[Data Analysis] 시각화의 디자인 원칙 & 스토리텔링

시각화의 디자인 원칙

시각화의 디자인 원칙은 5가지가 있습니다. 한번 보도록 하겠습니다.

목적성

• 정의: 시각화의 목적을 명확히 하는 것.
• 설명: 시각화는 특정 질문에 답하거나, 특정 인사이트를 도출하거나, 데이터를 더 쉽게 이해할 수 있도록 돕는 역할을 합니다.
• 예시: 매출 증가의 원인을 파악하기 위한 그래프, 제품별 판매량 비교를 위한 차트.

간결성

• 정의: 간결하고, 복잡하지 않아야 함.
• 설명: 불필요한 요소를 제거하여 핵심 정보를 간결하게 전달해야 합니다. 지나치게 복잡한 그래프는 오히려 혼란을 초래할 수 있습니다.
• 예시: 불필요한 그리드 라인, 과도한 색상 사용, 불필요한 텍스트 등을 제거한 그래프.

명확성

• 정의: 데이터를 명확히 전달해야 함.
• 설명: 적절한 레이블, 축, 제목을 사용하여 정보를 명확히 전달해야 합니다. 그래프나 차트의 각 요소가 명확하게 이해될 수 있도록 해야 합니다.
• 예시: 축 레이블, 데이터 포인트에 대한 설명, 제목 등을 포함한 차트.

정보의 계층구조

• 정의: 데이터의 중요도에 따라 시각적으로 구분하여 정보를 계층적으로 전달.
• 설명: 중요한 정보는 더 강조하고, 덜 중요한 정보는 덜 강조하여 정보를 계층적으로 전달해야 합니다.
• 예시: 주요 데이터 포인트를 더 큰 크기나 밝은 색상으로 표시하고, 부차적인 데이터를 작은 크기나 연한 색상으로 표시.

일관성 (Consistency)

• 정의: 시각화 스타일, 색상, 레이블 등을 일관되게 유지하여 쉽게 인식하고 이해할 수 있도록 해야 함.
• 설명: 일관된 스타일은 사용자가 데이터를 더 쉽게 이해하고 인식할 수 있도록 돕습니다.
• 예시: 동일한 데이터 세트에 대해 같은 색상과 스타일을 사용하여 여러 차트를 작성.

접근성 (Accessibility)

• 정의: 모든 사용자가 쉽게 이해할 수 있어야 함.
• 설명: 색맹 사용자나 시각장애인을 고려하여 색상과 레이블을 선택해야 합니다. 접근성 높은 시각화는 더 많은 사용자에게 유익합니다.
• 예시: 색상뿐만 아니라 패턴이나 기호를 사용하여 데이터를 구분, 충분한 대비를 가진 색상 선택.

---

시각화 요소를 통한 설득력 있는 이야기 구성

효과적인 데이터 시각화는 단순히 정보를 전달하는 것뿐만 아니라,
청중의 관심을 끌고 중요한 메시지를 강조하며 설득력 있는 이야기를 구성하는 데 중요한 역할을 합니다.

 

다음은 이를 달성하기 위한 주요 시각적 요소와 방법들입니다.

 

시각적 강조

목적: 중요한 데이터를 강조하여 청중의 주의를 끌고 핵심 메시지를 전달합니다.

• 색상 사용: 특정 데이터 포인트를 강조하기 위해 다른 색상 사용.
• 크기 변화: 중요한 데이터를 더 큰 크기로 표시.
• 텍스트 추가: 중요한 데이터 포인트에 텍스트를 추가하여 설명.

시각적 강조 Example

import matplotlib.pyplot as plt

# 데이터 정의
categories = ['A', 'B', 'C', 'D']
values = [10, 15, 20, 25]

# 강조할 데이터
highlight = [False, False, True, False]

# 그래프 생성
plt.figure(figsize=(10, 6))
bars = plt.bar(categories, values, color=['grey' if not h else 'orange' for h in highlight])
plt.title('Category Values with Emphasis')
plt.xlabel('Category')
plt.ylabel('Value')

# 강조할 데이터 포인트에 텍스트 추가
for bar in bars:
    if bar.get_height() == max(values):
        plt.text(bar.get_x() + bar.get_width() / 2, bar.get_height() - 5, 'Highest Value', ha='center', color='white', weight='bold')

plt.show()

import matplotlib.pyplot as plt

# 데이터 정의
categories = ['A', 'B', 'C', 'D']
values = [10, 15, 20, 25]

# 그래프 생성
plt.figure(figsize=(10, 6))
plt.bar(categories, values, color='grey')
plt.title('Category Values')
plt.xlabel('Category')
plt.ylabel('Value')
plt.show()

 

애니메이션과 전환 효과

목적: 애니메이션을 사용하여 데이터 변화와 흐름을 더 명확하게 전달 합니다.

