• Home
  • /
  • Blog
  • /
  • أنواع التمثيل المرئي للبيانات واستخداماته – برنامج تعليمي للمبتدئين

أنواع التمثيل المرئي للبيانات واستخداماته – برنامج تعليمي للمبتدئين

عرض مرئي للمعلومات

This post is also available in: English (الإنجليزية) हिन्दी (الهندية)

البيانات – مجموعة من الحقائق (أرقام ، كلمات ، قياسات ، ملاحظات ، إلخ) التي تُرجمت إلى نموذج يمكن لأجهزة الكمبيوتر معالجته.

بغض النظر عن الصناعة أو الاهتمامات ، فمن شبه المؤكد أنك قد صادفت قصة حول كيفية تغيير “البيانات” لوجه عالمنا. قد يكون جزءًا من دراسة تساعد في علاج مرض ما ، أو زيادة أرباح الشركة ، أو جعل مبنى أكثر كفاءة ، أو تكون مسؤولاً عن تلك الإعلانات المستهدفة التي تستمر في رؤيتها.

بشكل عام ، البيانات هي ببساطة كلمة أخرى للمعلومات. ولكن في مجال الحوسبة والأعمال (معظم ما تقرأ عنه في الأخبار عندما يتعلق الأمر بالبيانات – خاصةً إذا كان يتعلق بالبيانات الضخمة) ، تشير البيانات إلى المعلومات التي يمكن قراءتها آليًا بدلاً من المعلومات التي يمكن قراءتها بواسطة الإنسان.

ما هو تصور البيانات؟

تصور البيانات هو ممارسة ترجمة المعلومات إلى سياق مرئي ، مثل خريطة أو رسم بياني ، لتسهيل فهم البيانات على العقل البشري واستخلاص الأفكار منها. الهدف الرئيسي من تصور البيانات هو تسهيل تحديد الأنماط والاتجاهات والقيم المتطرفة في مجموعات البيانات الكبيرة. غالبًا ما يستخدم المصطلح بالتبادل مع الآخرين ، بما في ذلك رسومات المعلومات وتصور المعلومات والرسومات الإحصائية.

يعد تصور البيانات إحدى خطوات عملية علم البيانات ، والتي تنص على أنه بعد جمع البيانات ومعالجتها ونمذجتها ، يجب تصورها للوصول إلى الاستنتاجات. يعد تصور البيانات أيضًا عنصرًا في مجال هندسة عرض البيانات (DPA) الأوسع نطاقًا ، والذي يهدف إلى تحديد البيانات وتحديد موقعها ومعالجتها وتنسيقها وتسليمها بأكثر الطرق فعالية ممكنة.

يعد تصور البيانات مهمًا لكل مهنة تقريبًا. يمكن استخدامه من قبل المعلمين لعرض نتائج اختبارات الطلاب ، أو بواسطة علماء الكمبيوتر الذين يستكشفون التطورات في الذكاء الاصطناعي (AI) ، أو من قبل المديرين التنفيذيين الذين يتطلعون إلى مشاركة المعلومات مع أصحاب المصلحة. كما أنها تلعب دورًا مهمًا في مشاريع البيانات الضخمة. نظرًا لأن الشركات جمعت مجموعات ضخمة من البيانات خلال السنوات الأولى لاتجاه البيانات الضخمة ، فقد احتاجوا إلى طريقة للحصول بسرعة وسهولة على نظرة عامة على بياناتهم. كانت أدوات التصور مناسبة بشكل طبيعي.

التصور أساسي للتحليلات المتقدمة لأسباب مماثلة. عندما يكتب عالم البيانات تحليلات تنبؤية متقدمة أو خوارزميات التعلم الآلي (ML) ، يصبح من المهم تصور المخرجات لمراقبة النتائج والتأكد من أن النماذج تعمل على النحو المنشود. هذا لأن تصورات الخوارزميات المعقدة أسهل في التفسير عمومًا من المخرجات العددية.

مزايا تصور البيانات

عند التفكير في استراتيجيات وأهداف العمل ، يفيد تصور البيانات صانعي القرار بعدة طرق لتحسين رؤى البيانات. دعنا نستكشف سبع مزايا رئيسية بالتفصيل:

