Datapohjaiset visualisoinnit – hyvin suunniteltu on puoliksi tehty

Visualisointien suunnittelussa pätevät samat periaatteet kuin minkä tahansa verkkosivuston, mobiilisovelluksen tai ylipäätänsä tuotteen tai palvelun suunnittelussa. Liikkeelle kannattaa lähteä neljästä peruskysymyksestä: mitä, kenelle, miksi ja miten. 

Visualisoinnilla tarkoitetaan yleensä prosessia, jossa ei-visuaalinen data muunnetaan näköaistin avulla havaittavaksi visuaaliseksi esitykseksi. Ihminen käsittelee visuaalista informaatiota nopeasti ja tehokkaasti, sillä aivot kykenevät prosessoimaan samanaikaisesti useita eri visuaalisia vihjeitä. Prosessointi tapahtuu automaattisesti ilman tietoista tarkkaavaisuutta.  Visualisointi helpottaa datan tutkimista ja analysointia, mikä auttaa käyttäjää datan sisältämän informaation ymmärtämisessä ja sitä kautta tehostaa ongelmanratkaisua.

Visualisoinnin suunnittelu voidaan jakaa karkealla tasolla esimerkiksi neljään vaiheeseen. Kolmen ensimmäisen vaiheen aikana määritellään visualisoinnin tavoite ja neljännessä vaiheessa pyritään vastaamaan siihen, miten tavoite voidaan saavuttaa.

1. Mitä informaatiota lähtödata sisältää? Mitkä ovat sen ominaispiirteet?
2. Kenelle visualisointi on tarkoitettu? Millaisissa tilanteissa visualisointia on tarkoitus käyttää?
3. Miksi visualisointi kannattaa toteuttaa? Mikä on sen käyttötarkoitus, mihin tarpeeseen se vastaa?
4. Miten visualisoinnille asetettu tavoite saavutetaan? Minkä tyyppinen visualisointi vastaa asetettuun tavoitteeseen? Millainen visuaalinen koodaus on tehokkain? Entä millainen vuorovaikutus parhaiten tukee käyttäjän tavoitteiden saavuttamista?

1. Mitä?

Aivan ensimmäiseksi on hyvä lähteä perehtymään käytössä olevaan lähtödataan: mitä informaatiota data sisältää, mihin aihealueeseen data liittyy sekä mistä data on kerätty ja miten. Olennaista on selvittää, mitä ja minkä tyyppisiä muuttujia data sisältää sekä tunnistaa tärkeimmät (tai kiinnostavimmat) muuttujat ja muuttujien väliset suhteet, jotta voidaan alustavasti arvioida, onko datan pohjalta mahdollista tuottaa haluttu visualisointi. Lähtödata sisältää usein runsaasti kohinaa, kuten poikkeavia arvoja, joten dataa täytyy yleensä esikäsitellä. Esikäsittelykin vaatii suunnittelua, sillä esimerkiksi lähtödatan liiallinen “siistiminen” voi johtaa jonkin olennaisen menettämiseen.

2. Kenelle?

Tärkeää on myös miettiä jo ennalta, kenelle visualisointi on tarkoitettu. Eroja on siinä, onko visualisointi tarkoitettu esimerkiksi suurelle yleisölle painettavaan julkaisuun, asiantuntijaryhmälle jonkin ilmiön tutkimiseen vai rajatulle kohderyhmälle päätöksenteon tueksi. Visualisoinnin tulkintaan vaikuttavat nimittäin esimerkiksi käyttäjän taidot, aiemmat tiedot ja kokemukset, tilanne- ja kulttuurisidonnaiset tekijät sekä toimialalle vakiintuneet käsitteet ja tavat esittää tai tulkita informaatiota. Suunnittelutyössä kannattaakin mahdollisuuksien mukaan hyödyntää käyttäjäanalyysia kohderyhmän tarpeiden ja ominaisuuksien määrittelyssä.