• 애니메이션: 시간에 따른 데이터 변화를 시각적으로 보여줌.
• 전환 효과: 데이터 포인트 간의 전환을 부드럽게 하여 변화 과정을 명확히 전달.

애니메이션 전환 효과 Example

%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.animation as animation
import numpy as np

# 데이터 정의
fig, ax = plt.subplots()
x = np.arange(0, 10, 0.1)
line, = ax.plot(x, np.sin(x))

# 애니메이션 함수
def update(num, x, line):
    line.set_ydata(np.sin(x + num / 10.0))
    return line,

ani = animation.FuncAnimation(fig, update, frames=100, fargs=[x, line], interval=50)
plt.title('Sine Wave Animation')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

from matplotlib import rc
rc('animation', html='jshtml')
ani

실제로 애니매이션 처럼 동작하는걸 보려면 코드를 직접 실행시키는걸 권장드립니다.

import matplotlib.pyplot as plt
import numpy as np

# 데이터 정의
x = np.arange(0, 10, 0.1)
y = np.sin(x)

# 그래프 생성
plt.figure(figsize=(10, 6))
plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

 

비주얼 히스토리

목적: 시각적 요소를 통해 데이터의 역사적 변화를 보여줍니다.

• 타임라인: 시간에 따른 주요 사건이나 데이터 변화를 시각화.
• 과거 데이터와 비교: 현재 데이터를 과거 데이터와 비교하여 변화 추세를 보여줌.

비주얼 히스토리 Example

import matplotlib.pyplot as plt

# 데이터 정의
years = ['2018', '2019', '2020', '2021']
sales = [15000, 18000, 22000, 25000]

# 그래프 생성
plt.figure(figsize=(10, 6))
plt.plot(years, sales, marker='o', linestyle='-', color='b')
plt.title('Annual Sales Over Time')
plt.xlabel('Year')
plt.ylabel('Sales')
for i, txt in enumerate(sales):
    plt.annotate(txt, (years[i], sales[i]), textcoords="offset points", xytext=(0,10), ha='center')
plt.show()

import matplotlib.pyplot as plt

# 데이터 정의
years = ['2018', '2019', '2020', '2021']
sales = [15000, 18000, 22000, 25000]

# 그래프 생성
plt.figure(figsize=(10, 6))
plt.plot(years, sales)
plt.title('Annual Sales')
plt.xlabel('Year')
plt.ylabel('Sales')
plt.show()

---

시각화와 스토리텔링

시각화 요소를 통한 설득력 있는 이야기 구성

1. 다양한 시각적 요소의 효과적인 사용

시각적 요소를 효과적으로 사용하면 데이터를 명확하게 전달하고 청중의 관심을 끌며 중요한 메시지를 강조하는 데 도움이 됩니다.

2. 시각적 강조

• 색상 사용: 특정 데이터 포인트를 강조하여 청중의 주의를 끌 수 있습니다.
• 크기 변화: 중요한 데이터는 더 크게 표시하여 강조합니다.
• 텍스트 추가: 중요한 데이터 포인트에 설명을 추가하여 이해를 돕습니다.

3. 애니메이션과 전환 효과

• 애니메이션: 데이터의 변화와 흐름을 시각적으로 더 명확하게 전달합니다.
• 전환효과: 데이터 포인트 간의 부드러운 전환을 통해 변화 과정을 강조합니다.

4. 비주얼 히스토리

• 타임라인: 시간에 따른 데이터 변화를 시각적으로 표현합니다.
• 과거 데이터와 비교: 현재 데이터를 과거 데이터와 비교하여 변화 추세를 보여줍니다.

 

이야기를 통한 데이터 전달

데이터의 흐름을 스토리의 형태로 구성하면 복잡한 데이터를 쉽게 이해할 수 있으며,
스토리 형식은 데이터를 더 오래 기억에 남게 합니다.

• 도입: 데이터의 배경과 목적을 소개합니다.
• 전개: 데이터를 단계별로 설명하며 주요 인사이트를 도출합니다.
• 클라이맥스: 데이터에서 가장 중요한 부분을 강조하여 전달합니다.
• 결말: 데이터의 요약과 결론을 제시하고, 필요한 경우 행동을 요구합니다.