  • تحليل أفضل: يساعد تصور البيانات أصحاب المصلحة التجاريين على تحليل التقارير المتعلقة بالمبيعات واستراتيجيات التسويق والاهتمام بالمنتج. بناءً على التحليل ، يمكنهم التركيز على المجالات التي تتطلب الاهتمام لزيادة الأرباح ، مما يجعل العمل بدوره أكثر إنتاجية.
  • إجراء سريع: كما ذكرنا سابقًا ، يمسك الدماغ البشري المرئيات بسهولة أكبر من تقارير الجدول. تسمح تصورات البيانات بإخطار صانعي القرار بسرعة برؤى البيانات الجديدة واتخاذ الإجراءات اللازمة لنمو الأعمال.
  • تحديد الأنماط: يمكن أن توفر كميات كبيرة من البيانات المعقدة العديد من الفرص للرؤى عندما نتخيلها. يسمح التصور لمستخدمي الأعمال بالتعرف على العلاقات بين البيانات ، مما يوفر معنى أكبر لها. يساعد استكشاف هذه الأنماط المستخدمين على التركيز على مجالات محددة تتطلب الانتباه في البيانات حتى يتمكنوا من تحديد أهمية تلك المجالات لدفع أعمالهم إلى الأمام.
  • البحث عن الأخطاء: يساعد تصور بياناتك في التعرف بسرعة على أي أخطاء في البيانات. إذا كانت البيانات تميل إلى اقتراح إجراءات خاطئة ، فإن التمثيلات المرئية تساعد في تحديد البيانات الخاطئة في وقت أقرب بحيث يمكن إزالتها من التحليل.
  • فهم القصة: رواية القصص هي الغرض من لوحة القيادة. من خلال تصميم مرئياتك بطريقة هادفة ، فإنك تساعد الجمهور المستهدف على فهم القصة في لمحة واحدة. احرص دائمًا على نقل القصة بأبسط صورة ، بدون صور معقدة للغاية.
  • استكشاف رؤى الأعمال: في بيئة الأعمال التنافسية الحالية ، يعد العثور على ارتباطاتالبيانات باستخدام العروض المرئية أمرًا أساسيًا لتحديد رؤى الأعمال. يعد استكشاف هذه الأفكار أمرًا مهمًا لمستخدمي الأعمال أو المديرين التنفيذيين لتحديد المسار الصحيح لتحقيق أهداف الشركة.
  • استيعاب أحدث الاتجاهات: باستخدام تصور البيانات ، يمكنك اكتشاف أحدث الاتجاهات في عملك لتوفير منتجات عالية الجودة وتحديد المشكلات قبل ظهورها. للبقاء على قمة الاتجاهات ، يمكنك بذل المزيد من الجهد لزيادة أرباح عملك.

أنواع مختلفة من تصور البيانات

بعض الأشكال الأكثر شيوعًا لتصور البيانات هي:

1. مخطط المنطقة

يجمع المخطط المساحي بين المخطط الخطي والمخطط الشريطي لإظهار كيف تتغير القيم الرقمية لمجموعة واحدة أو أكثر عبر تقدم متغير ثانٍ ، عادةً ما يكون متغيرًا زمنيًا. يتم تمييز المخطط المساحي عن المخطط الخطي عن طريق إضافة التظليل بين الخطوط والخط الأساسي ، كما هو الحال في المخطط الشريطي.

Data Visualization

يستخدم المخطط المساحي عادةً مع عدة أسطر لإجراء مقارنة بين المجموعات (أو المتسلسلة) أو لإظهار كيفية تقسيم الكل إلى أجزاء. يؤدي هذا إلى نوعين مختلفين من مخططات المنطقة ، واحد لكل حالة استخدام.

2. رسم بياني شريطي

الرسم البياني الشريطي (أو المخطط الشريطي) هو نوع من الرسم البياني حيث يمثل كل عمود (مرسومًا عموديًا أو أفقيًا) متغيرًا فئويًا. (المتغير الفئوي هو متغير له فئتان أو أكثر بدون ترتيب جوهري للفئات. على سبيل المثال ، الجنس هو متغير فئوي بفئتين: ذكر وأنثى.) يستخدم الرسم البياني الشريطي لمقارنة تكرار فئة أو خاصية مع تكرار فئة أو خاصية أخرى. يوضح ارتفاع الشريط (إذا كان رأسيًا) أو الطول (إذا كان أفقيًا) التردد لكل فئة أو خاصية.

Data Visualization

المخططات الشريطية لها مظهر مشابه للمخططات البيانية. ومع ذلك ، يتم استخدام المخططات الشريطية للبيانات الفئوية أو النوعية بينما يتم استخدام الرسوم البيانية للبيانات الكمية. أيضًا ، في الرسوم البيانية ، تكون الفئات (أو الأشرطة) متساوية العرض وتتلامس مع بعضها البعض ، بينما في المخططات الشريطية ، لا تلمس الأشرطة بعضها البعض.

3. مخطط الفقاعة

المخطط الفقاعي هو رسم بياني متعدد المتغيرات يمثل تقاطعًا بين مخطط مبعثر ومخطط منطقة متناسب. مثل مخطط مبعثر ، تستخدم المخططات الفقاعية نظام إحداثيات ديكارتي لرسم نقاط على طول شبكة حيث يكون المحور X و Y متغيرين منفصلين. ومع ذلك. على عكس مخطط مبعثر ، يتم تعيين تسمية أو فئة لكل نقطة (إما معروضة بجانب أو على وسيلة الإيضاح). ثم تمثل كل نقطة مخططة متغيرًا ثالثًا بمساحة دائرتها.

