Veri Görselleştirme Örnekleri: Faydalı Bir Rehber

Ham verilere bakmak, bir fotoğrafı her seferinde yalnızca birkaç pikseline bakarak anlamaya çalışmak gibidir. Verilerinizi grafiğe dökmek, uzaklaşarak tabloyu bir bakışta görmenizi sağlar. Görselleştirmeler, verilerinizi paydaşlara sergilemek için de pratik bir pazarlama aracıdır. İnsanların kalıpları, ilişkileri ve içgörüleri bir bakışta görmelerine yardımcı olur. Veriyi anlamlı kılmanın en hızlı yollarından biridir.

Bu rehberde, yaygın grafik türlerini ve her birini ne zaman kullanmanız gerektiğini ele alacağız. İyi bir görselleştirmeyi yanıltıcı olandan ayıran noktaları inceleyecek ve alana yön veren birkaç ikonik örneğe göz atacağız. Sonunda, açık ve dürüst bir hikâye anlatan veri görselleştirmeleri oluşturma ve değerlendirme konusunda daha net bir fikriniz olacak.

Sıfırdan başlıyorsanız, Julia ile Veri Görselleştirmeye Giriş çizim ve veri hikâyeleştirmesinin temellerini öğrenmek için başlangıç seviyesine uygun bir yol sunar.

Veri Görselleştirme Türleri

Veri görselleştirmeleri, dâhil edilen değişken sayısına göre kategorize edilebilir. Yalnızca tek bir değişkenin dağılımına yakından mı bakıyorsunuz? İki değişken arasındaki ilişkiyi mi tanımlamak istiyorsunuz? Yoksa birkaç değişkenin etkileşimleriyle mi ilgileniyorsunuz? Bu senaryoların her birine ve bunlar için elimizdeki grafik seçeneklerine bakalım.

Tüm bu grafik türlerini akılda tutmanıza yardımcı olmak için şu kullanışlı Veri Görselleştirme El Kılavuzunu öneririm. Farklı veri türleri için hangi grafiğin daha uygun olduğuna hızlıca bakmanızı sağlar. Ayrıca şuna da göz atmalısınız: Her Kullanım Senaryosu İçin Veri Görselleştirme Teknikleri.

Tek değişkenli görselleştirmeler

En basit durumla başlayalım: İlgi duyduğunuz tek bir değişken var. Tek değişkenli görselleştirmeler tek bir değişkene odaklanmanızı sağlar. Dağılımını, sıklığını veya bileşimini bir bakışta anlamanıza yardımcı olurlar. En yaygın türlerden bazılarına bakalım.

Çubuk grafik

Çubuk grafik, farklı bilgi kategorilerini karşılaştırır. Her kategori kendi çubuğudur ve o kategorinin sayısı çubuğun yüksekliğiyle gösterilir.

Bazen çubuk grafikleri yan yatırılmış, yani çubukların dikey yerine yatay uzandığı şekilde görebilirsiniz. Deneyimlerime göre, bu yatay çubuk grafikler, birçok kategoriyi karşılaştırırken ve çubuklar en uzundan üste, en kısadan alta sıralandığında en kullanışlıdır. Sadece birkaç kategori varsa, dikey çubuk grafikleri tercih ederim.

Pasta grafik

Pasta grafik, bir bütünün oranlarını bir dairenin dilimleri olarak gösterir. Pasta grafik kullanıp kullanmama kararı veri insanları arasında sıklıkla tartışma konusudur. Beynimizin bir dairenin parçalarını, bir dikdörtgenin parçalarına kıyasla yorumlaması genelde daha zordur.

İki elmalı pay diliminin aynı büyüklükte olup olmadığına dair yaşanan kardeş kavgalarının sayısını düşünün. Yine de pasta grafikler, kısmen dairesel şeklin yeknesak dikdörtgen panoların görünümünü kırmaya yardımcı olmasından ötürü, popüler bir grafik türüdür.

Pasta grafik kullanmayı seçerken, önce, sadece birkaç kategoriyi karşılaştırdığınızda kullanın. Çok fazla kategori eklerseniz bunaltıcı ve okunması güç hale gelir. İkinci olarak, her dilime gerçek yüzdeyi ekleyin. Bu sayede, okuyucu göreli dilimleri karşılaştırmakta zorlanıyor olsa bile grafiği yine de yorumlayabilir.

Halka grafik

Halka grafik, pasta grafiğin yakın akrabasıdır. Dolayısıyla aynı önlemler geçerlidir: yalnızca birkaç kategori karşılaştırırken kullanın ve yorumlamayı kolaylaştırmak için sayısal oranları grafikte gösterin.

Halka grafiklerin pratik bir faydası, ortada bir etiket için alan sunmalarıdır. Panonuzda yer daralmaya başladıysa bu alan tasarrufu sağlayabilir. Ayrıca görsel olarak çekicidir ve pasta grafiklerde eksik olan bir incelik katabilir.

Histogram

Histogram, bir dağılımın şeklini görselleştirmek için kullanışlıdır. Sayısal değerleri aralıklara (bin) ayırır ve her aralığa düşen değer sayısını çizer. Bu, en bol değerleri görmenin ve aykırı değerleri belirlemenin yararlı bir yolu olabilir.

