Ruwe data bekijken is alsof je een foto probeert te begrijpen door telkens maar een paar pixels te bestuderen. Door je data te visualiseren kun je uitzoomen en in één oogopslag het hele plaatje zien. Visualisaties zijn ook een handig hulpmiddel voor marketing om je data aan stakeholders te tonen. Ze helpen mensen patronen, relaties en inzichten meteen te zien. Het is een van de snelste manieren om data betekenis te geven.
In deze gids lopen we door veelvoorkomende grafiektypen en wanneer je elk daarvan gebruikt. We verkennen wat een goede visualisatie onderscheidt van een misleidende en bekijken een paar iconische voorbeelden die het vakgebied vormgaven. Aan het eind heb je een beter idee van hoe je datavisualisaties maakt en beoordeelt die een helder en eerlijk verhaal vertellen.
Als je helemaal nieuw begint, Introduction to Data Visualization with Julia biedt een laagdrempelige manier om de basis van plotten en dataverhalen te leren.
Typen datavisualisaties
Datavisualisaties kun je indelen naar het aantal variabelen. Kijk je nauwkeurig naar de verdeling van slechts één variabele? Probeer je de relatie tussen twee te beschrijven? Of ben je geïnteresseerd in de interacties tussen meerdere? Laten we deze scenario's bekijken en zien welke grafiekopties we voor elk daarvan hebben.
Om al deze grafiektypen uit elkaar te houden, raad ik deze handige Data Visualization Cheat Sheet aan. Het is een snelle referentie om te zien welke grafiek het best werkt voor verschillende datatypen. Bekijk ook zeker Data Visualization Techniques for Every Use-Case.
Univariate visualisaties
Laten we beginnen met het simpelste geval: je hebt maar één variabele waarin je geïnteresseerd bent. Univariate visualisaties laten je op één variabele focussen. Ze helpen je in één oogopslag de verdeling, frequentie of samenstelling ervan te begrijpen. Laten we wat veelvoorkomende typen bekijken.
Staafdiagram
Een staafdiagram vergelijkt verschillende categorieën informatie. Elke categorie is een eigen staaf en de telling voor die categorie wordt weergegeven als de hoogte van de staaf.
Soms zie je staafdiagrammen op hun kant, met de staven horizontaal in plaats van verticaal. Uit mijn ervaring zijn deze horizontale staafdiagrammen vooral handig wanneer je veel categorieën vergelijkt en de staven van langste bovenaan naar kortste onderaan zijn geordend. Voor maar een paar categorieën geef ik de voorkeur aan verticale staafdiagrammen.
Taartdiagram
Een taartdiagram toont delen van een geheel als punten van een cirkel. De keuze om taartdiagrammen te gebruiken is vaak een bron van ergernis onder datamensen. Het is voor onze hersenen over het algemeen lastiger om delen van een cirkel te interpreteren dan om delen van een rechthoek te schatten.
Denk maar aan het aantal ruzies tussen broers en zussen over de vraag of twee stukken appeltaart even groot zijn. Toch zijn taartdiagrammen populair, mede omdat de ronde vorm kan helpen om het uiterlijk van anders vrij rechthoekige dashboards te doorbreken.
Als je een taartdiagram gebruikt, doe dan ten eerste alleen wanneer je maar een paar categorieën vergelijkt. Neem je er te veel op, dan wordt het overweldigend en slecht leesbaar. Voeg ten tweede het daadwerkelijke percentage toe aan elk punt. Zo kan de lezer, zelfs als het lastig is om de relatieve punten te vergelijken, de grafiek toch interpreteren.
Donutdiagram
Het donutdiagram is een naaste verwant van het taartdiagram. Dezelfde aandachtspunten gelden dus: gebruik het alleen bij een paar categorieën en toon de numerieke verhoudingen op de grafiek om de interpretatie te helpen.
Een praktisch voordeel van donutdiagrammen is dat er ruimte is voor een centraal label. Dat kan ruimte besparen in je dashboard als het wat vol begint te raken. Het is ook visueel aantrekkelijk en kan net wat extra flair geven die taartdiagrammen missen.
Histogram
Een histogram is handig om de vorm van een verdeling te visualiseren. Het werkt door numerieke waarden in klassen te groeperen en het aantal waarden per klasse te plotten. Dit kan helpen om de meest voorkomende waarden te zien en uitschieters te spotten.
Hoewel het op een staafdiagram lijkt, is er één belangrijk verschil: de x-as is een continue variabele, niet een discrete.
Hier hebben we een histogram van de hoogten van zonnebloemkiemplanten in een tuin. We zien dat de meeste kiemen tussen 22 cm en 28 cm zijn. Enkele zijn zo kort als 15 cm, en sommige bijna 34 cm.
Dichtheidsplot
Een dichtheidsplot kun je zien als een gesmoothte histogram, weergegeven als een continue curve. Dit kan een verzorgder beeld geven van de onderliggende verdeling. Let erop dat de y-as geen tellingen weergeeft, maar de dichtheid, die aangeeft hoe geconcentreerd de data rond een bepaalde waarde is. De totale oppervlakte onder de curve is altijd 1.
Deze plot is nuttig om naar de vorm van een verdeling te kijken, niet naar absolute waarden. Door meerdere verdelingen in dezelfde plot te zetten, kun je ze met elkaar vergelijken. Om het niet rommelig te maken, raad ik aan het aantal verdelingen te beperken tot drie of minder. Geef elke lijn ook het best een eigen kleur of tint om verwarring te voorkomen, zeker bij dicht bij elkaar liggende verdelingen.
Hier hebben we de tijd per bezoek uitgezet die aan lezen is besteed in twee verschillende bibliotheken. Door de dichtheden van beide verdelingen samen te plotten, zien we dat bezoekers van de Moonlight Library doorgaans langer lezen dan wanneer ze de Sunlight Library bezoeken.
Boxplot
Als je meerdere verdelingen met elkaar wilt vergelijken, kun je een boxplot overwegen. Een boxplot vat verdelingen samen via hun mediaan, kwartielen en eventuele uitschieters. Dit zijn ontzettend nuttige grafieken die snel veel informatie tonen. Ze geven in wezen in één oogopslag het hele bereik van meerdere datasets weer, naast elkaar vergeleken.
Als vuistregel geldt: als de boxen van twee verdelingen niet overlappen, kunnen ze significant van elkaar verschillen. Overlappen ze wel, dan is er waarschijnlijk niet zo'n significant verschil. Natuurlijk heb je een statistische test zoals een t-toets nodig om het zeker te weten, maar een boxplot kan snel een visuele hint geven welke verdelingen je met elkaar moet vergelijken.
In deze boxplot hebben we de verdeling van toetsresultaten op drie toverscholen weergegeven. In één oogopslag zie je welke scholen gemiddeld hogere scores hebben dan hun concurrenten. Je ziet ook makkelijk welke scholen uitzonderlijke leerlingen hebben, of leerlingen die achterlopen, door naar hun uitschieters te kijken. Deze eenvoudige grafiek brengt snel veel nuttige informatie over.
Bivariate visualisaties
Tot nu toe hebben we alleen grafieken bekeken die één variabele tonen. Maar wat als je de relatie tussen twee variabelen wilt laten zien? Dan kom je uit bij bivariate grafieken. Die zijn handig om trends, patronen en correlaties te spotten.
Spreidingsdiagram
Een spreidingsdiagram is misschien wel de meest alomtegenwoordige grafiek. Het is een eenvoudige manier om de positie van elk datapunt langs twee numerieke assen te visualiseren. Ideaal om relaties, clusters en uitschieters te zien.
Spreidingsdiagrammen kun je gebruiken om correlaties en causale relaties te tonen. Bij een causale relatie staat de onafhankelijke variabele volgens de conventie op de x-as en de afhankelijke op de y-as. Deze conventie geeft de kijker aan in welke richting de causaliteit loopt. Als er inderdaad sprake is van causaliteit, toon dan ook de statistiek waarmee die is vastgesteld, plus de p-waarde.
In dit spreidingsdiagram hebben we de relatie tussen de grootte van elke regendruppel en de snelheid waarmee die valt uitgezet. Er is een duidelijke positieve relatie tussen deze variabelen: grotere druppels vallen sneller.
Belangrijk: deze grafiek toont een correlatie en bewijst op zichzelf geen causaliteit. We kunnen dus niet zeggen dat een grotere druppel sneller valt omdat hij groter is. Om dat te claimen, hebben we extra informatie nodig, zoals een statistische test of een experiment, en die informatie zouden we op de grafiek moeten vermelden.
