tdc2016sp - trilha data science

108
Visual Literacy comunicar e decidir sobre dados Ingri d Pino

Upload: tdc-globalcode

Post on 20-Mar-2017

99 views

Category:

Education


2 download

TRANSCRIPT

Page 1: TDC2016SP - Trilha Data Science

Visual Literacycomunicar e decidir sobre dados

Ingrid Pino

Page 2: TDC2016SP - Trilha Data Science

Ingrid [email protected]

4 anosdedicados a

Marketing Intelligencena

5 paísesenvolvidos nos projetos de

desenvolvimento deDashboards

Page 3: TDC2016SP - Trilha Data Science

Como usar conhecimentos essenciais sobre visualização de dados

para tornar Data Science relevante para a empresa

?

Page 4: TDC2016SP - Trilha Data Science

Visual Literacyou

Data Visualization?

Page 5: TDC2016SP - Trilha Data Science

Data Visualizationestudar e criar representações

visuais para dados

Page 6: TDC2016SP - Trilha Data Science

capacidade de expor e interpretar dados de forma visual

Visual Literacy

Page 7: TDC2016SP - Trilha Data Science

Por que é importante?

Como aplicar no dia a dia?

Como facilitar absorção do conteúdo?

Dicas Avançadas

Visual Literacy

Page 8: TDC2016SP - Trilha Data Science

Por que DataViz é

importante?Comunicar a mensagem de

forma rápida e eficiente

Page 9: TDC2016SP - Trilha Data Science

50%das funções cerebrais estão relacionadas com processamento visual

70%de todos os receptores

sensoriais estão nos seus olhos

Page 10: TDC2016SP - Trilha Data Science

90%Das informações transmitidas para o cérebro são visuais

Informações visuais são processadas 60.000 vezes mais rápido do que texto

Page 11: TDC2016SP - Trilha Data Science

Pirâmide deAprendizado

5%Palestra

10%Leitura20%

Audiovisual30%

Demonstração50%

Discussão75%

Prática90%

Ensinar outros

Page 12: TDC2016SP - Trilha Data Science

Análise de dados

Estruturação de dados

Empresa guiada por

dados

Dados são seu produto

Ferramentas Básicas

Engenharia de Software

Estatística

Machine Learning

Mineração de dados

Visualização de Dados

Pensamento guiado por dados

Fonte: Holtz, Dave. (2014). 8 Skills you need to be a Data Scientist. http://blog.udacity.com/

Page 13: TDC2016SP - Trilha Data Science

Análise de dados

Estruturação de dados

Empresa guiada por

dados

Dados são seu produto

Ferramentas Básicas

Engenharia de Software

Estatística

Machine Learning

Mineração de dados

Visualização de Dados

Pensamento guiado por dados

Fonte: Holtz, Dave. (2014). 8 Skills you need to be a Data Scientist. http://blog.udacity.com/

Page 14: TDC2016SP - Trilha Data Science

Análise de dados

Estruturação de dados

Empresa guiada por

dados

Dados são seu produto

Ferramentas Básicas

Engenharia de Software

Estatística

Machine Learning

Mineração de dados

Visualização de Dados

Pensamento guiado por dados

Fonte: Holtz, Dave. (2014). 8 Skills you need to be a Data Scientist. http://blog.udacity.com/

Page 15: TDC2016SP - Trilha Data Science

Fonte: Holtz, Dave. (2014). 8 Skills you need to be a Data Scientist. http://blog.udacity.com/

