Esempi di Data Visualization: una guida utile

Guardare i dati grezzi è come cercare di capire una foto osservando pochi pixel alla volta. Rappresentare i dati in un grafico ti permette di allargare lo sguardo e vedere l’insieme in un colpo d’occhio. Le visualizzazioni sono anche uno strumento di comunicazione immediato per mostrare i tuoi dati agli stakeholder. Aiutano le persone a cogliere schemi, relazioni e insight al volo. È uno dei modi più rapidi per dare significato ai dati.

In questa guida passeremo in rassegna i tipi di grafici più comuni e quando usarli. Esploreremo cosa distingue una buona visualizzazione da una fuorviante e vedremo alcuni esempi iconici che hanno segnato il campo. Alla fine avrai un’idea più chiara di come creare e valutare visualizzazioni dei dati che raccontino una storia chiara e onesta.

Se parti da zero, Introduction to Data Visualization with Julia offre un modo adatto ai principianti per imparare le basi del plotting e del data storytelling.

Tipi di visualizzazioni dei dati

Le visualizzazioni possono essere classificate in base al numero di variabili coinvolte. Stai osservando da vicino la distribuzione di una sola variabile? Stai cercando di descrivere la relazione tra due variabili? Oppure ti interessano le interazioni tra più variabili? Vediamo ciascuno di questi scenari e le opzioni di grafico a disposizione.

Per aiutarti a tenere a mente tutti questi tipi di grafici, ti consiglio questo pratico Data Visualization Cheat Sheet. Fornisce un riferimento rapido per capire quale grafico funziona meglio per i diversi tipi di dati. Dai anche un’occhiata a Data Visualization Techniques for Every Use-Case.

Visualizzazioni univariate

Partiamo dal caso più semplice: ti interessa una sola variabile. Le visualizzazioni univariate ti permettono di concentrarti su un solo aspetto. Ti aiutano a capirne distribuzione, frequenza o composizione a colpo d’occhio. Vediamo i tipi più comuni.

Grafico a barre

Un grafico a barre confronta diverse categorie di informazioni. Ogni categoria è una barra, e il conteggio per quella categoria è mostrato come altezza della barra.

Talvolta i grafici a barre sono ruotati, con le barre che si estendono orizzontalmente anziché verticalmente. Per esperienza, questi grafici orizzontali sono più utili quando si confrontano molte categorie e le barre sono ordinate dalla più lunga in alto alla più corta in basso. Per poche categorie, preferisco i grafici verticali.

Grafico a torta

Un grafico a torta mostra le proporzioni di un intero come spicchi di un cerchio. La scelta di usare o meno i grafici a torta è spesso fonte di discussione tra chi lavora con i dati. In generale, per il nostro cervello è più difficile interpretare le porzioni di un cerchio rispetto a quelle di un rettangolo.

Basti pensare a quante liti tra fratelli sono scoppiate per stabilire se due fette di torta di mele fossero della stessa dimensione. Detto ciò, i grafici a torta restano popolari, anche perché la forma circolare aiuta a spezzare la monotonia di dashboard altrimenti tutte rettangolari.

Quando scegli di usare un grafico a torta, ricorda: primo, usalo solo quando hai poche categorie da confrontare. Se ne includi troppe, diventa caotico e difficile da leggere. Secondo, aggiungi la percentuale effettiva a ciascuno spicchio. Così, anche se il lettore fatica a confrontare le dimensioni relative, può comunque interpretare il grafico.

Grafico a ciambella

Il grafico a ciambella è un parente stretto del grafico a torta. Di conseguenza valgono le stesse cautele: usalo solo con poche categorie e mostra le proporzioni numeriche nel grafico per facilitare l’interpretazione.

Un vantaggio pratico è lo spazio per un’etichetta centrale. Questo può farti risparmiare spazio in una dashboard già affollata. È anche gradevole alla vista e può aggiungere un tocco in più che spesso manca ai grafici a torta.