يمكن أيضًا استخدام الألوان للتمييز بين الفئات أو استخدامها لتمثيل متغير بيانات إضافي. يمكن إظهار الوقت إما عن طريق جعله متغيرًا على أحد المحور أو عن طريق تحريك متغيرات البيانات المتغيرة بمرور الوقت.

Data Visualization

تُستخدم المخططات الفقاعية عادةً لمقارنة العلاقات بين الدوائر المصنفة وإظهارها ، عن طريق استخدام تحديد المواقع والنسب. يمكن استخدام الصورة العامة للمخططات الفقاعية لتحليل الأنماط / الارتباطات.

يمكن أن يؤدي وجود عدد كبير جدًا من الفقاعات إلى صعوبة قراءة المخطط ، لذا فإن المخططات الفقاعية لها سعة حجم بيانات محدودة. يمكن معالجة هذا إلى حد ما عن طريق التفاعل: النقر فوق الفقاعات أو التمرير فوقها لعرض المعلومات المخفية ، أو وجود خيار لإعادة تنظيم الفئات المجمعة أو تصفيتها.

4. مخطط نقطي

المخطط النقطي هو تباين في المخطط الشريطي المصمم لمقارنة مقياس أساسي واحد (على سبيل المثال ، الإيرادات الحالية من العام حتى تاريخه) بواحد أو أكثر من المقاييس الأخرى لإثراء معناه (على سبيل المثال ، مقارنة بالهدف) ، ويعرضها في سياق نطاقات نوعية للأداء ، مثل ضعيف ومرضٍ وجيد. يتم عرض النطاقات النوعية ككتل ذات لون واحد ولكن بكثافة متفاوتة ، مما يجعلها قابلة للتمييز من قبل أولئك الذين يعانون من عمى الألوان ويحد من استخدام الألوان على لوحة القيادة إلى الحد الأدنى.

Data Visualization

يستخدم مخطط التعداد النقطي دائمًا سلسلة بيانات واحدة فقط ، ولكن قد تحتوي لوحة المعلومات على العديد من المخططات النقطية في نفس الوقت. يمكن أن يكون هذا النوع من المخططات مفيدًا جدًا في بعض الحالات بقدر ما يوفر أوضح عرض للبيانات باستخدام مساحة أقل.

5. مؤامرات الصندوق والشعر

يُطلق على boxplot أيضًا اسم المربع والشعيرة ، وهي طريقة لإظهار انتشار مجموعة البيانات ومراكزها. تشمل مقاييس الانتشار النطاق بين الشرائح الربعية ومتوسط ​​مجموعة البيانات. تتضمن مقاييس المركز المتوسط ​​أو المتوسط ​​والوسيط (منتصف مجموعة البيانات).

Data Visualization

يوضح لك مخطط المربع والشعيرات كيفية انتشار بياناتك. يتم تضمين خمس أجزاء من المعلومات (“الملخص المكون من خمسة أرقام”) بشكل عام في الرسم البياني:

  • الحد الأدنى (أصغر رقم في مجموعة البيانات). يظهر الحد الأدنى في أقصى يسار الرسم البياني ، في نهاية “الخط الطولي” الأيسر.
  • الربع الأول ، Q1 ، هو أقصى يسار المربع (أو أقصى يمين الشارب الأيسر).
  • يظهر الوسيط كخط في وسط المربع.
  • الربع الثالث ، Q3 ، يظهر في أقصى يمين المربع (في أقصى يسار الطولي الأيمن).
  • الحد الأقصى (أكبر رقم في مجموعة البيانات) ، يظهر في أقصى يمين المربع.

6. رسم الخرائط

رسم الخرائط هو خريطة يتم فيها تشويه هندسة المناطق من أجل نقل معلومات متغير بديل. سيتم تضخيم مساحة المنطقة أو تفريغها وفقًا لقيمتها الرقمية.

في معظم الأحيان ، يكون رسم الخرائط أيضًا خريطة تصحيحية حيث يتم تلوين المناطق وفقًا لمتغير رقمي (وليس بالضرورة الذي يستخدم لإنشاء مخطط الخرائط).

Data Visualization

يهدف رسم الخرائط إلى تصحيح التحيز الذي يمكن ملاحظته في الخرائط التصحيحية: عندما يتم تجميع متغير لكل منطقة ، ستبدو المنطقة التي تحتوي على نقاط بيانات قليلة جدًا بنفس أهمية المنطقة التي تحتوي على العديد من نقاط البيانات.

