Como criar visualizações impactantes

Jock D. Mackinlay e Kevin Winslow
Como criar visualizações
impactantes
2
Sumário
Visualizando o passado. .........................................................................................3
Dados visuais diferentes para necessidades diferentes. .......................4
1700-1900: A transformação da visualização. ...........................................5
O século XX traz avanços e abusos. .............................................................6
Visualização computadorizada: uma história pessoal. ...........................7
Hoje: o poder da percepção humana. ..........................................................9
Dados diferentes pedem exibições diferentes. .....................................10
Percepção humana: seu poder e suas limitações. ................................11
Potencializando a composição e a interatividade. ...............................12
Contando histórias com dados. .....................................................................13
Resumo: o que aprendemos. ...........................................................................16
Este whitepaper conta a história da representação visual, desde as pinturas em cavernas até a revolução
da informática e o lançamento do Tableau. Ele fala sobre alguns dos pioneiros nas pesquisas de dados e
mostra como seus trabalhos ajudaram a revolucionar as técnicas de comunicação visual. Examinaremos
os diferentes estilos de dados visuais e conheceremos alguns dos desafios da criação de recursos visuais
eficazes e os métodos utilizados para superar essas barreiras. Por fim, este whitepaper mostrará o potencial
(e as limitações) da percepção humana e como usar dados para contar histórias – bem parecidas com
aquelas pinturas rupestres da pré-história.
3
Visualizando o passado
As representações visuais são fundamentais no processo de aprendizado e
compreensão humana. Para estudarmos o impacto e a evolução da visualização
de dados, é preciso olhar primeiro para o passado e ver como as formas de modelar
e representar dados mudaram ao longo do tempo. A humanidade usa visualizações
para instruir, comunicar e contar histórias desde o início dos tempos. Os mapas, em
especial, têm uma longa história. A figura abaixo é uma pintura de quase três metros
de altura descoberta na Turquia e que data de 6.200 a.C. Na parte de baixo está
a cidade de Catal Hyük com o vulcão Hasan Dag em erupção acima [1, 2]. Ainda
não se sabe a finalidade da pintura, se é uma obra de arte ou um mapa de dados.
De qualquer forma, ela é um exemplo de como a humanidade usava imagens
para transmitir conceitos e ideias.
4
Dados visuais diferentes para necessidades diferentes
Existem dois tipos habituais de representação visual de dados. Ambos são
muito importantes e têm requisitos diferentes no que se refere à criação
de visualizações impactantes.
O primeiro tipo é a apresentação, que usa dados visuais para transmitir uma
mensagem. Esse tipo de representação visual tem dois elementos: um apresentador
e o público. Seu principal objetivo é comunicar e persuadir. Esta peça de barro, por
exemplo, parece ser um mapa da cidade babilônica de Nippur, na Mesopotâmia,
que pode ter sido usado para demonstrar como reparar suas fortificações [3].
O segundo tipo é a visualização. Essa é uma nomenclatura relativamente nova
para definir a ideia do uso de imagens para estimular o pensamento. Nesse caso,
a experiência é ativa e envolve pessoas tentando responder perguntas. Voltando
à analogia do mapa, pense no famoso mapa de Mercator criado em 1569, que foi
usado para a navegação [4]. Esse tipo de mapa é uma ferramenta de trabalho. Basta
traçar linhas de um ponto a outro para definir rotas de viagem que abrangem longas
distâncias. O mapa pode ser usado para definir uma rota. Esse tipo de representação
visual que permite responder a perguntas é um exemplo de visualização.
5
1700-1900: A transformação da visualização
Um momento importante da história da visualização é o trabalho de William
Playfair, um engenheiro escocês conhecido como o pai da apresentação
estatística. William Playfair publicou um livro em 1786 chamado Commercial and
Political Atlas (Atlas comercial e político), que usava representações gráficas de
dados para explicar a balança comercial da Inglaterra. Muitas das visualizações
de dados inovadoras de William são usadas até hoje. Podemos ver uma de suas
invenções, o gráfico de pizza, à esquerda [5].