Istogramma

Un istogramma è utile per visualizzare la forma di una distribuzione. Funziona raggruppando i valori numerici in classi e tracciando il numero di valori che rientrano in ciascuna classe. È un modo utile per vedere i valori più frequenti e individuare outlier.

Anche se può assomigliare a un grafico a barre, se ne differenzia per un aspetto fondamentale: l’asse x è una variabile continua, non discreta. 

Qui abbiamo un istogramma delle altezze dei germogli di girasole in un giardino. Possiamo vedere che la maggior parte dei germogli misura tra 22 cm e 28 cm. Alcuni sono alti solo 15 cm e altri arrivano quasi a 34 cm.

Grafico di densità

Un grafico di densità può essere visto come un istogramma levigato mostrato come curva continua. Può fornire un quadro più rifinito della distribuzione sottostante. È importante notare che l’asse y non mostra i conteggi, ma la densità, che riflette quanto i dati sono concentrati attorno a un dato valore. L’area totale sotto la curva è sempre pari a 1. 

Questo grafico è utile per osservare la forma di una distribuzione, più che i suoi valori assoluti. Tracciando più distribuzioni nello stesso grafico, puoi anche confrontarle tra loro. Per evitare confusione, consiglio di limitare il numero di distribuzioni a 3 o meno. È inoltre meglio usare un colore o una tonalità diversa per ciascuna linea, per evitare ambiguità, soprattutto quando le distribuzioni sono vicine tra loro.

Qui abbiamo rappresentato il tempo di lettura, per visita, in due biblioteiche diverse. Tracciando insieme le densità di entrambe le distribuzioni, possiamo vedere che quando i visitatori vanno alla Moonlight Library tendono a passare più tempo a leggere rispetto a quando visitano la Sunlight Library.

Box plot

Se vuoi confrontare più distribuzioni tra loro, potresti usare un box plot. Un box plot riassume le distribuzioni tramite mediane, quartili e outlier. Sono grafici estremamente utili che possono mostrare molte informazioni in pochissimo tempo. In sostanza, trasmettono a colpo d’occhio l’intero spettro di più dataset messi a confronto.

In generale, se le “scatole” di due distribuzioni non si sovrappongono, è possibile che siano significativamente diverse tra loro. Se invece si sovrappongono, probabilmente non lo sono. Ovviamente, per esserne certi serve un test statistico come il T-Test, ma un box plot può dare un indizio visivo rapido su quali distribuzioni confrontare tra loro. 

In questo box plot abbiamo mostrato la distribuzione dei punteggi ai test in tre scuole di magia. A colpo d’occhio possiamo vedere quali scuole hanno punteggi medi più alti rispetto alle altre. È anche facile individuare scuole con studenti eccezionali o in difficoltà osservando gli outlier. Questo semplice grafico trasmette molte informazioni utili in tempi rapidissimi.

Visualizzazioni bivariate

Finora abbiamo considerato grafici che mostrano una sola variabile. Ma se vuoi mostrare la relazione tra due variabili? I grafici bivariati sono quello che cerchi. Sono utili per individuare tendenze, pattern e correlazioni.

Scatter plot

Lo scatter plot è forse il grafico più ubiquo. È un modo semplice per visualizzare la posizione di ciascun dato su due assi numerici. È ideale per individuare relazioni, cluster e outlier.

Gli scatter plot possono mostrare sia correlazioni che relazioni causali. Se stai mostrando una relazione causale, la convenzione vuole la variabile indipendente sull’asse x e la variabile dipendente sull’asse y. Questa convenzione indica allo spettatore la direzione della relazione causale. Inoltre, se c’è una relazione causale, dovresti mostrare la statistica utilizzata per determinarla, insieme al p-value.

In questo scatter plot abbiamo tracciato la relazione tra la dimensione di ogni goccia di pioggia e la velocità con cui cade. C’è una chiara relazione positiva tra queste due variabili, che mostra come le gocce più grandi tendano a cadere più velocemente. 

È importante sottolineare che questo grafico mostra una correlazione e, da solo, non indica causalità. Quindi non possiamo dire che una goccia più grande cada più velocemente perché è più grande. Per affermarlo servirebbero informazioni aggiuntive, come un test statistico o un esperimento, da indicare anche nel grafico.

