스마트폰을 소유하고 있다면 휴대폰의 주간 사용량에 대한 알림을 받을 수 있습니다. 해당 알림을 열면 앱의 사용량 그래프를 보여주는 대시보드가 ​​표시됩니다. 직장에서 조직은 실적 보고를 위해 한두 개의 차트와 함께 다채로운 요약으로 판매, 성장 및 예측을 추적할 수 있습니다. 금융 지출을 모니터링할 때 뱅킹 앱은 월별 요금이 충분한 범주로 분류된 원형 차트를 표시할 가능성이 높습니다. 그리고 HR 정보 시스템은 모든 지불 및 공제와 함께 급여의 그래프 기반 분석을 보여줍니다. 우리는 데이터가 어디에나 존재하는 데 너무 익숙해서 시각화가 기술과의 상호 작용에서 표준이 되었습니다. 스크린 타임 앱이 있는 iPhone의 이미지는 지난주 동안의 모든 기기 사용량을 시간과 분 단위로 막대 그래프로 표시하고 가장 많이 사용한 앱을 나열합니다. iPhone의 화면 시간 데이터 시각화( Apple, Inc. 제공 ) 동시에, 종종 간과되는 것은 이러한 차트, 그래프 및 기타 시각적 개체는 사용자가 데이터에 익숙하지 않은 경우 장식에 불과할 수 있다는 것입니다. 데이터 해독 능력에 대한 연구를 기반으로 이 기사는 데이터 시각화 및 대시보드의 과잉에 대한 비판을 제공하고, 이를 적절하게 사용해야 하는 경우에 대해 설명하고, 대안이 정당화되는 경우를 식별하기 위한 몇 가지 지침을 간략하게 설명합니다. 정의 및 개념 데이터 시각화에 대한 사람들의 이해도를 더 잘 측정하려면 수리 능력과 데이터 활용 능력의 개념을 정의하는 것이 필수적입니다. 수리력은 결과를 이해하고, 계산하고, 조작하고, 해석하고, 수학적 정보를 전달하는 것 입니다 . 여기에는 추리, 비판적 사고, 수치 데이터 분석, 정량적 정보를 기반으로 정보에 입각한 의사 결정이 포함됩니다. 날짜, 기회, 패턴, 관계, 치수, 모양, 숫자 및 변화와 같은 일상적으로 보이는 개념이 수리 이해의 핵심을 형성합니다. 중요한 점은 수리 능력이 데이터 시각화 활용 능력을 구축하는 데이터 활용 능력의 토대를 마련한다는 것입니다. 데이터 활용 능력 은 종종 수리 능력의 하위 유형으로 해석되며 데이터를 읽고, 분석하고, 작업하고, 논쟁하는 능력으로 요약될 수 있습니다 . 시각화는 데이터로 작업하는 사람들에게 많은 어려움을 제시하며 이러한 데이터 조작의 숙련도는 데이터 시각화 리터러시 로 만들어졌습니다 . 수리력, 데이터 리터러시 및 데이터 시각화 리터러시는 한 유형의 리터러시가 시작되고 다른 유형이 끝나는 위치를 구분하기 어려울 수 있는 스펙트럼을 형성합니다. 그러나 기본적인 수리 능력이 없으면 개인은 데이터 리터럴이 될 수 없으며 데이터 시각화는 장식용 이미지로 축소됩니다. 마젠타에서 인디고에 이르는 빛의 스펙트럼. 왼쪽에서 오른쪽으로 3개의 원으로 이루어진 삼각형 모양의 “Numeracy”, 6개의 원으로 이루어진 별 모양의 “Data Literacy”, 그리고 아홉 개의 원으로 이루어진 원의 형태로. 데이터 활용 능력의 스펙트럼 사라 짐머스 데이터의 복잡성 데이터 시각화의 정의와 개념을 설명했으니 이제 데이터 작업의 어려운 측면을 살펴보겠습니다. 이는 다음과 같이 요약할 수 있습니다. 데이터는 종종 지저분하고 체계적이지 않습니다. 데이터는 다양한 소스에서 가져오며 추가 정리, 확인 및 구성 단계가 필요합니다. 이러한 단계에는 최소한 어느 정도의 비판적 사고와 데이터를 정렬, 필터링 및 표준화하는 능력이 필요합니다. 데이터는 편향되거나 불완전할 수 있습니다. 인간은 데이터의 주요 생성자 및 검사자이므로 결과가 부정확하거나 값이 누락될 수 있습니다. 데이터는 이해하기 어려울 수 있습니다. 데이터 시각화, 통계 측정, 표 및 스프레드시트는 모두 다양한 형식을 나타냅니다. 서로 다른 형식은 특정 결론에 도달할 가능성에 영향을 미치며, 올바른 해석에는 높은 수준의 비판적 사고가 필요합니다. 데이터는 의사소통하기 어려울 수 있습니다. 