على سبيل المثال ، تخيل أنك تعرض متوسط ​​الراتب لكل منطقة على الخريطة التصحيحية الخاصة بك. سيكون للمنطقة التي يبلغ عدد سكانها 3 سكان بمساحة ضخمة أهمية أكبر على خريطتك مقارنة بالمنطقة الصغيرة التي يبلغ عدد سكانها 3000 نسمة ، مما يؤدي إلى تحيز قوي. يهدف مخطط الخرائط إلى تقليل هذا التحيز.

7. مخطط عمودي

تستخدم المخططات العمودية أشرطة عمودية لإظهار المقارنات بين الفئات أو الأشياء. يعرض أحد المحاور الفئات التي تتم مقارنتها ، بينما يعرض الآخر قيم البيانات. إنها فعالة لإظهار الموقف في وقت معين. إذا كان من الممكن حساب شيء ما ، فيمكن تمثيله في مخطط عمودي ، على سبيل المثال ، عدد المنتجات المباعة أو الزيارات على موقع ويب.

المخططات العمودية فعالة في التأكيد على الفرق بين القيم. تُستخدم المخططات العمودية لمقارنة التغيير بين المجموعات بمرور الوقت ، وهي أسهل في القراءة عندما تكون الاختلافات في قيمة البيانات كبيرة نسبيًا.

Data Visualization

إذا كان لديك العديد من الفئات للمقارنة ، فقد يكون من الأسهل قراءة الرسم البياني الخطي.

يمكن إنشاء المخططات العمودية بتنسيقات قياسية أو مكدسة أو نسبية. يعرض كل تنسيق البيانات نفسها بطريقة مختلفة ، مما يسهل إجراء المقارنات أو رؤية الأنماط الناشئة في البيانات.

8. عرض الدائرة

يعتبر CircleView أسلوبًا جديدًا لتصور مجموعات البيانات ذات المرجعية الزمنية متعددة الأبعاد. نظرًا لحقيقة أن البيانات المستمرة تغير خصائصها بمرور الوقت ، فإن طريقة التصور المناسبة ضرورية.

لذلك فإن هذه التقنية الجديدة هي مزيج من تقنيات التصور الهرمي ، مثل الخرائط الهيكلية ، وتقنيات التخطيط الدائري ، مثل المخططات الدائرية ومقاطع الدائرة.

Data Visualization

بالنسبة للمستخدمين المهتمين بتحليل مثل هذا النوع من البيانات ، من المهم جدًا تحديد الأنماط والاستثناءات وأوجه التشابه ، وهذا هو الغرض الرئيسي الذي تم تطوير نهج التصور الجديد هذا من أجله. يدعم CircleView تصور الخصائص المتغيرة بمرور الوقت لمراقبة التغييرات في البيانات. لذلك ، يوفر CircleView واجهة تصور بديهية وسهلة الفهم ، والتي تمكن المستخدم من جمع كل المعلومات اللازمة للتحليل. بالإضافة إلى ذلك ، يتيح التطبيق تفاعل المستخدم ، مثل خيارات الترتيب المختلفة للبيانات ، وطرق التصفية ، وإمكانية تحديد الفترة الزمنية وسرعة الرسوم المتحركة ، التي يتم تصورها ، لإظهار كل من البيانات في الوقت الفعلي والبيانات التاريخية.

علاوة على ذلك ، يمكن للمستخدم استكشاف الارتباطات والاستثناءات في البيانات ، والتي يتم تحقيقها باستخدام خوارزميات التشابه وترتيب الخوارزميات. لذا فإن CircleView تمكن المستخدم من الحصول على كل أداة مطلوبة لتحليل بيانات استكشافية فعال.

9. قمع الرسم البياني

يساعدك المخطط القمعي في تصور عملية خطية لها مراحل متصلة متسلسلة. على سبيل المثال ، مسار مبيعات يتتبع العملاء عبر المراحل: العميل المتوقع> العميل المحتمل المؤهل> توقع> العقد> الإغلاق. في لمحة ، شكل القمع ينقل صحة العملية التي تتبعها.

Data Visualization

تمثل كل مرحلة قمع نسبة مئوية من الإجمالي. لذلك ، في معظم الحالات ، يتشكل المخطط القمعي على شكل قمع – حيث تكون المرحلة الأولى هي الأكبر ، وكل مرحلة لاحقة أصغر من سابقتها. القمع على شكل كمثرى مفيد أيضًا – يمكنه تحديد مشكلة في العملية. ولكن عادة ما تكون المرحلة الأولى ، مرحلة “المدخول” ، هي الأكبر.

تعد المخططات القمعية خيارًا رائعًا:

  • عندما تكون البيانات متسلسلة وتتحرك خلال 4 مراحل على الأقل.
  • عندما من المتوقع أن يكون عدد “العناصر” في المرحلة الأولى أكبر من العدد في المرحلة النهائية.
  • لحساب الإمكانات (الإيرادات / المبيعات / الصفقات / إلخ) على مراحل.
  • لحساب وتتبع معدلات التحويل والاحتفاظ.
  • للكشف عن الاختناقات في عملية خطية.
  • لتتبع سير عمل عربة التسوق.
  • لتتبع التقدم والنجاح في حملات الإعلان / التسويق عبر النقر.