Grafico a linee

Il grafico a linee è un parente dello scatter plot. Tuttavia, la variabile indipendente è di solito il tempo e ogni punto dati è connesso a quello adiacente. È ideale con dati di serie temporali, quando vuoi evidenziare tendenze o cambiamenti nel tempo.

Qui abbiamo usato un grafico a linee per tracciare quanto tempo abbiamo trascorso a leggere ogni giorno per un mese. Questo ci permette di vedere rapidamente quando la motivazione è calata e quando siamo tornati in carreggiata. Se lo facessimo per più mesi, potremmo iniziare a vedere emergere un modello.

Per altri esempi su come evidenziare tendenze e cambiamenti nel tempo, dai un’occhiata a Data Visualizations that Capture Trends.

Grafico ad area

Un grafico ad area è molto simile a un grafico a linee, ma lo spazio sotto la linea è riempito. Questo può rendere più facile per lo spettatore vedere i totali cumulativi o interpretare i volumi. Nota, però, che mentre puoi tracciare più grafici a linee nello stesso grafico, dovresti tracciare un solo grafico ad area per volta. Poiché l’area sotto la curva è colorata, inserirne più di uno nello stesso grafico può affollarlo e renderlo difficile da leggere. 

Questo grafico ad area mostra il volume di miele raccolto durante l’anno. Poiché l’area sotto la curva è riempita, aiuta lo spettatore a capire intuitivamente che stiamo parlando di volumi.

Grafico a barre raggruppate e a barre impilate

Due sottotipi di grafici a barre sono pensati per confrontare categorie lungo una seconda variabile.

Per primo, il grafico a barre raggruppate. Evidenzia le differenze tra sottocategorie. L’asse y si legge come di consueto, ma l’asse x presenta gruppi di barre, spesso differenziate da colore o tonalità, che mostrano i sottogruppi all’interno di ciascun gruppo. Questi grafici possono trasmettere molte informazioni molto rapidamente. 

È meglio usarli con pochi sottogruppi per gruppo (consiglio 2-5 al massimo). Inoltre, sappi che questi grafici possono allargarsi in orizzontale se aggiungi troppi gruppi o sottogruppi, risultando piuttosto ingombranti. Se progetti grafici da visualizzare su schermi digitali, verifica come si vedono su mobile.

In questo grafico a barre raggruppate abbiamo rappresentato le preferenze di succhi in tre diverse classi dell’asilo. Basta uno sguardo per capire come distribuire al meglio le confezioni di succo in ogni classe.

Poi abbiamo il grafico a barre impilate. Mostra le relazioni parte–tutto su più gruppi. È simile al grafico a barre raggruppate perché consente di confrontare differenze sottili tra gruppi.

Ma questo grafico ha due vantaggi rispetto al raggruppato. Primo, mostra anche i totali per ciascuna categoria. Quindi lo puoi leggere come un grafico a barre normale e vedere le differenze nei totali tra le categorie, prima ancora delle differenze tra sottogruppi. Secondo, può essere più compatto, fornendo più informazioni in meno spazio rispetto a un grafico a barre raggruppate.

Lo svantaggio è che a volte è difficile ricavare proporzioni esatte. Aggiungere etichette dati può risolvere il problema; fai solo attenzione a non affollare troppo.

Questo grafico a barre impilate mostra le preferenze di lettura nelle diverse età. All’interno di ogni fascia, vediamo la proporzione di ciascun genere preso in prestito. Guardando tra le fasce d’età, possiamo osservare sia come cambia la proporzione dei generi sia come varia il numero totale di libri presi in prestito. Per esempio, è facile vedere che gli adulti prendono in prestito più libri in assoluto e che gli anziani apprezzano la saggistica più dei teen.

Heat map

Una heat map usa l’intensità del colore per rappresentare i valori su una griglia. Considerala per correlazioni, tabelle di frequenza o in qualsiasi scenario in cui il colore possa facilitare l’individuazione dei pattern.