Lijndiagram
Een lijndiagram is een verwant van het spreidingsdiagram. De onafhankelijke variabele is doorgaans tijd en elk datapunt is verbonden met de direct aangrenzende punten. Gebruik lijndiagrammen vooral bij tijdreeksen, wanneer je trends of veranderingen in de tijd wilt benadrukken.
Hier hebben we met een lijndiagram uitgezet hoeveel tijd we elke dag een maand lang hebben gelezen. Zo zien we snel wanneer onze leesmotivatie inzakte en wanneer we weer in het ritme kwamen. Als we dit meerdere maanden volhouden, kan er een patroon ontstaan.
Voor meer voorbeelden van hoe je trends en veranderingen in de tijd benadrukt, bekijk Data Visualizations that Capture Trends.
Vlakdiagram
Een vlakdiagram lijkt sterk op een lijndiagram, maar de ruimte onder de lijn is ingekleurd. Dit kan het voor de kijker makkelijker maken om cumulatieve totalen of volumes te zien. Let er wel op dat je, waar je meerdere lijndiagrammen in één grafiek kunt plotten, bij vlakdiagrammen het best slechts één per grafiek gebruikt. Doordat het gebied onder de curve is ingekleurd, maken meerdere vlakken in één grafiek het snel rommelig en slecht leesbaar.
Dit vlakdiagram toont het volume honing dat gedurende het jaar is verzameld. Doordat het gebied onder de curve is ingekleurd, begrijpt de kijker intuïtief dat het om volumes gaat.
Gegroepeerd staafdiagram en gestapeld staafdiagram
Twee subtypen staafdiagram zijn ontworpen om categorieën over een tweede variabele te vergelijken.
Ten eerste zijn er gegroepeerde staafdiagrammen. Die benadrukken verschillen tussen subcategorieën. De y-as lees je zoals bij de meeste staafdiagrammen. Maar op de x-as staan clusters van staven, vaak onderscheiden door kleur of tint, die subgroepen binnen elke groep tonen. Deze grafieken kunnen heel snel veel informatie overbrengen.
Gebruik dit het liefst met maar een paar subgroepen per groep (ik raad 2–5, maximaal, aan). Houd er ook rekening mee dat deze grafieken horizontaal snel kunnen uitrekken als je te veel groepen of subgroepen toevoegt, wat veel ruimte kost. Als je ze digitaal laat bekijken, let dan op hoe het eruitziet op een mobiel scherm.
In dit gegroepeerde staafdiagram hebben we de sapvoorkeuren voor drie verschillende kleuterklassen uitgezet. Eén blik volstaat om te weten hoe je de pakjes sap het best over de klassen verdeelt.
Vervolgens zijn er gestapelde staafdiagrammen. Die tonen deel-geheelrelaties over meerdere groepen. Dit lijkt erg op gegroepeerde staafdiagrammen doordat we verfijnde verschillen tussen groepen kunnen vergelijken.
Maar deze grafiek heeft twee extra voordelen ten opzichte van het gegroepeerde staafdiagram. Ten eerste toont hij ook de totalen per categorie. Je kunt hem dus als een normaal staafdiagram lezen en eerst verschillen in totalen tussen categorieën zien, voor je de subgroepsverschillen leest. Ten tweede kan deze grafiek compacter zijn en meer informatie op minder ruimte bieden dan een gegroepeerd staafdiagram.
Het nadeel is dat het soms lastig is om exacte verhoudingen uit deze grafiek te halen. Datalabels met die informatie kunnen dat verhelpen; zorg er alleen voor dat het niet te vol wordt.
Dit gestapelde staafdiagram toont leesvoorkeuren over verschillende leeftijden. Binnen elke leeftijdsgroep zien we de verhouding per genre. Door over de leeftijdsgroepen heen te kijken, zien we zowel hoe de verhoudingen per genre veranderen als hoe het totale aantal geleende boeken verandert. Zo is het makkelijk te zien dat volwassenen in totaal de meeste boeken lenen en dat senioren grotere fans van non-fictie zijn dan tieners.
Heatmap
Een heatmap gebruikt kleurintensiteit om waarden over een raster te representeren. Gebruik dit voor correlaties, frequentietabellen of elke situatie waarin kleur patronen makkelijker zichtbaar maakt.
Een belangrijke vuistregel bij dit soort grafieken is om een kleurverloop te kiezen dat logisch is. Er is bijvoorbeeld geen inherente reden om te denken dat rood een groter getal is dan groen. Een verloop van rood naar groen is dus waarschijnlijk geen goede keuze. Donkere tinten intuïtief koppelen aan grotere waarden ligt wel voor de hand. Kies daarom liever een licht-naar-donkerverloop binnen één kleur, zodat de kijker intuïtiever aanvoelt wat je plot.
Een uitzondering is wanneer je letterlijke warmtewaarden plot. Rood staat doorgaans voor warmer en blauw voor kouder. Als je warmte met een heatmap visualiseert, kan een verloop van rood naar blauw dus wel intuïtief zijn. Laat je data zoals altijd leidend zijn in het ontwerp van je visualisatie.
Deze heatmap toont het activiteitsniveau van een luie huiskat, uur na uur, voor elke dag in één week. Donkerder blauw toont momenten dat de kat erg actief was, misschien zelfs rende of sprong. Lichtere blauwtinten tonen tijden met weinig activiteit, mogelijk slapend. De kleur maakt het makkelijk te zien dat onze kat 's nachts actiever is, overdag vooral slaapt en overdag enkele speelmomenten heeft (misschien geïnitieerd door haar baasje).
Wil je deze bivariate grafieken uitproberen in een professioneel analyticsplatform, Data Visualization in Power BI en Data Visualization in Tableau laten zien hoe je interactieve dashboards maakt die patronen en trends helder uitlichten.
Multivariate visualisaties
Soms moeten we complexere relaties laten zien met meer dan twee variabelen. Multivariate grafieken helpen relaties tussen drie of meer variabelen bloot te leggen. Ze helpen je complexere datasets te verkennen en toch de leesbaarheid te behouden. Laten we een paar veelvoorkomende opties bekijken.
Bubbeldiagram
Een bubbeldiagram borduurt voort op een spreidingsdiagram door een derde variabele te coderen als bubbelformaat. Het is een goede keuze qua leesgemak omdat de meeste mensen spreidingsdiagrammen al begrijpen. Een variabele als grootte toevoegen voelt intuïtief. Om dat te maximaliseren, is het best practice om de bubbelformaat te laten correleren met een grootteorde.
Je kunt een vierde variabele toevoegen door ook kleur te coderen. Zorg dan wel voor een duidelijke legenda en caption zodat je kijker de grafiek helder kan interpreteren.
Dit bubbeldiagram toont de relatieve aantallen lieveheersbeestjes en bladluizen in een tuin met verschillende bloemgroottes. Grotere bellen corresponderen met meer bladluizen. We zien grotere bellen hoger in de grafiek, wat erop wijst dat er meer bladluizen zijn waar meer lieveheersbeestjes zijn. We zien ook dat er meer insecten op kortere bloemen zitten.
Radardiagram
Een radardiagram kun je zien als een soort cirkelvormig staafdiagram. Verschillende attributen staan aan de buitenkant van de cirkel en je vorm wordt langs elk van deze assen vanaf het midden uitgezet. Het werkt goed voor profielen of om meerdere items langs dezelfde dimensies te vergelijken. Let op met te veel overlappende vormen, want dan wordt het rommelig en lastig snel te lezen. Ik raad ook transparante kleuring aan, zodat je elke vorm goed door de andere heen ziet.
Hier vergelijken we drie verschillende Dungeons and Dragons-personageprofielen op vijf vaardigheidsassen. Dit is een overzichtelijke manier om verschillen in vaardigheden tussen deze personages te tonen.
Parallelle coördinaten
Als je een radardiagram uitrolt, krijg je een plot met parallelle coördinaten. Deze plots tonen elke variabele op een eigen verticale as. Dit is een betere optie wanneer je meerdere continue variabelen tegelijk moet vergelijken, omdat er minder overlappende vlakken zijn.
Denk goed na over de waarden op je y-as. Als je verschillende attributen dezelfde eenheid delen, zoals bij onze personageprofielen hierboven, is er geen probleem. Maar als je attributen normaal gesproken andere eenheden hebben, moet je misschien een relatieve schaal voor de y-as vinden om de grafiek leesbaarder te maken. Het doel is de lijnen met elkaar te vergelijken, niet per se exacte waarden eruit te halen.
