Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Mateusz Cicheński Artur Jaworski Hurtownie danych, 16.06.2011 1/128.

Podobne prezentacje


Prezentacja na temat: "Mateusz Cicheński Artur Jaworski Hurtownie danych, 16.06.2011 1/128."— Zapis prezentacji:

1 Mateusz Cicheński Artur Jaworski Hurtownie danych, /128

2 Zastosowanie hurtowni danych Istotność zagadnienia wizualizacji danych Klasyczne podejścia Temporal data Jak to wszystko ogarnąć? Po ludzku Wizualizacja kostki danych Wspomaganie prezentacji danych 2/128

3 Zastosowanie hurtowni danych Istotność zagadnienia wizualizacji danych Klasyczne podejścia Temporal data Jak to wszystko ogarnąć? Po ludzku Wizualizacja kostki danych Wspomaganie prezentacji danych (co oferuje Excel) (Theme River, Lap Chart) (Fisheye, Table Lenses) (Chernoff Faces) (Augmented Reality) 3/128

4 Archiwizacja i agregacja danych Przetwarzanie analityczne Wspomaganie decyzji Analiza efektywności Wsparcie dla systemów CRM (Customer Relation Management) 4/128

5 Ułatwia analizę danych Uwypukla trendy, zależności Wspomaga podejmowanie decyzji Umożliwia zaprezentowanie informacji dla szerszego grona w sposób intuicyjny i łatwy do interpretacji 5/128

6 Odpowiednia forma prezentacji danych Percepcja człowieka Kolor! Przestrzeń i głębia Wielowymiarowość danych Interakcja, nawigacja, zoom Focus i kontekst Skalowalność 6/128

7 Mindmap Informacje Dane Powiązania między informacjami 7/128

8 Diagram słupkowy/kolumnowy Diagram punktowy/liniowy Diagram kołowy 8/128

9 Specjalizacja do konkretnego typu danych Statyczna prezentacja danych Możliwość prezentacji tylko jednej cechy Trudność w przedstawieniu dużej ilości danych na jednym wykresie 9/128

10 Unikaj tworzenia diagramów kołowych Używaj diagramów kołowych tylko dla danych, które sumują się do sensownej całości Nigdy nie używaj trójwymiarowych diagramów kołowych – są jeszcze gorsze niż dwuwymiarowe Unikaj porównań pomiędzy więcej niż jednym diagramem kołowym 10/128

11 Minimalizuj ilość tuszu– nie używaj efektu 3D Posortuj dane wg najbardziej znaczącej zmiennej Użyj diagramu słupkowego dla więcej niż 8-10 kategorii Umieść legendę wewnątrz lub poniżej obszaru kreślenia Przy więcej niż jednej serii danych uważaj na różnice w skalowaniu 11/128

12 Czas prawie zawsze powinien być przedstawiony na osi OX od lewej do prawej Pokaż jak najwięcej danych używając jak najmniej atramentu Upewnij się, że osoba czytająca wykres może odróżnić linie poszczególnych serii danych Uważaj na efekty skalowania Pokazując dane finansowe lub walutowe, zwykle najlepiej jest wyświetlać dane znormalizowane (względem inflacji lub PKB) 12/128

13 Histogram dla zbioru danych Castro Trudno wyciągać wnioski dotyczące porównań poszczególnych serii danych! 13/128

14 Ten sam histogram w postaci rzeki łatwość śledzenia poszczególne trendów zachowane są właściwości histogramu 14/128

15 Atrybuty zmapowane są jako prądy rzeki płynącej w czasie Grubość prądu – siła atrybutu Długość prądu – znaczenie atrybutu Mapowanie wydarzeń, łatwa analiza porównawcza atrybutów 15/128

16 Możliwość połączenia z histogramem Łatwość porównania dwóch rzek 16/128

17 Zgodność z teorią Gestalta (postrzeganie całości, a nie poszczególnych elementów) Nakładające się prądy rzeki umożliwiają porównanie między atrybutami Płynne przejścia między kolejnymi punktami na osi czasu (uwaga: przekłamania wynikające z interpolacji!) Łatwość utworzenia wykresu (jak histogram) 17/128