Bu bir çubuk grafiğe benzese de, temel bir fark vardır: x ekseni kesikli değil, sürekli bir değişkendir. 

Burada bir bahçedeki ayçiçeği filizlerinin boylarının histogramı var. Filizlerimizin çoğunun 22 cm ile 28 cm arasında olduğunu görebiliriz. Birkaçı 15 cm kadar kısa, bazıları ise neredeyse 34 cm.

Yoğunluk grafiği

Yoğunluk grafiği, sürekli bir eğri olarak gösterilen yumuşatılmış bir histogram gibi düşünülebilir. Altta yatan dağılımın daha cilalı bir resmini sunabilir. Önemli bir not: y ekseni gerçekte sayıları değil, belirli bir değerin çevresinde verilerin ne kadar yoğunlaştığını yansıtan yoğunluğu gösterir. Eğrinin altındaki toplam alan her zaman 1'e eşittir. 

Bu grafik, mutlak değerlerden ziyade dağılımın şekline bakmak için kullanışlıdır. Aynı grafikte birden çok dağılımı çizerek dağılımları birbirleriyle de karşılaştırabilirsiniz. Kalabalığı önlemek için dağılım sayısını 3 veya daha azla sınırlamanızı öneririm. Ayrıca, özellikle birbirine yakın dağılımlarda karışıklığı önlemek için her çizgiyi kendi rengi veya tonu ile vermek en iyisidir.

Burada iki farklı kütüphanede ziyaret başına geçirilen okuma süresini çizdik. Her iki dağılımın yoğunluklarını birlikte çizerek, ziyaretçilerin Ayışığı Kütüphanesi'ne geldiklerinde Güneşışığı Kütüphanesi'ni ziyaret ettiklerine kıyasla daha uzun süre okuma eğiliminde olduklarını görebiliriz.

Kutu grafiği

Birden çok dağılımı birbirleriyle karşılaştırmak istiyorsanız, kutu grafiği kullanmayı düşünebilirsiniz. Kutu grafiği, dağılımları medyanları, çeyrekleri ve aykırı değerleriyle özetler. Oldukça faydalı olan bu grafikler, çok miktarda bilgiyi çok hızlı bir şekilde gösterebilir. Esasen, birden çok veri kümesinin kapsamını birbirleriyle karşılaştırmalı olarak bir bakışta iletirler. 

Genel bir kural olarak, iki dağılımın kutuları örtüşmüyorsa birbirlerinden anlamlı derecede farklı olabilirler. Örtüşüyorlarsa muhtemelen anlamlı derecede farklı değildirler. Elbette, kesin emin olmak için T-Testi gibi bir istatistiksel teste ihtiyaç vardır, ancak kutu grafiği hangi dağılımların birbiriyle karşılaştırılabileceğine dair hızlı bir görsel ipucu verebilir. 

Bu kutu grafiğinde, üç büyücülük okulundaki sınav puanlarının dağılımını gösterdik. Bir bakışta, hangi okulların rakiplerine kıyasla daha yüksek ortalama sınav puanlarına sahip olduğunu görebiliriz. Aykırı değerlere bakarak, hangi okullarda olağanüstü öğrenciler ya da akranlarının gerisinde kalan öğrenciler olabileceğini görmek de kolaydır. Bu basit grafik, çok faydalı bilgileri çok hızlı bir şekilde iletir.

İki değişkenli görselleştirmeler

Şu ana kadar yalnızca tek bir değişkeni gösteren grafiklere baktık. Peki iki değişken arasındaki ilişkiyi göstermek isterseniz? İki değişkenli grafikler tam da aradığınız şeydir. Eğilimleri, kalıpları ve korelasyonları belirlemek için kullanışlıdırlar.

Saçılım grafiği

Saçılım grafiği muhtemelen en yaygın grafiktir. Verilerinizdeki her bir noktanın iki sayısal eksen üzerindeki konumunu görselleştirmenin basit bir yoludur. İlişkileri, kümeleri ve aykırı değerleri yakalamak için idealdir.

Saçılım grafikleri hem korelasyonları hem de nedensel ilişkileri göstermek için kullanılabilir. Nedensel bir ilişki gösteriyorsanız, geleneksel olarak bağımsız değişken x ekseninde, bağımlı değişken y ekseninde yer alır. Bu, izleyiciye nedensel ilişkinin yönünü gösterir. Ayrıca, gerçekten bir nedensellik varsa, nedenselliği belirlemek için kullanılan istatistiği ve p-değerini de göstermelisiniz.

Bu saçılım grafiğinde, her bir yağmur damlasının büyüklüğü ile düşme hızı arasındaki ilişkiyi çizdik. Bu iki değişken arasında açık bir pozitif ilişki var; daha büyük yağmur damlaları daha hızlı düşme eğiliminde. 

Önemli olan, bu grafiğin bir korelasyonu gösteriyor olması ve tek başına nedenselliği göstermemesidir. Dolayısıyla bu grafiğe bakıp, daha büyük bir yağmur damlasının daha hızlı düştüğünü, yalnızca büyük olduğu için söyleyemeyiz. Böyle bir iddia için, istatistiksel bir test veya deney gibi ek bilgilere ihtiyaç duyarız ve bu ek bilgiyi grafikte belirtmemiz gerekir.