In deze plot vergelijken we de relatieve eigenschappen van verschillende speelgoedrobotmodellen. We kunnen elk model makkelijk met de andere vergelijken op elk van de vier kenmerken die ons interesseren. Hoewel we geen exacte waarde voor de snelheid van elke robot kunnen aflezen, zien we gemakkelijk dat de RoboMax veel sneller is dan de RoboMini.
Boomkaart (treemap)
Een boomkaart is een visueel aantrekkelijke manier om hiërarchische informatie te tonen. Een rechthoek wordt opgedeeld in geneste tegels waarvan de grootte varieert met de waarde. Vaak voegen verschillende kleuren nog een laag van onderverdeling toe. Handig om hiërarchische data of deel-geheelrelaties op meerdere niveaus te tonen.
Een waarschuwing: niet iedereen kan boomkaarten makkelijk lezen, dus maak ze zo interpreteerbaar mogelijk. Zorg voor duidelijke scheidslijnen tussen vakken en onderscheidende kleuren. Deze grafieken lenen zich naar mijn idee extra goed voor legenda's, labels en captions.
Hier hebben we een boomkaart gemaakt die laat zien waaraan een fictieve avonturier het verzamelde goud uitgeeft in verschillende categorieën. De kleur geeft de uitgavencategorie aan, terwijl de grootte van elk rechthoekje de relatieve hoeveelheid uitgegeven goud toont.
Sankey-diagram
Een Sankey-diagram is een van de beste manieren die ik ken om stromen te visualiseren. Dit type diagram volgt de reis van je data van begin tot elk eindpunt. De relatieve dikte van de pijlen toont hoeveel van de oorspronkelijke hoeveelheid naar elke bestemming ging. Geweldig voor het visualiseren van energiestromen, customer journeys of elk systeem met vertakkingen.
Hier hebben we het energieverbruik in een huishouden uitgezet en waar die energie wordt gebruikt. We zien dat dit huis de meeste energie gebruikt voor verwarming en comfort, terwijl koken en ontspanning relatief weinig innemen.
Choroplethkaart
Een choroplethkaart lijkt op een heatmap doordat kleur informatie overbrengt. Maar hij ligt over een geografische kaart heen en laat zien hoe patronen zich ontwikkelen over gebieden, zoals staten of gemeenten. Je zag deze kaarten misschien tijdens de COVID-pandemie, waar pieken in besmettingen werden getoond. Ze verschijnen ook vaak na Amerikaanse presidentsverkiezingen, met resultaten van het kiescollege.
Hier hebben we een heel basale choroplethkaart gemaakt die de geschatte bosbedekking per staat in de Verenigde Staten toont. Het is makkelijk te zien welke staten meer bos hebben, omdat ze donkerder groen zijn dan staten met minder bos.
Goede vs. slechte datavisualisaties
Het verschil tussen behulpzame en misleidende grafieken komt meestal neer op ontwerp. Een goede visualisatie verduidelijkt de data; een slechte vervormt die. Voor een volledig overzicht raad ik Edward Tufte's The Visual Display of Quantitative Information aan. Het is een van de meest invloedrijke boeken over visualisatie en een aanrader voor iedereen die regelmatig met data werkt.
Kenmerken van effectieve visualisaties
Je grafiek moet in één oogopslag te lezen zijn. Dat betekent simpel en rechttoe rechtaan houden, datalabels toevoegen waar passend en titels, legenda's en aslabels effectief gebruiken. Tufte bespreekt dit in termen van de data-inktverhouding.
Je visualisaties moeten ook zo accuraat mogelijk zijn. Let op vervormingen in schaal of verhouding. Wees bijvoorbeeld voorzichtig met onderbrekingen in assen en markeer ze duidelijk als je ze gebruikt.
Voor efficiëntie zorg je ervoor dat alles op de grafiek daar moet staan. Gebruik rasterlijnen niet te veel. In sommige grafieken maken rasterlijnen het makkelijker om exacte waarden te zien. In veel, vooral eenvoudigere, grafieken zijn ze echter visuele ruis. In het slechtste geval kunnen ze zelfs data verhullen. Andere voorbeelden van visuele ruis zijn onnodige plaatjes of extra lijnen die niet bijdragen aan de helderheid.
Denk ten slotte goed na over kleurgebruik. Begrijp dat kleuren net zo veel betekenis kunnen dragen als cijfers. Kies bij een verloop bijvoorbeeld meestal donkere kleuren voor grotere getallen en lichte voor kleinere.
Denk bij categorische data aan kleuren die vaak bij die categorie horen. Het zou vreemd zijn geweest als we een groene staaf hadden gebruikt om voorkeur voor sinaasappelsap aan te duiden.
Veelvoorkomende problemen bij slechte visualisaties
Er zijn een paar veelgemaakte fouten om op te letten. De eerste heeft met schalen te maken. Let op de schaal van je assen én van je grafiekelementen (boxen/bellen/etc.). Vertrouw vooral niet blind op de standaardplots van welk programma je ook gebruikt. Zorg dat je assen bij nul beginnen (met enkele zeldzame uitzonderingen), dat je assen consistent zijn en dat de verhoudingen van je plot-elementen logisch zijn voor je data.
Een veelvoorkomend probleem dat ik vaak zie, is het gebruik van 3D-effecten. Die kunnen er cool uitzien, maar vervormen de grafiek vaak op een manier die het lezen lastiger maakt. Bespaar je publiek die hoofdpijn en blijf voor de meeste doeleinden bij tweedimensionale grafieken.
Dubbele y-assen zijn ook een valkuil. In de overgrote meerderheid van de gevallen, als je twee y-assen nodig hebt, kun je de data beter in twee grafieken splitsen. In de paar, zeer zeldzame gevallen waarin een dubbele as logisch is, zorg dan dat overduidelijk is welke data bij welke as hoort. Mijn favoriete manier is met kleur, bv. de as links is zwart en correspondeert met de zwarte punten, de as rechts is rood en correspondeert met de rode punten.
Een van de makkelijkste fouten is je grafiek te vol maken. Het is verleidelijk om het complete verhaal van onze data te vertellen, dus blijven we staven, labels of lijnen toevoegen om steeds ingewikkeldere verhalen te tonen. Daarmee loop je het risico dat de kijker helemaal niets oppikt. Kies in plaats daarvan één eenvoudige boodschap die je kijker uit je data moet halen en breng die zo schoon en elegant mogelijk..
Misleidende visualisaties herkennen
Helaas kom je best vaak grafieken tegen die gemanipuleerd zijn om een agenda te verkopen. Dat komt veel voor in reclame, politiek en sociale media. Wanneer je een grafiek ziet, is het belangrijk die kritisch te beoordelen voor je die klakkeloos gelooft.
De eerste manier om kritisch te beoordelen is terug te grijpen op de eerdere secties van dit artikel en te kijken of de grafiek de best practices volgt die we hebben besproken. Zo niet, dan kan de grafiek misleidend zijn, al dan niet onbedoeld.
Denk vervolgens aan meer slinkse bedoelingen. Stel jezelf deze vragen:
- Wat is de bron en wat is hun agenda?
- Komt de indruk die je krijgt overeen met de echte cijfers?
- Waarom begint en eindigt de tijdlijn waar die doet?
- Zijn de items die vergeleken worden echt vergelijkbaar?
- Ontbreekt er data of wordt iets onderbelicht?
- Wordt correlatie als causaliteit gepresenteerd?
Niet alle misleidende visualisaties zijn kwaadwillig bedoeld. Maar het is belangrijk de gebreken te herkennen en de conclusies met een korrel zout te nemen.
Een opmerking over inclusief ontwerp
Onthoud bij het bouwen van je eigen visualisaties dat ontwerpkeuzes ook beïnvloeden wie je werk kan zien. Om je publiek te verbreden, denk na over de toegankelijkheid van je grafieken. Gebruik bijvoorbeeld kleurenpaletten die geschikt zijn voor kleurenblinden en grote, goed leesbare lettertypen om de visuele leesbaarheid te verbeteren. Betekenisvolle alt-tekst en captions kunnen de toegankelijkheid voor kijkers met een visuele beperking ook verbeteren.
Beroemde visualisaties uit de geschiedenis
Door de geschiedenis heen zijn er een paar visualisaties die het vakgebied van datavisualisatie sterk hebben gevormd. Sommige bedachten compleet nieuwe grafiektypen; andere veranderden hoe we gebeurtenissen, samenlevingen of systemen begrijpen. Laten we enkele van de bekendste historische grafieken bekijken en hoe ze toekomstige makers inspireerden.