Análise de dados

Estruturação de dados

Empresa guiada por

dados

Dados são seu produto

Ferramentas Básicas

Engenharia de Software

Estatística

Machine Learning

Mineração de dados

Visualização de Dados

Pensamento guiado por dados

Dados só têm valorquando são entendidos,

não basta estarem disponíveis

Page 16: TDC2016SP - Trilha Data Science

Quarteto de AnscombeConjuntos de dados

I II III IVx y x y x y x y

10.0 8.04 10.0 9.14 10.0 7.46 8.0 6.58

8.0 6.95 8.0 8.14 8.0 6.77 8.0 5.76

13.0 7.58 13.0 8.74 13.0 12.74 8.0 7.71

9.0 8.81 9.0 8.77 9.0 7.11 8.0 8.84

11.0 8.33 11.0 9.26 11.0 7.81 8.0 8.47

14.0 9.96 14.0 8.10 14.0 8.84 8.0 7.04

6.0 7.24 6.0 6.13 6.0 6.08 8.0 5.25

4.0 4.26 4.0 3.10 4.0 5.39 19.0 12.50

12.0 10.84 12.0 9.13 12.0 8.15 8.0 5.56

7.0 4.82 7.0 7.26 7.0 6.42 8.0 7.91

5.0 5.68 5.0 4.74 5.0 5.73 8.0 6.89

Page 17: TDC2016SP - Trilha Data Science

Quarteto de AnscombeConjuntos de dados

I II III IVx y x y x y x y

10.0 8.04 10.0 9.14 10.0 7.46 8.0 6.58

8.0 6.95 8.0 8.14 8.0 6.77 8.0 5.76

13.0 7.58 13.0 8.74 13.0 12.74 8.0 7.71

9.0 8.81 9.0 8.77 9.0 7.11 8.0 8.84

11.0 8.33 11.0 9.26 11.0 7.81 8.0 8.47

14.0 9.96 14.0 8.10 14.0 8.84 8.0 7.04

6.0 7.24 6.0 6.13 6.0 6.08 8.0 5.25

4.0 4.26 4.0 3.10 4.0 5.39 19.0 12.50

12.0 10.84 12.0 9.13 12.0 8.15 8.0 5.56

7.0 4.82 7.0 7.26 7.0 6.42 8.0 7.91

5.0 5.68 5.0 4.74 5.0 5.73 8.0 6.89

Y

X

Page 18: TDC2016SP - Trilha Data Science

Quarteto de AnscombeEstatística descritiva de cada um dos conjuntos

Média de X: 9 (exato)

Variância de X: 11 (exato)

Média de Y: 7.50 (2 casas decimais)

Variância de Y: 4.122 ou 4.127 (3 casas decimais)

Correlação entre X e Y: 0.816 (3 casas decimais)

Regressão Linear: y = 3.00 + 0.500x (2 e 3 casas decimais, respectivamente)

Page 19: TDC2016SP - Trilha Data Science

Média de X: 9 (exato)

Variância de X: 11 (exato)

Média de Y: 7.50 (2 casas decimais)

Variância de Y: 4.122 ou 4.127 (3 casas decimais)

Correlação entre X e Y: 0.816 (3 casas decimais)

Regressão Linear: y = 3.00 + 0.500x (2 e 3 casas decimais, respectivamente)

Quarteto de AnscombeEstatística descritiva de cada um dos conjuntos

Page 20: TDC2016SP - Trilha Data Science

Quarteto de AnscombeRepresentação gráfica dos quatro conjuntos

Page 21: TDC2016SP - Trilha Data Science

Por que fazer algo além de pizzas e linhas?

É uma ferramenta importante entre suas

habilidades profissionais?

Gráficos complexos são legais e fazem a mensagem

parecer importante?

Page 22: TDC2016SP - Trilha Data Science

ContextoVisualizações mais complexas devem mostrar o sistema a que pertencem as informações, ou as correlações entre os dados

Isso traz clareza para as análises e gera insights!

Page 23: TDC2016SP - Trilha Data Science

PersuasãoMostrar os dados de forma compreensível é essencial como ponte de

comunicação entre operacional e executivo.

Só assim as decisões são tomadas com base nos dados!

Page 24: TDC2016SP - Trilha Data Science

Fonte: Data Visualization Applications Market: 2015-2020. Mordor Intelligence

Como está o mercado de DataViz?

Global Data Visualization applications Market

$4.25 billion

$8.33 billion2015

2020

Page 25: TDC2016SP - Trilha Data Science

Big Data

Como está o mercado de DataViz?

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 26: TDC2016SP - Trilha Data Science

Big Data

Necessidade de decisões rápidas

Como está o mercado de DataViz?