3. Miksi?

Visualisointien suunnittelussa tärkeää on myös pohtia visualisoinnin käyttötarkoitusta. Pragmaattiset, hyötyä korostavat visualisoinnit pyrkivät tukemaan käyttäjää datan tutkimisessa ja ymmärtämisessä sekä uuden informaation löytämisessä. Toisaalta visualisoinnin ensisijaisena tarkoituksena voi olla myös suunnittelijan tavoitteiden tukeminen informaation välittämisessä, käyttäjän vakuuttamisessa tai keskustelun herättämisessä. Joka tapauksessa visualisoinnin käyttötarkoitus kannattaa kuvata riittävän konkreettisena toimintana, jotta voidaan määritellä, mitä dataa visualisoinnissa tulee esittää, mitkä muuttujat tai muuttujien väliset suhteet ovat tärkeimpiä tai kiinnostavimpia sekä tarpeen vaatiessa, millainen vuorovaikutteisuus parhaiten tukee käyttäjää tavoitteen saavuttamisessa.

4. Miten?

Visualisointityypin ja siinä käytettävien visuaalisten vihjeiden valinnassa auttaa se, että tiedetään, millaista dataa ollaan visualisoimassa ja tunnetaan visualisoinnin käyttötarkoitus sekä kohderyhmät ja heidän tavoitteensa. Visuaalisten vihjeiden valinnassa on hyvä huomioida sekä esitettävien muuttujien tyypit että ihmisen visuaalisen informaation prosessoinnin yleiset periaatteet. Esimerkiksi hahmolakien mukaan ihminen havaitsee ensisijaisesti kokonaisuuksia yksityikohtien sijaan. Vastakohtaisuudet, kuten esimerkiksi muista poikkeava muoto, koko, väri, sijainti ja suunta, havaitaan nopeasti ja automaattisesti ilman aktiivista yksityiskohtien vertailua, mitä voidaan hyödyntää olennaisen informaation korostamisessa ja käyttäjän huomion ohjaamisessa.

Suunnittelutyöhön kannattaa aina panostaa: Puutteellisesti tehty suunnittelutyö voi johtaa siihen, että lopullinen visualisointi on liian monimutkainen tai että visualisoinnin tuottama informaatio on joko tarpeettoman pikkutarkkaa tai liian yleisellä tasolla esitettyä, jotta sitä voitaisiin aidosti hyödyntää päätöksenteossa. Huolimattomasti tehty tavoitteen määrittely voi puolestaan johtaa siihen, että visualisoidaan vääriä asioita tai visualisointi vastaa väärään kysymykseen.

Yhtä kaikkeen sopivaa esitystapaa ei ole olemassa, joten jokainen tapaus kannattaa aina miettiä erikseen. Edellä kuvatut neljä peruskysymystä (mitä, kenelle, miksi ja miten) auttavat suunnittelijaa löytämään ratkaisuja suunnittelun ongelmiin – siihen, minkä tyyppinen visualisointi välittää parhaiten halutun informaation käyttäjälle tai minkä tyyppisiä visuaalisia esitysmuotoja tai vuorovaikutustapoja olisi hyvä käyttää. Hyvä ratkaisu on hyödyntää suunnittelussa käyttäjäkeskeistä lähestymistapaa ja pyrkiä keräämään aktiivisesti palautetta käyttäjiltä. Tässä yhteydessä tärkeintä on se, että visualisointien testaajilla on käytössään aitoa dataa.

 

Kuva1: Molemmissa kuvissa on täsmälleen sama data. Vaikka pylväskaavio soveltuukin määrien ja muutosten havainnollistamiseen, on viivakaaviosta helpompi havaita työnhakijoiden ja työpaikkojen määrien kuukausittainen vaihtelu.

datapohjaiset visualisoinnitdatapohjaiset visualisoinnit

 

Kuva 2: Ympyräkaaviossa osuuksien välisten erojen havaitsemiseksi käyttäjän täytyy vertailla alueita (tai numeroarvoja, jos ne on merkitty kaavioon). Pylväskaavio soveltuu ympyräkaaviota paremmin kuvaamaan osuuksien suhteita toisiinsa ja kokonaisuuteen, koska pylväiden väliset pituuserot havaitaan automaattisesti ja nopeasti.

datapohjaiset visualisoinnitdatapohjaiset visualisoinnit

Lähde: Työ- ja elinkeinoministeriö, työnvälitystilasto, 2018.