18 Rozkład wydatków w firmie Aktywność poszczególnych placówek firmy (wyrażona jako wypracowany zysk, liczba dokonanych transakcji, wielkość sprzedaży) Popularność sprzedawanych produktów W ogólności: analiza danych zmieniających się w czasie 18/128

19 Inspirowany Formułą I Przedstawianie zależności między sekwencjami w kolejnych chwilach czasowych Zgodny z koncepcją focus – pomija nieistotne dane 19/128

20 LOGISTYKA KONTROLA JAKOŚCI

21 Porównanie sekwencji produktów na linii produkcyjnej Analiza zmieniających się preferencji klientów W ogólności: analiza danych tworzących sekwencje zmieniające się w czasie 21/128

22 Obiektywy typu rybie oko o dużym kącie widzenia w fotografii Zgodność z koncepcją focus – ważne dane są powiększone, nieistotne dane są małe Rozwiązanie dla małej przestrzeni prezentacji danych 22/128

23 23/128

24 Prezentowanie tabelarycznych danych numerycznych w dużych ilościach Koncepcja fisheye Dane numeryczne prezentowane w formie graficznej Korelacja między atrybutami! x więcej danych na ekranie! 24/128

25 25/128

26 Analiza zależności między popularnością produktu a jego parametrami Zysk na pokojach w hotelu w stosunku do jakości wyposażenia, położenia w obiekcie W ogólności: poszukiwanie relacji pomiędzy wymiarami i faktami 26/128

27 Zdolność człowieka do rozpoznawania twarzy Łatwość w wychwyceniu drobnych różnic Mapowanie atrybutów do cech opisujących twarz (uwaga: pewne cechy są ważniejsze od innych!) Analiza porównawcza Problem z przygotowaniem danych 27/128

28 28/128

29 Stan życia ludzi w poszczególnych dzielnicach Zadowolenie klientów z obsługi w punktach sprzedaży Jakość leczenia pacjentów W ogólności: dane, które mogą być interpretowane jako emocje wyrażane przez mimikę twarzy (trudne do stwierdzenia!!!) 29/128

30 30/128

31 31/128

32 32/128

33 Czas na krótki film … 33/128

34 Milestones in the history of thematic cartography, statistical graphics, and data visualization Michael Friendly (2008) Data Visualization: Modern Approaches Graphics, August 2nd, 2007 University of British Columbia, Faculty of Computer Science, Information Visualization courses (http://www.cs.ubc.ca/~tmm/courses) Gallery of Data Visualization: The Best and Worst of Statistical Graphics (http://www.datavis.ca/gallery) ThemeRiver: Visualizing Thematic Changes in Large Document Collections Susan Havre, Elizabeth Hetzler, Paul Whitney, Lucy Nowell. IEEE Transactions on Visualization and Computer Graphics, 8(1), pp 9-20, The Continuous Zoom: A Constrained Fisheye Technique for Viewing and Navigating Large Information Spaces L. Bartram, A. Ho, J. Dill and F. Henigman, UIST '95, pp DateLens: A Fisheye Calendar Interface for PDAs Benjamin B. Bederson, Clamage, A., Czerwinski, M. P., & Robertson, G. G. ACM Transactions on Computer-Human Interaction (TOCHI), March 2004, 11(1), pp The Use of Faces to Represent Points in K-Dimensional Space Graphically Herman Chernoff, Journal of the American Statistical Association (American Statistical Association) 68 (342): 361–368 Constructing Good Charts and Graphs Gary Klass, Illinois State University, Multiscale Visualization Using Data Cubes Chris Stolte, Diane Tang, Pat Hanrahan, Stanford University, /128

35 /128

36 …/128

37 Dziękujemy za uwagę! 128/128


Pobierz ppt "Mateusz Cicheński Artur Jaworski Hurtownie danych, 16.06.2011 1/128."

Podobne prezentacje


Reklamy Google