képzés címkével jelölt bejegyzések

Honnan tanuljunk a Big Data-ról?

BRÉKING2: már lehet előjelentkezni az adatlaboros Big Data Képzés-re: itt!

BRÉKING: március elején ingyenes képzés indul az egyik legjobb statisztika tanfolyam keretein belül a Coursera-n! (részletek lentebb…)

Túl vagyunk az első Adatlabor-os Webináriumon! :-)
Ennek kapcsán frissítettem egy kicsit a Szakmai Anyagok fület is, mivel nagyon fontosnak tartom, hogy legyenek fent elérhető ingyenes vagy nem túl drága anyagok, ami alapján mindenki elmerülhet a Big Data és az üzleti intelligencia rejtelmeiben.

A kódolás alapjait például nagyon jól meg lehet tanulni a különböző online kurzusokon. Tudod melyik a 3 legnagyobb adatelemző nyelv? A KD Nuggets kutatása alapján: R, Python és SQL.
adatelemzési nyelvek - python, r, sql

A jó hír pedig az, hogy mind a háromra van már ingyenes online képzés:
R alapjai – Datacamp: Introduction to R
Python alapjai – Codecademy: Python
SQL alapjai – SQLCourse

Az elmélet (korreláció vs kauzalitás, reprezentatív minta, szignifikancia vizsgálat, stb…) elsajátítására az egyik legjobb internetes képzés a Coursera: Data Analysis & Statistical Interference című kurzusa, ami most márciusban indul és ingyenes. A Duke University tartja és ami szuper benne, hogy nagyon élvezetes az előadás stílusa, folyamatos példák, esettanulmányok, szemléltetések vannak benne. Az egyik kedvenc hasonlatom, amikor az előadó a nem-reprezentatív mintavételt a meg nem kavart levessel hozza párhuzamba. (“Megsózod a levest, de nem kavarod meg… hiába kóstolod meg a leves tetejét, ha ez alapján következtetsz a leves ízére, azt mondod sótlan. Ha tovább sózod, akkor viszont a mindent egybevetve elsózod a levest. Nem volt reprezentatív a mintád, és így becsaptad magad, mikor megkóstoltad a levest”.)

Ami pedig az üzleti stratégiát és az alkalmazást illeti, egy remek könyv Croll-tól és Yoskovitz-tól a Lean Analytics: Build a Better Startup Faster. 100+ esettanulmányon keresztül mutat be olyan stratégiákat, amelyek az üzleti életben működtek és amelyeket például mi is használunk az Adatlabor-ügyfeleknél is. Ez a könyv persze nem ingyenes (és magyar nyelven nem elérhető), de nagyon megéri az árát.

Ez a néhány tudásforrás egy jó induló és alapozó csomag akárkinek, aki még csak érdeklődik a szakma iránt, anno  én is végigcsináltam (elolvastam) majdnem mindegyiket, úgyhogy bátran tudom őket ajánlani! Hajrá!

Mester Tomi

Business Intelligence/Big Data webinar I. rész

Közkívánságra elindítjuk a Business Intelligence/Big Data webinar sorozatunkat!
Az I. rész a “Smart Tool-ok (minden, ami nem Google Analytics)” címet kapta.
Itt tudtok regisztrálni:     adatlabor.eventbrite.co.uk

Adatlabor logoIdőpont: Jan 21. szerda 18.00-19.30

A tartalma pedig:
Eszközök, szoftverek, smart tool-ok és praktikák, amelyeket rendszeresen használunk a big data, az adatelemzés és az üzleti intelligencia gyakorlása közben.
Konkrét, valós üzleti esettanulmányokkal.

Tárgyalt szoftverek és módszerek:
– Mouseflow (és konkurensei)
– Optimize.ly (és konkurensei)
– Marketing A/B teszt
– Linkkövetés (utm, bit.ly, stb…)
– Mini-piackutatások
– Najó és egy kis Google Analytics (de csak az expertebb dolgok ;-))

Csak olyan dolgokról lesz szó, amit rögtön a webinar után akár Te is meg tudsz csinálni! Kódolást és bonyolultabb fogalmakat nem érintünk (az majd jön legközelebb :-)).
75 perc + Q&A