De uitvindingen van William Playfair (1786–1801)
Onze standaardgrafiektypen zijn niet uit het niets ontstaan. Veel van de grafieken die we besproken hebben, begonnen bij William Playfair, een Schotse ingenieur en politiek econoom uit de late 18e eeuw. In 1786 publiceerde Playfair The Commercial and Political Atlas, waarin hij het lijndiagram en het staafdiagram introduceerde als hulpmiddelen om economische data te begrijpen. Enkele jaren later introduceerde hij het taartdiagram in The Statistical Breviary.
Deze grafiek wordt algemeen beschouwd als het eerste lijndiagram, geïntroduceerd door William Playfair in 1786. Afbeelding afkomstig van Wikipedia.
Destijds werd de meeste numerieke informatie gepresenteerd in dichte tabellen die moeilijk snel te interpreteren waren. Playfair geloofde dat visuele vormen trends en vergelijkingen in één oogopslag inzichtelijk konden maken, zelfs voor lezers zonder wiskundige scholing.
Aangenomen wordt dat dit het eerste staafdiagram is, gepubliceerd in 1786 door William Playfair. Afbeelding afkomstig van Wikipedia.
Wat Playfair's werk zo invloedrijk maakte, was niet alleen de uitvinding van nieuwe grafiektypen, maar ook zijn inzicht in hoe mensen informatie waarnemen. Hij koppelde getallen aan visuele eigenschappen, waardoor kijkers waarden in één oogopslag konden vergelijken. Zijn grafieken werden vaak gebruikt om politieke en economische punten te bepleiten, zoals veranderingen in staatsschuld of handelsbalansen door de tijd.
Playfair's werk legde de basis voor moderne statistische grafieken en is een vroege herinnering dat heldere visuele encoderingen fundamenteel kunnen veranderen hoe mensen over data redeneren.
Mogelijk het eerste taartdiagram, gepubliceerd door William Playfair in 1789. Bron: Wikipedia.
Charles Minards kaart van Napoleons Russische veldtocht (1869)
In 1812 viel Napoleon Rusland binnen en leed een verpletterende nederlaag. Iets meer dan 50 jaar later maakte de gepensioneerde civiel ingenieur Charles Minard deze iconische kaart die de opmars, terugtocht en tragische afname in omvang van het leger toont.
Bron: brilliantmaps.
Dit is een vroeg voorbeeld van een Sankey-diagram, waarbij de bandbreedte het aantal troepen weergeeft. Het ligt over een kaart die richting, temperatuur, geografie en tijd integreert en zo een indringend verhaal vertelt van de invasie. Het is een elegant voorbeeld van hoe kwantitatieve data in een emotionele verhaallijn kan veranderen en laat zien hoe meerdere variabelen zonder verwarring kunnen samenkomen. Het is wellicht een van de meest herkenbare historische grafieken aller tijden.
Florence Nightingale's roosdiagram (1858)
Een andere beroemde oorlogsgrafiek kwam van de statisticus en grondlegger van de moderne verpleegkunde, Florence Nightingale. Ze gebruikte een polair oppervlakdiagram, ook wel roosdiagram genoemd, om te laten zien dat meer doden in de Krimoorlog vielen door te voorkomen ziekten, zoals cholera en tyfus, dan door daadwerkelijke gevechtswonden.
Bron: https://www.historyofinformation.com/
Elke sector in het diagram staat voor een maand en kleuren onderscheiden doodsoorzaken. Doden door te voorkomen ziekten zijn blauw, die door gevechtswonden rood en alle andere oorzaken zwart.
In april 1855 arriveerde een Sanitary Commission om de hygiëne in het militair hospitaal te verbeteren. Het resultaat was een sterke daling van het aantal doden, wat in Nightingale's grafiek duidelijk opviel. Deze visualisatie overtuigde beleidsmakers om hygiëneverbeteringen door te voeren in zowel militaire als civiele ziekenhuizen.
John Snow's cholerakaart (1854)
Een andere overwinning voor de volksgezondheid werd behaald met John Snow's kaart met choleraoverlijdens in Londen. In 1854 trof een verwoestende cholera-uitbraak de wijk Soho, waarbij in slechts enkele weken meer dan 600 mensen stierven. Snow plotte choleradoden op een stratenkaart van Londen, met overlijdens als streepjes en waterpompen als cirkels.
Bron: londonmuseum.org.
Zijn kaart toonde clusters van overlijdens rond de Broad Street-waterpomp. Nadat de autoriteiten de hendel van die pomp verwijderden en die onbruikbaar werd, nam de uitbraak af. Deze kaart hielp de lokale uitbraak op te lossen. Vandaag dient hij als herinnering dat de keuze van de juiste visualisatie het effect bepaalt; een spreidingsdiagram had de oorzaak bijvoorbeeld niet gevonden. Snow gebruikte de juiste visualisatie om verandering te bewerkstelligen.
Étienne-Jules Marey's treinschema (1885)
Mijn persoonlijke favoriet is dit treinschema uit 1885. Deze ene grafiek toont elke trein van Parijs naar Lyon: de snelheid, de stops en wanneer een andere trein wordt gekruist. De tijd staat op de x-as en elk station is op de y-as geplaatst naar verhouding van de afstand. Elke trein is één schuine lijn. Steilere lijnen duiden op snellere treinen en horizontale stukken tonen wanneer de trein in een station staat.
Bron: commons.wikimedia.org
Gewoonlijk zou deze informatie als een tekstzware dienstregeling gepresenteerd zijn. In plaats daarvan combineerde deze grafiek ruimte- en tij dinformatie op een elegante manier, waardoor spoorwegmanagers planningsconflicten en zelfs botsingen konden voorkomen! Het herinnert eraan hoeveel informatie een goed ontworpen visualisatie kan overbrengen.
W.E.B. Du Bois' dataportretten (1900)
Rond de eeuwwisseling leidde socioloog en burgerrechtenactivist W.E.B. Du Bois een team van onderzoekers bij het maken van een reeks gedurfde, originele grafieken voor de Parijse Expo van 1900. Deze visualisaties documenteerden de sociale, economische en educatieve omstandigheden van zwarte Amerikanen, slechts één generatie na de emancipatie. In een tijd waarin racistische pseudowetenschap het publieke debat domineerde, gebruikte Du Bois data om schadelijke stereotypen direct te bestrijden.
Deze grafiek uit WEB Du Bois' Data Portraits laat op indringende wijze zien hoe de Emancipation Proclamation het leven van Afro-Amerikanen veranderde. Afbeelding afkomstig van How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.
De grafieken behandelden onderwerpen als geletterdheid, eigendom, werkgelegenheid, bevolkingsgroei en migratiepatronen. Veel waren met de hand getekend en geschilderd, met felle kleuren en onconventionele lay-outs. Sommige lijken op staaf- of taartdiagrammen, andere experimenteren met spiralen, radiale lay-outs en abstracte composities. In plaats van aan conventies vast te houden, gaf Du Bois prioriteit aan communicatie en impact.
Dit aangepaste taartdiagram toont de beroepen van zwarte en witte Amerikanen aan het begin van de 20e eeuw. Afbeelding afkomstig van How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.
Du Bois streefde niet naar neutraliteit. De grafieken waren expliciet bedoeld om te overtuigen, te onderwijzen en de menselijkheid en prestaties van zwarte Amerikanen met data te onderstrepen. Daarmee liet Du Bois zien dat visualisatie nooit alleen draait om cijfers presenteren. Het gaat om de werkelijkheid kaderen, verhalen vertellen en beïnvloeden hoe samenlevingen zichzelf begrijpen. Deze grafieken zijn nu verzameld in het boek W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century.
WEB Du Bois schuwde het niet om radicale grafiektypen te gebruiken om zijn punt te maken, zoals deze spiraalgrafiek die de bevolkingsspreiding van zwarte Amerikanen in 1890 toont. Afbeelding afkomstig van How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.
Conclusie
Visualisatie is niet neutraal; elke keuze die je maakt, beïnvloedt hoe kijkers het verhaal achter de data interpreteren. Wil je meer leren over hoe je het verhaal van je data effectief vertelt, bekijk dan onze Data Storytelling & Communication Cheat Sheet.