10. خريطة توزيع النقاط

تعد خريطة توزيع النقاط (أو خريطة كثافة النقاط أو مجرد خريطة نقطية) نوعًا من الخرائط الموضوعية التي تستخدم رمز نقطة لتصور التوزيع الجغرافي لعدد كبير من الظواهر ذات الصلة. الخرائط النقطية هي نوع من تصورات الوحدة التي تعتمد على التبعثر المرئي لإظهار الأنماط المكانية ، وخاصة الفروق في الكثافة.

Data Visualization

قد تمثل النقاط المواقع الفعلية للظواهر الفردية ، أو يتم وضعها بشكل عشوائي في مناطق التجميع لتمثيل العديد من المستخدمين الذين يمكنهم استكشاف فترات 10 سنوات بشكل مختلف عن الأفراد. على الرغم من اختلاف هذين الإجراءين والنماذج الأساسية لهما ، إلا أن التأثير العام هو نفسه.

11. مخطط المحور المزدوج

يستخدم المخطط ثنائي المحور (يسمى أيضًا مخطط المحاور المتعددة) محورين لتوضيح العلاقات بين متغيرين بأحجام ومقاييس قياس مختلفة بسهولة. يشار إلى العلاقة بين متغيرين باسم الارتباط.

Data Visualization

يوضح الرسم البياني ثنائي المحور الكثير من المعلومات باستخدام مساحة محدودة ، بحيث يمكنك اكتشاف الاتجاهات التي قد تكون فاتتك بخلاف ذلك.

12. مخطط جانت

مخطط جانت هو نوع من مخطط شريطي يوضح جدول المشروع. يسرد هذا المخطط المهام التي سيتم تنفيذها على المحور الرأسي والفترات الزمنية على المحور الأفقي. يوضح عرض الأشرطة الأفقية في الرسم البياني مدة كل نشاط.

توضح مخططات جانت تواريخ البدء والانتهاء للعناصر الطرفية وعناصر التلخيص للمشروع. تشكل العناصر النهائية وعناصر الملخص هيكل تنظيم العمل الخاص بالمشروع. تُظهر مخططات جانت الحديثة أيضًا علاقات التبعية (أي شبكة الأسبقية) بين الأنشطة. يمكن استخدام مخططات جانت لإظهار حالة الجدول الحالي باستخدام تظليل النسبة المئوية الكاملة وخط عمودي “TODAY”.

Data Visualization

عادةً ما يتم إنشاء مخططات جانت مبدئيًا باستخدام نهج وقت البدء المبكر ، حيث تتم جدولة كل مهمة للبدء فورًا عند اكتمال متطلباتها الأساسية. تزيد هذه الطريقة من وقت التعويم المتاح لجميع المهام.

13. خريطة الحرارة

خريطة الحرارة هي تمثيل رسومي للبيانات التي تستخدم نظام ترميز لوني لتمثيل قيم مختلفة. تُستخدم الخرائط الحرارية في أشكال مختلفة من التحليلات ، ولكنها تُستخدم بشكل شائع لإظهار سلوك المستخدم على صفحات ويب معينة أو قوالب صفحات الويب. يمكن استخدام خرائط التمثيل اللوني لإظهار المكان الذي نقر فيه المستخدمون على الصفحة ، أو إلى أي مدى انتقلوا إلى أسفل الصفحة ، أو استخدموا لعرض نتائج اختبارات تتبع العين.

Data Visualization

يمكن أن تقدم خرائط الحرارة نظرة عامة أكثر شمولاً عن كيفية تصرف المستخدمين حقًا. تعد الخرائط الحرارية أيضًا أكثر وضوحًا من تقارير التحليلات القياسية ، مما يسهل تحليلها في لمح البصر. هذا يجعل الوصول إليها أكثر سهولة ، خاصة للأشخاص الذين لم يعتادوا على تحليل كميات كبيرة من البيانات.

14. تسليط الضوء على الجدول

يعمل جدول الإبراز تمامًا كما يوحي اسمه – فهو يضيف ميزات ملونة للمستخدم لقراءة الجدول بشكل أكثر سهولة وفعالية. يقارن البيانات الفئوية باستخدام اللون. يتحدث بوضوح ، إنه في الأساس جدول بيانات به خلايا ملونة. على الرغم من أنه يمكننا استخدام جدول نصي بنص ملون ، إلا أن لون الخط وشفافيته سيلهينا عن قراءة النص.

