Inngangur

Myndræn framsetning miðlar flóknum upplýsingum á skýran og einfaldan hátt með því að nota gögn í samhengi og miða á réttan markhóp til að skapa áhrifaríka frásögn.

Myndræn framsetning

Grunnur að myndrænni framsetningu

Sjónræn framsetning gagna er mikilvæg til að miðla upplýsingum á áhrifaríkan hátt. Hún hjálpar við að koma flóknum upplýsingum til skila með einföldum hætti og getur haft sterk áhrif á hvernig gögn eru túlkuð. Þemað fyrir þessa kennslu í myndrænni framsetningu byggir að mestu á bókinni Storytelling with data: a data visualization guide for business professionals eftir Cole Nussbaumer Knaflic. Bókin veitir frábærar leiðbeiningar um hvernig best sé að nota gögn til að segja sögur í viðskiptaumhverfi. Margt af efninu má finna á vefsíðunni: storytellingwithdata.com.

Mikilvægi samhengis

Það er lykilatriði að skilja að árangur í myndrænni framsetningu byrjar ekki með myndrænni framsetningu sjálfri. Fyrir framsetninguna þarf að leggjast í vinnu við að skilgreina samhengi gagna og hvernig þau eiga að nýtast. Þetta felur í sér að skilja vel hver markhópurinn er, hvað við viljum miðla til þeirra, og hvernig gögnin styðja frásögnina.

Skref í greiningu

Til að ná góðum árangri í myndrænni framsetningu er gott að fara í gegnum tvö megin skref:

Skref 1: Rannsóknargreining (Exploratory analysis): Þetta er upphafsrannsóknin þar sem þið rannsakið gögnin og finnið út hvað er áhugavert við þau. Þetta felst í að leita að þeim „perlum“ sem eru falin í gögnunum – gögn sem eru sérstaklega mikilvæg fyrir frásögnina.
Skref 2: Skýrandi greining (Explanatory analysis): Þegar þið hafið fundið hvað er áhugavert um gögnin, er kominn tími til að miðla því áfram. Það felur í sér að svara þremur grundvallarspurningum:
- Hver er markhópurinn?
- Hvað viljum við að markhópurinn viti eða geri?
- Hvernig ætlum við að miðla þessu á áhrifaríkan hátt?

Forðast of miklar upplýsingar

Það er algengt að rannsakendur vilji miðla öllum upplýsingum sem þeir hafa unnið með til að sýna hvað mikið var gert. En það getur leitt til þess að áhorfendur týni sér í upplýsingaflóðinu og reyni sjálfir að finna það sem skiptir máli. Til að ná betri árangri, ætti að miðla einungis því sem er nauðsynlegt fyrir markhópinn. Með því að sleppa óþarfa upplýsingum og einblína á það sem skiptir máli, tryggjum við að áhorfendur einblíni á það sem við viljum að þeir viti.

Skilgreina markhópinn

Því nákvæmari sem skilgreining á markhópnum er, því auðveldara verður að miðla efninu á réttan hátt. Það er mikilvægt að forðast of almennar skilgreiningar á markhópnum, þar sem þær geta leitt til þess að skýrslan verði of ómarkviss. Til dæmis eru eftirfarandi hópar of almennir:

Allir sem hafa áhuga á gögnunum
Innri og ytri kröfuhafar

Þess í stað er betra að einblína á aðgreinda hópa, svo sem þá sem taka ákvarðanir eða hafa beina hagsmuni af niðurstöðunum. Ef markhópurinn er skilgreindur vel, verður auðveldara að miðla efninu markvisst og á viðeigandi hátt.

Hvað viljum við að markhópurinn viti?