Clique aqui para conhecer
as práticas recomendadas
para o gráfico de pizza.
Não demorou muito para os gráficos estatísticos começarem a ser usados em
apresentações. Um exemplo famoso é o do Dr. John Snow, um médico britânico que
usou gráficos estatísticos para combater uma epidemia de cólera em Londres no ano
de 1855. Ele marcou os casos da doença como pontos em um mapa da cidade de
Londres. Esses pontos mostravam que a maioria dos casos poderia estar ligada a
uma bomba de água na Broad Street. Outros casos investigados também pareciam
estar relacionados com a bomba da Broad Street. Depois que John Snow interditou
a bomba contaminada, a epidemia de cólera diminuiu. Esse exemplo mostra como
visualizações são capazes de responder perguntas e, neste caso, ajudar uma
comunidade. O mapa de John Snow também é um ótimo exemplo de apresentação,
pois os dados foram sólidos o bastante para convencer autoridades da cidade
a interditar a bomba infectada e reduzir a epidemia.
O exemplo mais famoso de apresentação de dados é o de Charles Minard, um
engenheiro civil francês que usou a visualização para contar a história da marcha
de Napoleão para Moscou e sua subsequente retirada. Como podemos ver na
figura abaixo, o gráfico de Charles Minard usa uma faixa sombreada para ilustrar
o tamanho do exército que estava avançando [6]. A espessura da faixa diminui
gradativamente à medida que o exército se aproxima de Moscou. Abaixo da
faixa sombreada, há uma faixa preta que mostra o declínio da força do exército
à medida que ele se retira de Moscou.
A linha na parte de baixo do gráfico mostra a temperatura externa, que foi implacável
com as tropas. No meio do gráfico, a faixa preta aumenta um pouco, quando um
grupo desgarrado se junta outra vez ao contingente principal. No entanto, depois
que essa faixa cruza um rio no mapa, ela fica ainda menor, indicando o efeito da
água congelante. As faixas sombreada e preta finalmente se encontram no mesmo
local do início da marcha, e podemos ver claramente que uma força antes colossal
foi reduzida a um punhado de tropas. Como vemos, um gráfico simples é capaz
de contar uma história muito pungente.
6
O século XX traz avanços e abusos
Em meados do século XX, os gráficos estatísticos já eram bastante populares, mas
também aumentaram os casos de uso abusivo dos mesmos. Esse tipo de abuso
incentivou o escritor americano Darrell Huff a publicar o livro How to Lie with Statistics
(Como mentir com estatísticas) em 1955. Um exemplo do tipo de manipulação sobre
o qual Darrell Huff escreve pode ser visto na imagem abaixo. O gráfico à esquerda
apresenta os dados corretamente, já o primeiro gráfico à direita foi cortado para dar mais
ênfase ao aumento nos gastos. O segundo gráfico à direita também foi manipulado para
dar a impressão de que os números são alarmantes. O livro de Darrell Huff é valioso
(e recomendado), porque além de mostrar como análises visuais podem ser manipuladas
para contar histórias muito diferentes, ele também ensina a criar estatísticas eficazes.
Mais de uma década depois, o teórico francês Jacques Bertin publicou o livro Semiology
of Graphics (Semiologia dos gráficos) [8]. Ele estava particularmente interessado em
mapeamento estatístico e observou que as exibições de dados envolviam três tipos de
marcas: pontos, linhas e áreas. Essas marcas tinham algumas propriedades, e a mais
importante delas era a posição. Outras seis propriedades, além da posição, incluem cor,
tamanho, forma, matiz, orientação e textura. Jacques Bertin transformou essas marcas
e propriedades em orientações para representar dados graficamente.
Ele também desenvolveu uma técnica muito importante de análise visual, que envolvia a
classificação de tabelas. Essa técnica, chamada de matrizes de permutação, manipulava
linhas e colunas de uma tabela para encontrar padrões em dados não classificados
previamente e mostrava uma correlação entre os valores. Sempre inovador, Jacques
Bertin publicou outro livro em 1977 chamado Graphics and Graphic Information Processing
(Processamento de informações gráficas e gráficos), que relata os primórdios da
visualização computadorizada. Embora os computadores de Bertin tenham se mostrado
muito primitivos para o trabalho que ele pretendia fazer, uma explosão tecnológica
em breve produziria grandes avanços nessa área.