Data Visualization

من خلال التصور باستخدام جدول تمييز ، يمكننا تحديد الأنماط أو الارتباطات بشكل أسرع بكثير من النظر إلى البيانات الأولية للجدول. كما أن لديها قابلية تطوير عالية ، مما يعني عرض الكثير من البيانات في مخطط واحد. من ناحية أخرى ، يحدد جدول الإبراز عدد الأبعاد. إلى جانب ذلك ، من الصعب التمييز بين الاختلافات الصغيرة.

15. الرسم البياني

المدرج التكراري هو مخطط يسمح لك باكتشاف وعرض التوزيع التكراري الأساسي (الشكل) لمجموعة من البيانات المستمرة. يسمح هذا بفحص البيانات من أجل توزيعها الأساسي (على سبيل المثال ، التوزيع الطبيعي) ، القيم المتطرفة ، الانحراف ، إلخ. فيما يلي مثال على الرسم البياني والبيانات الأولية التي تم تكوينها منها:

Data Visualization

لإنشاء رسم بياني من متغير مستمر ، تحتاج أولاً إلى تقسيم البيانات إلى فترات زمنية ، تسمى الصناديق. في المثال أعلاه ، تم تقسيم العمر إلى صناديق ، حيث يمثل كل صندوق فترة 10 سنوات تبدأ من 20 عامًا. تحتوي كل حاوية على عدد تكرارات الدرجات في مجموعة البيانات المضمنة في تلك الحاوية.

16. خط الرسم البياني

تعتبر الرسوم البيانية الخطية (أو المخططات الخطية) هي الأفضل عندما تريد إظهار كيفية تغير قيمة شيء ما بمرور الوقت ، أو مقارنة كيفية تغير العديد من الأشياء بمرور الوقت بالنسبة لبعضها البعض. عندما تسمع هذه العبارة الرئيسية “بمرور الوقت” ، فهذا هو دليلك على التفكير في استخدام رسم بياني خطي لبياناتك.

Data Visualization

الرسوم البيانية الخطية هي مخططات شائعة وفعالة لأنها بسيطة وسهلة الفهم وفعالة. تعتبر المخططات الخطية رائعة من أجل:

  • مقارنة الكثير من البيانات دفعة واحدة
  • إظهار التغييرات والاتجاهات بمرور الوقت
  • بما في ذلك السياق المهم والشرح
  • عرض بيانات التنبؤ وعدم اليقين
  • تسليط الضوء على الحالات الشاذة داخل وعبر سلاسل البيانات

17. مخطط مصفوفة

يوضح مخطط المصفوفة العلاقة بين العناصر. عند كل تقاطع ، تكون العلاقة إما غائبة أو موجودة. ثم يعطي معلومات حول العلاقة ، مثل قوتها ، والأدوار التي يلعبها مختلف الأفراد أو القياسات. يمكن تشكيلها بشكل مختلف اعتمادًا على عدد المجموعات التي تتم مقارنتها.

Data Visualization

18. مخطط مكو

مخطط Mekko (يسمى أحيانًا مخطط Marimekko) هو مخطط مكدس ثنائي الأبعاد. بالإضافة إلى ارتفاعات المقاطع المتغيرة للمخطط المكدس العادي ، فإن مخطط Mekko له أيضًا عروض أعمدة مختلفة.

يتم قياس عرض العمود بحيث يتطابق العرض الإجمالي مع عرض المخطط المطلوب. للحفاظ على العلاقة المرئية بين عروض الأعمدة المختلفة ، لا توجد فجوات بين الأعمدة في مخطط Mekko.

Data Visualization

في الواقع ، يعتبر خط الأساس لمخطط Mekko هو محور قيمة مكتمل. يمكنك تحديده بالماوس ، ويمكنك استخدام قائمة السياق الخاصة به لإضافة علامات التجزئة وتسميات علامات التجزئة وعنوان المحور. إذا قمت بتمكين علامات التجزئة للخط الأساسي ، يمكنك استخدام شريط الأدوات العائم للمحور للتبديل بين القيم المطلقة والقيم المئوية.

يمكن أيضًا تزيين مخطط Mekko ببعض الميزات الموضحة في المقاييس والمحاور والسهام والقيم. تدعم ملصقات مخطط Mekko خاصية محتوى التسمية ، والتي تتيح لك اختيار ما إذا كنت تريد عرض القيم المطلقة أو النسب المئوية أو كليهما.

19. الرسم البياني للشبكة

غالبًا ما يستخدم تصور الشبكة (يسمى أيضًا الرسم البياني للشبكة) لتصور العلاقات المعقدة بين كمية هائلة من العناصر. يعرض تصور الشبكة هياكل الرسوم البيانية غير الموجهة والموجهة.

Data Visualization

هذا النوع من التصور ينير العلاقات بين الكيانات. يتم عرض الكيانات كعقد مستديرة وتظهر الخطوط العلاقات فيما بينها. يمكن للعرض النابض بالحياة لعقد الشبكة أن يسلط الضوء على تناقضات البيانات غير التافهة التي قد يتم التغاضي عنها بخلاف ذلك.

