Om maximaal in te zien wat een verzameling data ons kan leren, moeten we die visueel maken. De dataset van Cairo, ondertussen bekend onder de naam Datasaurus, ziet er plots heel wat minder saai uit dan je op basis van de ruwe gegevens zou verwachten:

De Datasaurus dataset van Alberto Cairo wordt pas interessant als je hem visueel maakt.

Dit voorbeeld leert ons waarom het visueel maken van gegevens zo nuttig is. Mensen zijn visueel ingestelde wezens, en via figuren kunnen we op dezelfde oppervlakte en in dezelfde tijdsspanne een veel grotere hoeveelheid informatie verwerken dan via tekst. Het cliché 'een beeld zegt meer dan duizend woorden' blijkt nog maar eens waar te zijn. Maar hoe kiezen we het juíste beeld? En wat maakt een visual nu precies een góede visual. Het beantwoorden van die vragen is het domein van informatievisualisatie.

De drie kenmerken van een goede visual

Een goede grafische weergave van informatie moet aan drie eigenschappen voldoen:

• ze moet helder zijn, eenvoudig en éénduidig te begrijpen voor het doelpubliek dat je wil bereiken;
• ze moet precies zijn, een zo objectief en nauwkeurig mogelijke weergave van de data; en
• ze moet efficiënt zijn, de boodschap moet met zo min mogelijk inspanning maximaal duidelijk zijn.

Dat zijn niet mijn woorden, maar de woorden van Edward Tufte - zowat de godfather van de informatievisualisatie - in zijn klassieker 'The Visual Display of Quantitative Information'. Een goede visual laat dus niet gewoon de data zien, maar ook de betekenis achter die data. Hij beantwoordt niet enkel de vraag 'what?', maar vooral ook de vraag 'so what?'.

Visuals op maat van je doelpubliek

We worden overstelpt met content en informatie. Nieuwssites brengen steeds vaker diepgravende journalistieke verhalen. Blogs over alle denkbare onderwerpen zijn populairder dan ooit. En op sociale media worden we om de oren geslagen met boeiende rapporten en whitepapers. Willen we een visual maken die in deze tsunami van informatie overeind blijft, dan moeten we ons in de schoenen van ons doelpubliek plaatsen. Naar welke informatie zijn lezers op zoek, welk probleem kunnen we oplossen, wat is hun voorkennis?

De grootste uitdaging in informatievisualisatie ligt vaak in het schrappen van wat overbodig is. In der Beschränkung zeigt sich erst der Meister, zoals Goethe dat zo mooi formuleerde. We hebben vaak de neiging om al onze kennis en informatie tentoon te willen spreiden. Maar meestal is het krachtiger om enkel te focussen op de twee of drie punten die er écht toe doen. Zo zal onze boodschap veel makkelijker bij het publiek blijven hangen.

Een typisch voorbeeld is het samenvatten van de resultaten van een bevraging. Uit een enquête met 10 of 15 vragen komt al snel een overdaad aan informatie naar boven. Maar als we al die resultaten in één rapport van 30 pagina's proppen, belandt het al snel onderaan de stapel en blijven onze resultaten ongelezen. Als we ons daarentegen beperken tot 3 à 5 korte kernboodschappen, met de juiste aantrekkelijke visual erbij, kunnen we wel de aandacht van ons publiek trekken en maken we een goede kans om een blijvende indruk na te laten.Eén beknopte kernboodschap werkt vaak beter dan een overdaad aan informatie en details.

Om naar deze kernboodschappen op zoek te gaan, moeten we met een kritisch oog naar onze data kijken. We kunnen vooraf wel enkele hypotheses formuleren, maar die moeten we grondig en onbevangen aan de beschikbare data kunnen aftoetsen. Misschien blijkt ons oorspronkelijk idee waarmee we aan de bevraging begonnen uiteindelijk niet ondersteund te worden door de verzamelde data, of zelfs tegengesproken te worden. Data-analyse is dus een onmisbare stap in het vertaalproces van informatie naar visual.

Anderzijds kunnen tijdens zo'n data-analyse ook nieuwe, onverwachte conclusies naar boven komen. De interessantste conclusies zijn vaak diegene die het meest onverwacht zijn, of die ingaan tegen algemeen heersende opvattingen. Er kunnen uitschieters (outliers) zichtbaar worden, datapunten die ver afwijken van het gemiddelde. Dergelijke uitschieters vertellen ons vaak veel meer dan het meer doorsnee gedeelte van de informatie. Bij het visualiseren van een rapport zijn het vaak dit soort onverwachte resultaten die het snelst in het oog springen bij ons publiek.


