আমাকে একটি দৃশ্য আঁকতে দিন: আপনি একটি নতুন ডেটাসেট পান এবং এটি অন্বেষণ করতে হবে, তাই আপনি একটি সংখ্যাও পরিবর্তন করেন না, কিন্তু তিনটি ভিন্ন ভিজুয়ালাইজেশন তৈরি করেন। যদি আপনি সেই ভিজুয়ালাইজেশন তিনটি ভিন্ন লোককে দেখান, তারা সম্ভবত ডেটার অর্থ সম্পর্কে তিনটি সামান্য ভিন্ন ধারণা নিয়ে চলে যাবে। এটি এমন একটি জিনিস যা আমি ডেটা ভিজুয়ালাইজেশন সম্পর্কে সবচেয়ে আকর্ষণীয় মনে করি। আমরা প্রায়শই ভিজুয়ালাইজেশন সম্পর্কে কথা বলি যেন এটি ডেটা-বিশ্লেষণ পাইপলাইনের শেষ ধাপ, কিন্তু এটি মোটেও সঠিক নয়! ভিজুয়ালাইজেশন শুধু ডেটার একটি ছবি নয়; এটি ডেটা এবং যে ব্যক্তি এটি দেখছে তার মধ্যে একটি ব্যাখ্যা স্তর। এর অর্থ হল যখন আমরা একটি চার্ট, একটি অক্ষ, একটি স্কেল, একটি গ্রুপিং, বা এমনকি কী বাদ দিতে হবে তা নির্বাচন করি, আমরা পাঠক যে গল্প দেখবে সে সম্পর্কে সিদ্ধান্ত নিচ্ছি।
যে কেউ ডেটা নিয়ে কাজ করে সে জানে যে কঠিন অংশটি খুব কমই শুধু স্ক্রিনে একটি গ্রাফ আনা। কঠিন অংশটি হল কোন গ্রাফ দেখাব তা নির্ধারণ করা। আমাদের কি প্রবণতার উপর ফোকাস করা উচিত? গোষ্ঠীগুলির মধ্যে পার্থক্য? পরিবর্তনশীলতা? আউটলায়ার? দুটি ভিজুয়ালাইজেশন সম্পূর্ণ নির্ভুল হতে পারে এবং তবুও দর্শককে খুব ভিন্ন সিদ্ধান্তে নিয়ে যেতে পারে। এখানে একটি গুরুত্বপূর্ণ প্রশ্ন হল: আমার কোন চার্ট ব্যবহার করা উচিত? কিন্তু একটি ভাল প্রশ্ন হল: আমি পাঠককে ডেটার কোন দিকটি লক্ষ্য করতে বলছি?
ধরুন আমি কারও প্রশিক্ষণের সময় এবং তাদের শক্তির মধ্যে সম্পর্ক উপস্থাপন করতে চাই। একটি সাধারণ লাইন গ্রাফ ব্যবহার করে, আপনি দেখতে পারেন যে প্রশিক্ষণের সময় বাড়ার সাথে সাথে শক্তি বৃদ্ধি পায়। কিন্তু লাইনটি সম্পর্কটিকে ধারাবাহিক এবং প্রায় রৈখিক দেখায়। পরিবর্তে, একটি ধাপ-সদৃশ উপস্থাপনা জোর দেয় যে শক্তি পর্যায়ক্রমে বৃদ্ধি পায়। শক্তির জন্য একটি লগারিদমিক স্কেল ব্যবহার প্রাথমিক বড় উন্নতির উপর জোর দিতে পারে, যা "নিউবি গেইনস" নামে পরিচিত। কোন স্কেলই স্বাভাবিকভাবে বেশি সত্য নয়।
আমরা আরও এগিয়ে যেতে পারি: একটি বক্স প্লট প্রশিক্ষণ সেশনের মধ্যে পরিবর্তনশীলতার উপর জোর দিতে পারে, একটি বার চার্ট বিভিন্ন প্রশিক্ষণ সময়কাল তুলনা করতে পারে, এবং একটি স্ক্যাটার প্লট পৃথক পর্যবেক্ষণ দেখাতে পারে। সংখ্যাগুলি পরিবর্তিত হয়নি; আমাদের ব্যাখ্যা পরিবর্তিত হয়েছে, এবং আমাদের বার্তাও।