20. مخطط دائري

المخطط الدائري هو نوع من الرسم البياني يعرض البيانات في رسم بياني دائري. تتناسب أجزاء الرسم البياني مع جزء الكل في كل فئة. بمعنى آخر ، كل شريحة من الكعكة مرتبطة بحجم تلك الفئة في المجموعة ككل. تمثل “الكعكة” بأكملها 100 بالمائة من الكل ، بينما تمثل “الشرائح” الدائرية أجزاءً من الكل.

Data Visualization

21. المنطقة القطبية

مخطط المنطقة القطبية مشابه للمخطط الدائري المعتاد ، باستثناء القطاعات ذات الزوايا المتساوية وتختلف بدلاً من ذلك في مدى امتداد كل قطاع من مركز الدائرة. يستخدم مخطط المنطقة القطبية لرسم الظواهر الدورية (على سبيل المثال ، عدد الوفيات حسب الشهر).

Data Visualization

22. شجرة شعاعية

الشجرة الشعاعية هي خوارزمية تخطيط شجرة تنطبق على أي نوع من الرسوم التخطيطية.

ترتب خوارزمية التخطيط هذه ميزات المخطط بشكل هرمي وتضعها في شجرة شعاعية وفقًا لمعلمات نصف القطر المحددة. إنه يعمل من تقاطع جذر يستخدم كمركز دائرة لترتيب الأشجار الفرعية بدءًا من هذا الجذر في دوائر متحدة المركز ، كل دائرة تقابل مستوى هرمي واحد.

يمكن إعداد علامات الجذر على تقاطعات الرسم التخطيطي قبل تنفيذ تخطيط الشجرة الشعاعية.

إذا لم يتم تحديد تقاطع جذر ، تحدد الخوارزمية تقاطع الرسم التخطيطي المرتبط بأصغر فهرس طوبولوجيا للشبكة وتستخدم هذا التقاطع كوصلة جذر.

Data Visualization

إذا تم تحديد تقاطع الرسم التخطيطي كوصلة جذر ، فإن الشجرة الشعاعية تستخدم تقاطع الجذر هذا كمركز للدوائر متحدة المركز.

عندما يتم تحديد عدة تقاطعات جذر في الرسم التخطيطي ، توضع هذه الوصلات الجذرية حول أول دائرة متحدة المركز ذات مركز وهمي.

23. مخطط مخطط مبعثر

يستخدم المخطط المبعثر (يسمى أيضًا المخطط المبعثر ، الرسم البياني المبعثر) النقاط لتمثيل قيم متغيرين رقميين مختلفين. يشير موضع كل نقطة على المحور الأفقي والرأسي إلى قيم لنقطة بيانات فردية. تُستخدم مخططات التبعثر لمراقبة العلاقات بين المتغيرات.

Data Visualization

يوضح مثال الرسم المبعثر أعلاه الأقطار والارتفاعات لعينة من الأشجار الخيالية. كل نقطة تمثل شجرة واحدة. يشير الموضع الأفقي لكل نقطة إلى قطر الشجرة (بالسنتيمترات) والموضع الرأسي يشير إلى ارتفاع تلك الشجرة (بالأمتار). من الحبكة ، يمكننا أن نرى ارتباطًا إيجابيًا وثيقًا بشكل عام بين قطر الشجرة وارتفاعها. يمكننا أيضًا أن نلاحظ نقطة خارجية ، وهي شجرة لها قطر أكبر بكثير من الأخريات.

24. رسم بياني شريطي مكدس

رسم بياني شريطي مكدس (أو مخطط شريطي مكدس) هو مخطط يستخدم الأشرطة لإظهار المقارنات بين فئات البيانات ، ولكن مع القدرة على تقسيم ومقارنة أجزاء من الكل. يمثل كل شريط في المخطط الكل ، وتمثل الأجزاء الموجودة في الشريط أجزاءً أو فئات مختلفة من ذلك الكل.

Data Visualization

تقوم الأشرطة المكدسة بعمل جيد في عرض الإجمالي وتقديم تلميح حول كيفية تقسيم إجمالي قيمة كل فئة إلى أجزاء. يمكن أن تكون الأشرطة أفقية أو رأسية.

25. Streamgraph

الرسم البياني الانسيابي ، أو الرسم البياني الانسيابي ، هو نوع من الرسم البياني المساحي المكدس الذي يتم إزاحته حول محور مركزي ، مما ينتج عنه شكل عضوي متدفق. على عكس الرسم البياني التقليدي للمساحة المكدسة حيث يتم تكديس الطبقات أعلى المحور ، في مخطط انسيابي ، يتم وضع الطبقات لتقليل “اهتزازها”. بشكل أكثر رسمية ، يتم إزاحة الطبقات لتقليل مجموع المنحدرات المربعة لكل طبقة ، مرجحًا بمساحة الطبقة. تعرض Streamgraphs البيانات بقيم موجبة فقط ، ولا يمكنها تمثيل القيم السالبة والموجبة.