Voor praktisch advies over welke tools je gebruikt, is ons overzicht van 12 of the Best Data Visualization Tools in 2025 een geweldige bron. En als je klaar bent om deze complexe grafieken interactief en webklaar te maken, Interactive Data Visualization with Bokeh leidt je stap voor stap door het bouwen van responsieve, browservriendelijke visualisaties in Python.
Ruwe data bekijken is alsof je een foto probeert te begrijpen door telkens maar een paar pixels te bestuderen. Door je data te visualiseren kun je uitzoomen en in één oogopslag het hele plaatje zien. Visualisaties zijn ook een handig hulpmiddel voor marketing om je data aan stakeholders te tonen. Ze helpen mensen patronen, relaties en inzichten meteen te zien. Het is een van de snelste manieren om data betekenis te geven.
In deze gids lopen we door veelvoorkomende grafiektypen en wanneer je elk daarvan gebruikt. We verkennen wat een goede visualisatie onderscheidt van een misleidende en bekijken een paar iconische voorbeelden die het vakgebied vormgaven. Aan het eind heb je een beter idee van hoe je datavisualisaties maakt en beoordeelt die een helder en eerlijk verhaal vertellen.
Als je helemaal nieuw begint, Introduction to Data Visualization with Julia biedt een laagdrempelige manier om de basis van plotten en dataverhalen te leren.
Typen datavisualisaties
Datavisualisaties kun je indelen naar het aantal variabelen. Kijk je nauwkeurig naar de verdeling van slechts één variabele? Probeer je de relatie tussen twee te beschrijven? Of ben je geïnteresseerd in de interacties tussen meerdere? Laten we deze scenario's bekijken en zien welke grafiekopties we voor elk daarvan hebben.
Om al deze grafiektypen uit elkaar te houden, raad ik deze handige Data Visualization Cheat Sheet aan. Het is een snelle referentie om te zien welke grafiek het best werkt voor verschillende datatypen. Bekijk ook zeker Data Visualization Techniques for Every Use-Case.
Univariate visualisaties
Laten we beginnen met het simpelste geval: je hebt maar één variabele waarin je geïnteresseerd bent. Univariate visualisaties laten je op één variabele focussen. Ze helpen je in één oogopslag de verdeling, frequentie of samenstelling ervan te begrijpen. Laten we wat veelvoorkomende typen bekijken.
Staafdiagram
Een staafdiagram vergelijkt verschillende categorieën informatie. Elke categorie is een eigen staaf en de telling voor die categorie wordt weergegeven als de hoogte van de staaf.
Soms zie je staafdiagrammen op hun kant, met de staven horizontaal in plaats van verticaal. Uit mijn ervaring zijn deze horizontale staafdiagrammen vooral handig wanneer je veel categorieën vergelijkt en de staven van langste bovenaan naar kortste onderaan zijn geordend. Voor maar een paar categorieën geef ik de voorkeur aan verticale staafdiagrammen.
Taartdiagram
Een taartdiagram toont delen van een geheel als punten van een cirkel. De keuze om taartdiagrammen te gebruiken is vaak een bron van ergernis onder datamensen. Het is voor onze hersenen over het algemeen lastiger om delen van een cirkel te interpreteren dan om delen van een rechthoek te schatten.
Denk maar aan het aantal ruzies tussen broers en zussen over de vraag of twee stukken appeltaart even groot zijn. Toch zijn taartdiagrammen populair, mede omdat de ronde vorm kan helpen om het uiterlijk van anders vrij rechthoekige dashboards te doorbreken.
Als je een taartdiagram gebruikt, doe dan ten eerste alleen wanneer je maar een paar categorieën vergelijkt. Neem je er te veel op, dan wordt het overweldigend en slecht leesbaar. Voeg ten tweede het daadwerkelijke percentage toe aan elk punt. Zo kan de lezer, zelfs als het lastig is om de relatieve punten te vergelijken, de grafiek toch interpreteren.
Donutdiagram
Het donutdiagram is een naaste verwant van het taartdiagram. Dezelfde aandachtspunten gelden dus: gebruik het alleen bij een paar categorieën en toon de numerieke verhoudingen op de grafiek om de interpretatie te helpen.
Een praktisch voordeel van donutdiagrammen is dat er ruimte is voor een centraal label. Dat kan ruimte besparen in je dashboard als het wat vol begint te raken. Het is ook visueel aantrekkelijk en kan net wat extra flair geven die taartdiagrammen missen.
Histogram
Een histogram is handig om de vorm van een verdeling te visualiseren. Het werkt door numerieke waarden in klassen te groeperen en het aantal waarden per klasse te plotten. Dit kan helpen om de meest voorkomende waarden te zien en uitschieters te spotten.
Hoewel het op een staafdiagram lijkt, is er één belangrijk verschil: de x-as is een continue variabele, niet een discrete.
Hier hebben we een histogram van de hoogten van zonnebloemkiemplanten in een tuin. We zien dat de meeste kiemen tussen 22 cm en 28 cm zijn. Enkele zijn zo kort als 15 cm, en sommige bijna 34 cm.
Dichtheidsplot
Een dichtheidsplot kun je zien als een gesmoothte histogram, weergegeven als een continue curve. Dit kan een verzorgder beeld geven van de onderliggende verdeling. Let erop dat de y-as geen tellingen weergeeft, maar de dichtheid, die aangeeft hoe geconcentreerd de data rond een bepaalde waarde is. De totale oppervlakte onder de curve is altijd 1.
Deze plot is nuttig om naar de vorm van een verdeling te kijken, niet naar absolute waarden. Door meerdere verdelingen in dezelfde plot te zetten, kun je ze met elkaar vergelijken. Om het niet rommelig te maken, raad ik aan het aantal verdelingen te beperken tot drie of minder. Geef elke lijn ook het best een eigen kleur of tint om verwarring te voorkomen, zeker bij dicht bij elkaar liggende verdelingen.
Hier hebben we de tijd per bezoek uitgezet die aan lezen is besteed in twee verschillende bibliotheken. Door de dichtheden van beide verdelingen samen te plotten, zien we dat bezoekers van de Moonlight Library doorgaans langer lezen dan wanneer ze de Sunlight Library bezoeken.
Boxplot
Als je meerdere verdelingen met elkaar wilt vergelijken, kun je een boxplot overwegen. Een boxplot vat verdelingen samen via hun mediaan, kwartielen en eventuele uitschieters. Dit zijn ontzettend nuttige grafieken die snel veel informatie tonen. Ze geven in wezen in één oogopslag het hele bereik van meerdere datasets weer, naast elkaar vergeleken.
Als vuistregel geldt: als de boxen van twee verdelingen niet overlappen, kunnen ze significant van elkaar verschillen. Overlappen ze wel, dan is er waarschijnlijk niet zo'n significant verschil. Natuurlijk heb je een statistische test zoals een t-toets nodig om het zeker te weten, maar een boxplot kan snel een visuele hint geven welke verdelingen je met elkaar moet vergelijken.
In deze boxplot hebben we de verdeling van toetsresultaten op drie toverscholen weergegeven. In één oogopslag zie je welke scholen gemiddeld hogere scores hebben dan hun concurrenten. Je ziet ook makkelijk welke scholen uitzonderlijke leerlingen hebben, of leerlingen die achterlopen, door naar hun uitschieters te kijken. Deze eenvoudige grafiek brengt snel veel nuttige informatie over.
Bivariate visualisaties
Tot nu toe hebben we alleen grafieken bekeken die één variabele tonen. Maar wat als je de relatie tussen twee variabelen wilt laten zien? Dan kom je uit bij bivariate grafieken. Die zijn handig om trends, patronen en correlaties te spotten.
Spreidingsdiagram
Een spreidingsdiagram is misschien wel de meest alomtegenwoordige grafiek. Het is een eenvoudige manier om de positie van elk datapunt langs twee numerieke assen te visualiseren. Ideaal om relaties, clusters en uitschieters te zien.
Spreidingsdiagrammen kun je gebruiken om correlaties en causale relaties te tonen. Bij een causale relatie staat de onafhankelijke variabele volgens de conventie op de x-as en de afhankelijke op de y-as. Deze conventie geeft de kijker aan in welke richting de causaliteit loopt. Als er inderdaad sprake is van causaliteit, toon dan ook de statistiek waarmee die is vastgesteld, plus de p-waarde.
In dit spreidingsdiagram hebben we de relatie tussen de grootte van elke regendruppel en de snelheid waarmee die valt uitgezet. Er is een duidelijke positieve relatie tussen deze variabelen: grotere druppels vallen sneller.