7
Visualização computadorizada: uma história pessoal
O advento dos computadores acelerou a história da visualização e da
apresentação. Vou contar minha história pessoal. Em 1986, criei um programa
chamado APT (A Presentation Tool) para minha dissertação de doutorado.
Estendendo e automatizando a semiologia de Jacques Bertin, criei uma ferramenta
de apresentação que gerava apresentações gráficas automaticamente, como a
da figura abaixo. A imagem mostra quatro dimensões em um gráfico de dispersão
(ou bolhas) tradicional. Isso foi um avanço, porque mostrou que sabíamos como
criar exibições de dados eficazes e usar computadores para auxiliar nessa tarefa.
Naquele mesmo ano, membros da NSF (National Science Foundation) escreveram um
relatório sobre visualizações científicas usando gráficos gerados por computador para
solucionar problemas científicos. A imagem computadorizada de uma tempestade foi
tão eficaz que conseguiu apoio do Congresso para o financiamento de mais pesquisas
sobre a visualização auxiliada por computador.
Em 1987, Richard Becker e William Cleveland utilizaram dados multidimensionais,
que são a chave para a maioria dos problemas. A técnica que eles usaram, chamada
de realce interativo, permite selecionar um conjunto de pontos e mostrá-los em todas
as outras exibições. Esse elemento interativo possibilitava um entendimento muito
mais amplo do espaço multidimensional.
Já na década de 1990, trabalhei com Stuart Card e George Robertson no Centro de
Pesquisas da Xerox em Palo Alto. Com o auxílio de computadores, desenvolvemos
exibições bidimensionais e tridimensionais, incluindo a parede em perspectiva e a
árvore em forma de cone. Essa pesquisa resultou no livro Readings in Information
Visualization (Leituras sobre visualização de informações), que escrevi em parceria com
Stuart Card e Ben Shneiderman [9]. O livro mostrava que a pesquisa sobre visualização
computadorizada tinha uma estrutura e um processo básicos para codificar dados
em exibições geográficas, que incluíam dados e exibições. Era preciso começar com
os dados não processados, transformar os dados, codificá-los em estruturas visuais
e usar as transformações de exibição para contextualizar tudo isso. Esse processo
estava todo a serviço da tarefa que a pessoa queria realizar, e essa mesma pessoa
era quem controlava todas as transformações. Essa é, essencialmente, a descrição
da visualização interativa. No entanto, ainda havia uma questão pendente: o acesso
à fonte dos dados não processados.
8
É aí que entra o Tableau. Em 2003, Chris Stolte mostrou como acessar de forma
eficaz dados não processados em sua dissertação de doutorado em Stanford. Ele
e seu orientador, Pat Hanrahan, desenvolveram uma linguagem de especificação
chamada VizQL, que descrevia gráficos de dados e como conectá-los a bancos
de dados. Esse trabalho se baseava na semiologia de Jacques Bertin e em
minha própria pesquisa de doutorado. O VizQL também era compatível com um
sistema “arrastar e soltar” intuitivo, que acabaria por se transformar na interface do
Tableau. Essencialmente, o VizQL permitia que seus usuários fizessem consultas
e as transformassem em exibições. Chris Stolte conseguiu conectar dados
a visualizações na forma de um aplicativo prático.
Clique aqui para saber mais sobre a tecnologia VizQL™.
9
Hoje: o poder da percepção humana
Todas essas histórias têm uma coisa em comum: elas mostram como a percepção
humana é poderosa. Mesmo assim, nossas percepções podem ser auxiliadas
e ampliadas por recursos visuais.
