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.
Visual Analytics 101: Princípios, Práticas e Ferramentas
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
Notas do Editor
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)