종종 발표자는 데이터의 의미와 의미를 설명하기보다는 데이터의 시각적 요소에 의존합니다. 시각화와 같은 데이터 프레젠테이션에 대한 의존도는 일반적으로 데이터 프레젠테이션이 더 직관적이라는 가정을 기반으로 합니다. 그러나 연구에 따르면 모든 데이터 시각화가 이해 가능한 것은 아닙니다. 한 데이터 시각화 친숙성 연구 에서 시각화 유형이 정보 이해에 영향을 미쳤습니다. 많은 실험 후 청소년과 성인 모두 차트 및 그래프(예: 원형 차트)와 같은 가장 기본적인 참조 시스템만 해석할 수 있다는 결론이 내려졌습니다. , 막대 그래프 및 산점도). 지도와 네트워크 레이아웃은 가장 이해하기 어려운 것으로 나타났습니다. 또 다른 연구 에서는 훨씬 더 많은 참가자가 두 지점 사이에서 추론하는 것보다 차트에서 값을 정확하게 식별할 수 있었습니다. 추가 연구더 적은 수의 사람들이 선 그래프에서 보여지는 추세를 찾을 수 있다는 것을 발견했으며, 이는 그러한 그래프가 청중에 따라 더 중요한 문제를 제기할 수 있음을 시사합니다. 전반적으로 서로 다른 시각화 유형에는 서로 다른 양의 인지 능력이 필요합니다. 막대 그래프는 이해를 위한 인지 노력이 낮은 반면 일반적으로 드물게 발생하는 네트워크 그래프는 너무 복잡하여 사용자가 이해하기 위해 너무 많은 관계를 관찰해야 합니다. 아래 표는 데이터 시각화 유형의 예를 제공하고 이해하기 쉬운 순서대로 사용을 요약합니다. 막대 차트는 값 비교에 사용되며 사용자는 모양과 크기를 이해해야 합니다. 원형 차트는 전체의 서로 다른 부분의 크기를 보여주므로 사용자는 관계와 크기를 이해해야 합니다. 선 그래프 — 시간 경과에 따른 변화 — 선형 진행, 간격, 관계. 산점도 — 두 변수 간의 관계 — 모양, 크기, 관계, 간격, 선형 진행, 분포. 히트맵 — 2차원 공간에서의 데이터 분포-빈도, 데이터 관계, 데이터 수준, 지리 공간적 차이 데이터 시각화의 종류, 활용도, 이해의 용이성 사라 짐머스 . 데이터 시각화는 처음에는 요점을 전달하는 데 효과적일 수 있지만 데이터 고유의 복잡성과 데이터 시각화의 인지 부담으로 인해 사용자가 완전한 이해를 하지 못합니다. UI 영향 외에도 전 세계적으로 데이터 활용 능력이 낮은 경향이 있으며, 이는 그 자체로 비즈니스와 경제에 상당한 영향을 미칩니다. 데이터 리터러시 트렌드 데이터 활용 능력의 기본인 수리 능력은 미국의 많은 사람들을 포함하여 능숙도 및 획득에 많은 어려움을 보여줍니다 . 16~65세의 일반 미국 인구의 10% 미만이 숫자를 이해하는 데 능숙한 것으로 추정 됩니다 . 평균적으로 미국인의 산술 능력은 기본 계산 수행과 간단한 표 및 그래프 해석을 포함하여 5점 만점에 2점으로 평가됩니다. 미국은 다른 선진국에 비해 하위권에 속한다. 수리 능력과 데이터 리터러시가 서로 연결되어 있기 때문에 연구원들은 낮은 수리율이 많은 전문 영역에 영향을 미치는 낮은 데이터 리터러시 비율을 낳는다는 사실을 관찰합니다. 4개의 다채로운 막대 그래프, 숫자가 낮은 파이 차트 1개, 한 자리 콜아웃 1개를 표시하는 Salesforce의 대시보드. Salesforce Inc 의 Salesforce 대시보드 스크린샷 . 데이터가 새로운 금이 되었고 모든 사무직이 상당한 데이터 리터러시를 기대하지만 데이터 작업을 편안하게 느끼는 사람은 거의 없습니다. 최근 연구에 따르면 미국 노동력의 24%만이 데이터를 읽고, 작업하고, 분석하고, 논쟁하는 능력에 대해 자신감을 갖고 있습니다. 이러한 데이터 해독 능력의 부족으로 인해 기업은 생산성과 효율성 손실로 인해 수백만 달러의 비용을 지불해야 하지만 많은 기업이 데이터 해독 능력에 대한 적절한 교육을 제공하지 않습니다 . 직원들은 또한 데이터 활용 능력에 대해 독립적으로 학습할 시간이나 자원이 부족할 수 있습니다. 한편, 높은 데이터 시각적 문해력은 양의 상관관계가 있습니다.익숙하지 않은 데이터 시각화에서 올바른 추론을 합니다. 