รูปแบบการนำเสนอข้อมูลของ Data Visualization (Part 2)

                บทความที่ผ่านมาเราได้พูดถึงการรับรู้ผ่านภาพ (Visual Perception) และการเรียนรู้ผ่านภาพ (Visual Learning) ของมนุษย์ผ่านธรรมชาติของมนุษย์เราที่มักจะสังเกตองค์ประกอบต่าง ๆ ของภาพไม่ว่าจะเป็น เส้น จุด สี ความสว่าง ความเข้มสี และอื่น ๆ ซึ่งมีผลต่อประสิทธิภาพการจดจำและใช้เวลาที่น้อยลงในการทำความเข้าใจและเชื่อมโยงข้อมูลใหม่กับชุดข้อมูลเดิมที่จดจำไว้อยู่แล้ว ในบทความนี้เราจะพาท่านผู้อ่านมารู้จักกับการนำเสนอข้อมูลของ Data Visualization ในรูปแบบต่าง ๆ กัน

1. Time-Series

                หรือเราอาจจะรู้จักกันดีในชื่อว่า Time Line หรือใช้เส้นเวลาเป็นองค์ประกอบหลักในการเล่า ยกตัวอย่างเช่นอัตราการว่างงานในตลอดนะยะเวลา 10 ปีที่ผ่านมา ซึ่งนอกจากจะใช้ในการเล่าข้อมูลในอดีตแล้ว รูปแบบนี้ยังสามารถนำใช้นำเสนอข้อมูลด้านการทำนายความนิยมหรือเทรนด์ในอนาคตได้อีกด้วย

2. Ranking

                คือนำข้อมูลมาแบ่งเป็นส่วนย่อยและนำส่วนย่อยที่ถูกแบ่งมาจัดลำดับ หากให้เห็นภาพชัดการนนำเสนอรูปแบบนี้มักจะออกมาในรูปแบบของแผนภูมิแท่ง (Bar Chart) เพื่อให้สามารถเปรียบเทียบข้อมูลของส่วนย่อยแต่ละส่วน ยกตัวอย่างเช่น การเปรียบเทียบยอดขายของชาเขียวแต่ละรสชาติภายใต้แบรนด์โออิชิ เป็นต้น

3. Part-to-whole

                เป็นการเปรียบเทียบข้อมูลของส่วนย่อยคล้ายกับรูปแบบ Ranking แต่ไม่ได้เปรียบเทียบข้อมูลย่อยกับข้อมูลย่อยอีกชุดหนึ่ง แต่เป็นการเปรียบเทียบข้อมูลย่อย 1 ส่วนกับข้อมูลทั้งหมด(ก่อนที่จะถูกแบ่งเป็นส่วนย่อย) การนำเสนอข้อมูลรูปแบบนี้มักจะใช้เป็นแผนภูมิวงกลม (Pie Chart) ซึ่งส่วนมากมักจะใช้เปรียบเทียบเป็นอัตราส่วนเปอร์เซ็นต์ การแสดงผลข้อมูลรูปแบบนี้มักจะถูกใช้กับส่วนแบ่งการตลาด หรือจำนวนประชากรในหนึ่งหน่วยพื้นที่เป็นต้น

4. Deviation หรือ Indicator

                เป็นอีกหนึ่งรูปแบบการนำเสนอเพื่อเปรียบเทียบข้อมูลส่วนย่อยกับข้อมูลอ้างอิง ยกตัวอย่างเช่น การเปรียบเทียบค่าใช้จ่ายจริงกับจำนวนเงินที่ตั้งไว้ เปรียบเทียบส่วนสูงกับค่ามาตรฐานที่มีการศึกษารองรับหรือเป็นค่ากลางที่เป็นที่ยอมรับเป็นต้น การนำเสนอรูปแบบนี้สามารถใช้แผนภูมิแท่งเพื่อให้สามารถเปรียบเทียบได้ชัดเจนขึ้น

5. Frequency distribution

                แสดงปริมาณหรือจำนวนจากการติดตามสังเกตความเปลี่ยนแปลงของสิ่งที่ต้องการเก็บเป็นข้อมูลเป็นความถี่หรือเก็บข้อมูลเป็นช่วง ๆ อย่างต่อเนื่อง ลักษณะการนำเสนอข้อมูลแบบนี้จึงมักจะออกมาในรูปแบบของฮิสโตแกรม (Histogram) หรือ แผนภาพกล่อง (Boxplot) เพราะนอกจากจะสามารถแสดงผลออกมาเป็นภาพได้แล้ว ยังสามารถแสดงค่าทางสถิติเช่น ค่ามัธยฐาน ค่าเฉลี่ย หรือค่าอื่น ๆ ประกอบไปพร้อมกันได้อีกด้วย