In een overdaad aan informatie zijn het vaak de uitschieters die het meest in het oog springen.

De juiste visual voor de juiste boodschap

Eens we de boodschap duidelijk hebben afgelijnd, is het tijd om de juiste visuele weergave te zoeken. Er bestaan honderden verschillende soorten grafieken, diagrammen en kaarten, gaande van eenvoudige taart- en staafdiagrammen tot meer excentrieke visuals met exotische namen als Marimekko chartsof choroplethkaarten. Als je twijfelt is een klassiek taart- of staafdiagram vaak nog steeds een heel solide keuze. Als je toch een meer originele visual wil gebruiken, zijn er sites als datavizcatalogue.com die een uitgebreid overzicht bieden.

Er zijn vele manieren en gespecialiseerde programma's om visuals te maken, en vaak gratis online tools waarmee je zonder voorkennis heldere grafieken kan maken. Een volledig overzicht zou ons hier te ver leiden, maar een nuttige vuistregel is: kies steeds de tool waar je je het meest comfortabel bij voelt. Zo kan je bijvoorbeeld binnen Excel en PowerPoint al erg krachtige visuals maken, mits hier en daar wat extra aandacht voor het juiste kleurgebruik of een duidelijke legende.

Onderstaande figuur toont bijvoorbeeld twee grafieken gemaakt in Excel, op basis van exact dezelfde brondata. De grafiek links gebruikt de standaardinstellingen van Excel. In de grafiek rechts hebben we wat meer aandacht besteed aan het kleurgebruik, de plaatsing van de datalabels, en hebben we wat overbodige elementen weggelaten. Het kost wat meer tijd, maar levert wel een eindresultaat op dat helderder, preciezer en efficiënter is.

Mits wat sleutelen aan instellingen en kleurgebruik kunnen ook in Excel mooie datavisuals gemaakt worden.

Minimale ruis, maximale data

Een goeie datavisual heeft een minimale hoeveelheid ruis, en een maximale hoeveelheid data. Edward Tufte noemt dit een 'maximale data-inkt ratio'. Onder 'ruis' verstaan we hier alles wat kan afleiden van de hoofdboodschap - elementen die vaak enkel worden toegevoegd 'uit gewoonte', maar eigenlijk niet bijdragen aan een beter begrip. Denk aan astitels, kaders, rasterlijnen, 3D-effecten, legendes of datalabels. Vaak zijn dit soort elementen louter decoratief, of erger, leiden ze de aandacht zelfs af van de eigenlijke boodschap.

De figuur hieronder toont aan dat deze 'ruiselementen' vaak helemaal niet nodig zijn om de juiste boodschap over te brengen. Er is bijvoorbeeld geen legende, die is vervangen door een korte aanduiding om te tonen dat we het hier over de jaarlijkse omzet hebben. Er zijn geen assen of rasterlijnen nodig, want door het tonen van de datalabels zien we in één oogopslag de exacte waardes. En we kunnen tenslotte zelfs de titel weglaten - door slim kleurgebruik kunnen we de boodschap duidelijk naar voor brengen: Dow Chemical is het grootste chemiebedrijf ter wereld.

Een visual met een hoge data-inkt ratio.

Krachtige visualisatie

Samengevat kunnen we stellen dat informatievisualisatie een multidisciplinair proces is. Vier stappen zijn cruciaal om van complexe informatie een heldere, precieze en efficiënte visual te maken:

• Net zoals bij alle vormen van communicatie goed nadenken over ons doelpubliek en de boodschap die we willen duidelijk maken.
• Via data-analyse op zoek gaan naar informatie die deze boodschap ondersteunt, of naar uitschieters die ons iets interessants of onverwacht bijleren.
• De boodschap vertalen in de juiste visual, soms een klassiek taart- of staafdiagram, of misschien een meer exotische variant.
• Uiterst selectief zijn. We kunnen niet alle informatie delen, dus moeten we duidelijke keuzes maken in wat we willen vertellen, en wat niet. Door het weglaten van overbodige ruis kunnen we onze visuals nóg krachtiger maken.