数据。讲故事。移情2019冠状病毒疾病与科学Jeff Shaffer

“当你开始一个数据可视化，你要问的第一个问题是：谁是你的观众？消息内容是什么？而他们如何去消费该消息？”-Jeff谢弗，数据+科学与的Tableau禅师的创始人

为什么故事对创新过程有关？分享故事的创新者可以灌输哪些值？创新领导者如何激发创作者告诉和分享他们的成功和失败故事？

杰夫·谢弗(Jeff Shaffer)是一个知识宝库，可以有效地将数据带入生活。杰夫是dataplusscience.com那表禅师、首席运营官、IT和分析副总裁统一的他是辛辛那提大学(University of Cincinnati)的兼职教授仪表盘的巨著：可视化您的数据使用现实世界的业务方案。他说话的可信和情境数据的重要性，分享关于收集，可视化和讲故事沿途的洞察力。用讲故事引起同情呈现数据。一个实验从工程和纽约大学法学纽约大学一个研究小组发现，更改数据可视化本身并没有对同情一个显著影响的设计;然而，围绕可视化的文本（和它提供的环境）确实对同情一个显著的影响。杰夫共享数据呈现的许多例子，跨越Tableau的贡献来约翰霍普金斯大学'冠状病毒资源中心和Alberto Lucas'Lopez'强大的数据viz国家地理．阿尔贝托制作了一个剪纸尺子，向读者展示营养不良社区儿童的中上臂围。我们和杰夫一样喜欢史诗般的例子，我们知道你们也会喜欢。

听播客

成绩单

该集发电支持来自Untold内容和数据+ Science的数据讲故事培训。雷竞技电竞竞猜雷竞技raybet提现通过学习数据可视化和技术讲故事的最佳实践，将数据转换为强大的视觉故事。无论您是PowerBi还是Tableau的人 - 或者只是想更好地传达您的数据 - 这次研讨会将激励您查看数据中的故事。了解更多//www.hchb688.com/datastorytelling雷竞技raybet提现training/．

凯蒂[00:00:04]欢迎来到“不为人知的创新故事”，在这里，我们会放大那些关于洞察力、影响力和创新的不为人知的故事。由数不清的内容提供动力雷竞技电竞竞猜。我是主持人，凯蒂·特劳斯·泰勒。我们今天的嘉宾是杰夫·谢弗。他是Unifund的首席运营官和副总裁，也是dataplusscience.com的创始人。Jeff还是辛辛那提大学的兼职教授，Tableau禅宗大师，与人合著了一本关于数据可视化的巨著《仪表板巨著:使用真实商业场景可视化数据》。杰夫，非常感谢你参加今天的播客。

杰夫[00:00:45]谢谢你们邀请我。

凯蒂[00:00:47]我很荣幸能和你们一起展示。我们一起开了一个关于讲数据的研讨会。因此，我很高兴能与大家分享我们在今天共同创建这个研讨会的过程中所发现的一些见解。

杰夫[00:01:01]是啊，非常有趣。我很高兴能谈论这个话题。

凯蒂[00:01:03]但请先告诉我们一点什么是数据讲故事，以及仪表盘在其中扮演了怎样的重要角色。

杰夫是的。你知道，数据讲故事是一个宽泛的术语，人们会认为它将成为数据可视化社区的一个时髦词，部分原因可能是因为作者科尔·坎弗利克，科尔·努斯鲍默·克纳弗利克，有一本很棒的书，叫做《数据讲故事》，这本书很可能引发了这个术语。她的网站甚至还在用data.com讲故事。所以我认为这可能是在过去五年里，你知道，一种发展中的事情，很多人都在谈论故事如何在数据本身中发挥作用。这是一个有争议的术语，我想也有一点，因为，你知道，故事如果你想，你知道，一个故事的技术定义，你知道，它有人物，有情节，有故事情节，通常数据或仪表盘并不这样做。但其他人更多地从更广泛的意义上使用这个词。所以，你知道，如果你愿意，也许可以打开一罐虫子。但我想我至少可以告诉你我的看法。从更广泛的角度来看，我认为仪表盘特别有助于我们找到故事可能在数据中的位置。不一定要讲故事本身。您可能正在监视某些情况。您可能正在查看组织中的流程或其他内容，并且可能每天都使用该仪表板。这可能会给你一个迹象，说明出了什么问题。去哪里看。你知道，你看到烟，但它是火吗？这就是我看到的，你知道，数据讲故事在许多领域发挥作用的地方。但与仪表板相关的是，仪表板可能是帮助您找到数据中的故事的工具之一。