즉, 이 데이터의 골드 러시에서 우리는 적절한 도구를 제공하지 않고 사람들을 마이닝하도록 보냅니다. 결과적으로 데이터 해독 능력은 데이터 관리의 주요 과제로 남아 있습니다. 데이터 리터러시가 작업 공간에서 데이터의 민주화를 방해함에 따라 사람들에게 필요한 데이터 기술을 가르치는 것이 진정한 과제로 남아 있습니다. 문해력의 문제는 학생들이 데이터 시각화를 읽거나 만드는 방법을 거의 배우지 않는 유치원에서 시작됩니다 . 그러나 우리는 B2B 플랫폼, 특히 시각적 데이터에 대한 데이터 대시보드에 대한 높은 의존도를 계속해서 관찰하고 있습니다. 그러나 이러한 대시보드는 명확하고 실행 가능한 통찰력을 전달하는 데 비효율적이며 사용하기 쉽지 않습니다. 대부분의 경우 사용자를 위해 일부 의사 결정을 단순화하려고 시도하지만 데이터를 해독하는 방법을 알기 위해 데이터와 상호 작용하도록 요구함으로써 추가 부담을 줍니다. 전망 및 권장 사항 데이터 리터러시가 유용성에 제시할 수 있는 장애물을 감안할 때 대시보드는 헛된 프로젝트인 경향이 있습니다. 또한 대부분의 데이터 시각화 페이지의 가치에 의문을 제기합니다. 개발 비용이 매우 높지만 일반적으로 사용자의 참여도가 낮기 때문입니다( 이 유용한 기능별 ROI 계산 참조 ). 한 가지 UX 원칙은 사용자 참여가 사용성을 희생시켜서는 안 된다는 것입니다. 제품 디자인의 또 다른 기둥은 사용자 만족이 효율성 에서 비롯된다는 것입니다.참여 기간이 아닌 작업 완료. 데이터 시각화 및 대시보드는 참여를 요구하지만 사용성이 좋지 않아 플랫폼의 효율성을 저해하고 일반적으로 대부분의 인구가 사용할 수 없는 요소를 전면에 내세워 이러한 두 가지 원칙에 모순되는 경향이 있습니다. 이 잘못된 디자인에서 복구하려면 비용이 많이 드는 대시보드를 통합하는 이유를 평가하기 위해 한 걸음 뒤로 물러나는 것이 좋습니다. 단지 경쟁력을 유지하는 데 필요하거나 다른 B2B 및 B2C 제품이 수행하는 작업이기 때문에 데이터 시각화 또는 대시보드 구축에 투자하기 전에 사용자와 실제 요구 사항을 고려하는 것이 중요합니다. 데이터 과학자, 현장 과학자, 연구원 및 의료 전문가와 같은 특정 사용자 프로필은 고급 데이터 리터러시를 보유하고 있으며 다양한 데이터 시각화를 탐색할 수 있는 자유를 원하지만 대부분의 B2B 및 B2C 사용자는 그러한 숙련도가 부족합니다. 일반 청중의 경우 더 높은 투자 수익은 플랫폼 전체에서 실행 가능한 상황별 통찰력을 제공하여 데이터 리터러시 격차를 해소하기 위해 자동화 및 AI 기술을 탐색하는 것입니다. 언제 시각화가 괜찮은지 궁금할 수 있습니다. 시각화는 사용자가 이러한 관계를 요약하고 추세를 식별하는 데 도움이 되므로 다중 또는 혼합 변수 또는 대량 간의 알려진 관계 또는 가상 결과를 모델링하는 데 유용합니다. 데이터 대시보드는 이러한 시각화를 대화형으로 만들어 사용자가 일부 변수를 다른 변수로 교체하고, 데이터 포인트를 필터링하고, 다양한 관계를 탐색할 수 있도록 함으로써 이러한 시각화를 더욱 발전시킵니다. 대시보드가 ​​필요한 경우 오늘날까지 존재하는 더 나은 시각적 스토리텔링에 대한 수많은 연구를 참조하세요(예: 시각적 데이터를 기반으로 스토리를 전달하는 방법에 대한 IDEO U의 게시물 ). 그러나 전반적으로 데이터 활용도가 높지 않은 사람들을 위해 대시보드를 사용하는 것에 대한 정당성은 거의 없습니다. 사용자의 문제를 효율적으로 해결하고 실행 가능한 통찰력을 제공하는 데 우선순위를 두는 것이 중요합니다. 대시보드가 ​​보편적으로 유익하다고 가정하기보다는 시간을 들여 사용자와 그들의 목표를 이해하십시오. 대시보드 구축은 한편으로는 진정한 사용자 요구 사항과 식자 수준, 다른 한편으로는 실제 데이터 유형에 의해 주도되어야 합니다. 결국 UI는 사용자가 작업을 수행하는 데 사용할 수 있는 도구일 뿐이며 대부분 데이터 시각화를 사용하는 방법을 모르기 때문에 대시보드는 창고에 두는 것이 가장 좋은 도구일 수 있습니다.