Belangrijk: deze grafiek toont een correlatie en bewijst op zichzelf geen causaliteit. We kunnen dus niet zeggen dat een grotere druppel sneller valt omdat hij groter is. Om dat te claimen, hebben we extra informatie nodig, zoals een statistische test of een experiment, en die informatie zouden we op de grafiek moeten vermelden.
Lijndiagram
Een lijndiagram is een verwant van het spreidingsdiagram. De onafhankelijke variabele is doorgaans tijd en elk datapunt is verbonden met de direct aangrenzende punten. Gebruik lijndiagrammen vooral bij tijdreeksen, wanneer je trends of veranderingen in de tijd wilt benadrukken.
Hier hebben we met een lijndiagram uitgezet hoeveel tijd we elke dag een maand lang hebben gelezen. Zo zien we snel wanneer onze leesmotivatie inzakte en wanneer we weer in het ritme kwamen. Als we dit meerdere maanden volhouden, kan er een patroon ontstaan.
Voor meer voorbeelden van hoe je trends en veranderingen in de tijd benadrukt, bekijk Data Visualizations that Capture Trends.
Vlakdiagram
Een vlakdiagram lijkt sterk op een lijndiagram, maar de ruimte onder de lijn is ingekleurd. Dit kan het voor de kijker makkelijker maken om cumulatieve totalen of volumes te zien. Let er wel op dat je, waar je meerdere lijndiagrammen in één grafiek kunt plotten, bij vlakdiagrammen het best slechts één per grafiek gebruikt. Doordat het gebied onder de curve is ingekleurd, maken meerdere vlakken in één grafiek het snel rommelig en slecht leesbaar.
Dit vlakdiagram toont het volume honing dat gedurende het jaar is verzameld. Doordat het gebied onder de curve is ingekleurd, begrijpt de kijker intuïtief dat het om volumes gaat.
Gegroepeerd staafdiagram en gestapeld staafdiagram
Twee subtypen staafdiagram zijn ontworpen om categorieën over een tweede variabele te vergelijken.
Ten eerste zijn er gegroepeerde staafdiagrammen. Die benadrukken verschillen tussen subcategorieën. De y-as lees je zoals bij de meeste staafdiagrammen. Maar op de x-as staan clusters van staven, vaak onderscheiden door kleur of tint, die subgroepen binnen elke groep tonen. Deze grafieken kunnen heel snel veel informatie overbrengen.
Gebruik dit het liefst met maar een paar subgroepen per groep (ik raad 2–5, maximaal, aan). Houd er ook rekening mee dat deze grafieken horizontaal snel kunnen uitrekken als je te veel groepen of subgroepen toevoegt, wat veel ruimte kost. Als je ze digitaal laat bekijken, let dan op hoe het eruitziet op een mobiel scherm.
In dit gegroepeerde staafdiagram hebben we de sapvoorkeuren voor drie verschillende kleuterklassen uitgezet. Eén blik volstaat om te weten hoe je de pakjes sap het best over de klassen verdeelt.
Vervolgens zijn er gestapelde staafdiagrammen. Die tonen deel-geheelrelaties over meerdere groepen. Dit lijkt erg op gegroepeerde staafdiagrammen doordat we verfijnde verschillen tussen groepen kunnen vergelijken.
Maar deze grafiek heeft twee extra voordelen ten opzichte van het gegroepeerde staafdiagram. Ten eerste toont hij ook de totalen per categorie. Je kunt hem dus als een normaal staafdiagram lezen en eerst verschillen in totalen tussen categorieën zien, voor je de subgroepsverschillen leest. Ten tweede kan deze grafiek compacter zijn en meer informatie op minder ruimte bieden dan een gegroepeerd staafdiagram.
Het nadeel is dat het soms lastig is om exacte verhoudingen uit deze grafiek te halen. Datalabels met die informatie kunnen dat verhelpen; zorg er alleen voor dat het niet te vol wordt.
Dit gestapelde staafdiagram toont leesvoorkeuren over verschillende leeftijden. Binnen elke leeftijdsgroep zien we de verhouding per genre. Door over de leeftijdsgroepen heen te kijken, zien we zowel hoe de verhoudingen per genre veranderen als hoe het totale aantal geleende boeken verandert. Zo is het makkelijk te zien dat volwassenen in totaal de meeste boeken lenen en dat senioren grotere fans van non-fictie zijn dan tieners.
Heatmap
Een heatmap gebruikt kleurintensiteit om waarden over een raster te representeren. Gebruik dit voor correlaties, frequentietabellen of elke situatie waarin kleur patronen makkelijker zichtbaar maakt.
Een belangrijke vuistregel bij dit soort grafieken is om een kleurverloop te kiezen dat logisch is. Er is bijvoorbeeld geen inherente reden om te denken dat rood een groter getal is dan groen. Een verloop van rood naar groen is dus waarschijnlijk geen goede keuze. Donkere tinten intuïtief koppelen aan grotere waarden ligt wel voor de hand. Kies daarom liever een licht-naar-donkerverloop binnen één kleur, zodat de kijker intuïtiever aanvoelt wat je plot.
Een uitzondering is wanneer je letterlijke warmtewaarden plot. Rood staat doorgaans voor warmer en blauw voor kouder. Als je warmte met een heatmap visualiseert, kan een verloop van rood naar blauw dus wel intuïtief zijn. Laat je data zoals altijd leidend zijn in het ontwerp van je visualisatie.
Deze heatmap toont het activiteitsniveau van een luie huiskat, uur na uur, voor elke dag in één week. Donkerder blauw toont momenten dat de kat erg actief was, misschien zelfs rende of sprong. Lichtere blauwtinten tonen tijden met weinig activiteit, mogelijk slapend. De kleur maakt het makkelijk te zien dat onze kat 's nachts actiever is, overdag vooral slaapt en overdag enkele speelmomenten heeft (misschien geïnitieerd door haar baasje).
Wil je deze bivariate grafieken uitproberen in een professioneel analyticsplatform, Data Visualization in Power BI en Data Visualization in Tableau laten zien hoe je interactieve dashboards maakt die patronen en trends helder uitlichten.
Multivariate visualisaties
Soms moeten we complexere relaties laten zien met meer dan twee variabelen. Multivariate grafieken helpen relaties tussen drie of meer variabelen bloot te leggen. Ze helpen je complexere datasets te verkennen en toch de leesbaarheid te behouden. Laten we een paar veelvoorkomende opties bekijken.
Bubbeldiagram
Een bubbeldiagram borduurt voort op een spreidingsdiagram door een derde variabele te coderen als bubbelformaat. Het is een goede keuze qua leesgemak omdat de meeste mensen spreidingsdiagrammen al begrijpen. Een variabele als grootte toevoegen voelt intuïtief. Om dat te maximaliseren, is het best practice om de bubbelformaat te laten correleren met een grootteorde.
Je kunt een vierde variabele toevoegen door ook kleur te coderen. Zorg dan wel voor een duidelijke legenda en caption zodat je kijker de grafiek helder kan interpreteren.
Dit bubbeldiagram toont de relatieve aantallen lieveheersbeestjes en bladluizen in een tuin met verschillende bloemgroottes. Grotere bellen corresponderen met meer bladluizen. We zien grotere bellen hoger in de grafiek, wat erop wijst dat er meer bladluizen zijn waar meer lieveheersbeestjes zijn. We zien ook dat er meer insecten op kortere bloemen zitten.
Radardiagram
Een radardiagram kun je zien als een soort cirkelvormig staafdiagram. Verschillende attributen staan aan de buitenkant van de cirkel en je vorm wordt langs elk van deze assen vanaf het midden uitgezet. Het werkt goed voor profielen of om meerdere items langs dezelfde dimensies te vergelijken. Let op met te veel overlappende vormen, want dan wordt het rommelig en lastig snel te lezen. Ik raad ook transparante kleuring aan, zodat je elke vorm goed door de andere heen ziet.
Hier vergelijken we drie verschillende Dungeons and Dragons-personageprofielen op vijf vaardigheidsassen. Dit is een overzichtelijke manier om verschillen in vaardigheden tussen deze personages te tonen.
Parallelle coördinaten
Als je een radardiagram uitrolt, krijg je een plot met parallelle coördinaten. Deze plots tonen elke variabele op een eigen verticale as. Dit is een betere optie wanneer je meerdere continue variabelen tegelijk moet vergelijken, omdat er minder overlappende vlakken zijn.