Mester Tomi adatlabor
fotó: Hámori Zsófia

Előadó:
Mester Tomi üzleti intelligencia elemző és tanácsadó, az adatlabor.hu alapítója és szakmai vezetője. Növekedésben levő cégeknek segít az adatelemzési és big data stratégiájuk kidolgozásában – továbbá abban, hogy ezeket az eszközöket a vevőszerzés, a magasabb vevőelégedettség és végeredményben persze a több profit elérésére tudja felhasználni minden partnere. Korábban a Prezi.com-nak dolgozott. Jelenlegi ügyfelei az e-kereskedelem, az online média és az online szolgáltatások területéről érkeznek.
Másik szenvedélye a nyilvános beszéd. Alapítótagja és CC-szintű beszélője az első magyar nyelvű Toastmasters klubnak. Előadó továbbá adatelemzés témában olyan fórumokon, mint a TEDx, BI Forum, Internet Hungary, PechaKucha Nights, Global E-commerce Summit 2015 @Barcelona, stb. Több info itt.

Ára: 4000 ft + ÁFA

Tehát a jelentkezés mégegyszer:
LINK: adatlabor.eventbrite.co.uk
ÉS A GYORS REG:

Tomi

Egyetemisták, figyelem!

(Ingyenes) “Business Intelligence és Big Data a marketing-ben” c. kurzust indítunk egyetemistáknak!
Itt megtanulhatod, hogy mi a valódi értelme az analitikának és az elemzéseknek. A képzés egyedülálló, mivel csak és kizárólag gyakorlati és valós üzleti helyzeteken alapuló példákat vizsgálunk és elemzünk. (Az elméletet meg meghagyjuk az egyetemnek. :-))
A résztvevők megtanulhatják, hogy hogyan lehet a különböző elemzéseket és kutatásokat valós stratégiai célokra felhasználni. Hogyan lehet belelátni a potenciális ügyfelek fejébe és hogyan lehet kiszedni az internetes adatokból azokat az információkat, amelyek majd az üzlet növekedéséhez vezetnek.

A képzés kitér arra, hogy hogyan használják a big data-t és az üzleti intelligenciát:
– a magyar és külföldi e-commerce szektorban
– a marketingben és a médiában
– a magyar és külföldi startup-okban

A képzés ingyenes és januártól júliusig havonta 1×3 órát vesz igénybe.
Nem titkolt célunk azonban, hogy a résztvevőket a kurzus elvégzése után bevonjuk különböző munkáinkba és valós projektjeinkbe is. Ezért, hogy a legmotiváltabb és a legtehetségesebb egyetemistákkal dolgozzunk együtt már ezeken az alkalmakon is, csak a legjobb 6 jelentkezőt tudjuk felvenni a kurzusra.

Alkalmas jelentkező vagy, ha:
– egyetemista vagy (!)
– kreatív vagy
– értesz legalább alapszinten a programozáshoz (vagy hajlandó vagy megtanulni januárig)
– egy alapszintű marketinges szemlélettel is rendelkezel

Ha így van, jelentkezz a tomi@adatlabor.hu-ra és írd meg maximum 100 szóban, hogy miért te vagy a legjobb (illetve, ha van, mindenképp dobj egy önéletrajzot vagy egy linked-in adatlapot magadról). Ja és ne felejtsd ki az életed eddigi legérdekesebb projektjét sem! (Meg hogy melyik egyetemre jársz.)

Hajrá! Várjuk a jelentkezéseiteket!

Mester Tomi

Milyen hosszú egy jó blogbejegyzés?

A Medium.com válasza: 7 perc. Legalábbis a Medium-on. De ők big data alapon is megnézték.
A helyes válasz persze az, hogy ez teljesen blogfüggő, közönségfüggő és természetesen helyzetfüggő is. De a lényeg mégis csak az, hogy ha belenézel az adataidba, akkor még azt is ki tudod szedni belőle, hogy a Te oldaladon milyen hosszú lenne egy ideális blogbejegyzés.