Çizgi grafik

Çizgi grafik, saçılım grafiğinin bir akrabasıdır. Ancak bağımsız değişken genellikle zamandır ve her veri noktası, doğrudan bitişik veri noktalarına bağlanır. Zaman serisi verileriyle çalışırken ve zaman içindeki eğilimleri veya değişimleri vurgulamak istediğinizde çizgi grafikler en iyisidir.

Burada bir ay boyunca her gün okumaya ne kadar zaman harcadığımızı çizgi grafikte gösterdik. Bu da motivasyonumuzun ne zaman düştüğünü ve ne zaman yeniden rayına girdiğini hızla görmemizi sağlıyor. Bunu birkaç ay boyunca sürdürürsek bir desen oluşmaya başlayabilir.

Zaman içindeki eğilimleri ve değişimleri nasıl vurgulayacağınıza dair daha fazla örnek için şuna göz atın: Eğilimleri Yakalayan Veri Görselleştirmeleri.

Alan grafik

Alan grafik, çizgi grafiğe çok benzer, ancak çizginin altındaki alan doldurulur. Bu, izleyicinin kümülatif toplamları görmesini veya hacimleri yorumlamasını kolaylaştırabilir. Ancak, aynı grafikte birden fazla çizgi grafiği çizebilmenize karşın, her grafikte yalnızca bir alan grafiği çizmelisiniz. Eğrinin altındaki alan tarandığı için, aynı grafiğe birden fazla alan grafiği eklemek alanı kalabalıklaştırır ve okunmasını zorlaştırır. 

Bu alan grafiği yıl boyunca toplanan balın hacmini gösteriyor. Eğrinin altındaki alan doldurulduğu için, izleyicinin konu edilen şeyin hacimler olduğunu sezgisel olarak anlamasına yardımcı oluyor.

Gruplandırılmış çubuk grafik ve istiflenmiş çubuk grafik

Çubuk grafiklerin, kategorileri ikinci bir değişken üzerinden karşılaştırmanıza olanak tanıyan iki alt türü vardır.

İlk olarak, gruplandırılmış çubuk grafikleri ele alalım. Bunlar, farklı alt kategoriler arasındaki farkları öne çıkarır. Y ekseni çoğu çubuk grafikte olduğu gibi okunur. Ancak x ekseninde, her grubun içindeki alt grupları gösteren ve genellikle renk veya tonla ayırt edilen çubuk kümeleri bulunur. Bu tür grafikler, çok miktarda bilgiyi çok hızlı bir şekilde iletebilir. 

Bu grafikler, her grup için yalnızca birkaç alt grupla (benim önerim 2-5, en fazla) en iyi sonucu verir. Ayrıca, çok fazla grup veya alt grup eklerseniz grafiğin yatayda kolayca uzayabileceğine dikkat edin; bu da alan açısından maliyetli olabilir. Bu grafikleri dijitalde görüntülenmek üzere tasarlıyorsanız, mobil ekranda nasıl göründüğüne dikkat edin.

Bu gruplandırılmış çubuk grafikte, üç farklı anaokulu sınıfının meyve suyu tercihlerini çizdik. Bu grafiğe bir bakış, her sınıfa gönderilecek meyve suyu kutularını en iyi nasıl paylaştıracağınızı anlamak için yeterli.

Sırada istiflenmiş çubuk grafikleri var. Bunlar, birkaç grup boyunca parça-bütün ilişkilerini gösterir. Gruplandırılmış çubuk grafiklere çok benzer; gruplar arasındaki ince farklılıkları karşılaştırabiliriz.

Ancak bu grafiğin gruplandırılmış çubuk grafiğe göre iki avantajı daha vardır. Birincisi, her kategori için toplamları da gösterir. Böylece bunları normal bir çubuk grafik gibi okuyabilir ve alt gruplamaları okumadan önce kategoriler arasındaki toplam farklarını görebilirsiniz. İkincisi, bu grafik daha yoğunlaştırılabilir; gruplandırılmış çubuk grafiklere kıyasla daha az alanda daha fazla bilgi sunar.

Dezavantajı, bu grafikten tam oranları çıkarmanın bazen zor olabilmesidir. Bu bilgiyi içeren veri etiketleri eklemek sorunu hafifletebilir; ancak çok kalabalık olmamasına dikkat edin.

Bu istiflenmiş çubuk grafik, farklı yaş gruplarındaki okuma tercihlerini gösterir. Her yaş grubunda, ödünç alınan her türün oranını görebiliriz. Yaş grupları arasında baktığımızda hem her türün oranının nasıl değiştiğini hem de toplam ödünç alınan kitap sayısının nasıl değiştiğini görebiliriz. Örneğin, yetişkinlerin toplamda en çok kitabı ödünç aldığı ve yaşlıların, gençlere kıyasla kurgu dışını daha çok sevdiği kolayca görülür.

Isı haritası

Isı haritası, bir ızgara boyunca değerleri renk yoğunluğu ile gösterir. Korelasyonlar, frekans tabloları veya renklerin kalıpları görmeyi kolaylaştıracağını düşündüğünüz herhangi bir senaryo için kullanmayı düşünün.