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 27: TDC2016SP - Trilha Data Science

Big Data

Necessidade de decisões rápidas

Avanços em desenvolvimento de software

Como está o mercado de DataViz?

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 28: TDC2016SP - Trilha Data Science

Demanda por ferramentas fáceis de usar

Como está o mercado de DataViz?

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 29: TDC2016SP - Trilha Data Science

Demanda por ferramentas fáceis de usar

Integrar dashboards nas atividades diárias com as plataformas mobile

Como está o mercado de DataViz?

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 30: TDC2016SP - Trilha Data Science

Demanda por ferramentas fáceis de usar

Integrar dashboards nas atividades diárias com as plataformas mobile

Novos processos e habilidades necessárias

Como está o mercado de DataViz?

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 31: TDC2016SP - Trilha Data Science

Demanda por ferramentas fáceis de usar

Integrar dashboards nas atividades diárias com as plataformas mobile

Novos processos e habilidades necessárias

Gerenciamento da qualidade dos dados

Como está o mercado de DataViz?

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 32: TDC2016SP - Trilha Data Science

Como está o mercado de DataViz?

Aumento do interesse e do gasto com DataViz

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 33: TDC2016SP - Trilha Data Science

Como está o mercado de DataViz?

Aumento do interesse e do gasto com DataVizIntegração de dados

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 34: TDC2016SP - Trilha Data Science

Como está o mercado de DataViz?

Aumento do interesse e do gasto com DataVizIntegração de dados

Real Time

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 35: TDC2016SP - Trilha Data Science

Como está o mercado de DataViz?

Aumento do interesse e do gasto com DataVizIntegração de dados

Real TimeMobile

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 36: TDC2016SP - Trilha Data Science

Como está o mercado de DataViz?

Aumento do interesse e do gasto com DataVizIntegração de dados

Real TimeMobile

Self service

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 37: TDC2016SP - Trilha Data Science

Como está o mercado de DataViz?

Aumento do interesse e do gasto com DataVizIntegração de dados

Real TimeMobile

Self serviceStorytelling

Fonte: Data Visualization: 2015 HorizonWatch Trend Report. IBM Market Development & Insights

Page 38: TDC2016SP - Trilha Data Science

Como mostrar informações da melhor forma?

Dicas para o dia a dia

Page 39: TDC2016SP - Trilha Data Science

O que será mostrado no

gráfico?

Page 40: TDC2016SP - Trilha Data Science

O que será mostrado no

gráfico?

Comparação:confrontar dados ao longo do tempo ou entre várias categorias

Page 41: TDC2016SP - Trilha Data Science

O que será mostrado no

gráfico?

Comparação:confrontar dados ao longo do tempo ou entre várias categorias

Relação:mostrar a interdependência entre variáveis

Page 42: TDC2016SP - Trilha Data Science

O que será mostrado no

gráfico?

Comparação:confrontar dados ao longo do tempo ou entre várias categorias

Composição:mostrar os componentes de um todo

Relação:mostrar a interdependência entre variáveis

Page 43: TDC2016SP - Trilha Data Science

O que será mostrado no

gráfico?

Comparação:confrontar dados ao longo do tempo ou entre várias categorias

Distribuição:mostrar a frequência em que ocorrem os dados

Composição:mostrar os componentes de um todo

Relação:mostrar a interdependência entre variáveis

Page 44: TDC2016SP - Trilha Data Science

Quantas variáveis, itens ou

categorias?

Comparação:

Distribuição:Relação:

Composição:

Page 45: TDC2016SP - Trilha Data Science

Quando criar um gráfico, pergunte:

Objetivo?

Page 46: TDC2016SP - Trilha Data Science

Quando criar um gráfico, pergunte:

Objetivo?

Tipos de dados?

Page 47: TDC2016SP - Trilha Data Science

Quando criar um gráfico, pergunte:

Objetivo?

Tipos de dados?

Métricas e dimensões?

Page 48: TDC2016SP - Trilha Data Science

Quando criar um gráfico, pergunte:

Objetivo?

Tipos de dados?

Métricas e dimensões?

