Princípios, 
práticas e 
ferramentas 
VISUAL ANALYTICS 101 
Rio Big Data Meetup 
21/Out /2014 
Luí s Rodr igues 
lu i s@lu...
VISUAL 
ANALYTICS 
101 
Rio Big Data Meetup 
21/Out /2014 
Luí s Rodr igues 
lu i s@lu i s r o dr ig ue s . co 
m. br 
“A ...
DEFINIÇÃO FORMAL 
Thomas & Cook (2005): 
Visual analytics is the science of 
analytical reasoning facilitated 
by intera...
NA PRÁTICA 
DADOS 
ANÁLISE 
AÇÃO 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz...
POR QUÊ? 
Insights valiosos dos dados 
Decisões melhor embasadas 
Comunicação mais efetiva 
Processamento de grandes 
...
MAIS ESPECIFICAMENTE 
Aumentar a probabilidade de 
se encontrar algo: 
Sem sentido 
Contra-intuitivo 
Desconcertante 
...
COMO TER MAIS INSIGHTS? 
Não começar com uma 
hipótese/pergunta 
 Vira um obstáculo 
 Vira um compromisso 
Evitar conc...
COMO ESTIMULAR 
MUITAS PERSPECTIVAS? 
Assumir que não sabe tudo 
Abstrair, abstrair a abstração 
 Prototipar rapidíssim...
COGNIÇÃO VISUAL 
 “Nossos cérebros estão 
configurados para processar 
informação mais efetivamente 
de forma visual” (Si...
PREATTENTIVE PROCESSING 
(TREISMAN, 1980) 
VISUAL 
ANALYTICS 
101 
Int ro 
Def inição 
Por quê? 
Como? 
COGNIÇÃO 
VISUAL 
...
PRECISÃO PERCEPTIVA 
VISUAL (CLEVELAND, 1985) 
Depende... 
VISUAL 
ANALYTICS 
101 
Int ro 
Def inição 
Por quê? 
Como? 
CO...
PRA QUEM? QUE DADOS? 
PRA QUÊ? QUE TECNOLOGIA? 
VISUAL 
ANALYTICS 
101 
Int ro 
Def inição 
Por quê? 
Como? 
COGNIÇÃO 
VIS...
REGRA ABSOLUTA 
ABORDAGENS & INSPIRAÇÕES 
Um vê diferente do outro 
Um mesmo indivíduo vê diferente 
a depender do conte...
ABORDAGENS VISUAIS 
Tukey (1977): Primórdios... 
 “Exploratory data analysis”: o valor 
do visual 
 Caneta, lápis, pape...
ABORDAGENS VISUAIS: TUFTE 
www.sealthreinhold.com/tufte 
s-rules 
VISUAL 
ANALYTICS 
101 
Int ro 
Def inição 
Por quê? 
C...
ABORDAGEM COGNITIVA 
Schneiderman (1999) 
 Aumentar o uso de recursos 
visuais que expandam a 
capacidade de processamen...
ABORDAGEM SISTÊMICA 
(YAU, 2013) 
VISUAL 
ANALYTICS 
101 
Int ro 
Def inição 
Por quê? 
Como? 
Cogni ção Vi sual 
ABORDAG...
FERRAMENTAS 
Cada semana (dia?) aparece 
uma... 
 selection.datavisualization.ch 
www.visualisingdata.com/index.p 
hp/r...
NA PRÁTICA 
DADOS 
ANÁLISE 
AÇÃO 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz 
dataviz...
APLICAÇÃO > FERRAMENTA 
Exploração 
Prototipação 
Publicação 
R 
Tableau 
QlikView 
Spotfire 
D3.js 
Cognição e Análise Co...
COMPARAÇÃO: TRUSTRADIUS 
VISUAL 
ANALYTICS 
101 
Int ro 
Def inição 
Por quê? 
Como? 
Cogni ção Vi sual 
Abordagens 
FERRA...
COMPARAÇÃO: INDEED 
VISUAL 
ANALYTICS 
101 
Int ro 
Def inição 
Por quê? 
Como? 
Cogni ção Vi sual 
Abordagens 
FERRAMENTA...
INSPIRAÇÃO 
Galerias com curadoria 
 visualoop.com/11044/30- 
amazing-data-viz-galleries-everyone- 
should-follow 
D3.j...
REFERÊNCIAS DESTA 
APRESENTAÇÃO 
 Thomas & Cook: Illuminating the Path: The 
R&D Agenda for Visual Analytics 
 Mike Bost...
É SÓ O COMEÇO... 
Rio Big Data Meetup 
21/Out /2014 
Luí s Rodr igues 
lu i s@lu i s r o dr ig ue s . co 
m. br
OBRIGADO. 
Rio Big Data Meetup 
21/Out /2014 
Luí s Rodr igues 
lu i s@lu i s r o dr ig ue s . co 
m. br
Próximos SlideShares
Carregando em…5
×

Visual Analytics 101 - Princípios, práticas e ferramentas

576 visualizações

Publicada em

Apresentação panorâmica sobre a área emergente de Visual Analytics, citando principais conceitos e referências que vêm moldando suas práticas.
Apresentada no Rio BigData Meetup de 21 de outubro de 2014, no anfiteatro do Rio Data Center na PUC-Rio.