Una nota importante per questo tipo di grafici è scegliere una scala cromatica sensata. Per esempio, non c’è un motivo intrinseco per cui il rosso debba rappresentare un numero maggiore del verde. Quindi un gradiente rosso–verde non è la scelta migliore. Invece, ha senso intuire che colori più scuri corrispondano a valori maggiori. Scegliere un gradiente chiaro–scuro all’interno di un colore può dare allo spettatore una comprensione più intuitiva di ciò che stai rappresentando.

Fa eccezione quando rappresenti calore in senso letterale. Tipicamente, il rosso è associato a temperature più alte e il blu a temperature più basse. Quindi, se stai rappresentando il calore con una heat map, un gradiente dal rosso al blu può avere senso. Come sempre, lascia che siano i dati a guidare il design.

Questa heatmap mostra il livello di attività di una gatta pigra, ora per ora, per ogni giorno di una settimana. I blu più scuri indicano i momenti in cui la gatta era molto attiva, magari correndo o saltando. I blu più chiari indicano i momenti di scarsa attività, forse mentre dormiva. Il colore rende facile vedere che la gatta è più attiva di notte, dorme per lo più di giorno e ha qualche momento di gioco diurno (forse su iniziativa della proprietaria).

Se vuoi provare questi grafici bivariati su una piattaforma professionale di analytics, Data Visualization in Power BI e Data Visualization in Tableau mostrano come creare dashboard interattive che evidenziano con chiarezza pattern e tendenze.

Visualizzazioni multivariate

A volte dobbiamo mostrare relazioni più complesse che coinvolgono più di due variabili. I grafici multivariati possono aiutarti a rivelare relazioni tra tre o più variabili. Ti consentono di esplorare dataset complessi senza sacrificare l’interpretabilità. Vediamo alcune opzioni comuni.

Bubble chart

Un bubble chart estende l’idea dello scatter plot codificando una terza variabile nella dimensione della bolla. È una buona scelta perché la maggior parte delle persone sa già interpretare gli scatter plot. Aggiungere una variabile codificata come dimensione è intuitivo. Per massimizzare questa intuizione, è buona norma far sì che la dimensione della bolla corrisponda a una grandezza. 

Puoi estendere il grafico a una quarta variabile codificando anche il colore. Assicurati solo di avere una legenda e una didascalia descrittive per permettere una lettura chiara.

Questo bubble chart mostra l’abbondanza relativa di coccinelle e afidi in un giardino con fiori di dimensioni diverse. Le bolle più grandi corrispondono a più afidi. Vediamo bolle più grandi più in alto nel grafico, il che indica che ci sono più afidi dove ci sono più coccinelle. Si nota anche che ci sono più insetti sui fiori più bassi.

Grafico radar

Puoi pensare a un grafico radar come a una sorta di grafico a barre circolare. Gli attributi sono disposti sul perimetro e la “bolla” del profilo è tracciata lungo ciascun asse partendo dal centro. Funziona bene per profili o per confrontare più elementi sulle stesse dimensioni. Attenzione a non aggiungere troppe “bolle” sovrapposte, perché può diventare caotico e difficile da leggere velocemente. Consiglio anche di usare riempimenti trasparenti per vedere facilmente ogni forma attraverso le altre.

Qui confrontiamo tre diversi profili di personaggi di Dungeons and Dragons lungo cinque assi di abilità. È un modo pulito per mostrare le differenze di abilità tra questi personaggi.

Coordinate parallele

Se “srotoli” un grafico radar ottieni un grafico a coordinate parallele. Questi grafici mostrano ciascuna variabile sul proprio asse verticale. È un’opzione migliore quando devi confrontare diverse variabili continue contemporaneamente, perché ci sono meno aree sovrapposte.

Dovrai pensare con cura ai valori dell’asse y. Se i diversi attributi condividono la stessa unità di misura, come nei profili dei personaggi sopra, non avrai problemi. Ma se di solito hanno unità diverse, potresti dover trovare un confronto su scala relativa per l’asse y, per rendere il grafico più leggibile. L’obiettivo è confrontare le diverse linee tra loro, non necessariamente estrarre valori esatti per ciascuna.