Data Visualization

تم نشر Streamgraphs واستخدامها من قبل أماندا كوكس في مقال نشر في فبراير 2008 في نيويورك تايمز حول إيرادات شباك التذاكر. حصل كوكس على الفكرة من لي بايرون الذي كان طالبًا جامعيًا في ذلك الوقت ، والذي استخدم طريقة مماثلة لتصور تاريخ الاستماع للموسيقى.

الرسم البياني ذو الصلة ، الذي يتم دمجه أحيانًا مع الرسوم البيانية ، هو ThemeRiver ، حيث يتم ترتيب “الصورة الظلية” للرسم البياني بشكل متماثل حول المحور المركزي.

26. Treemap

خرائط Treemap هي تصورات للبيانات الهرمية. وهي مكونة من سلسلة من المستطيلات المتداخلة ذات الأحجام المتناسبة مع قيمة البيانات المقابلة. يمثل المستطيل الكبير فرعًا من شجرة البيانات ، وينقسم إلى مستطيلات أصغر تمثل حجم كل عقدة داخل هذا الفرع.

Data Visualization

توجد خرائط Treemap بشكل شائع في لوحات معلومات البيانات. غالبًا ما يختار المصممون إضافة تنوع مرئي على لوحة معلومات كثيفة. ومع ذلك ، فإن الخرائط الشبكية هي تصور معقد وتقدم العديد من العقبات التي تحول دون الفهم السريع (وهو المطلب الرئيسي لأي معلومات معروضة على لوحة القيادة).

غالبًا ما تُستخدم خرائط Treemap لبيانات المبيعات ، حيث إنها تلتقط الأحجام النسبية لفئات البيانات ، مما يسمح بالإدراك السريع للعناصر التي تمثل مساهمًا كبيرًا في كل فئة. يمكن أن يحدد اللون العناصر ذات الأداء المنخفض (أو ذات الأداء المفرط) مقارنة بإخوتها من نفس الفئة.

27. مخطط الشلال

المخطط الانحداري هو شكل من أشكال تصور البيانات الذي يساعد في فهم التأثير التراكمي للقيم الإيجابية أو السلبية التي يتم تقديمها بشكل تسلسلي. يمكن أن تكون هذه القيم الوسيطة إما مستندة إلى الوقت أو قائمة على الفئة. يُعرف مخطط الشلال أيضًا باسم مخطط الطوب الطائر أو مخطط ماريو بسبب التعليق الواضح للأعمدة (الطوب) في منتصف الهواء. في كثير من الأحيان في التمويل ، سيشار إليه على أنه جسر.

تم تعميم مخططات الشلال من قبل شركة الاستشارات الاستراتيجية ماكينزي

Data Visualization

يمكن إضافة التعقيد إلى المخططات الانحدارية بإجمالي عدد من الأعمدة والقيم التي تعبر المحور. يمكن أن تتسبب الزيادات والتناقصات المتطرفة بدرجة كافية في انخفاض الإجمالي التراكمي أعلى وأسفل المحور عند نقاط مختلفة. يمكن إضافة الإجماليات الفرعية الوسيطة ، الموضحة بأعمدة كاملة ، إلى الرسم البياني بين الأعمدة العائمة.

28. سحابة الكلمات

تعمل سحابات الكلمات (المعروفة أيضًا باسم سحابات النص أو سحابات العلامات) بطريقة بسيطة: كلما ظهرت كلمة معينة في مصدر البيانات النصية (مثل خطاب أو منشور مدونة أو قاعدة بيانات) ، زاد حجمها وجرأتها. سحابة الكلمات.

سحابة الكلمات هي مجموعة ، أو مجموعة ، من الكلمات المصورة بأحجام مختلفة. كلما ظهرت الكلمة أكبر وأكثر جرأة ، زاد ذكرها في نص معين وزادت أهميتها.

Data Visualization

تُعرف أيضًا باسم سحابة العلامات أو سحابات النص ، وهي طرق مثالية لسحب الأجزاء الأكثر صلة بالبيانات النصية ، من منشورات المدونة إلى قواعد البيانات. يمكنهم أيضًا مساعدة مستخدمي الأعمال في مقارنة ومقارنة جزأين مختلفين من النص للعثور على أوجه التشابه في الصياغة بين الاثنين.

ربما تستفيد بالفعل من تقنيات تصور البيانات المتقدمة لتحويل تحليلاتك المهمة إلى مخططات ورسوم بيانية ورسوم بيانية. هذه خطوة أولى ممتازة ، حيث تفضل أدمغتنا المعلومات المرئية على أي تنسيق آخر.

{"email":"Email address invalid","url":"Website address invalid","required":"Required field missing"}
>