Denk goed na over de waarden op je y-as. Als je verschillende attributen dezelfde eenheid delen, zoals bij onze personageprofielen hierboven, is er geen probleem. Maar als je attributen normaal gesproken andere eenheden hebben, moet je misschien een relatieve schaal voor de y-as vinden om de grafiek leesbaarder te maken. Het doel is de lijnen met elkaar te vergelijken, niet per se exacte waarden eruit te halen.
In deze plot vergelijken we de relatieve eigenschappen van verschillende speelgoedrobotmodellen. We kunnen elk model makkelijk met de andere vergelijken op elk van de vier kenmerken die ons interesseren. Hoewel we geen exacte waarde voor de snelheid van elke robot kunnen aflezen, zien we gemakkelijk dat de RoboMax veel sneller is dan de RoboMini.
Boomkaart (treemap)
Een boomkaart is een visueel aantrekkelijke manier om hiërarchische informatie te tonen. Een rechthoek wordt opgedeeld in geneste tegels waarvan de grootte varieert met de waarde. Vaak voegen verschillende kleuren nog een laag van onderverdeling toe. Handig om hiërarchische data of deel-geheelrelaties op meerdere niveaus te tonen.
Een waarschuwing: niet iedereen kan boomkaarten makkelijk lezen, dus maak ze zo interpreteerbaar mogelijk. Zorg voor duidelijke scheidslijnen tussen vakken en onderscheidende kleuren. Deze grafieken lenen zich naar mijn idee extra goed voor legenda's, labels en captions.
Hier hebben we een boomkaart gemaakt die laat zien waaraan een fictieve avonturier het verzamelde goud uitgeeft in verschillende categorieën. De kleur geeft de uitgavencategorie aan, terwijl de grootte van elk rechthoekje de relatieve hoeveelheid uitgegeven goud toont.
Sankey-diagram
Een Sankey-diagram is een van de beste manieren die ik ken om stromen te visualiseren. Dit type diagram volgt de reis van je data van begin tot elk eindpunt. De relatieve dikte van de pijlen toont hoeveel van de oorspronkelijke hoeveelheid naar elke bestemming ging. Geweldig voor het visualiseren van energiestromen, customer journeys of elk systeem met vertakkingen.
Hier hebben we het energieverbruik in een huishouden uitgezet en waar die energie wordt gebruikt. We zien dat dit huis de meeste energie gebruikt voor verwarming en comfort, terwijl koken en ontspanning relatief weinig innemen.
Choroplethkaart
Een choroplethkaart lijkt op een heatmap doordat kleur informatie overbrengt. Maar hij ligt over een geografische kaart heen en laat zien hoe patronen zich ontwikkelen over gebieden, zoals staten of gemeenten. Je zag deze kaarten misschien tijdens de COVID-pandemie, waar pieken in besmettingen werden getoond. Ze verschijnen ook vaak na Amerikaanse presidentsverkiezingen, met resultaten van het kiescollege.
Hier hebben we een heel basale choroplethkaart gemaakt die de geschatte bosbedekking per staat in de Verenigde Staten toont. Het is makkelijk te zien welke staten meer bos hebben, omdat ze donkerder groen zijn dan staten met minder bos.
Goede vs. slechte datavisualisaties
Het verschil tussen behulpzame en misleidende grafieken komt meestal neer op ontwerp. Een goede visualisatie verduidelijkt de data; een slechte vervormt die. Voor een volledig overzicht raad ik Edward Tufte's The Visual Display of Quantitative Information aan. Het is een van de meest invloedrijke boeken over visualisatie en een aanrader voor iedereen die regelmatig met data werkt.
Kenmerken van effectieve visualisaties
Je grafiek moet in één oogopslag te lezen zijn. Dat betekent simpel en rechttoe rechtaan houden, datalabels toevoegen waar passend en titels, legenda's en aslabels effectief gebruiken. Tufte bespreekt dit in termen van de data-inktverhouding.
Je visualisaties moeten ook zo accuraat mogelijk zijn. Let op vervormingen in schaal of verhouding. Wees bijvoorbeeld voorzichtig met onderbrekingen in assen en markeer ze duidelijk als je ze gebruikt.
Voor efficiëntie zorg je ervoor dat alles op de grafiek daar moet staan. Gebruik rasterlijnen niet te veel. In sommige grafieken maken rasterlijnen het makkelijker om exacte waarden te zien. In veel, vooral eenvoudigere, grafieken zijn ze echter visuele ruis. In het slechtste geval kunnen ze zelfs data verhullen. Andere voorbeelden van visuele ruis zijn onnodige plaatjes of extra lijnen die niet bijdragen aan de helderheid.
Denk ten slotte goed na over kleurgebruik. Begrijp dat kleuren net zo veel betekenis kunnen dragen als cijfers. Kies bij een verloop bijvoorbeeld meestal donkere kleuren voor grotere getallen en lichte voor kleinere.
Denk bij categorische data aan kleuren die vaak bij die categorie horen. Het zou vreemd zijn geweest als we een groene staaf hadden gebruikt om voorkeur voor sinaasappelsap aan te duiden.
Veelvoorkomende problemen bij slechte visualisaties
Er zijn een paar veelgemaakte fouten om op te letten. De eerste heeft met schalen te maken. Let op de schaal van je assen én van je grafiekelementen (boxen/bellen/etc.). Vertrouw vooral niet blind op de standaardplots van welk programma je ook gebruikt. Zorg dat je assen bij nul beginnen (met enkele zeldzame uitzonderingen), dat je assen consistent zijn en dat de verhoudingen van je plot-elementen logisch zijn voor je data.
Een veelvoorkomend probleem dat ik vaak zie, is het gebruik van 3D-effecten. Die kunnen er cool uitzien, maar vervormen de grafiek vaak op een manier die het lezen lastiger maakt. Bespaar je publiek die hoofdpijn en blijf voor de meeste doeleinden bij tweedimensionale grafieken.
Dubbele y-assen zijn ook een valkuil. In de overgrote meerderheid van de gevallen, als je twee y-assen nodig hebt, kun je de data beter in twee grafieken splitsen. In de paar, zeer zeldzame gevallen waarin een dubbele as logisch is, zorg dan dat overduidelijk is welke data bij welke as hoort. Mijn favoriete manier is met kleur, bv. de as links is zwart en correspondeert met de zwarte punten, de as rechts is rood en correspondeert met de rode punten.
Een van de makkelijkste fouten is je grafiek te vol maken. Het is verleidelijk om het complete verhaal van onze data te vertellen, dus blijven we staven, labels of lijnen toevoegen om steeds ingewikkeldere verhalen te tonen. Daarmee loop je het risico dat de kijker helemaal niets oppikt. Kies in plaats daarvan één eenvoudige boodschap die je kijker uit je data moet halen en breng die zo schoon en elegant mogelijk..
Misleidende visualisaties herkennen
Helaas kom je best vaak grafieken tegen die gemanipuleerd zijn om een agenda te verkopen. Dat komt veel voor in reclame, politiek en sociale media. Wanneer je een grafiek ziet, is het belangrijk die kritisch te beoordelen voor je die klakkeloos gelooft.
De eerste manier om kritisch te beoordelen is terug te grijpen op de eerdere secties van dit artikel en te kijken of de grafiek de best practices volgt die we hebben besproken. Zo niet, dan kan de grafiek misleidend zijn, al dan niet onbedoeld.
Denk vervolgens aan meer slinkse bedoelingen. Stel jezelf deze vragen:
Niet alle misleidende visualisaties zijn kwaadwillig bedoeld. Maar het is belangrijk de gebreken te herkennen en de conclusies met een korrel zout te nemen.
Een opmerking over inclusief ontwerp
Onthoud bij het bouwen van je eigen visualisaties dat ontwerpkeuzes ook beïnvloeden wie je werk kan zien. Om je publiek te verbreden, denk na over de toegankelijkheid van je grafieken. Gebruik bijvoorbeeld kleurenpaletten die geschikt zijn voor kleurenblinden en grote, goed leesbare lettertypen om de visuele leesbaarheid te verbeteren. Betekenisvolle alt-tekst en captions kunnen de toegankelijkheid voor kijkers met een visuele beperking ook verbeteren.
Beroemde visualisaties uit de geschiedenis
Door de geschiedenis heen zijn er een paar visualisaties die het vakgebied van datavisualisatie sterk hebben gevormd. Sommige bedachten compleet nieuwe grafiektypen; andere veranderden hoe we gebeurtenissen, samenlevingen of systemen begrijpen. Laten we enkele van de bekendste historische grafieken bekijken en hoe ze toekomstige makers inspireerden.