Quem vai ler?

Page 49: TDC2016SP - Trilha Data Science

Quando criar um gráfico, pergunte:

Objetivo?

Tipos de dados?

Métricas e dimensões?

Quem vai ler?

Quais decisões podem ser tomadas?

Page 50: TDC2016SP - Trilha Data Science

Como facilitar a absorção das informações?O cliente precisa entender

Page 51: TDC2016SP - Trilha Data Science

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Etiam eget ligula eu lectus lobortis condimentum. Aliquam nonummy auctor massa. Pellentesque habitant morbi tristique senectus et netus et malesuada fames ac turpis egestas.

Ordem de Leitura

Page 52: TDC2016SP - Trilha Data Science

Ordem de Leitura

PADRÃO

F

Page 53: TDC2016SP - Trilha Data Science

Ordem de Leitura

PADRÃO

Z

Page 54: TDC2016SP - Trilha Data Science

Tipografia

A COM SERIFA (serif)Ex: Times New Roman

A SEM SERIFA (sans serif)Ex: Arial

Page 55: TDC2016SP - Trilha Data Science

Espaçamento

Page 56: TDC2016SP - Trilha Data Science

Percepção de área e comprimento

A B C D E F G H0

5

10

15

20

25

30

ABCDEFGH

Page 57: TDC2016SP - Trilha Data Science

Percepção de áreas 3D

Ângulo

Área na tela

Page 58: TDC2016SP - Trilha Data Science

Quais cuidados devemos tomar?

Não é só evitar pizzas

Page 59: TDC2016SP - Trilha Data Science

Número de pessoas que se afogaram em piscinastem correlação com

Filmes em que o Nicolas Cage apareceCorrelação: 66,6% (r=0.666004)

Fonte: tylervigen.com/spurious-correlations

140

120

100

80

6

4

2

0Afog

amen

tos e

m p

iscin

asFilm

es com Nicolas Cage

Nicolas Cage Afogamentos em piscinas

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Correlação ≠ Causalidade!

Page 60: TDC2016SP - Trilha Data Science

Evitar distorcer os dados!

Page 61: TDC2016SP - Trilha Data Science

Evitar interpretações inadequadas!

Page 62: TDC2016SP - Trilha Data Science

Escolher o gráfico

conforme a mensagem

Comparação:

Distribuição:Relação:

Composição:

Page 63: TDC2016SP - Trilha Data Science

Testar mais de um gráfico

Page 64: TDC2016SP - Trilha Data Science

Como mudar a forma de pensar?

Para comunicar e interpretar melhor

Page 65: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

São PauloRio de JaneiroMinas GeraisParaná

15.311 17.230 19.210 18.747 22.081

21.087 16.987 16.120 13.402 11.203

12.302 12.210 11.098 10.120 79.20

11.209 11.687 11.987 12.987 11.909

Page 66: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

São PauloRio de JaneiroMinas GeraisParaná

15.311 17.230 19.210 18.747 22.081

21.087 16.987 16.120 13.402 11.203

12.302 12.210 11.098 10.120 79.20

11.209 11.687 11.987 12.987 11.909

EliminarEfeito 3D

Page 67: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

São PauloRio de JaneiroMinas GeraisParaná

15.311 17.230 19.210 18.747 22.081

21.087 16.987 16.120 13.402 11.203

12.302 12.210 11.098 10.120 79.20

11.209 11.687 11.987 12.987 11.909

EliminarEfeito 3DFundo colorido

Page 68: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

São Paulo Rio de Janeiro Minas Gerais Paraná

EliminarEfeito 3DFundo coloridoTabelas

Page 69: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

São Paulo Rio de Janeiro Minas Gerais Paraná

EliminarEfeito 3DFundo coloridoTabelas

AlterarTipo do gráfico

Page 70: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

São Paulo Rio de Janeiro Minas Gerais Paraná

EliminarEfeito 3DFundo coloridoTabelasGuias

AlterarTipo do gráfico

Page 71: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

Rio de JaneiroParaná

Minas Gerais

São PauloEliminarEfeito 3DFundo coloridoTabelasGuias

AlterarTipo do gráficoLegenda

Page 72: TDC2016SP - Trilha Data Science

Makeover tradicional

2011 2012 2013 2014 20150

5,000

10,000

15,000

20,000

25,000

21,087

11,203 Rio de JaneiroParaná

Minas Gerais

São PauloEliminarEfeito 3DFundo coloridoTabelasGuias

AlterarTipo do gráficoLegendaDestaque

Page 73: TDC2016SP - Trilha Data Science

Makeover tradicional: Antes e Depois

Page 74: TDC2016SP - Trilha Data Science

Vamos um pouco além?