Nézzük, a Medium hogyan csinálta. Először is fogták az összes cikküket és mindegyiken megnézték, hogy milyen hosszú, hány perc lenne elolvasni (ez a szavak számából nagyjából számítható). Aztán fogták az összes cikkük tényleges olvasási idejét, azaz azt, hogy a felhasználók valójában mennyi időt töltenek az oldalakon. Értelemszerűen, ha ez az idő kevesebb, mint a cikk becsült hosszúsága, akkor a felhasználók nem olvassák végig a cikket, azaz az túl hosszú. Ha jóval több időt töltenek az oldalon, abból pedig arra lehet következtetni, hogy még tudnák olvasgatni, visszanéznek egy-két részt, ami tetszett nekik. Erre nem mondanám, hogy túl rövid, inkább azt, hogy közel optimális.
De ennél a Medium még mélyebbre ásott. Ők minden cikken azt mérik, hogy mekkora az össz-olvasási idő – azaz ha egy cikket 1.000 ember olvasott átlagosan 60 másodpercig, ott 60×1.000=60.000 másodperc az össz-olvasási idő. Ha egy másik cikket csak 50-en néztek, de azt 300 másodpercig átlagosan, ott 50×300=15.000 mp az össz-olvasási idő.
Ez alapján kirajzoltatták a legsikeresebb, azaz a legnagyobb össz-olvasottsági idejű cikkeiket. A maximum a 7 perc hosszúságú cikkeknél van.

milyen hosszu a jo blogbejegyzes
Milyen hosszú a jó blogbejegyzés?

Természetesen sok blognak soha nem lesz annyi olvasója és akkora adathalmazai, mint a Mediumnak, azért az adatvezérelt gondolkodás példaértékű. Igenis érdemes olyan szubjektív tartalmaknál is, mint egy blogbejegyzés, adatelemezni és kideríteni, hogy mi az, amit szeretnek az olvasóink és mi az, amit kevésbé.

Az átlagos olvasási idő pedig a Te Google Analytics projektedben is benne van – csak pár kattintás belőle össz-olvasási időt számítani. Úgyhogy vess rá egy pillantást és találd ki, hogy ez alapján miről is kéne szólnia a következő cikkednek!

Mester Tomi

A cikk az alábbi bejegyzés alapján írodott:
View story at Medium.com

Tréningek hatékonyságának mérhetősége

Honnan lehet tudni, hogy jól sikerült-e egy képzés? Hogyan lehet mérni a hasznosságát, a hatékonyságát? Fontos, de nehéz kérdések. Amikor trénerként HR-esekkel beszélgetek a témáról, mindig ugyanazt a választ kapom: szinte lehetetlen eldönteni, hogy egy adott tréninget végül hasznosítottak-e a résztvevők. Ez persze nem igaz. A képzések hatékonyságát igenis lehet (és kell is) mérni. Természetesen ez nem egyszerű és minden egyes típusnál (csapatépítés, kommunikáció, vezetőképzés, számítógépes-ismeretek, stb…) más-más mérési-módszert kell elővennünk. De az elv minden esetben ugyanaz.

Ahogy általában csinálják
A legtöbbször az egyetlen módszer a mérésre egy elégedettségi kérdőív kitöltése. Ez fontos, de önmagában nagyon kevés. Négy főprobléma van vele:
1. A résztvevők töltik ki, és gyakran saját magukról nem tudnak reálisan véleményt alkotni, hogy mennyit fejlődtek.
2. A tréning után (max 2-3 nappal) szokták kitöltetni és ekkor még nem lehet eldönteni, hogy a megszerzett tudás hosszútávon is beépül-e.
3. Az elégedettségi kérdőív elsődleges célja visszajelzés a trénernek. A tananyagról, az oktatási stílusról, stb… Viszont ez nem biztos, hogy jó visszajelzés a cégnek a hosszútávú hasznokról.
4. Mivel ez egy direkt kutatási-módszer a válaszok torzíthatják a valóságot (pl. a résztvevők nem akarják megbántani a trénert, vagy a HR-t azzal, hogy felesleges képzést szerveztek, stb.).

A titkos módszer…
…amit Magyarországon nem sokan használnak. A hivatalos nemzetközi neve cél- és fejlődés-orientált hatékonyság mérés. (Elég közel áll a híres Kirk Patrick féle model-hez, de némiképp átalakítja, leegyszerűsíti azt.) Ez a fajta mérés az összes fenti problémát megoldja:
1. Nem a résztvevők értékelik magukat, hanem külső értékelést kapnak.
2. Hosszútávú fejlődést mér.
3. A valós – a cég fejlődését segítő – célokról ad visszajelzést.
4. Nem torzítja a valóságot, tiszta képet ad.