Por exemplo, observe a imagem à esquerda na figura abaixo. Tente contar rapidamente
quantas vezes o número nove aparece. Agora, olhe para a imagem à direita. Todos os
números nove estão em vermelho, e esse recurso visual reduz o tempo de contá-los a
apenas alguns segundos. Essa é uma técnica tradicional chamada “realce” e é apenas
uma das diversas formas como a visualização de dados pode facilitar a compreensão
de grandes conjuntos de dados e dar sentido às suas descobertas.
Os realces são um tipo (muito rudimentar) de recurso visual e apenas roçam a
superfície do potencial do sistema de visualização humano. O autor Colin Ware
escreveu uma série de livros sobre esse assunto e identificou três estágios básicos
do processo perceptivo. O primeiro é um estágio inicial que procura características
visuais. Esse processo vai da visão até o córtex visual do cérebro. O segundo
estágio identifica padrões e o terceiro estágio faz a contagem.
Estudos conduzidos por William S. Cleveland e Robert McGill, dois cientistas
estatísticos da AT&T Bell Laboratories, sustentam a análise de Ware. Através
desses estudos, eles descobriram que a posição era a forma mais eficaz de
avaliar um valor quantitativo. A posição era seguida por outros fatores que
incluíam: comprimento, área, volume, ângulo e inclinação, e cor e densidade.
William S. Cleveland e Robert McGill descobriram que, à medida que nos
distanciamos da posição, nossa percepção quantitativa fica menos precisa.
Consequentemente, transferir um conjunto de dados de uma planilha para uma
exibição de gráfico de barras e traduzir esses dados em diversos comprimentos
e cores resultaria em uma análise mais rápida e eficiente. É claro que tudo isso
depende da tarefa a ser executada e o que você está tentando encontrar.
Isso nos leva de volta ao Jacques Bertin, que observou a existência de três níveis
diferentes de leitura. O nível elementar é usado quando você quer identificar
apenas um valor. Se esse for o caso, uma planilha pode resolver. No entanto,
se você quiser relacionar valores, é preciso passar ao nível intermediário. Um
exemplo de visualização desse nível seria um gráfico de barras. Como as barras
estão enfileiradas, sua mente é capaz de perceber facilmente as diferenças entre
elas. Por fim, o terceiro nível, a visualização global (ou Gestalt) encontra relações
10
entre os elementos de um conjunto. Para esse último nível, o gráfico de dispersão
é um bom exemplo. Esse tipo de gráfico engloba diversos pontos e indica suas
posições em relação aos eixos vertical e horizontal. Essa exibição fornece uma
visualização extremamente eficaz e “global” dos dados utilizados.
Dados diferentes pedem exibições diferentes
Descobrimos que a eficácia da codificação dos dados depende do tipo dos dados.
Existem três tipos de dados: nominais, ordinais e quantitativos. Dados nominais são
aqueles relacionados às convenções de nomenclatura, como a forma de classificar
os diferentes tipos de pássaros. Os dados ordinais respeitam uma sequência, como
os dias de uma semana, e os dados quantitativos são números e elementos que
podem ser medidos, por exemplo: comprimento, tempo, temperatura e velocidade.
Observando as opções gráficas para analisar esses tipos de dados, podemos ver
que o gráfico de área seria adequado para alguns tipos de dados, mas não para
outros. Utilizar um gráfico de área para analisar dados nominais transmitiria a ideia de
ordenação, o que simplesmente não se aplica. Com os dados ordinais, o gráfico de
área se sairia um pouco melhor, pois como esses valores são distintos, você poderia
ter apenas algumas áreas que distinguiriam os tamanhos diferentes. O gráfico de
área funciona melhor com dados quantitativos, porque demonstra com precisão
o que o valor quantitativo é em relação a uma determinada ordem.
Alterar a representação gráfica para cores altera essas descobertas. As cores não
são muito eficientes para dados quantitativos, porque seria muito difícil fornecer um
esquema de cores para representar com precisão um conjunto de dados inteiro.
As cores são ideias para dados nominais, pois é possível atribuir uma cor diferente
para cada ponto.