In questo grafico confrontiamo gli attributi relativi di diversi modelli di robot giocattolo. Possiamo confrontare facilmente ogni robot con gli altri lungo ciascuna delle quattro caratteristiche di interesse. Pur non potendo estrarre il valore esatto della velocità di ogni robot, vediamo chiaramente che il RoboMax è molto più veloce del RoboMini.

Treemap

Un treemap è un modo visivamente accattivante per mostrare informazioni gerarchiche. Divide un rettangolo in riquadri annidati le cui dimensioni variano in base al valore. Spesso i colori aggiungono un ulteriore livello di suddivisione. È utile per mostrare dati gerarchici o relazioni parte–tutto su più livelli. 

Una parola di cautela: non tutti sanno leggere i treemap, quindi è meglio renderli il più possibile intuitivi. Assicurati che ci siano delimitazioni chiare tra i riquadri e colori distinti. Questi grafici beneficiano in particolare di legende, etichette e didascalie.

Qui abbiamo creato un treemap che mostra come un avventuriero immaginario spende l’oro raccolto in diverse categorie. Il colore indica la categoria di spesa, mentre la dimensione di ciascun rettangolo mostra la quantità relativa di oro spesa.

Diagramma di Sankey

Un diagramma di Sankey è uno dei modi migliori che conosca per visualizzare i flussi. Questo tipo di diagramma segue il percorso dei tuoi dati dall’inizio fino a ciascun punto di arrivo. Lo spessore relativo delle frecce mostra quanta parte dell’ammontare iniziale è arrivata a ciascuna destinazione. È un’ottima opzione per visualizzare flussi di energia, customer journey o qualsiasi sistema con diramazioni.

Qui abbiamo rappresentato l’uso di energia in una casa e dove viene impiegata. Si vede che questa abitazione usa più energia per riscaldamento e comfort, mentre cucina e relax incidono proporzionalmente molto meno.

Mappa coropletica

Una mappa coropletica è simile a una heat map perché usa il colore per trasmettere informazioni. Tuttavia è sovrapposta a una mappa geografica, mostrando come i pattern si sviluppano tra aree geografiche, come stati o contee. Probabilmente ne hai viste durante la pandemia di COVID, per mostrare dove i casi aumentavano. Sono comuni anche dopo le elezioni presidenziali negli USA, per mostrare i risultati del collegio elettorale.

Qui abbiamo realizzato una mappa coropletica molto semplice che mostra la copertura forestale stimata in ciascuno stato degli Stati Uniti. È facile vedere quali stati hanno più foreste perché sono colorati con una tonalità di verde più scura rispetto a quelli con meno copertura.

Buone vs cattive visualizzazioni dei dati

La differenza tra grafici utili e fuorvianti di solito si riduce al design. Una buona visualizzazione chiarisce i dati; una cattiva li distorce. Per un approfondimento completo, consiglio il libro di Edward Tufte The Visual Display of Quantitative Information. È uno dei testi più influenti sulla visualizzazione e non dovrebbe mancare nella libreria di chi lavora regolarmente con i dati.

Caratteristiche di visualizzazioni efficaci

Il tuo grafico dovrebbe essere leggibile a colpo d’occhio. Significa mantenerlo semplice e lineare, aggiungere etichette dati quando opportuno e usare titoli, legende ed etichette degli assi in modo efficace. Tufte parla di rapporto dati/inchiostro.

Le visualizzazioni dovrebbero anche essere il più accurate possibile. Questo implica prestare attenzione a eventuali distorsioni di scala o proporzione. Ad esempio, fai attenzione quando usi interruzioni sugli assi e, se le usi, indica chiaramente che ci sono.

