Məqaləmizə giriş etməzdən əvvəl sizinlə XX əsrin 40-cı illərinə aid məşhur Hollywood filmlərindən "Double Indemnity"dən bir səhnəni paylaşmaq istəyirəm.
Bu filmdə anti-qəhramanımız Walter Neff cinayətdən qurtulma girişiminin uğursuz nəticələnəcəyini öncədən anlayır. Bunu necə etdiyini anlamaq üçün isə şəkilə biraz daha diqqətlə baxmaq kifayətdir. Beləki, Walter məhz divarda asılan qrafiklərdən istifadə etmişdi.
Yuxarıda göstərdiyimiz misaldan aydın olduğu kimi vizuallaşdırmanın tarixi təxmin etdiyimizdən daha keçmişə dayanır. İllər keçdi, aylar ötdü, verilənlərdən nəticə çıxarmaq bir elm halına gəldi və bu hal Walter Neff-in xələflərini öz müəssisələrində əvəzedilməz mütəxəssislərə çevirdi. Bu insanlar müasir dünyada qarşımıza data vizuallaşdırması ilə məşğul olan mütəxəssislər olaraq çıxır.
Bu mütəxəssisləri "Data Analyst" və ya "Data Scientist" olaraq tanımlamaqdan bilərək qaçındım. Fikrimi əsaslandırmaq üçün dünyaca məşhur vakansiya saytı olan indeed.com-da kiçik bir araşdırma apardım və nəticə göz qarşısındadır :
Günümüzdə vizualladırma daha çox "data"dan çıxarılan nəticəni əks etdirmək üçün istifadə olunur. Daha geniş anlamda isə verilən haqqında ümumi fikrə sahib olmaq, verilənlər yığınında artıq olan hissələri daha rahat görmək və aradan qaldırmaq, axtardığımız problemin həllinə təsir edən amilləri daha rahat seçmək və s. kimi funksiyaları özündə əks etdirir. Verilənlər üzərində aparılan analizlər nə qədər mükəmməl olsa belə əgər siz onu düzgün vizuallaşdırma ilə harmoniya edə bilmirsinizsə, bu sizin şirkətə heç bir önəm ərz etməyəcək. Bununla bağlı bir çox mütəxəssislər tərəfindən qəbul olunan bir düstür belə var:
Value = Analyze × Visualization
Gördüyünüz kimi bu düsturda toplama əməliyyatı yox, vurma əməliyyatı istifadə olunub. Bu o deməkdir ki, sizin vizuallaşdırma bacarığınız problemin həlli üçün nəzərdə tutulmuş analizə əlavə "dəyər" qatmır, onu əsl "dəyər"ə çevirir.
İndi isə sizi daha yaxın bir keçmişə aparmaq istərdim. Tarix 2009-cu il 19 Noyabr. Amerikanın məşhur Fox News kanalında prezident seçkiləri ilə əlaqədar əhali arasında keçirilən sorğu ilə bağlı aşağıdakı qrafik paylaşılır.
Milyonların şahidi olduğu bu anda düzgün getməyən bir şeylər var idi. Belə ki, ümumi səs verənlərin cəmi 193%-ə bərabər idi. Razıyam ki, riyaziyyat o qədər də asan bir elm deyil, lakin buradakı problem qrafiki hazırlayanların riyaziyyat biliklərinin zəifliyindən qaynaqlanmırdı. Əsas problem düzgün qrafikin seçilməməsi ilə bağlı idi.
Başqa bir hal isə Berkley universiteti tərəfindən 1970-ci ildə qəbul almış tələbələri göstərən aşağıdakı şəkillə bağlıdır. Bu şəkildə 2 qrafik qeyd olunub və bu qrafiklərdən biri yanaşma baxımından yanlışdır.
İlk qrafikə əsasən 8000+ kişi müraciətçidən 44%-i, 4000+ qadın müraciətçidən isə 35%-nin qəbul alması əks olunmuşdur. İkinci qrafikdə isə qəbul alanların universitetin departamentləri üzrə paylanmasını və hansı cinsə mənsub olması qeyd olunub. Məqalənin bu yerində dayanıb həmin qrafiklərə diqqətlə baxmağı və eyni dataset əsasında qurulan bu iki vizual arasında fərqi anlamağa çalışmağınızı xahiş edirəm. Diqqət etdiysəniz, 1-ci qrafikə baxdıqda qadınların daha uğursuz müraciətçi olduğu fikrinə qapılmaq mümkündür. Lakin ikinci qrafikdən görürük ki, departamentlər üzrə bir çox hallarda qadınların qəbul faizi kişilərdəkindən yüksəkdir (P.S Araşdırmaq istəyənlər üçün qeyd edim ki, belə hal Simpson paradoksu adlanır). Bu da vizuallaşdırmada düzgün yanaşmanın nə qədər önəmli bir faktor olduğunu bir daha gözlər önünə sərir.
Sonda ümid edirəm ki, bu məqalədə vizuallaşdırmanın önəmini sizlərə müəyyən qədər də göstərə bildim. Unutmayın ki, nə qədər güclü analitik nəticə əldə etsəniz belə, düzgün formada bunu insanlara çatdıra bilmədikdə, verdiyiniz məlumat qarşıdakı insanlar üçün sadəcə "anlaşılmaz rəqəmlər" yığınından başqa bir şey olmayacaqdır. Buna görə də vizuallaşdırmanı sevin və tətbiq edin!