A figura abaixo mostra como o Tableau usa esses fatores para gerar visualizações
eficazes. Mais uma vez, a posição é sempre a primeira da lista, pois é a forma mais
eficiente de representar todos os três tipos de dados. No entanto, se você observar
a figura, verá que isso muda dependendo dos tipos de dados. Alguns fatores
ocupam posições diferentes em cada uma das listas. É interessante observar
que apesar de a forma não ser aplicável para dados quantitativos ou ordinais,
ela é a segunda na lista dos dados nominais.
11
Percepção humana: seu poder e suas limitações
Embora a percepção humana seja poderosa e capaz de lidar com conjuntos de
dados grandes e complexos, ela tem algumas limitações. Para esse tópico, usaremos
a sinóptica de Jacques Bertin, que resume os diferentes tipos de visualizações de
dados. O primeiro fator importante é o número de dimensões envolvidas (uma, duas,
três ou “n” dimensões). O segundo fator é se os dados são fixos ou se podem ser
reordenados. O terceiro e último fator é se os dados são ou não topológicos. Jacques
Bertin utilizou esses fatores para mostrar todos os diferentes tipos de visualizações
disponíveis. O Tableau oferece suporte a essas três visualizações e, recentemente,
adicionou mapas. No momento, não podemos criar visualizações de link de nó, mas
é possível que esse recurso seja disponibilizado em breve.
A figura abaixo mostra todas essas visualizações. Observe que as visualizações
abaixo da linha podem ser visualizadas como um todo ou Gestalt. As visualizações
acima da linha não podem ser visualizadas globalmente, como uma percepção
instantânea. Isso representa uma limitação básica da percepção humana e da
análise de dados. Há um limite para o número de dimensões que você pode
codificar nos dados e ver de uma só vez.
É importante ressaltar que gráficos 3D não quebram a barreira de Jacques Bertin.
Como a terceira dimensão adiciona outra camada de codificação de dados, ela
também adiciona oclusões. Essas oclusões dificultam a visualização de todos os
dados e exigem o uso de alguns truques gráficos. Outro problema com a inclusão
da terceira dimensão é que ela pode causar problemas de orientação. O fato de
você poder se mover no espaço aumenta as suas chances de você se perder.
12
Potencializando a composição e a interatividade
Está claro que a composição é importante para desenvolver boas visualizações de
dados. Para falarmos do caso multidimensional, voltaremos ao mapa da marcha de
Napoleão para Moscou, criado por Minard. O mapa é composto de duas imagens:
duas linhas na parte de cima, que ilustram a marcha do exército para Moscou e sua
retirada, e outra linha abaixo que mostra a temperatura ambiente. O gráfico é muito
eficiente, mas não é uma visualização Gestalt, uma vez que os olhos precisam
navegar pela imagem para capturar todos os dados.
Um exemplo de visualização Gestalt são múltiplas visualizações pequenas, sobre
as quais escreve Edward Tufte. Pense em um gráfico de dispersão com dados
sobre o mercado imobiliário. O gráfico poderia mostrar vários bairros como uma
visualização Gestalt. Visto que os dados estão todos alinhados e compartilham os
mesmos eixos, nossos olhos conseguem rapidamente ver quais são os pontos de
dados mais eloquentes no gráfico.
A composição também é útil em visualizações do tipo painel. Com uma combinação
de gráficos e o uso cuidadoso de cores, nossos olhos podem vasculhar tudo com
rapidez, comparar valores e absorver uma enorme quantidade de dados.
Voltando a Jacques Bertin, ele observou que a interatividade era uma forma
muito eficiente de lidar com problemas multidimensionais. Além da classificação,
há diversas outras técnicas que podemos empregar para entender melhor
os dados multidimensionais.
Imagine um gráfico de dispersão comum, como o da figura abaixo. Ele mostra um
detalhamento das vendas e dos lucros e está subdividido em tipo de embalagem e
ano. Como podemos ver, com tantos dados sobrepostos, fica impossível entender
o que foi descoberto e ter uma visualização Gestalt.