 

청중을 고려한 시각화 설계

시각화를 만들기 전에 청중이 누구인지, 그들의 배경과 지식 수준을 파악하는 것이 중요합니다.

• 데모그래픽: 청중의 나이, 성별, 직업, 교육 수준 등.
• 지식 수준: 청중의 데이터 분석 및 시각화에 대한 이해 수준.
• 관심사: 청중이 어떤 정보에 관심이 있는지, 어떤 결론을 도출하고자 하는지.

 

맞춤형 시각화

다양한 상황과 데이터를 보는 사람에 따라 맞춤형 시각화를 해야 하는 경우도 있습니다.

 

• 간단한 시각화: 비전문가도 쉽게 이해할 수 있도록 간단한 차트나 그래프로 표현.
• 상세한 시각화: 전문가나 데이터 분석가를 위해 복잡한 데이터 관계와 분석 결과를 상세히 시각화.
• 유형별 맞춤화: 청중이 선호하는 시각화 유형 사용.

 

좋은 시각화의 원칙

과연 좋은 시각화의 원칙은 무엇일까요? 한번 알아보겠습니다.

 

• 명확성 (Clarity): 데이터를 명확하고 일관되게 전달. 적절한 레이블, 축, 제목 사용 등이 있습니다.
• 간결성 (Simplicity): 불필요한 요소 제거하여 핵심 정보를 강조. 그래프에 불필요한 3D 효과나 장식 제거 등이 있습니다.
• 정확성 (Accuracy): 데이터의 정확한 값을 표시하고 왜곡 없이 데이터 전달. 적절한 축 범위를 설정하여 데이터의 실제 변화를 정확히 반영 해야 합니다.
• 적합한 차트 유형 선택: 데이터의 특성과 전달하려는 메시지에 적합한 차트 유형을 선택합니다.

 

나쁜 시각화

그러면 좋은 시각화도 있다면, 나쁜 시각화도 있겠죠. 어떠한 것이 있는지 한번 알아보겠습니다.

• 혼란스러움 (Confusion): 데이터가 명확하지 않고 불필요한 요소로 인해 혼란을 초래합니다.

import matplotlib.pyplot as plt

# 데이터 정의
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
sales = [150, 180, 175, 200, 190, 210]

# 그래프 생성 (나쁜 예시)
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111, projection='3d')
ax.bar(months, sales, zs=0, zdir='y', alpha=0.8)
ax.set_title('Monthly Sales (Confusing 3D Effect)')
ax.set_xlabel('Month')
ax.set_ylabel('Sales')
plt.show()

• 불필요한 복잡성 (Unnecessary Complexity): 지나치게 복잡한 그래프는 데이터를 이해하기 어렵게 만든것입니다.

import matplotlib.pyplot as plt

# 데이터 정의
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
sales = [150, 180, 175, 200, 190, 210]
customers = [3000, 3500, 3400, 3700, 3600, 3900]

# 그래프 생성 (나쁜 예시)
plt.figure(figsize=(10, 6))
plt.plot(months, sales, marker='o', label='Sales', color='blue')
plt.plot(months, customers, marker='x', label='Customers', color='green')
plt.title('Monthly Sales and Customers (Too Complex)')
plt.xlabel('Month')
plt.ylabel('Value')
plt.legend()
plt.show()

• 왜곡된 데이터 (Distorted Data): 데이터 축을 잘못 설정하여 특정 데이터를 과장하거나 축의 범위를 조정하여 데이터의 변화를 과장하여 왜곡된 메시지를 전달할 수있습니다.

import matplotlib.pyplot as plt

# 데이터 정의
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
returns = [5, 4.5, 4, 3.8, 4.2, 3.5]

# 그래프 생성 (나쁜 예시)
plt.figure(figsize=(10, 6))
plt.bar(months, returns, color='red')
plt.title('Monthly Returns Rate (Distorted)')
plt.xlabel('Month')
plt.ylabel('Returns (%)')
plt.ylim(3.5, 5)
plt.show()

• 잘못된 차트 유형 (Inappropriate Chart Type): 데이터의 특성에 맞지 않는 차트 유형을 선택한것 입니다. 그러면 데이터를 오해하게 할 수 있습니다.

import matplotlib.pyplot as plt

# 데이터 정의
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
sales = [150, 180, 175, 200, 190, 210]

# 그래프 생성 (나쁜 예시)
plt.figure(figsize=(10, 6))
plt.pie(sales, labels=months, autopct='%1.1f%%')
plt.title('Monthly Sales (Inappropriate Chart Type)')
plt.show()