De uitvindingen van William Playfair (1786–1801)
Onze standaardgrafiektypen zijn niet uit het niets ontstaan. Veel van de grafieken die we besproken hebben, begonnen bij William Playfair, een Schotse ingenieur en politiek econoom uit de late 18e eeuw. In 1786 publiceerde Playfair The Commercial and Political Atlas, waarin hij het lijndiagram en het staafdiagram introduceerde als hulpmiddelen om economische data te begrijpen. Enkele jaren later introduceerde hij het taartdiagram in The Statistical Breviary.
Deze grafiek wordt algemeen beschouwd als het eerste lijndiagram, geïntroduceerd door William Playfair in 1786. Afbeelding afkomstig van Wikipedia.
Destijds werd de meeste numerieke informatie gepresenteerd in dichte tabellen die moeilijk snel te interpreteren waren. Playfair geloofde dat visuele vormen trends en vergelijkingen in één oogopslag inzichtelijk konden maken, zelfs voor lezers zonder wiskundige scholing.
Aangenomen wordt dat dit het eerste staafdiagram is, gepubliceerd in 1786 door William Playfair. Afbeelding afkomstig van Wikipedia.
Wat Playfair's werk zo invloedrijk maakte, was niet alleen de uitvinding van nieuwe grafiektypen, maar ook zijn inzicht in hoe mensen informatie waarnemen. Hij koppelde getallen aan visuele eigenschappen, waardoor kijkers waarden in één oogopslag konden vergelijken. Zijn grafieken werden vaak gebruikt om politieke en economische punten te bepleiten, zoals veranderingen in staatsschuld of handelsbalansen door de tijd.
Playfair's werk legde de basis voor moderne statistische grafieken en is een vroege herinnering dat heldere visuele encoderingen fundamenteel kunnen veranderen hoe mensen over data redeneren.
Mogelijk het eerste taartdiagram, gepubliceerd door William Playfair in 1789. Bron: Wikipedia.
Charles Minards kaart van Napoleons Russische veldtocht (1869)
In 1812 viel Napoleon Rusland binnen en leed een verpletterende nederlaag. Iets meer dan 50 jaar later maakte de gepensioneerde civiel ingenieur Charles Minard deze iconische kaart die de opmars, terugtocht en tragische afname in omvang van het leger toont.
Bron: brilliantmaps.
Dit is een vroeg voorbeeld van een Sankey-diagram, waarbij de bandbreedte het aantal troepen weergeeft. Het ligt over een kaart die richting, temperatuur, geografie en tijd integreert en zo een indringend verhaal vertelt van de invasie. Het is een elegant voorbeeld van hoe kwantitatieve data in een emotionele verhaallijn kan veranderen en laat zien hoe meerdere variabelen zonder verwarring kunnen samenkomen. Het is wellicht een van de meest herkenbare historische grafieken aller tijden.
Florence Nightingale's roosdiagram (1858)
Een andere beroemde oorlogsgrafiek kwam van de statisticus en grondlegger van de moderne verpleegkunde, Florence Nightingale. Ze gebruikte een polair oppervlakdiagram, ook wel roosdiagram genoemd, om te laten zien dat meer doden in de Krimoorlog vielen door te voorkomen ziekten, zoals cholera en tyfus, dan door daadwerkelijke gevechtswonden.
Bron: https://www.historyofinformation.com/
Elke sector in het diagram staat voor een maand en kleuren onderscheiden doodsoorzaken. Doden door te voorkomen ziekten zijn blauw, die door gevechtswonden rood en alle andere oorzaken zwart.
In april 1855 arriveerde een Sanitary Commission om de hygiëne in het militair hospitaal te verbeteren. Het resultaat was een sterke daling van het aantal doden, wat in Nightingale's grafiek duidelijk opviel. Deze visualisatie overtuigde beleidsmakers om hygiëneverbeteringen door te voeren in zowel militaire als civiele ziekenhuizen.
John Snow's cholerakaart (1854)
Een andere overwinning voor de volksgezondheid werd behaald met John Snow's kaart met choleraoverlijdens in Londen. In 1854 trof een verwoestende cholera-uitbraak de wijk Soho, waarbij in slechts enkele weken meer dan 600 mensen stierven. Snow plotte choleradoden op een stratenkaart van Londen, met overlijdens als streepjes en waterpompen als cirkels.
Bron: londonmuseum.org.
Zijn kaart toonde clusters van overlijdens rond de Broad Street-waterpomp. Nadat de autoriteiten de hendel van die pomp verwijderden en die onbruikbaar werd, nam de uitbraak af. Deze kaart hielp de lokale uitbraak op te lossen. Vandaag dient hij als herinnering dat de keuze van de juiste visualisatie het effect bepaalt; een spreidingsdiagram had de oorzaak bijvoorbeeld niet gevonden. Snow gebruikte de juiste visualisatie om verandering te bewerkstelligen.
Étienne-Jules Marey's treinschema (1885)
Mijn persoonlijke favoriet is dit treinschema uit 1885. Deze ene grafiek toont elke trein van Parijs naar Lyon: de snelheid, de stops en wanneer een andere trein wordt gekruist. De tijd staat op de x-as en elk station is op de y-as geplaatst naar verhouding van de afstand. Elke trein is één schuine lijn. Steilere lijnen duiden op snellere treinen en horizontale stukken tonen wanneer de trein in een station staat.
Bron: commons.wikimedia.org
Gewoonlijk zou deze informatie als een tekstzware dienstregeling gepresenteerd zijn. In plaats daarvan combineerde deze grafiek ruimte- en tij dinformatie op een elegante manier, waardoor spoorwegmanagers planningsconflicten en zelfs botsingen konden voorkomen! Het herinnert eraan hoeveel informatie een goed ontworpen visualisatie kan overbrengen.
W.E.B. Du Bois' dataportretten (1900)
Rond de eeuwwisseling leidde socioloog en burgerrechtenactivist W.E.B. Du Bois een team van onderzoekers bij het maken van een reeks gedurfde, originele grafieken voor de Parijse Expo van 1900. Deze visualisaties documenteerden de sociale, economische en educatieve omstandigheden van zwarte Amerikanen, slechts één generatie na de emancipatie. In een tijd waarin racistische pseudowetenschap het publieke debat domineerde, gebruikte Du Bois data om schadelijke stereotypen direct te bestrijden.
Deze grafiek uit WEB Du Bois' Data Portraits laat op indringende wijze zien hoe de Emancipation Proclamation het leven van Afro-Amerikanen veranderde. Afbeelding afkomstig van How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.
De grafieken behandelden onderwerpen als geletterdheid, eigendom, werkgelegenheid, bevolkingsgroei en migratiepatronen. Veel waren met de hand getekend en geschilderd, met felle kleuren en onconventionele lay-outs. Sommige lijken op staaf- of taartdiagrammen, andere experimenteren met spiralen, radiale lay-outs en abstracte composities. In plaats van aan conventies vast te houden, gaf Du Bois prioriteit aan communicatie en impact.
Dit aangepaste taartdiagram toont de beroepen van zwarte en witte Amerikanen aan het begin van de 20e eeuw. Afbeelding afkomstig van How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.
Du Bois streefde niet naar neutraliteit. De grafieken waren expliciet bedoeld om te overtuigen, te onderwijzen en de menselijkheid en prestaties van zwarte Amerikanen met data te onderstrepen. Daarmee liet Du Bois zien dat visualisatie nooit alleen draait om cijfers presenteren. Het gaat om de werkelijkheid kaderen, verhalen vertellen en beïnvloeden hoe samenlevingen zichzelf begrijpen. Deze grafieken zijn nu verzameld in het boek W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century.
WEB Du Bois schuwde het niet om radicale grafiektypen te gebruiken om zijn punt te maken, zoals deze spiraalgrafiek die de bevolkingsspreiding van zwarte Amerikanen in 1890 toont. Afbeelding afkomstig van How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.
Conclusie
Visualisatie is niet neutraal; elke keuze die je maakt, beïnvloedt hoe kijkers het verhaal achter de data interpreteren. Wil je meer leren over hoe je het verhaal van je data effectief vertelt, bekijk dan onze Data Storytelling & Communication Cheat Sheet.
Voor praktisch advies over welke tools je gebruikt, is ons overzicht van 12 of the Best Data Visualization Tools in 2025 een geweldige bron. En als je klaar bent om deze complexe grafieken interactief en webklaar te maken, Interactive Data Visualization with Bokeh leidt je stap voor stap door het bouwen van responsieve, browservriendelijke visualisaties in Python.