Bu tür grafikler için akılda tutulması gereken önemli bir nokta, mantıklı bir renk gradyanı seçmektir. Örneğin, kırmızının yeşilden daha büyük bir sayı olduğuna inanmak için doğuştan gelen bir neden yoktur. Dolayısıyla kırmızıdan yeşile giden bir gradyan seçmek muhtemelen en iyi tercih değildir. Ancak daha koyu renklerin daha büyük değerlerle ilişkilendirildiğini sezmek için bir neden vardır. Bu nedenle, bir renk içinde açık-koyu gradyanı seçmek, çizdiğiniz şeyi izleyiciye daha sezgisel şekilde anlatabilir.

Bunun istisnası, gerçek ısı değerlerini çizdiğiniz durumlardır. Tipik olarak, kırmızı daha sıcak, mavi daha soğuk sıcaklıklarla ilişkilendirilir. Bu yüzden, bir ısı haritasında ısıyı çiziyorsanız kırmızıdan maviye bir gradyan sezgisel olarak anlamlı olabilir. Her zaman olduğu gibi, görselleştirmenizi tasarlarken verilerinize öncülük ettirin.

Bu ısı haritası, tembel bir ev kedisinin bir hafta boyunca, haftanın her günü saat saat etkinlik düzeyini gösterir. Daha koyu maviler, kedinin çok aktif olduğu (belki koşup zıpladığı) zamanları gösterir. Daha açık maviler, kedinin pek aktif olmadığı (belki de uyuduğu) zamanları gösterir. Renk, kedimizin geceleri daha aktif, gündüzleri çoğunlukla uykuda ve gündüzleri birkaç oyun saatine sahip olduğunu kolayca görmemizi sağlar (muhtemelen sahibinin başlattığı).

Bu iki değişkenli grafikleri profesyonel bir analitik platformda denemek isterseniz, Power BI'da Veri Görselleştirme ve Tableau'da Veri Görselleştirme kurslarının her ikisi de, kalıpları ve eğilimleri net biçimde öne çıkaran etkileşimli panolar oluşturmayı gösterir.

Çok değişkenli görselleştirmeler

Bazen iki değişkenden fazlasını içeren daha karmaşık ilişkileri göstermemiz gerekir. Çok değişkenli grafikler, üç veya daha fazla değişken arasındaki ilişkileri ortaya çıkarmanıza yardımcı olabilir. Daha karmaşık veri kümelerini keşfederken anlaşılabilirliği korur. Birkaç yaygın seçeneği inceleyelim.

Balon grafiği

Balon grafiği, üçüncü bir değişkeni balon boyutuyla kodlayarak saçılım grafiği fikrini genişletir. Okunabilirlik açısından iyi bir seçimdir; çünkü çoğu kişi saçılım grafiğini nasıl yorumlayacağını zaten bilir. Boyutla kodlanmış bir değişken eklemek sezgisel olarak anlamlıdır. Bu sezgiselliği en üst düzeye çıkarmak için balon boyutunun bir büyüklükle korele olması en iyi uygulamadır. 

Rengi de kodlayarak grafiği dördüncü bir değişkeni içerecek şekilde genişletebilirsiniz. Yalnızca, izleyicinizin grafiğinizi net biçimde yorumlayabilmesi için açıklayıcı bir lejant ve başlık kullandığınızdan emin olun.

Bu balon grafiği, farklı boyutlardaki çiçeklere sahip bir bahçedeki uğur böceği ve yaprak biti bolluğunu gösterir. Daha büyük balonlar daha fazla yaprak bitine karşılık gelir. Grafiğin üst kısımlarında daha büyük balonlar görüyoruz; bu da daha fazla uğur böceğinin olduğu yerlerde daha fazla yaprak biti olduğunu gösteriyor. Ayrıca daha kısa çiçeklerde daha çok böcek olduğunu da görüyoruz.

Radar grafik

Radar grafiği, bir tür dairesel çubuk grafik gibi düşünebilirsiniz. Farklı özellikler dairenin dışına yerleştirilir ve şekliniz (blob), merkezden başlayarak bu eksenlerin her biri boyunca çizilir. Profiller için veya aynı boyutlar üzerinden birkaç öğeyi karşılaştırmak için iyi çalışır. Ancak çok fazla üst üste binen şekil eklerken dikkatli olun; kalabalık ve hızlıca okunması zor hale gelebilir. Ayrıca, her şekli diğerlerinin arasından rahatça görebilmek için şeffaf dolgu kullanmanızı öneririm.

Burada beş beceri ekseni boyunca üç farklı Dungeons and Dragons karakter profilini karşılaştırıyoruz. Bu, farklı karakterlerin yeteneklerindeki farkları göstermenin temiz bir yoludur.

Paralel koordinatlar

Bir radar grafiğini açarsanız, paralel koordinat grafiği elde edersiniz. Bu grafikler, her değişkeni kendi dikey ekseninde gösterir. Bir anda birkaç sürekli değişkeni karşılaştırmanız gerektiğinde, üst üste binmeler daha az olduğu için daha iyi bir seçenektir.