Kettő (plusz egy extra) titka van. Az egyik, hogy cél-központú. Azaz a tréner és a megrendelő már a képzés előtt kitűz egy kézzelfogható, konkrét célt, amit a tréningnek el kell érnie. Pl. egy sales tréning esetén, a kitűzött cél lehet, hogy a résztvevők eladási rátája a tréninget követő két hónapban megnőjön legalább 10%-kal. (Itt fontos, hogy ne abszolút értéket nézzünk, tehát ne pl. azt, hogy 10 millió forintról megugrott 12 millió forintra, hanem százalékos arányt, tehát, pl az értékesítések sikeressége 50%-ról megnőtt 55%-ra – ezáltal kizárhatjuk a szezonalitás problémáját.) Mégegyszer: konkrét, mérhető cél kell. A képlet: X%-os változás Y időn belül.
Ez nem csak a mérhetőség miatt jó, de ezáltal sokkal fókuszáltabb lesz maga a tréning is. Ha tudjuk mi a cél, tudjuk mit kell fejleszteni.

A másik “titok”, az előtte-utána összehasonlítás. Ha mégegyszer megnézed a képletet: X%-os változás Y időn belül. A kulcsszó ezúttal a változás. Tudnunk kell, hogy mi az alapszint, amiről elindulunk – amihez képest változtatunk. Ehhez nem csak a tréning utáni mérésre, de a tréning előtti állapot-felmérésre is szükség van. Megint a Sales tréning példája. Ha tudom, hogy a Sales-nek eddig 50%-os sikerrátája volt és a tréning után ez a szám felment 56%-ra, az egy 12%-os relatív növekedés. Ha viszont nem tudom, hogy honnan ugrottunk 56%-ra, akkor nincs mivel összehasonlítani az eredményt. Ez talán kézenfekvő lehet, de a hazai képzési kultúrában nem vetette meg a lábát.

Tehát: Konkrét, mérhető célt kell választanunk. És ezt a célt a tréning előtti és a tréning után Y hónap eltelte közötti állapotok összehasonlításával kell értékelni.

A Kirk Patrick módszer egyik legnagyobb hátránya, hogy túl részletes mérést ad az eredményekről. Ez egy klasszikus mérés-módszertani hibához vezet: túl drágává (és időigényessé) válik a mérés és emellett nem fókuszált, nincs egy szám, amivel eldönthetjük első ránézésre, hogy igen vagy nem, sikeres vagy sikertelen volt a tréning. Tehát a “+1 titok”: ha valóban meg akarjuk csinálni a képzés hatékonyságának mérését, akkor egyszerű, könnyen és olcsón mérhető célt kell választanunk.

Ha megfogahatatlannak tűnik a cél
Persze a Sales-es példa a legegyszerűbb – nyilván mindenkinek az jut az eszébe, hogy néhány képzés típus sokkal kevésbé megfogható. Íme néhány példa ezekre is (ezek csak általános példák – konkrét cégek, konrét igényekkel más célokat is belőhetnek):

a) PREZENTÁCIÓS TRÉNING
Mi a cél? Természetesen “a prezentációs készségek fejlesztése”. De ez nem elég speciális. A specifikus cél: azoknak a készségeknek a fejlesztése, amivel a résztvevő rövidebb idő alatt, koncentráltabban, átütőbben tud üzeneteket átadni.
Az egyik legjobb mérési módszer erre, hogy az adott prezentáló megkéri a hallgatóságát az előadás után, hogy egy cetlire írják le egy mondatban, hogy számukra mi volt az előadás üzenete. Ez alapján az előadó lemérheti, hogy a közönség hány % fogta az üzenetét. Ha a tréning előtt ez 30% volt, de utána felmegy 80%-ra, akkor egy nagyon sikeres tréningről beszélhetünk.

b) MENEDZSMENT TRÉNING
A cél: a managment tréning típusától függ. Legyen pl. a célok hatékony és érthető kommunikálása. Ezt kétféle képpen érdemes mérni, egyrészt a manager féléves értékeléséből (pl. 360) a beosztottjai válaszaiból látja, hogy saját véleményük szerint mennyire vannak tisztában azzal, hogy mi a csapatban betöltött szerepük. Másrészről a manager ténylegesen megkérdezheti a beosztottaktól, hogy mi a szerepük a csapatban. Ismét, ha a beosztottak 70%-a tudja pontosan leírni a szerepét a tréning előtt és 90%-a a tréning után 2 hónappal, akkor az egy látványos fejlődés. (Habár nem árt, ha ez a szám 100% – a tapasztalatom szerint a valóságban ez meglepően távol áll ettől az értéktől. :-))

c) HARD-SKILL TRÉNINGEK (pl. számítógépes ismeretek)
Nyilvánvalóan itt a legegyszerűbb belőni a célt, hiszen itt konkrét ismeretekről van szó. Egy szintfelmérő-teszt előtte és egy szintfelmérő-teszt utána segít eldönteni a tréning hatékonyságát. Ezt akár lehet közvetlenül a tréning előtt és után is csinálni, de általában egy-két héttel később érdemes, amikor – rossz esetben – már van idő “elfelejteni” a tanultakat.