Per efficienza, assicurati che nel grafico ci sia solo ciò che serve. Non abusare delle griglie. In alcuni grafici le linee di griglia aiutano a vedere i valori esatti. In molti altri, soprattutto i più semplici, sono zavorra. Nel peggiore dei casi possono persino oscurare i dati. Altri esempi di “chart junk” includono immagini superflue o linee extra che non migliorano la chiarezza.

Infine, considera con attenzione l’uso del colore. I colori possono veicolare tanto significato quanto i numeri. Nelle scale gradiente, in genere è una buona idea associare i colori più scuri a numeri più grandi e quelli più chiari a numeri più piccoli. 

Per i dati categoriali, pensa ai colori comunemente associati a quella categoria. Sarebbe stato strano usare una barra verde per indicare la preferenza per il succo d’arancia.

Problemi comuni nelle cattive visualizzazioni

Ci sono alcuni errori ricorrenti a cui fare attenzione. Il primo riguarda le scale. È importante prestare attenzione sia alle scale degli assi sia agli elementi del grafico (box/bolle/etc.). Soprattutto, non fidarti ciecamente dei default del programma che usi. Assicurati che gli assi partano da zero (con pochissime eccezioni), che siano coerenti e che le proporzioni degli elementi del grafico abbiano senso per i tuoi dati. 

Un problema comune che vedo spesso è l’uso di effetti 3D nei grafici. Possono sembrare accattivanti, ma rischiano di distorcere il grafico e renderlo più difficile da leggere. Risparmia un mal di testa al tuo pubblico e prediligi grafici bidimensionali per la maggior parte dei casi.

Anche gli assi doppi possono essere insidiosi. Nella stragrande maggioranza dei casi, se ti servono due assi y, è meglio dividere i dati in due grafici. Nei pochi, rarissimi casi in cui un grafico a doppio asse ha senso, assicurati che sia ovvio quale dato corrisponde a quale asse. Il mio modo preferito è usare il colore: ad esempio, l’asse a sinistra è nero e corrisponde ai punti neri, quello a destra è rosso e corrisponde ai punti rossi.

Uno degli errori più facili è affollare troppo il grafico. È facile farsi prendere dall’entusiasmo di raccontare tutta la storia dei nostri dati e continuare ad aggiungere barre, etichette o linee per raccontare storie sempre più complesse. Così facendo, però, rischi che lo spettatore non colga nulla. Meglio scegliere un messaggio semplice che vuoi far arrivare e mostrarlo nel modo più pulito ed elegante possibile. .

Come individuare visualizzazioni fuorvianti

Purtroppo non è raro imbattersi in grafici manipolati per veicolare un’agenda. È comune nella pubblicità, in politica e sui social. Ogni volta che vedi un grafico, è importante valutarlo criticamente prima di prenderlo per buono.

Il primo modo per valutare criticamente un grafico è guardare alle sezioni precedenti di questo articolo e verificare se segue le buone pratiche discusse. In caso contrario, potrebbe essere fuorviante, anche involontariamente.

Poi considera intenti più subdoli. Poniti queste domande:

• Chi è la fonte e qual è la sua agenda?
• L’impressione che ricavi corrisponde ai numeri reali?
• Perché la timeline inizia e finisce proprio lì?
• Gli elementi messi a confronto sono davvero comparabili?
• Ci sono dati mancanti o sminuiti?
• La correlazione viene presentata come causalità?

Non tutte le visualizzazioni fuorvianti sono fatte con intento maligno. Ma è importante riconoscerne i difetti e prendere le conclusioni con le dovute cautele.

Una nota sul design inclusivo

Quando costruisci le tue visualizzazioni, ricorda che le scelte di design influenzano anche chi può fruire del tuo lavoro. Per ampliare il pubblico, pensa a come rendere i grafici accessibili. Per esempio, usa palette adatte ai daltonici e caratteri grandi e leggibili per migliorare la leggibilità. Testo alternativo e didascalie significative possono migliorare l’accesso per chi ha disabilità visive.

Visualizzazioni famose nella storia

Nel corso della storia ci sono visualizzazioni che hanno plasmato profondamente il campo della data visualization. Alcune hanno inventato nuovi tipi di grafici; altre hanno cambiato il modo in cui comprendiamo eventi, società o sistemi. Esploriamo alcuni dei grafici storici più famosi e come hanno ispirato chi è venuto dopo.