Y ekseni değerlerinizin ne olması gerektiği konusunda dikkatlice düşünmek isteyeceksiniz. Farklı özelliklerinizin hepsi ortak bir birimi paylaşıyorsa (yukarıdaki karakter profillerimiz gibi) bu bir sorun olmaz. Ancak özellikleriniz genellikle farklı birimlere sahipse, grafiği daha okunaklı kılmak için y ekseninizde göreli bir birim karşılaştırma yolu bulmanız gerekebilir. Amaç, her birinin tam değerlerini çıkarmaktan ziyade farklı çizgileri birbirleriyle karşılaştırmaktır.

Bu grafikte, farklı oyuncak robot modellerinin göreli özelliklerini karşılaştırıyoruz. İlgilendiğimiz dört özellik boyunca her robotu diğerleriyle kolayca kıyaslayabiliyoruz. Her robotun hızı için tam bir değer çıkaramasak da RoboMax'in RoboMini'den çok daha hızlı olduğunu rahatça görebiliyoruz.

Ağaç haritası (Treemap)

Ağaç haritası, hiyerarşik bilgileri göstermenin görsel olarak çekici bir yoludur. Bir dikdörtgeni, boyutları değere göre değişen iç içe karolara böler. Genellikle farklı renkler, başka bir alt bölüm katmanı ekler. Hiyerarşik verileri veya birden çok düzeyde parça-bütün ilişkilerini göstermek için kullanışlıdır. 

Bir uyarı: Herkes ağaç haritalarını nasıl okuyacağını bilmez; bu nedenle, yorumlamayı olabildiğince kolay hale getirmek en iyisidir. Kutular arasında net sınırlar ve belirgin renkler olduğundan emin olun. Bu grafiklerin özellikle lejant, etiket ve başlıklara uygun olduğunu düşünüyorum.

Burada, kurgusal bir maceracının topladığı altını farklı kategorilerde nerelere harcadığını gösteren bir ağaç haritası oluşturduk. Renk, harcama kategorisini; her dikdörtgenin boyutu ise harcanan göreli altın miktarını gösterir.

Sankey diyagramı

Sankey diyagramı, akışları görselleştirmek için gördüğüm en iyi yollardan biridir. Bu tür diyagram, verinizin yolculuğunu başlangıcından her bir uç noktaya kadar izler. Okların göreli kalınlıkları, orijinal miktarın ne kadarının her bir hedefe gittiğini gösterir. Enerji akışlarını, müşteri yolculuklarını veya dallanan yollara sahip herhangi bir sistemi görselleştirmek için harika bir seçenektir.

Burada bir hanede enerji kullanımını ve enerjinin nerede kullanıldığını çizdik. Bu evin enerjiyi en çok ısıtma ve konfor için kullandığını, yemek pişirme ve dinlenmenin ise oransal olarak çok az yer kapladığını görebiliriz.

Koroplet harita

Koroplet harita, bilgiyi iletmek için rengi kullanan ısı haritasına benzer. Ancak coğrafi bir haritanın üzerine bindirilir ve eyaletler veya ilçeler gibi coğrafi alanlarda kalıpların nasıl geliştiğini gösterir. COVID pandemisi sırasında vakaların nerede yükseldiğini gösteren bu tür haritaları görmüş olabilirsiniz. ABD başkanlık seçimlerinden sonra seçim kurulu sonuçlarını gösteren haritalar da yaygındır.

Burada Amerika Birleşik Devletleri'ndeki her eyalette tahmini orman örtüsünü gösteren çok temel bir koroplet harita yaptık. Daha fazla orman örtüsüne sahip eyaletler, daha az orman örtüsüne sahip olanlara göre daha koyu bir yeşil tonla renklendirilmiş oldukları için kolayca görülebilir.

İyi ve Kötü Veri Görselleştirmeleri

Yararlı ve yanıltıcı grafikler arasındaki fark genellikle tasarıma dayanır. İyi bir görselleştirme veriyi netleştirir; kötü bir görselleştirme onu çarpıtır. Buna kapsamlı bir bakış için Edward Tufte'nin The Visual Display of Quantitative Information kitabını öneririm. Görselleştirme alanındaki en etkili kitaplardan biridir ve verilerle düzenli olarak çalışan herkesin kütüphanesinde bulunmalıdır.

Etkili görselleştirmelerin özellikleri

Grafiğiniz bir bakışta okunabilir olmalıdır. Bu, onu basit ve doğrudan tutmak, uygun olduğunda veri etiketleri eklemek ve başlıkları, lejantları ve eksen etiketlerini etkili şekilde kullanmak anlamına gelir. Tufte bunu veri-mürekkep oranı terimleriyle tartışır.

Görselleştirmelerinizin mümkün olduğunca doğru olması gerekir. Bu da ölçek veya orandaki bozulmalara dikkat etmek demektir. Örneğin, eksenlerde kesmeler kullanırken dikkatli olun ve kullanırsanız uygun şekilde belirtildiğinden emin olun.