Page 75: TDC2016SP - Trilha Data Science

Vamos um pouco além?

DificuldadesComparar valores das etapasDestaque para o mês atual

Page 76: TDC2016SP - Trilha Data Science

Repensar um formato semelhante

3.32427%

12.24763%

19.59263%

31.03729%

107.24049%

217.93150%

434.716

2.815 21%

13.421 67%

20.063 61%

32.928 26%

128.367 37%

344.856 68%

504.797

Var.

-6pp.

+4pp.

-2pp.

-3pp.

-12pp.

+18pp.

Sucesso

Pagamento

Entrega

Cadastro

Identificação

Produto

Visitas

Dezembro Janeiro

Taxa deIntenção

24%

Taxa deIntenção

25%

Taxa de Conversão0,34%

Taxa de Conversão0,24%

Page 77: TDC2016SP - Trilha Data Science

Repensar um formato semelhante: Antes e Depois

Page 78: TDC2016SP - Trilha Data Science

Que tal repensar toda a leitura?

550.000DOWNLOADS

150,000

400,000

App1 App2 App3

DOWNLOADS

UPDATES

310.000

90.000

150.000

130.000

50.000

7.000

App4

40.000

5.000

Page 79: TDC2016SP - Trilha Data Science

Foco nas necessidades do negócio

550.000DOWNLOADS

150,000

400,000

DOWNLOADS

Quais apps tiveram mais downloads?

Qual é o perfil de usuários de cada app?

Page 80: TDC2016SP - Trilha Data Science

Foco nas necessidades do negócio

DOWNLOADS

Quais apps tiveram mais downloads?

Qual é o perfil de usuários de cada app?

0 2,000 4,000 6,000 8,0000

500

1,000

1,500

2,000

DOW

NLOA

DS

DOWNLOADS0

App1 App2 App3 App4

Page 81: TDC2016SP - Trilha Data Science

Foco nas necessidades do negócio

App1 App2 App3

UPDATES 90.000 130.000 7.000

App4

5.000

UPDATES

Os usuários adotaram as últimas versões de cada app?

O que pode levar os usuários a não adotarem as últimas versões?

Page 82: TDC2016SP - Trilha Data Science

Foco nas necessidades do negócio

UPDATES

Os usuários adotaram as últimas versões de cada app?

O que pode levar os usuários a não adotarem as últimas versões?

App 4

App 3

App 2

App 1

0% 20% 40% 60% 80% 100%Última versãoVersões anteriores

Page 83: TDC2016SP - Trilha Data Science

Foco nas necessidades do negócio

App 4

App 3

App 2

App 1

0% 20% 40% 60% 80% 100%Última versãoVersões anteriores

0 2,000 4,000 6,000 8,0000

500

1,000

1,500

2,000

DOW

NLOA

DS

DOWNLOADS0

App1 App2 App3 App4

Page 84: TDC2016SP - Trilha Data Science

Foco nas necessidades do negócio: Antes e Depois

Page 85: TDC2016SP - Trilha Data Science

Como usar perguntas de negócio pra

fazer melhores gráficos?

Page 86: TDC2016SP - Trilha Data Science

Visual Literacycapacidade de expor e interpretar

dados de forma visual

Page 87: TDC2016SP - Trilha Data Science

O que queremos ver com cada métrica?

Page 88: TDC2016SP - Trilha Data Science

O que queremos ver com cada métrica?

Quais são os objetivos do negócio e como sabemos se foram atingidos?