Le invenzioni di William Playfair (1786–1801)

I grafici standard non sono nati dal nulla. Molti dei grafici di cui abbiamo parlato risalgono a William Playfair, ingegnere scozzese ed economista politico della fine del XVIII secolo. Nel 1786 Playfair pubblicò The Commercial and Political Atlas, dove introdusse il grafico a linee e il grafico a barre come strumenti per comprendere i dati economici. Pochi anni dopo introdusse il grafico a torta in The Statistical Breviary.

Questo grafico è ritenuto ampiamente il primo grafico a linee, introdotto da William Playfair nel 1786. Immagine tratta da Wikipedia.

All’epoca, la maggior parte delle informazioni numeriche era presentata in tabelle fitte e difficili da interpretare rapidamente. Playfair riteneva che le forme visive potessero rendere evidenti trend e confronti, anche a chi non aveva formazione matematica.

Considerato il primo grafico a barre, fu pubblicato nel 1786 da William Playfair. Immagine tratta da Wikipedia.

Ciò che rese così influente il lavoro di Playfair non fu solo l’invenzione di nuovi tipi di grafici, ma l’intuizione su come le persone percepiscono le informazioni. Mappò i numeri su proprietà visive, consentendo agli spettatori di confrontare i valori a colpo d’occhio. I suoi grafici venivano spesso usati per sostenere tesi politiche ed economiche, come i cambiamenti del debito nazionale o della bilancia commerciale nel tempo.

Il lavoro di Playfair ha gettato le basi della grafica statistica moderna e ricorda precocemente che codifiche visive chiare possono cambiare il modo in cui ragioniamo sui dati.

Probabilmente il primo grafico a torta, pubblicato da William Playfair nel 1789. Fonte: Wikipedia.

La mappa della campagna di Russia di Napoleone di Charles Minard (1869)

Nel 1812 Napoleone invase la Russia e subì una sconfitta devastante. Poco più di 50 anni dopo, l’ingegnere civile in pensione Charles Minard creò questa mappa iconica che mostra l’avanzata, la ritirata e il tragico declino numerico dell’esercito. 

Fonte: brilliantmaps.

È un esempio precoce di diagramma di Sankey, dove la larghezza della banda riflette il numero di truppe. È sovrapposto a una mappa che integra direzione, temperatura, geografia e tempo, raccontando una storia avvincente dell’invasione. È un esempio elegante di come trasformare dati quantitativi in una narrazione emotiva e mostra come più variabili possano coesistere senza confusione. È probabilmente uno dei grafici storici più riconoscibili di sempre.

Il diagramma a rosa di Florence Nightingale (1858)

Un’altra celebre visualizzazione di guerra è opera della statistica e fondatrice dell’infermieristica moderna Florence Nightingale. Usò un grafico ad area polare, detto anche diagramma a rosa, per mostrare che nella Guerra di Crimea più morti erano dovute a malattie prevenibili, come colera e tifo, che non alle ferite di battaglia. 

Fonte: https://www.historyofinformation.com/

Ogni spicchio del diagramma rappresentava un mese e i colori differenziavano le cause di morte. Le morti per malattie prevenibili sono in blu, quelle per ferite di battaglia in rosso e tutte le altre in nero. 

Nell’aprile 1855 arrivò una Commissione Sanitaria a migliorare le condizioni igieniche dell’ospedale militare. Il risultato fu un calo drastico delle morti, evidente nel grafico di Nightingale. Questa visualizzazione convinse i funzionari a implementare miglioramenti igienico-sanitari negli ospedali militari e civili.

La mappa del colera di John Snow (1854)

Un altro successo per la salute pubblica fu ottenuto con la mappa di John Snow che tracciava i decessi per colera a Londra. Nel 1854, il quartiere di Soho fu colpito da un’epidemia devastante che uccise oltre 600 persone in poche settimane. Snow tracciò i decessi su una mappa stradale di Londra, con le morti indicate da barre e le pompe dell’acqua da cerchi. 