Összességében ahány tréning-típus és ahány élethelyzet, annyi mérési stratégia létezhet. A lényeg, hogy konkrét, mérhető és fókuszált céljaink legyenek és az eredményt ne csak a tréning után, de a tréning előtt is mérjük, hogy a változás láthatóvá válljon. Emellett törekedjünk egyszerű mérési célokra, hogy a költség és időigényesség ne szabja korlátját a mérésnek.

Érdekesnek találod a témát? Én is! És szeretném továbbkutatni! Ha úgy érzed, hogy nálatok nem működik jól a tréningek értékelése, szívesen beszélgetnék  veled arról, hogy ti mit láttok a főproblémának és ötletelni azon, hogy hogyan lehetne ezen segíteni. Ezen a linken elérhetsz!

Mester Tomi – a www.adatlabor.hu szakírója

Források:
http://www.businessballs.com/kirkpatricklearningevaluationmodel.htm
http://managementhelp.org/training/systematic/ROI-evaluating-training.htm
https://www.linkedin.com/groups/What-are-best-ways-measuring-54046.S.203962042
http://bit.ly/goaloriantedtraining

Adatelemzés

Csak az illendőség kedvéért, ha már adatelemzés-blog, az adatelemzés néhány definíciója. (Érdekes módon magyar nyelven nem találtam semmit, úgyhogy jobbára angol nyelvű szövegeket fordítottam át):

Angol nyelvű wikipédia :
“Az adatelemzés az a folyamat, ami az adatok ellenőrzésére, letisztítására, átalakítására és modellezésére szolgál. Ezáltal hasznos információkat fedezhetünk fel, fontos következtetéseket vonhatunk le és jelentősen hozzájárulhatunk a helyes döntésekhez. Az adatelezmésnek több aspektusa és módszertana létezik – különböző technikák, különböző neveken, különböző üzeleti, tudományos, vagy szociológiai területeken.”

A business dictonary szerint:
“Az adatelemzés az adatok értékelése az analitikus és logikus érveléshez. Az elemezés ezen módja csak egy a sok lépés közül, amit el kell végezni egy kutatás során. Sok különböző adatelemzési terület létezik, mint például: adatbányászat, üzleti intelligencia, szövegelemzés vagy éppen az adatvizualizáció.”

Vagy az egyik kedvencem Croll és Yoskovitz Lean Analytics című könyvének a bevezetőjéből:
“Mind hazudunk magunknak néha. Egy vállalkozáshoz ez elengedhetetlen. Megesik, hogy jobban kell hinnünk abban, amit csinálunk, mint az ésszerű lenne. De ha túlzásba esünk és elkezdjük túlrajongni az ötleteinket, egyszer csak falnak ütközünk és a lufi, amit fújunk kidurran – fájdalmasan és véglegesen.
Néha muszáj hazudnunk önmagunknak, de ha ezt nem kontrolálljuk, veszélybe sodorhatjuk a vállalkozásunkat. És itt jön a képbe az adatelemzés.
Az elemzés a szükséges ellensúlya a hazugságoknak. A yin a yang-hoz. Egyébként minden szükséges üzlet (eredeti szövegben: “startup”) sarokköve is egyúttal.
Persze nem azt mondjuk, hogy az ösztöneidre hallgatni rossz. A belső sugallat az inspiráció, amire oda kell figyelni. De ne téveszd meg magad! A megérzéseid számítanak… viszont tesztelned kell őket! A megérzések a lehetséges kísérleteid alapjai, de a végső bizonyíték az adat lesz.”

És zárásképpen még egy közkeletű “definíció”, sokan megírták már, úgyhogy sajnos nem tudom kitől származik eredetileg.
Az adatelemzés gondolatolvasás. Legalábbis az ügyfeleid szemszögéből. Ha kihasználod az adatokban levő erőt, aki találkozik a termékeddel/szolgáltatásoddal, egész egyszerűen azt fogja érezni, hogy te tudod, hogy ő mit akar. Hát kell ennél több?