6. Correlation

                สถิติรูปแบบนี้มักจะถูกใช้ในงานวิจัยเพื่อหาความสัมพันธ์ของข้อมูล 2 ชุดที่อาจจะเกี่ยวข้องกันหรืออาจจะไม่เกี่ยวข้องกัน ลักษณะของการแสดงผลมักจะใช้เป็นกราฟเส้นหรือกราฟจุด โดยพล็อตข้อมูลทั้งสองชุดบนแกนเดียวกัน หากข้อมูลทั้งสองชุดมีความสัมพันธ์กัน ผลลัพธ์ที่แสดงออกมาจะมีลักษณะใกล้เคียงกัน เช่นเมื่อชุดข้อมูล A มีแนวโน้มที่จะพุ่งขึ้น ชุดข้อมูล B ก็จะพุ่งขึ้นไปพร้อม ๆ กัน หรืออาจจะสัมพันธ์กันในทางตรงกันข้าม เช่น ชุดข้อมูล A เพิ่มขึ้น ชุดข้อมูล B กลับลดลงแต่ในอัตราที่ใกล้เคียงกัน ยกตัวอย่างเช่นการเพิ่มขึ้นของอุปสงค์และอุปทาน เป็นต้น

7. Nominal Comparison

                คือการเปรียบเทียอข้อมูลอย่างง่าย โดยไม่อ้างอิงตามกฎเกณฑ์หรือชุดข้อมูลเฉพาะ ยกตัวอย่างเช่น การเปรียบเทียบจำนวนผู้เข้าทำงานตอน 8 โมงเช้าและ 9 โมงเช้า หรือเปรียบเทียบจำนวนพนักงานแผนกการขายกับแผนกการผลิต เป็นต้น

8. Geographic หรือ Geospatial

                คือการเปรียบเทียบข้อมูลโดยอ้างอิงตามพื้นที่ในแผนที่ประชากรหรือแผนผังตำแหน่งต่าง ๆ หรือพูดง่าย ๆ ว่าเป็นการเปรียบเทียบจำนวนชุดข้อมูลใน 1 พื้นที่ ยกตัวอย่างเช่น จำนวนคนว่างงานในจังหวัดต่าง ๆ ในภาคเหนือ หรือที่เราเปิดดูประจำในช่วงเดือน มีนาคม-พฤษภาคมที่ผ่านคือ จำนวนผู้ที่ติดเชื้อไวรัส covid-19 ในประเทศต่าง ๆ ทั่วโลกนั่นเอง

9. Hierarchical

                ใช้เพื่อแสดงชุดข้อมูลย่อยทั้งหมดที่อยู่ภายใต้ หัวข้อใหญ่ เพื่อหาความสัมพันธ์ซึ่งกันและกันระหว่างแต่ละชุดข้อมูล สามารถใช้เพื่อทบทวนทิศทางหรือเป้าหมายหรือวัตถุประสงค์ของการจัดเก็บข้อมูลได้ด้วย ยกตัวอย่างเช่น แผนผังเป้าหมายของแผนก Social Marketing โดยแบ่งย่อยเป็นแต่ละแพลตฟอร์มเช่น เป้าหมายที่ต้องทำให้ได้ของแพลตฟอร์ม Facebook, Instagram, Twitter หรือ Tiktok เป็นต้น ทั้งข้อมูลลักษณะนี้จะมีความละเอียดและซับซ้อนแต่เหมาะกับการนำวางแผนและตัดสินใจอย่างมีประสิทธิภาพได้เช่นกัน

                ยังมีรูปแบบการนำเสนออีกหลากหลายรูปแบบที่เราอาจจะไม่ได้พูดถึง แต่อย่างไรก็ดีเราในฐานะผู้เสพข้อมูลเรามักจะไม่ได้ตระหนักถึงความหลากหลายของการนำเสนอเหล่านี้ หลังจากนี้ถ้าท่านผู้อ่านได้เจอ data visualization อีกในบทความที่อ่านหรือการนำเสนองานจากองค์กรใดใด ลองสังเกตดูว่าเขาเหล่านั้นใช้การนำเสนอรูปแบบไหนที่เขาเลือกมาให้เราเพื่อให้เกิดความเข้าใจมากที่สุด เก็บไว้เป็นฐานข้อมูลเพื่อที่วันหนึ่งท่านอาจจะได้เป็นผู้ที่หยิบจับมันมาใช้ด้วยตัวท่านเอง

อ่านบทความเกี่ยวกับ Data Science อื่นๆ
1. Data Scientist ผู้เปลี่ยนข้อมูลเป็นมูลค่า และสร้างคุณค่าจากข้อมูล
2. Data Visualization Part1: มนุษย์ต่อการรับรู้ภาพ

โดย ปกรณ์ นาวาจะ

Source:
https://en.wikipedia.org/wiki/Data_visualization
https://www.klipfolio.com/resources/articles/what-is-data-visualization

13Shares

Write a comment