Publicada em: Dados e análise
0 comentários
5 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
576
No SlideShare
0
A partir de incorporações
0
Número de incorporações
3
Ações
Compartilhamentos
0
Downloads
13
Comentários
0
Gostaram
5
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide
  • Information that has the highest salience (a stimulus that stands out the most) or relevance to what a person is thinking about is selected for further and more complete analysis by conscious (attentive) processing (Anne Treisman)
  • Visual Analytics 101 - Princípios, práticas e ferramentas

    1. 1. Princípios, práticas e ferramentas VISUAL ANALYTICS 101 Rio Big Data Meetup 21/Out /2014 Luí s Rodr igues lu i s@lu i s r o dr ig ue s . co m. br
    2. 2. VISUAL ANALYTICS 101 Rio Big Data Meetup 21/Out /2014 Luí s Rodr igues lu i s@lu i s r o dr ig ue s . co m. br “A melhor forma de ter boas ideias é ter muitas ideias e ir jogando fora as ruins.” Linus Pauling Nobel de Química, 1954 Nobel da Paz, 1962 Único a receber 2 prêmios sozinho 1 dos 4 a receber mais de um prêmio 1 dos 2 a receber prêmios em 2 categor ias INTRO Def inição Por quê? Como? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    3. 3. DEFINIÇÃO FORMAL Thomas & Cook (2005): Visual analytics is the science of analytical reasoning facilitated by interactive visual interfaces. Analytical reasoning is central to the analyst’s task of applying human judgments to reach conclusions from a combination of evidence and assumptions. VISUAL ANALYTICS 101 Int ro DEFINIÇÃO Por quê? Como? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    4. 4. NA PRÁTICA DADOS ANÁLISE AÇÃO dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz VISUAL ANALYTICS 101 Int ro DEFINIÇÃO Por quê? Como? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    5. 5. POR QUÊ? Insights valiosos dos dados Decisões melhor embasadas Comunicação mais efetiva Processamento de grandes volumes, velocidades, variedade... ...assim como qualquer área relacionada com Big Data! VISUAL ANALYTICS 101 Int ro Def inição POR QUÊ? Como? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    6. 6. MAIS ESPECIFICAMENTE Aumentar a probabilidade de se encontrar algo: Sem sentido Contra-intuitivo Desconcertante Polêmico  Imprevisível Bizarro in_sight Qual algoritmo? Qual forma? Qual valor (v = b/c)? VISUAL ANALYTICS 101 Int ro Def inição POR QUÊ? Como? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    7. 7. COMO TER MAIS INSIGHTS? Não começar com uma hipótese/pergunta  Vira um obstáculo  Vira um compromisso Evitar conclusões por analogia  Experiência pode cegar  Você quer NOVAS ideias Não explorar os dados sozinho  Qualquer um é melhor que nenhum  Cada um vê diferente Ver os dados de diversas formas em diversos contextos  MUITAS PERSPECTIVAS  Se não houver insight, houve APRENDIZADO VISUAL ANALYTICS 101 Int ro Def inição Por quê? COMO? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    8. 8. COMO ESTIMULAR MUITAS PERSPECTIVAS? Assumir que não sabe tudo Abstrair, abstrair a abstração  Prototipar rapidíssimo (5’) Co-customizar e compartilhar constantemente Permitir drill down & around Cruzar Bananas x Laranjas Descontrair e descomprometer Prestar atenção  Inspirações cruzadas Cognição visual VISUAL ANALYTICS 101 Int ro Def inição Por quê? COMO? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    9. 9. COGNIÇÃO VISUAL  “Nossos cérebros estão configurados para processar informação mais efetivamente de forma visual” (Simon)  “O olho e o córtex visual do cérebro formam um processador paralelo massivo, que compõem o canal com maior bandwidth para os centros cognitivos humanos” (Ware)  “Processamos mais pelo visual do que por todos os outros sentidos combinados” (Ware) VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? COGNIÇÃO VISUAL Abordagens Fer ramentas Inspi ração Referências
    10. 10. PREATTENTIVE PROCESSING (TREISMAN, 1980) VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? COGNIÇÃO VISUAL Abordagens Fer ramentas Inspi ração Referências
    11. 11. PRECISÃO PERCEPTIVA VISUAL (CLEVELAND, 1985) Depende... VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? COGNIÇÃO VISUAL Abordagens Fer ramentas Inspi ração Referências