Fonte: londonmuseum.org.

La mappa rivelò cluster di decessi attorno alla pompa di Broad Street. Dopo che le autorità rimossero la maniglia di quella pompa, rendendola inutilizzabile, l’epidemia si attenuò. La mappa aiutò a risolvere l’epidemia locale. Oggi ricorda quanto la scelta della visualizzazione giusta possa incidere: ad esempio, uno scatter plot non avrebbe trovato la causa. Snow usò la visualizzazione corretta per ottenere un cambiamento.

L’orario dei treni di Étienne-Jules Marey (1885)

Il mio grafico storico preferito è questo orario dei treni del 1885. Un solo grafico mostra ogni treno da Parigi a Lione: velocità, fermate e quando incrocia un altro treno. Il tempo è sull’asse x, e ogni stazione è posizionata sull’asse y in base alla distanza dalle altre. Ogni treno è rappresentato da una linea inclinata. Linee più ripide indicano treni più veloci, e tratti orizzontali mostrano quando il treno è in stazione. 

Fonte: commons.wikimedia.org

Di solito queste informazioni erano presentate come orari testuali molto densi. Invece, questo grafico combinò spazio e tempo in modo elegante, permettendo ai responsabili ferroviari di evitare conflitti di orario e persino collisioni! È un promemoria di quante informazioni possa veicolare una visualizzazione ben progettata.

I ritratti dati di W.E.B. Du Bois (1900)

A cavallo del XX secolo, il sociologo e attivista per i diritti civili W.E.B. Du Bois guidò un team di ricercatori nella creazione di una serie di grafici audaci e originali per l’Esposizione di Parigi del 1900. Queste visualizzazioni documentavano le condizioni sociali, economiche ed educative degli afroamericani a una generazione dall’emancipazione. In un’epoca in cui la pseudoscienza razzista dominava il discorso pubblico, Du Bois usò i dati per contrastare direttamente stereotipi dannosi.

Questo grafico dai Data Portraits di W.E.B. Du Bois mostra in modo drammatico come il Proclama di Emancipazione cambiò la vita degli afroamericani. Immagine tratta da How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

I grafici trattavano temi come alfabetizzazione, proprietà, occupazione, crescita demografica e migrazioni. Molti erano disegnati e colorati a mano, con colori vivaci e layout non convenzionali. Alcuni ricordano grafici a barre o a torta, altri sperimentano spirali, layout radiali e composizioni astratte. Anziché attenersi alla convenzione, Du Bois privilegiò comunicazione e impatto.

Questo grafico a torta modificato mostra le occupazioni ricoperte da afroamericani e bianchi all’inizio del XX secolo. Immagine tratta da How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Du Bois non puntava alla neutralità. I grafici erano esplicitamente progettati per persuadere, educare e affermare, attraverso i dati, l’umanità e i successi degli afroamericani. Così facendo, mostrò che la visualizzazione non è mai solo presentare numeri: è inquadrare la realtà, raccontare storie e plasmare come le società comprendono se stesse. Questi grafici sono oggi raccolti nel libro W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century.

W.E.B. Du Bois non aveva paura di sperimentare grafici radicali per sostenere il suo messaggio, come questo grafico a spirale che mostra la distribuzione della popolazione afroamericana nel 1890. Immagine tratta da How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Conclusione

La visualizzazione non è neutrale: ogni scelta che fai modella l’interpretazione della storia dietro i dati. Per saperne di più su come raccontare efficacemente la storia dei tuoi dati, consulta il nostro Data Storytelling & Communication Cheat Sheet. 

Per consigli pratici sugli strumenti da usare, la nostra panoramica su 12 of the Best Data Visualization Tools in 2025 è un’ottima risorsa. E se sei pronto a rendere questi grafici complessi interattivi e pronti per il web, Interactive Data Visualization with Bokeh ti guida nella creazione di visualizzazioni reattive e pronte per il browser in Python.