Mester Tomi

Data helps opinion – deepindata.com

A deepindata.com-on olvastam a lenti bejegyzést!  Tetszik, nagyon jó gondolatébresztő, úgyhogy kimásolom ide is. Az eredeti cikket Katona Zsuzsa írta “Data helps opinion” – azaz az adatok segítik vagy alázámasztják a véleményt – címen a webanalitika c. blogján. Íme:

“Az elmúlt 1-2 év itthon is kedvelt szlogene lett a “data beats opinion”, azaz az adat legyőzi a véleményt.
Egy ma az Internet Hungary-n elhangzott gondolat kitweetelése után Sarnyai Tibi barátom linkelte egy bejegyzését, amelyben véleményt nyilvánít az adatokról.
Nem túl hízelgő véleményt.
Ez indította el bennem azt a gondolatot, hogy leginkább szeretünk szembenállásról, két nagy ellenségről, az adatról és a véleményről beszélni, és mivel ez egy nagyon friss és nagyon buzz terület, ezért a ló túloldalára is eshetünk.
Innen már egyenes út vezetett oda, hogy: “Data beats helps opinion”, azaz az adatok segítik a véleményt.

Miért gondolom ezt? Valójában az a döntés, amit adat alapon hozunk meg, ugyanúgy vélemény.
Természetesen van különbség. Ez a különbség az, hogy a nagyon sok változós, nagyon bonyolult egyenletünkre nem vakon mondjuk be az eredményt – durván kockáztatva, hogy mellélövünk, hanem számolgatás után jön ki valami, aminek több köze van a valósághoz.
Természetesen tévedhetünk – de messze nem akkorát, és messze nem olyan fájdalmasat.
Az adat azért van, hogy leszűkítsük pár lehetséges forgatókönyvre a végtelen sokat. Az adatokból kijött eredmények ugyanis többfelé is mutathatnak.
Az adatok csak azt mondják meg, hogy MIT és HOL. Azt már nem tudják megmondani, HOGYAN.
Azt nekünk kell kitalálni, az adatokra támaszkodva.
És mivel az agyunk nem egyformán mozog, nem egyforma válaszokat fogunk adni.
A tapasztalataink segíthetnek, hogy a valóban(?) helyes döntést (ha van egyáltalán ilyen), hozzuk meg, de nem tudnak teljesen megkímélni a kudarctól.
Csak amíg adatok nélkül szinte biztos, hogy rossz véleményünk van, addig az adatokkal szinte biztos, hogy valami jó fog kisülni.

Szerintem.”

A megfelelő diagramm az üzenetedhez – I. rész

Ne olvasd tovább ezt a cikket, ha még soha életedben nem tettek le eléd ilyen vagy ehhez hasonló elemzést:

zavaró chart diagramm

Az a baj, hogy már annyira megszoktuk az értelemezhetetlen chart-okat, nem csak heti riportokban, de akár prezentációkban is, hogy már nem is tiltakozunk ellene. Valahogy úgy tűnik, hogy ennek egy elviselhető rossznak kell lennie. A probléma csak az, hogy a hasznos adatokat – amik segítenek a döntésekben és a dolgok megértésében – emiatt meg se próbáljuk befogadni, egyszerűen csak ugorjuk őket. Pedig mennyivel egyszerűbb egy ilyen grafikont elkészíteni és feldolgozni is, mint ez a lenti:

Jó chart diagramm

 

Nem azt mondom, hogy ez a világ legszebb grafikonja, de az biztos, hogy 5 másodpercnél nem több felfogni, hogy miről szól.

Íme az érthető és jó grafikon 5 titka:
1. Legyen üzeneted, amit a grafikonnal támasztasz alá. Tudd mit akarsz mondani és ehhez a mondanivalóhoz szerkeszd meg az ábrád. Előbb mondanivaló –» utána grafikon.
2. A megfelelő adathoz és üzenethez a megfelelő grafikont válaszd. Ez nem könnyű, de lent egy részletes útmutatót kínálok, amiből egyszerűen csak választanod kell.
3. Sose ábrázolj egynél több adathalmazt egy grafikonon. (Kivétel: ha direkt két adathalmaz közötti összefüggést szeretnél megmutatni.)
4. Csak a legfontosabb adatpontokat mutasd meg. (Kivétel: ha trendeket, pl. egy hónapon keresztüli napi honlaplátogatottságot, akarsz megmutatni.)