Verimlilik açısından, grafikte bulunan her şeyin orada olması gerektiğinden emin olmak istersiniz. Izgara çizgilerini aşırı kullanmayın. Bazı grafiklerde, ızgara çizgileri tam değerleri görmeyi kolaylaştırır. Ancak birçok grafikte, özellikle daha basit olanlarda, bunlar grafik çöpleridir. En kötü ihtimalle, veriyi bile gizleyebilirler. Grafik çöpüne örnek olarak, gereksiz resimler veya açıklığa katkısı olmayan fazladan çizgiler verilebilir.

Son olarak, renk kullanımını dikkatle düşünün. Renklerin de sayılar kadar anlam taşıyabildiğini anlayın. Örneğin bir gradyan seçerken, genellikle koyu renklerin büyük sayılara, açık renklerin küçük sayılara karşılık gelmesi iyi bir fikirdir. 

Kategorik veriler için, o kategoriyle yaygın olarak ilişkilendirilen renkleri düşünün. Portakal suyu tercihinin yeşil bir çubukla gösterilmesini seçmiş olsaydık garip olurdu.

Kötü görselleştirmelerde yaygın sorunlar

Dikkat etmeniz gereken birkaç yaygın hata vardır. İlki ölçeklerle ilgilidir. Eksenlerinizin ve grafik öğelerinizin (kutular/balonlar/vb.) ölçeklerine dikkat etmek önemlidir. Özellikle, kullandığınız programın varsayılan grafiklerine körü körüne güvenmeyin. Eksenlerinizin (çok az istisna dışında) sıfırdan başladığından, eksenlerinizin tutarlı olduğundan ve grafik öğelerinizin oranlarının verileriniz için mantıklı olduğundan emin olun. 

Sık gördüğüm yaygın bir sorun, grafiklerde 3B efektler kullanmaktır. Bu efektler hoş görünebilir, ancak grafiği okumayı zorlaştıracak şekilde de çarpıtabilir. İzleyicilerinizi bu zahmetten kurtarın ve çoğu amaç için iki boyutlu grafiklere bağlı kalın.

Çift eksenler de işlerin karmaşıklaşabildiği bir başka alandır. Vakaların çok büyük çoğunluğunda, iki y eksenine ihtiyaç duyuyorsanız veriyi iki grafiğe bölmeniz gerekir. Çok nadir birkaç durumda çift eksenli bir grafik anlamlıysa, hangi verinin hangi eksene karşılık geldiğinin açık olduğundan emin olun. Bunu yapmanın en sevdiğim yolu renkle olur; örneğin, soldaki eksen siyah ve siyah noktalarla eşleşir, sağdaki eksen kırmızı ve kırmızı noktalarla eşleşir.

Düşülebilecek en kolay hatalardan biri grafiği aşırı kalabalıklaştırmaktır. Verilerimizin tam hikâyesini anlatma konusunda heyecanlanmak kolaydır ve daha karmaşık hikâyeler anlatmak için çubuklar, etiketler veya çizgiler eklemeye devam ederiz. Ancak bunu yapmak, izleyicinizin grafikten hiçbir şey çıkaramamasına yol açabilir. Bunun yerine, izleyicinizin verilerinizden almasını istediğiniz tek bir basit hikâyeyi seçmek ve bunu mümkün olduğunca temiz ve zarif bir şekilde sunmak en iyisidir. .

Yanıltıcı görselleştirmeleri nasıl fark edersiniz

Ne yazık ki, bir gündemi satmak için manipüle edilmiş bir grafikle karşılaşmak nadir değildir. Bu durum reklamcılıkta, siyasette ve sosyal medyada yaygındır. Bir grafik gördüğünüzde, onu olduğu gibi kabul etmeden önce eleştirel bir şekilde değerlendirmeniz önemlidir.

Bir grafiği eleştirel olarak değerlendirmenin ilk yolu, bu makalenin önceki bölümlerine bakmak ve söz konusu grafiğin tartıştığımız en iyi uygulamalara uyup uymadığını görmektir. Uymuyorsa, kasıtsız da olsa yanıltıcı olabilir.

Daha sinsi niyetleri de düşünün. Kendinize şu soruları sorun:

• Kaynak kim ve gündemi ne?
• Edindiğiniz izlenim gerçek sayılarla örtüşüyor mu?
• Zaman çizelgesi neden başladığı ve bittiği yerde başlıyor ve bitiyor?
• Karşılaştırılan öğeler gerçekten karşılaştırılabilir mi?
• Herhangi bir veri eksik mi ya da önemsizleştirilmiş mi?
• Korelasyon nedensellik gibi mi sunuluyor?

Yanıltıcı görselleştirmelerin hepsi kötü niyetli değildir. Ancak kusurları fark etmek ve sonuçları ihtiyatla değerlendirmek önemlidir.

Kapsayıcı tasarım üzerine bir not

Kendi görselleştirmelerinizi oluştururken, tasarım tercihlerinizin çalışmanızı kimin görebileceğini de etkilediğini unutmayın. Kitlenizi genişletmek için grafikleri nasıl erişilebilir kılabileceğinizi düşünün. Örneğin, renk körlüğüne uygun paletler ve büyük, okunaklı yazı tipleri kullanarak grafiğinizin görsel okunabilirliğini artırabilirsiniz. Anlamlı alternatif metinler ve başlıklar kullanmak da görme engelli izleyiciler için erişimi iyileştirebilir.