13
Uma forma de resolver isso seria usar a agregação. Uma medida simples como separar
os dados por ano reduziria muito a quantidade de dados e, consequentemente, sua
sobreposição. Por isso, a agregação pode ser uma ótima ferramenta quando estamos
lidando com dados multidimensionais.
Outra técnica é usar a filtragem interativa. Voltando à figura acima, imagine que
podemos criar widgets de filtro que nos permitem exibir apenas os dados que
queremos analisar. Com esses widgets, podemos adicionar e excluir os dados
imediatamente e ter uma visão mais clara das descobertas gerais. A filtragem é
uma ótima forma de trabalhar com dados multidimensionais, apesar de ter seus
pontos fracos. Por exemplo, isolar alguns conjuntos de dados pode dificultar,
ou até mesmo impossibilitar, a identificação das relações entre eles.
Para superar as limitações da filtragem, podemos empregar um processo conhecido
como realce. Com essa técnica, colorimos um ou mais conjuntos de dados para
identificarmos melhor os contrastes e as relações entre eles.
Outra maneira de usar interatividade são os links. O Google Maps, por exemplo. Uma
simples consulta retorna um mapa com áreas realçadas, nas quais podemos clicar para
obter ainda mais dados. Com os menus suspensos ou os wigdets da página, você pode
filtrar ainda mais os dados para refinar as visualizações. Logo, os links interativos são
uma excelente forma de lidar com conjuntos de dados multidimensionais.
Contando histórias com dados
Para ilustrar como podemos contar histórias com dados, vou usar como exemplo a
minha mudança do escritório da Xerox em Palo Alto para o da Tableau em Seattle, no
ano de 2004. Uma das minhas primeiras prioridades era encontrar o melhor distrito
escolar de Seattle. Rapidamente, encontrei um guia on-line muito organizado no
site do Seattle Times. Ele fornecia as notas do Washington Assessment of Student
Learning (WASL) de todos os distritos escolares e o percentual dos estudantes que
satisfaziam a esses padrões em cada uma das matérias. Eu tinha as notas, mas não
sabia a localização geográfica dos distritos. Como estava há pouco tempo em Seattle
e não conhecia a região, eu precisava de um mapa estatístico.
Ele não existia, por isso criei o mapa abaixo. O meu mapa mostra a distância entre
o escritório da Tableau e os principais distritos escolares. Os círculos coloridos
representam o desempenho de cada distrito no WASL em relação às notas de
matemática. Então, podemos ver que, apesar de o distrito escolar de Seattle ser
o mais próximo do escritório da Tableau, ele não estava se saindo muito bem no
WASL. Depois de analisar esse mapa, decidi mudar para o distrito escolar de
Bellevue, que também fica perto do escritório da Tableau e tinha um desempenho
melhor no WASL.
14
Com o tempo, comecei a perceber algumas irregularidades nas notas de
matemática das escolas. Fiz uma pesquisa e encontrei um site com informações
detalhadas, que continha gráficos das notas de matemática e interpretação de texto
do WASL. As duas visualizações mostravam as tendências dos dados ao longo do
tempo, e essas duas tendências estavam aumentando. Elas também mostravam
que o distrito de Bellevue estava superando as notas de todo o estado nessas duas
matérias. O que não estava claro era a relação entre as notas de matemática e as
de interpretação de texto. Investiguei mais um pouco e descobri a fonte dos dados.
Organizei os dados melhor e os conectei ao Tableau. Isso produziu algo muito
mais interessante: as notas de matemática eram muito mais baixas do que as
de interpretação de texto. Devido ao meu interesse em matemática e meus
conhecimentos da matéria, continuei monitorando os dados e cheguei ao gráfico
mostrado abaixo.
15
Então, descobri que, nos últimos cinco anos, o estado de Washington aplicou
dois testes diferentes: o WASL e o ITBS (Iowa Testing Program). O gráfico acima
compara os dois testes e mostra resultados surpreendentes. Embora os resultados
do WASL estivessem melhorando ao longo do tempo, os resultados do ITBS
permaneciam basicamente inalterados. Como as pontuações do ITBS representam
uma amostragem dos estudantes do país, concluí que os números do WASL não
podiam ser confiáveis.