Áður en þið byrjið að miðla gögnunum, ættuð þið að hafa skýrt fyrir ykkur hvað þið viljið að markhópurinn viti eða bregðist við. Það er ekki nóg að kynna gögnin án tilvísunar til þeirra breytinga eða umræðna sem þið vonist eftir að skapa. Til dæmis gætu gögnin ein og sér fengið viðbrögð á borð við „spennandi“ eða „áhugavert,“ en án frekari útskýringa leiða þau sjaldan til breytinga eða ákvarðanatöku. Markmiðið er að nota gögnin til að skapa raunveruleg viðbrögð og jafnvel hvetja til breytinga.

Hvernig miðlum við efninu?

Sögur sem við segjum með gögnunum verða að vera studdar af raunverulegum gögnum sem geta sannreynt frásögnina. Hér er mikilvægt að nota viðeigandi gögn sem styðja við frásögnina, en einnig að vera meðvitaður um að sleppa því sem ekki bætir við frásögnina. Ákvarðið hvaða gögn eru nauðsynleg fyrir markhópinn til að taka ákvarðanir eða skilja frásögnina og leyfið því að leiða miðlunina.

Til dæmis er gott að forðast „cherry picking,“ þar sem aðeins þau gögn eru notuð sem styðja frásögnina en önnur, sem gætu gefið óheillavænlegar niðurstöður, eru látin liggja á milli hluta. Slík nálgun getur haft neikvæð áhrif á trúverðugleika frásagnarinnar og kallað fram krítískar spurningar sem erfitt er að svara.

Dæmi um gagnafrásögn

Hugsum okkur dæmi þar sem iðnaðarverkfræðideild Háskóla Íslands hefur nýlega innleitt nýtt námskeið um gagnavinnslu með Python/R og SQL. Eftir námskeiðið var lögð fyrir könnun meðal nemenda til að meta árangur námskeiðsins og áhuga á framhaldsnámskeiði á sama sviði. Niðurstöðurnar sýndu fram á mjög jákvæð viðbrögð og mikinn áhuga nemenda á að taka fleiri námskeið um gagnavinnslu. Þið viljið nú kynna þessar niðurstöður fyrir mismunandi markhópum innan skólans til að fá samþykki og stuðning fyrir því að námskeiðið verði áfram í boði og jafnvel innleitt í fleiri námsleiðir.

Mögulegir markhópar fyrir þessar upplýsingar gætu verið:

Nemendur sem sóttu námskeiðið: Þeir gætu haft áhuga á að taka framhaldsnámskeið eða mæla með námskeiðinu við aðra nemendur sem hafa áhuga á gagnavinnslu og forritun.
Nemendur sem hafa áhuga á gagnavinnslu og forritun: Þessi hópur gæti viljað fá innsýn í það hvað námskeiðið fjallar um, hvað er lært á því, og hvernig það nýtist í starfi og frekara námi.
Kennarar og aðrar námsbrautir innan HÍ: Kennarar á öðrum námsbrautum gætu haft áhuga á að bjóða upp á þetta námskeið í sínum námsleiðum, sérstaklega deildir sem leggja áherslu á tölfræði, verkfræði, eða hagnýtingu gagna. Þessi hópur myndi þurfa upplýsingar um innihald námskeiðsins, námsárangur nemenda, og hvernig námskeiðið gæti bætt við þeirra námsleiðir.
Sviðsforseti VON og deildarforseti IVT: Þessir aðilar myndu vilja sjá gögn sem sýna fram á mælanlegan árangur námskeiðsins, auknar skráningar, og jákvæð viðbrögð nemenda til að réttlæta áframhaldandi kennslu og jafnvel aukið fjármagn eða úrræði til að þróa námskeiðið enn frekar.

Hver og einn hópur kallar á mismunandi nálgun í miðlun gagna og því er mikilvægt að skilgreina vel hvaða hóp þið miðið á hverju sinni til að hámarka árangur frásagnarinnar.

Eðlilegt framhald af Upplýsingaverkfræði er Viðskiptagreind, sem er valáfangi í Iðnaðarverkfræði og er kenndur á vorönn og nýtist vel til að dýpka skilning á hagnýtingu gagna í víðskiptalegum tilgangi.