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.

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. 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. 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. 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. 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. 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. 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. 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. 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. PREATTENTIVE PROCESSING
(TREISMAN, 1980)
VISUAL
ANALYTICS
101
Int ro
Def inição
Por quê?
Como?
COGNIÇÃO
VISUAL
Abordagens
Fer ramentas
Inspi ração
Referências

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. COMPARAÇÃO: TRUSTRADIUS
VISUAL
ANALYTICS
101
Int ro
Def inição
Por quê?
Como?
Cogni ção Vi sual
Abordagens
FERRAMENTAS
Inspi ração
Referências

22. COMPARAÇÃO: INDEED
VISUAL
ANALYTICS
101
Int ro
Def inição
Por quê?
Como?
Cogni ção Vi sual
Abordagens
FERRAMENTAS
Inspi ração
Referências

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. 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. 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. 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