Permita-me pintar uma cena: você obtém um novo conjunto de dados e precisa explorá-lo, então não altera um único número, mas faz três visualizações diferentes. Se você mostrasse essas visualizações a três pessoas diferentes, elas provavelmente sairiam com três impressões ligeiramente diferentes do que os dados significam. Essa é uma das coisas que mais me fascinam na visualização de dados. Frequentemente falamos sobre visualização como se fosse simplesmente a etapa final em um pipeline de análise de dados, mas isso não é preciso de forma alguma! A visualização não é apenas uma imagem dos dados; é uma camada de interpretação entre os dados e a pessoa que os observa. Isso significa que quando escolhemos um gráfico, um eixo, uma escala, um agrupamento, ou até mesmo o que omitir, estamos tomando decisões sobre a história que o leitor verá.

Qualquer pessoa que trabalha com dados sabe que a parte difícil raramente é apenas colocar um gráfico na tela. A parte difícil é decidir qual gráfico mostrar. Devemos focar na tendência? A diferença entre grupos? A variabilidade? Os outliers? Duas visualizações podem ser completamente precisas e ainda assim levar o espectador a conclusões muito diferentes. Uma pergunta importante aqui é: qual gráfico devo usar? Mas uma pergunta melhor é: que aspecto dos dados estou pedindo ao leitor para notar?

Suponha que eu queira representar a relação entre quanto tempo alguém tem treinado e sua força. Usando um gráfico de linhas simples, você pode ver que à medida que o tempo de treinamento aumenta, a força aumenta. Mas a linha faz a relação parecer contínua e quase linear. Em vez disso, uma representação em etapas enfatiza que a força tende a aumentar em estágios. Usar uma escala logarítmica para a força pode enfatizar grandes melhorias no início, conhecidas como "ganhos de novato". Nenhuma escala é inerentemente mais verdadeira.

Podemos ir ainda mais longe: um gráfico de caixa poderia enfatizar a variabilidade entre sessões de treinamento, um gráfico de barras poderia comparar diferentes períodos de treinamento, e um gráfico de dispersão poderia mostrar observações individuais. Os números não mudaram; nossa interpretação mudou, e também a mensagem que estamos transmitindo.