Moral da história: sempre duvide dos dados. Procure saber sua origem e use
sistemas visuais para ter certeza de que você pode confiar neles e entender
o que eles dizem.
16
Resumo: o que aprendemos
Estas são algumas lições simples que podem nos ajudar a contar histórias
com eficiência.
Lição 1:
A credibilidade é fundamental para a criação de histórias visuais. Se você não criar
suas exibições corretamente, é muito provável que elas não sejam confiáveis para
as pessoas experientes que as visualizarem.
Lição 2:
Crie visualizações expressivas e que transmitam com precisão as informações
contidas nos dados.
Lição 3:
Aumente a eficácia de suas visualizações ao tirar proveito do sistema de percepção
humano. As regras abaixo ajudarão você a criar visualizações eficazes:
• Use o vocabulário gráfico adequadamente.
• Deixe espaços em branco.
• Evite materiais desnecessários e excesso de informações.
Lição 4:
É importante que suas visualizações tenham contexto. Títulos, legendas, unidades,
comentários – todos esses elementos ajudam o público a entender melhor sua
visualização de dados. Esteja sempre empenhado em contar histórias com seus
dados e suas visualizações. Entenda que boas histórias são muito mais do que
apenas dados e considere o seguinte:
• Preocupe-se com a estética e saiba que o que é efetivo geralmente é afetivo.
Ou seja, uma exibição eficaz pode gerar uma resposta emocional e uma
comunicação genuína com seu público.
• O estilo também é importante. Certifique-se de que suas exibições sejam
consistentes e agradáveis aos olhos, pois elas representam quem você
é e quais são suas prioridades.
• As visualizações podem ser divertidas. Visualizações interativas que podem ser
alteradas pelo público são muito cativantes. Os elementos interativos permitem
que seu público trabalhe com os dados, responda a perguntas e chegue a
conclusões por conta própria. Isso aumenta a credibilidade dos seus dados.
• Crie exibições vívidas e memoráveis. Fique atento à estrutura e ao contexto.
17
Sobre a Tableau
A Tableau Software ajuda as pessoas a ver e a entender seus dados. O Tableau possibilita que
qualquer pessoa analise, visualize e compartilhe informações rapidamente. Mais de 15.000 contas
de usuário obtêm resultados rápidos com o Tableau, no escritório e em dispositivos móveis. Além
disso, dezenas de milhares de pessoas usam o Tableau Public para compartilhar dados em seus
blogs e sites da Web. Veja como a Tableau pode ajudá-lo. Baixe a versão de avaliação gratuita
em www.tableausoftware.com/pt-br/products/trial.
Recursos adicionais
Baixe a versão de avaliação gratuita
Explore outros recursos
· Demonstração do produto
· Treinamentos e tutoriais
· Comunidade e suporte
· Histórias de clientes
· Soluções
Referências
[1] http://www.henry-davis.com/MAPS/AncientWebPages/100B.html
[2] http://www.math.yorku.ca/SCS/Gallery/milestone/sec2.html
[3] http://www.henry-davis.com/MAPS/AncientWebPages/101.html
[4] http://www.henry-davis.com/MAPS/Ren/Ren1/406B.htm
[5] http://www.math.yorku.ca/SCS/Gallery/images/playfair2.jpg
[6] http://www.math.yorku.ca/SCS/Gallery/images/minard.gif
[7] Darrell Huff. How to Lie With Statistics. Norton, New York. 1955.
[8] Jacques Bertin. Semiology of Graphics. University of Wisonson Press. 1983
(Semiologie Graphique Gauthier-Villars, Paris 1967).
[9] Stuart K. Card, Jock D. Mackinlay, & Ben Shneiderman. Readings in Information
Visualization: Using Vision to Think. Morgan Kaufman, San Francisco. 1999.
Tableau e Tableau Software são marcas comerciais da Tableau Software, Inc. Todos os outros nomes de
produtos e empresas podem ser marcas comerciais das respectivas empresas às quais estão associados.