5. Ellenőrizz: tedd le valaki elé a grafikonodat és kérd meg, hogy mondja meg, mit lát rajta. Ennek prezentációk esetében 5 másodperc alatt meg kell történnie, írott jelentéseknél pedig maximum 20 másodperc az időkeret.

Hogyan válaszd ki, hogy milyen chart-ot használj?
Ez a legtöbbször elhibázott dolog, amivel találkozom. Trendeket oszlopdiagrammokon próbálnak megmutatni, megoszlásokat pedig vonalakkal. Ez nagy baj. Pedig ennek van egy nagyon jól dokumentált és kidolgozott tudománya. Erről találsz anyagot az ajánlott irodalom menüben is, de itt most megosztom veled a legfontosabb részt: a 4 legtöbbször szükséges diagramm-típust.
Mikor, milyen üzenethez, melyiket vedd elő? És hogyan kell őket szépen alkalmazni? Ha ezeket rendben használod, az esetek 99,9%-ban nem lesz problémád:

1. Kördiagramm (aka. pie chart): pie chart - kördiagramm
A kördiagramm összetétel elemzésére való. Ha pl egy külföldi diákcsoport összetételét akarom megmutatni, hogy 50%-a brit, 35%-a német, 10% olasz és 5%-a svájci. A kördiagramm tehát belső arányok ábrázolására jó, olyan esetekben, amikor a részek összege 100%-ot tesz ki. Hibás alkalmazása, amikor összehasonlításra akarják használni. A pie chart-on gyakran nem látszik, hogy pontosan melyik csoport a nagyobb a másiknál. Ezért összehasonlításra, amit inkább előveszünk a fegyvertárunkból az nem más mint az…

2. Oszlopdiagramm (aka. bar chart):   bar chart oszlop diagrammAz oszlopdiagrammban egymással valamilyen módon összefüggő, de nem feltétlenül zárt csoportot alkotó adatokat lehet és kell összehasonlítani. Pl. ha a cég HR, marketing, programozói és design részét akarom összehasonlítani a dolgozók száma szerint – és közben azt akarom kiemelni, hogy a programozók vannak a legtöbben, akkor itt már oszlop diagrammot használok. Rosszul csinálsz valamit, ha a bar chart-tal trendeket probálsz megmutatni, mivel arra való a…

3. Vonaldiagramm (aka. line chart): line chart - vonaldiagrammAz esetek 99%-ban, ha az X-tengelyen időt akarunk ábrázolni, akkor és csak akkor nyúlunk a vonaldiagramhoz. Azaz trendeket mutatunk meg rajta (folyamatokat egy folyamatos vonallal szimbolizálva). Pl. a 2006-os bevétel 10 millió forint volt, a 2007-es már 12, a 2008-as 14, stb…
Ja igen, és a line chart az egyetlen olyan kivétel, ahol igazán érdemes gyakran több adatcsoportot (dataset-et) együtt kezelni – és a trendeken jól láthatóvá tenni, pl a bevétel és a dolgozók számának az összefüggéseit.

4. Hisztogramm: Ritkán szoktuk használni, de a BigData korában elengedhetetlen, hogy elővegyük. Ezen a chart-on eloszlást szoktunk ábrázolni. Amikor rengeteg kis adatcsoportunk van és azoknak a számossága viszonylag nagy, egy hisztogrammal szépen ki lehet rajzolni a csoporton belüli összefüggéseket. Pl. a 10 milliós Magyarország (#bigdata) populációja hisztogrammon – az egyik tengelyen az életkor, a másikon a csoportban levő emberek száma, nemek szerint szét szedve – így néz ki:

hisztogramm
forrás: indexmundi.com

 

Összegzésként, hadd osszam meg veled ezt a szuper összefoglaló ábrát az összes létező chart-típusról (wowww!!). Elég egyértelműen látszik rajta, mikor mihez kell nyúlni. Németh Zoli kollégámtól kaptam… bár kicsit kicsi és tömör mégis elég jól átadja a lényeget. (Katt a nagyításért!)

chart diagramm összefoglaló ábrachart diagramm összefoglaló ábra

Remélem ezek az alapok elég lendületet adnak, hogy te már csak szép grafikonokat csinálj! Ha szeretnél tovább olvasni, nem sokára jön a sorozat második része!

Tomi