e non si comprende la differenza (se è minima) tra due valori.

data-viz-errors

Insomma questi sono solo alcuni tipi di visualizzazioni possibili, ma ce ne sono una miriade. Chi cerca, trova. Quindi trovate quella che funziona meglio per i vostri dati e i vostri obiettivi. Non posso spoilerarvi tutto il libro.

3. Il disordine è tuo nemico

Se non c’è un ordine logico o utile, le persone non capiranno cosa vuoi dire. Quindi, la tua dataviz sarà da cestinare, perché poco efficiente.

Sei passaggi per rendere la tua visualizzazione ordinata:

  1. Togli le righe nel background del grafico. Spesso e volentieri non servono e sono solo di impaccio (a meno che tu non stia facendo un grafico in dual axis).
  2. Togli le linee contornanti il grafico. Sono davvero importanti? Cosa ti dicono di più? Un tubo, quindi via. Puliamo.
  3. Togliere elementi di troppo nel grafico. Stai facendo un grafico a linee e le due sono di colori diversi, e ad ogni anno c’è un quadratino. È necessario? Oltre ad indicare l’anno, ci dice qualcosa di più? No? Allora via, sarebbe un elemento a cui il lettore dovrebbe porre ulteriore attenzione (inutile, per giunta).
  4. Sistema le etichette degli assi. Sono troppo lunghe e non si vedono tutte? Trova un modo per accorciarle, oppure ruota l’etichetta a 30°. Insomma, trova un modo che sia chiaro che cosa stai rappresentando.
  5. A volte la legenda può essere uno spreco di spazio, quindi valutate se mettere o nella parte alta delle barre o alla fine delle linee l’etichetta. Rende la visualizzazione più chiara ed immediata, oppure ci sono troppo linee e diventa caotico?
  6. Sia che si tratti della legenda che delle etichette alla fine nelle linee, facciamo sì che l’etichetta abbia lo stesso colore dell’oggetto a cui si riferisce. Il lettore vi ringrazierà e la lettura sarà più semplice e vivremo tutti felici e contenti.

4. Guarda me, tu ora capirai subito questo grafico!

Buona parte della data vizualisation è incentrata sul lettore e sulla sua immediata e semplice comprensione del grafico.

Un altro mantra da ripetervi mentre fate colazione è “enable our audience to see what we want them to see before they even know what they are seeing it!”. Per fare questo, Cole parla di “Preattentive attributes”, ossia dei segnali che ti indicano dove guardare. Eccone alcuni:

data-viz-preattentive-attributes


Sono indicazioni, come il colore, la forma, la posizione del grafico nella pagina, le scritte attorno al grafico, che focalizzano la prima attenzione del lettore e che dovrebbero finire poi nel cassetto della memoria corta (almeno il tempo di una presentazione, della lettura dell’articolo).

5. Sei un designer, o almeno provaci (tanto ti odieranno comunque)

Dobbiamo prima di tutto pensare che cosa vogliamo che il lettore sia in grado di fare con i dati (function) e dobbiamo, poi, creare una visualizzazione che permetta al lettore di farlo in maniera semplice (form). Alcuni aspetti che ogni buon grafico sa e dovete imparare a fare anche voi.

  1. Affordances: ossia le qualità di un oggetto che ci permettono di interagire con esso, o ci permettono di capire come usarlo. Nella dataviz, queste affordances sono per esempio le parole evidenziate, colorate, in grassetto, in italico, in maiuscolo e così via dicendo.
  2. Accessibility: non siamo tutti uguali, ognuno di noi ha un’esigenza diversa. Non voglio dire che dobbiamo creare 7 mld di grafici, ma cercare di capire se nella nostra audience ci sono, per esempio, dei daltonici. Oggigiorno, l’internet e i software di grafica sono pieni di palette che seguano le necessità visive di buona parte dei 7 mld di viventi. Quindi sforziamoci, e facciamo vedere le nostre dataviz anche a loro.
  3. If it’s hard to read, it’s hard to do: non complichiamoci l’esistenza. Il semplice è bello, spesso e volentieri ma soprattutto impegniamo più tempo a ideare il grafico (spreco di tempo) e spesso non è comprensibile (spreco di tempo per il lettore). Quindi, il nostro obiettivo fallisce.
  4. Text is your friend: aggiungere del testo al grafico, se utile e non caotico, non fa male. Ma appunto, non dimentichiamoci delle regole dette sino ad ora. DEVE ESSERE UTILE, se no bye bye.
  5. Aesthetics: la vaporwave va sicuramente di moda, ma anche non usiamola. Dai, proviamoci. Fate attenzione ai colori, cercate tonalità che stiano bene. L’allineamento delle colonne, delle etichette è importante, non trascuratelo. Il grafico deve essere anche piacevole alla visione (almeno fate likes su Instagram).

6. Racconta la tua storia: lo storytelling dei data

Come un’opera teatrale o un film c’è sempre una storia che qualcuno vuole narrare, anche i dati vogliono dirvi una loro storia, facciamogliela raccontare. Un esempio che spiega in maniera semplice che cosa si intende quando si dice di intrecciare i dati con una storia sono alcune dataviz di Mona Chalabi (un must se si vuole imparare a fare delle dataviz strafighe):

Visualizza questo post su Instagram

To understand racial inequality in this city, I spent months (and months!) drawing these 100 characters for a piece in @nytopinion today. When you think about who is most affected by Covid-19, you need to consider inequalities in housing, in access to healthcare, in wealth. And so much of that ends up consistently affecting people of color. You could think of it as overlapping circles in a Venn diagram. Or, you could look at these 100 people. I’m selling prints of these on my site monachalabi.com and donating all of the profits to Covid-19 rent relief for families (a fund organised by @theconsciouskid) Huge thank you to my brilliant former coworker @aflowers85 for checking my calculations, and Jessia Ma for animating all of this with precision and creativity. Source for designing these 100 characters: US Census Bureau (American Community Survey, 2017, 5 year estimates for race age sex and disability for New York Metropolitan Statistical Area)

Un post condiviso da Mona Chalabi (@monachalabi) in data:

Oltre a queste regole, il libro fa anche degli esempi, parla di dataviz case studies concreti e rende davvero chiaro cosa fare passo per passo. Secondo me, l’aspetto migliore del libro è che vi fa davvero entrare nel mind set da datavizer (o grafico dei data?): guardando i grafici di altri, vedrete errori o ne apprezzerete i lavori.

Una dataviz che ho recentemente trovato ed è geniale è di Giorgia Lupi:

Se vi capita di provare a farne, taggateci nelle vostre dataviz o se avete altre golden rules, segnalatecele!