Page 89: TDC2016SP - Trilha Data Science

O que queremos ver com cada métrica?

Quais são os objetivos do negócio e como sabemos se foram atingidos?

Existe uma forma mais objetiva de mostrar os mesmos dados?

Page 90: TDC2016SP - Trilha Data Science

Qual informação realmente precisa ser mostrada no gráfico?

Page 91: TDC2016SP - Trilha Data Science

Qual informação realmente precisa ser mostrada no gráfico?

Qual é o contexto desses dados?

Page 92: TDC2016SP - Trilha Data Science

Qual informação realmente precisa ser mostrada no gráfico?

Qual é o propósito de mostrar esses dados?

Qual é o contexto desses dados?

Page 93: TDC2016SP - Trilha Data Science

Qual informação realmente precisa ser mostrada no gráfico?

Qual é o propósito de mostrar esses dados?

Qual é o contexto desses dados?

Quem vai ler e como vai interpretar o gráfico?

Page 94: TDC2016SP - Trilha Data Science

E se não der certo?

Prepare-se para falhar

Page 95: TDC2016SP - Trilha Data Science

Mapa de Pizzas

Visitas por ÁreaBlogComunidadeDownloadExemplosGaleriaOutros

Page 96: TDC2016SP - Trilha Data Science

Pior pizza de todos os tempos

Page 97: TDC2016SP - Trilha Data Science

Batatas fritas

Jan Fev Mar Abr Mai Jun Ago Set Out0

2000

4000

6000

8000

0%5%10%15%20%25%

Visitas Conversão

Visit

as

Conv

ersã

o

Jan Fev Mar Abr Mai Jun Ago Set Out0

2000400060008000

10000

0%5%10%15%20%25%

Visitas Conversão

Visit

as

Conv

ersã

o

Jan Fev Mar Abr Mai Jun Ago Set Out0

2000400060008000

1000012000

0%

5%

10%

15%

20%

Visitas Conversão

Visit

as

Conv

ersã

o

Jan Fev Mar Abr Mai Jun Ago Set Out0

2000400060008000

10000

0%5%10%15%20%25%

Visitas Conversão

Visit

as

Conv

ersã

o

Jan Fev Mar Abr Mai Jun Ago Set Out0

2000400060008000

1000012000

0%

5%

10%

15%

20%

Visitas Conversão

Visit

as

Conv

ersã

o

Landing Page A

Display Paid Search

Social Natural Search

Monthly Mobile Activities

Page 98: TDC2016SP - Trilha Data Science

Data Visualization é uma ponte de comunicação

Page 99: TDC2016SP - Trilha Data Science

Data Visualization é uma ponte de comunicação

O mercado está crescendo

Page 100: TDC2016SP - Trilha Data Science

Data Visualization é uma ponte de comunicação

O mercado está crescendo

A capacidade de expor e interpretar dados de forma visual se tornou praticamente indispensável

Page 101: TDC2016SP - Trilha Data Science

Pensar nos objetivos das métricas e dos gráficos

Page 102: TDC2016SP - Trilha Data Science

Pensar nos objetivos das métricas e dos gráficos

Considerar a ordem de leitura, espaçamento e outras percepções visuais

Page 103: TDC2016SP - Trilha Data Science

Pensar nos objetivos das métricas e dos gráficos

Considerar a ordem de leitura, espaçamento e outras percepções visuais

Testar mais de um tipo de gráfico

Page 104: TDC2016SP - Trilha Data Science

Repensar a leitura visual conformeos objetivos e necessidades do negócio

Page 105: TDC2016SP - Trilha Data Science

Converse sobre os gráficos

!

Page 106: TDC2016SP - Trilha Data Science

Converse sobre os gráficos

!

Escute o leitor

Page 107: TDC2016SP - Trilha Data Science

Quer mais?

DS3• https://d3js.org

Google Data Studio• www.google.com/analytics/360-suite/data-studio

Data Visualization - Coursera• https://www.coursera.org/learn/datavisualization

Page 108: TDC2016SP - Trilha Data Science

Ingrid [email protected]

Dúvidas?Obrigada!