Tarihten Ünlü Görselleştirmeler

Tarih boyunca, veri görselleştirme alanını kökten şekillendiren birkaç görselleştirme olmuştur. Bazıları yepyeni grafik türleri icat etti; bazıları ise olayları, toplumları veya sistemleri anlama biçimimizi değiştirdi. Gelin, en ünlü tarihî grafiklerden bazılarını ve gelecekteki grafikçileri nasıl ilhamlandırdıklarını inceleyelim.

William Playfair’in icatları (1786–1801)

Standart grafik türlerimiz durup dururken ortaya çıkmadı. Tartıştığımız birçok grafik, 18. yüzyılın sonlarında çalışan İskoç mühendis ve siyaset iktisatçısı William Playfair ile başladı. 1786'da Playfair, The Commercial and Political Atlas adlı eserini yayımladı ve burada çizgi grafiği ile çubuk grafiği ekonomik verileri anlamak için araçlar olarak tanıttı. Birkaç yıl sonra, The Statistical Breviary ile pasta grafiği tanıttı.

Bu grafik, 1786'da William Playfair tarafından tanıtılan ilk çizgi grafik olarak geniş ölçüde kabul edilir. Görsel kaynağı: Vikipedi.

O dönemde, sayısal bilgilerin çoğu, hızlıca yorumlanması zor yoğun tablolar halinde sunuluyordu. Playfair, görsel biçimlerin, matematiksel eğitimi olmayan okurlar için bile eğilimleri ve karşılaştırmaları anında görünür kılabileceğine inanıyordu.

İlk çubuk grafik olduğu düşünülen bu grafik, 1786'da William Playfair tarafından yayımlandı. Görsel kaynağı: Vikipedi.

Playfair’in çalışmalarını etkili kılan yalnızca yeni grafik türlerini icat etmesi değildi; insanların bilgiyi nasıl algıladıklarına dair içgörüsüydü. Sayıları görsel özelliklere haritaladı ve izleyicilerin değerleri bir bakışta karşılaştırmasına olanak tanıdı. Grafiklerini, ulusal borçtaki değişimler veya ticaret dengeleri gibi siyasî ve ekonomik noktaları savunmak için sıklıkla kullandı.

Playfair’in çalışmaları, modern istatistiksel grafiğin temelini attı ve net görsel kodlamaların insanların veriyi anlama biçimini kökten değiştirebileceğinin erken bir hatırlatıcısı oldu.

Muhtemelen ilk pasta grafik; 1789'da William Playfair tarafından yayımlandı. Kaynak: Vikipedi.

Charles Minard'ın Napolyon'un Rusya seferi haritası (1869)

1812'de Napolyon Rusya'yı işgal etti ve yıkıcı bir yenilgi aldı. Bundan biraz fazla 50 yıl sonra, emekli inşaat mühendisi Charles Minard, ordunun ilerleyişini, geri çekilişini ve sayıca trajik düşüşünü gösteren bu ikonik haritayı oluşturdu. 

Kaynak: brilliantmaps.

Bu, bandın genişliğinin asker sayısını yansıttığı erken bir Sankey diyagramı örneğidir. İstikamet, sıcaklık, coğrafya ve zamanı bütünleştiren bir haritanın üzerine bindirilmiştir ve işgalin etkileyici bir hikâyesini anlatır. Nicel veriyi duygusal bir anlatıya dönüştürmenin zarif bir örneğidir ve birden çok değişkenin kafa karışıklığı yaratmadan nasıl bir arada bulunabileceğini gösterir. Muhtemelen tüm zamanların en tanınabilir tarihî grafiklerinden biridir.

Florence Nightingale’in gül diyagramı (1858)

Bir diğer ünlü savaş grafiği, istatistikçi ve modern hemşireliğin kurucusu Florence Nightingale'den geldi. Kırım Savaşı'nda ölümlerin savaş yaralarından ziyade kolera ve tifüs gibi önlenebilir hastalıklardan daha çok kaynaklandığını göstermek için, gül diyagramı da denilen bir kutupsal alan grafiği kullandı. 

Kaynak: https://www.historyofinformation.com/

Diyagramdaki her bir dilim bir ayı temsil ediyordu ve renkler ölüm nedenlerini ayırt ediyordu. Önlenebilir hastalıklardan ölümler mavi, savaş yaralarından ölümler kırmızı, diğer tüm nedenlerden ölümler siyah renkteydi. 

Nisan 1855'te, askerî hastanedeki sanitasyonu iyileştirmek için bir Sıhhiye Komisyonu geldi. Sonuç, Nightingale’in grafiğinde belirgin bir şekilde göze çarpan dramatik bir ölüm azalmasıydı. Bu görselleştirme, hükûmet yetkililerini hem askerî hem de sivil hastanelerde sanitasyon iyileştirmelerini uygulamaya ikna etti.

John Snow’un kolera haritası (1854)

Bir diğer halk sağlığı zaferi, John Snow'un Londra'daki kolera ölümlerini haritalandırmasıyla kazanıldı. 1854'te Londra'nın Soho semti, yalnızca birkaç hafta içinde 600'den fazla kişinin ölümüne neden olan yıkıcı bir kolera salgını yaşadı. Snow, kolera ölümlerini Londra'nın sokak haritası üzerinde, ölümleri çubuklar, su pompalarını dairesel işaretlerle göstererek işledi. 