    12. 12. PRA QUEM? QUE DADOS? PRA QUÊ? QUE TECNOLOGIA? VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? COGNIÇÃO VISUAL Abordagens Fer ramentas Inspi ração Referências
    13. 13. REGRA ABSOLUTA ABORDAGENS & INSPIRAÇÕES Um vê diferente do outro Um mesmo indivíduo vê diferente a depender do contexto Use isso a seu favor  Menos dashboards: ferramentas de acompanhamento e comunicação  Menos IMPOSIÇÃO/ESTAGNAÇÃO  Mais protótipos flexíveis: ferramentas de discussão e colaboração  Mais SUGESTÃO/DINAMICIDADE VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual ABORDAGENS Fer ramentas Inspi ração Referências
    14. 14. ABORDAGENS VISUAIS Tukey (1977): Primórdios...  “Exploratory data analysis”: o valor do visual  Caneta, lápis, papel: sugestões para clareza e ênfase Tufte (1983-2001): Salto!  Leituras micro/macro  Estratificação (em camadas) e separação  Pequenos múltiplos  Cor e informação  Narrativas de espaço e tempo VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual ABORDAGENS Fer ramentas Inspi ração Referências
    15. 15. ABORDAGENS VISUAIS: TUFTE www.sealthreinhold.com/tufte s-rules VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual ABORDAGENS Fer ramentas Inspi ração Referências
    16. 16. ABORDAGEM COGNITIVA Schneiderman (1999)  Aumentar o uso de recursos visuais que expandam a capacidade de processamento  Reduzir a busca representando muitos dados em apenas um espaço  Estimular visualmente o reconhecimento de padrões  Estimular visualmente a inferência de relacionamentos  Ativar o monitoramento perceptivo de um grande número de eventos  Prover um meio manipulável/interativo para exploração VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual ABORDAGENS Fer ramentas Inspi ração Referências
    17. 17. ABORDAGEM SISTÊMICA (YAU, 2013) VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual ABORDAGENS Fer ramentas Inspi ração Referências
    18. 18. FERRAMENTAS Cada semana (dia?) aparece uma...  selection.datavisualization.ch www.visualisingdata.com/index.p hp/resources A lista continua crescendo... VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual Abordagens FERRAMENTAS Inspi ração Referências
    19. 19. NA PRÁTICA DADOS ANÁLISE AÇÃO dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz dataviz VISUAL ANALYTICS 101 Int ro DEFINIÇÃO Por quê? Como? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração Referências
    20. 20. APLICAÇÃO > FERRAMENTA Exploração Prototipação Publicação R Tableau QlikView Spotfire D3.js Cognição e Análise Colaborativas VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual Abordagens FERRAMENTAS Inspi ração Referências
    21. 21. COMPARAÇÃO: TRUSTRADIUS VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual Abordagens FERRAMENTAS Inspi ração Referências
    22. 22. COMPARAÇÃO: INDEED VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual Abordagens FERRAMENTAS Inspi ração Referências
    23. 23. INSPIRAÇÃO Galerias com curadoria  visualoop.com/11044/30- amazing-data-viz-galleries-everyone- should-follow D3.js: Mike Bostock  bl.ocks.org/mbostock Data Art www.openprocessing.org/browse /?viewBy=most&filter=favorited VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual Abordagens Fer ramentas INSPIRAÇÃO Referências
    24. 24. REFERÊNCIAS DESTA APRESENTAÇÃO  Thomas & Cook: Illuminating the Path: The R&D Agenda for Visual Analytics  Mike Bostock: d3js.org  Alberto Cairo: Functional Art  William Cleveland: Visualizing Data  Ben Shneiderman: Readings in Information Visualization: Using Vision to Think  Phil Simon: The Visual Organization  Anne Treisman: A feature integration theory of attention  John Tukey: Exploratory Data Analysis  Edward Tufte: The Visual Display of Quantitative Information  Colin Ware: Information Visualization, Third Edition: Perception for Design  Nathan Yau: Data Points: Visualization That Means Something & flowingdata.com  Muitos outros autores e obras... VISUAL ANALYTICS 101 Int ro Def inição Por quê? Como? Cogni ção Vi sual Abordagens Fer ramentas Inspi ração REFERÊNCIAS
    25. 25. É SÓ O COMEÇO... Rio Big Data Meetup 21/Out /2014 Luí s Rodr igues lu i s@lu i s r o dr ig ue s . co m. br
    26. 26. OBRIGADO. Rio Big Data Meetup 21/Out /2014 Luí s Rodr igues lu i s@lu i s r o dr ig ue s . co m. br

    ×