Kaynak: londonmuseum.org.

Haritası, Broad Street su pompası çevresinde ölüm kümelerini ortaya koydu. Yetkililer, o su pompasının kolunu çıkarıp kullanılamaz hale getirdikten sonra salgın azaldı. Bu harita, yerel salgının çözülmesine yardımcı oldu. Bugün, doğru görselleştirme seçiminin etkisini nasıl değiştirebileceğini hatırlatır; örneğin, bir saçılım grafiği salgının nedenini bulamazdı. Snow, değişimi sağlamak için doğru görselleştirmeyi kullandı.

Étienne-Jules Marey’nin tren tarifesi (1885)

Benim kişisel favorim olan tarihî grafik, 1885'ten bu tren tarifesidir. Bu tek grafik, Paris'ten Lyon'a giden her treni; hızını, duraklarını ve başka bir trenle ne zaman kesişeceğini gösterir. Zaman x ekseninde, her istasyon ise y ekseninde birbirlerine olan mesafelerine göre aralıklıdır. Her tren, eğik bir çizgi olarak tasvir edilir. Daha dik çizgiler daha hızlı trenleri, yatay kısımlar ise trenin istasyonda olduğunu gösterir. 

Kaynak: commons.wikimedia.org

Normalde bu bilgiler, metin ağırlıklı bir zaman çizelgesi olarak sunulurdu. Bunun yerine bu grafik, mekân ve zaman bilgisini zarif biçimde birleştirerek demiryolu yöneticilerinin planlama çatışmalarını ve hatta tren çarpışmalarını önlemesini sağladı! İyi tasarlanmış bir görselleştirmenin ne kadar çok bilgi aktarabileceğinin bir hatırlatıcısıdır.

W.E.B. Du Bois’in veri portreleri (1900)

20. yüzyılın başında, sosyolog ve sivil haklar aktivisti W.E.B. Du Bois, 1900 Paris Sergisi için cesur ve özgün grafiklerden oluşan bir dizi hazırlamak üzere bir araştırma ekibine liderlik etti. Bu görselleştirmeler, özgürleşmeden yalnızca bir nesil sonra siyah Amerikalıların sosyal, ekonomik ve eğitim koşullarını belgeledi. Irkçı sözde bilimin kamu söylemine egemen olduğu bir dönemde Du Bois, zararlı klişelerle doğrudan yüzleşmek için verileri kullandı.

WEB Du Bois’in Veri Portreleri'nden bu grafik, Özgürlük Bildirgesi'nin Afrika kökenli Amerikalıların yaşamlarını nasıl değiştirdiğini çarpıcı biçimde gösteriyor. Görsel kaynağı: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Grafikler; okuryazarlık, mülkiyet, istihdam, nüfus artışı ve göç kalıpları gibi konuları kapsıyordu. Birçoğu el çizimi ve boyamaydı; canlı renkler ve alışılmadık yerleşimler kullanıldı. Bazıları çubuk veya pasta grafiklere benzerken, bazıları spiraller, radyal yerleşimler ve soyut kompozisyonlarla deney yaptı. Du Bois, geleneklere bağlı kalmak yerine iletişimi ve etkiyi önceliklendirdi.

Bu değiştirilmiş pasta grafik, 20. yüzyılın başlarında siyah ve beyaz Amerikalıların sahip oldukları meslekleri gösterir. Görsel kaynağı: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Du Bois tarafsız olmayı amaçlamadı. Grafikler, ikna etmek, eğitmek ve siyah Amerikalıların insanlığını ve başarılarını veriler aracılığıyla ortaya koymak için açıkça tasarlanmıştı. Bunu yaparken Du Bois, görselleştirmenin asla yalnızca sayıların sunumuyla ilgili olmadığını gösterdi. Gerçekliği çerçevelemek, hikâyeler anlatmak ve toplumların kendilerini nasıl anladığını şekillendirmekle ilgilidir. Bu grafikler şimdi şu kitapta derlenmiştir: W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century.

WEB Du Bois, mesajını vermek için 1890'da siyah Amerikalıların nüfus dağılımını gösteren bu spiral grafik gibi radikal grafik türleriyle denemeler yapmaktan çekinmedi. Görsel kaynağı: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Sonuç

Görselleştirme tarafsız değildir; yaptığınız her tercih, izleyicinizin verinin ardındaki hikâyeyi yorumlama biçimini şekillendirir. Verinizin hikâyesini etkili şekilde nasıl anlatacağınız hakkında daha fazla bilgi için Veri Hikâyeleştirme ve İletişim El Kılavuzuna göz atın. 

Hangi araçları kullanmanız gerektiğine dair pratik öneriler için, 2025'te En İyi 12 Veri Görselleştirme Aracı genel bakışımız harika bir kaynaktır. Ve bu karmaşık grafikleri etkileşimli ve web'e hazır hale getirmeye hazırsanız, Bokeh ile Etkileşimli Veri Görselleştirme, Python'da duyarlı ve tarayıcı dostu görselleştirmeler oluşturma sürecinde size rehberlik eder.