凯蒂00:03:10肯定。和大多数组织使用仪表板分析和可视化数据点,是巨大的和努力真的可以看到数据的方式帮助他们采取某种行动,或者像你提到的,知道防止火灾或检查的问题。我们合作的一个有趣的地方是，我认为，我们结合数据本身的概念的方式，我认为有这样一个假设，数据是纯粹的，或者数字永远不会讲故事。但是，随着你对数据的理解、对数据的处理以及我们对数据采取的行动的深入，很明显，讲故事对于数据可视化是不可或缺的。这是我们找到逻辑或模式并从数据中采取行动的方法的一部分。

杰夫[00:04:17]我认为这是对的。而且我会增加到那个，你知道，在我们与众不同的方式，你和我，在我们与那个特定的研讨会上的工作，我觉得什么样的人发现了一些正确的事情。在我的教学中，我通常谈论数据只是以原始形式实际上是一个原始形式，您知道，数据库，续集服务器，Excel电子表格或标签分隔文件或其他东西。并且本身就没有做任何事情。这只是坐着的权利。然后您想从该数据中获取信息。所以你看看它，你汇总了它，你过滤它，你有点潜入其中，找到有关它的事情。最终，信息应该导致您离开该数据的知识。所以，你知道，我讨论了数据的延续，信息，了解知识部分的知识。您真的需要我称之为SMB，主题专家，真正帮助您找到从数据中获取的信息的了解。 And in the workshop, you know, in our particular case, we were working with a major hospital. And, you know, I’m not a healthcare expert by any means. I’m not a doctor. I have done some consulting in that field, but I don’t know a lot about that data specifically. Right. And so you really have to work together as a group to kind of figure out what that is. I can build a dashboard for somebody that would give them an indication of maybe something gone wrong, but then what? Right. What’s the next step? And so I think that’s the intersection for me is where data storytelling, in a variety of forms. In our particular client, you know, that we were talking to, they had one group that might’ve wanted to hand something out as a sort of a pamphlet. And another instance it might be something they want to add to their website. And then in another group, they were really looking for something that internally they could monitor sort of as a dashboard. And when we think about data storytelling, that’s really different in each one of those categories. Right. It might be a different end product. It might be a different way, a method, of telling the story completely.

凯蒂是的。因此，数据故事讲述的一个关键要素，以及这个术语，我认为，与数据收集或数据报告有点不同的方式，是你真正批判性地思考接收信息的受众，以及他们如何从中获取知识。因此，在我们的数据讲故事研讨会上，我们一起做的很多工作是Jeff，您在涵盖数据可视化的最佳实践方面做得非常出色，您可以制作不同类型的数据可视化。然后我们在这些信息的基础上进一步讨论人物角色和受众，以及如何将数据点和数据需求映射到您试图通过这些信息接触到的不同受众。我们还讨论了能够为数据构建上下文的最佳实践。这意味着围绕数据可视化或数据的词语。它还意味着你展示的方式或你选择分享的数据点。我们在做这个练习，或者重新创建这个巨大的白板练习图，在这个图中，我们将组织试图通过数据接触到的不同角色和受众映射到不同的数据点。我们优先考虑这些数据点。我们思考什么样的视觉隐喻会有帮助，特别是利用那些最佳实践和数据可视化。然后我们考虑目标媒体，有时是你提到的仪表盘，有时是信息图表或讲义。因此，这确实是一种很好的方式来确保当我们思考数据时，我们不会忽视这样一个事实，即我们是人类，需要根据看到的数据采取行动。

杰夫[00:08:26]我觉得这很棒，它是你的工作与我所做的工作之间的另一个人，既是教授或咨询和研讨会。我总是告诉我的学生，你知道，当你一般开始数据可视化时，你需要问的第一个问题是谁是你的观众，是什么消息。你的观点就在那里。你知道，谁是观众？我最近想到了，你知道，有一个第三个元素，这些元素与受众有关。他们如何消费它？所以你知道，谁是你的观众？消息内容是什么？也许他们将如何消费该消息？

凯蒂[00:08:59]是的。什么是媒介？

杰夫[00:09:01]但我认为这正是你的观点。这就是为什么我如此喜欢你的角色映射，因为它真的涉及到当你谈论谁是观众时，我们用我们的医疗保健例子，我们谈论的是医生吗?我们说的是员工吗?我们说的是病人吗?我们说的是外部人员还是内部人员?所有这些东西都在播放。你知道，当你谈论这些的时候，有些真的很有趣。你想传达什么信息?你知道，在我们目前的环境下，在新冠疫情爆发的情况下，这有点有趣。我们说的是医疗保健。 But, you know, from a doctor standpoint, they might want to look at things on an aggregate basis and look at statistics. But at the end of the day, we’re talking about people, right? We’re talking about patients. And being able to see that. And a patient certainly wants to know a different piece of information, as, you know, what about me? So I think just nailing down that audience, the persona. Who are those people? What information do they need? When do they need it? How are they going to get it? That really drives everything else, whether it. Are we talking about an interactive visualization that’s going to live on a website? Or are we talking about an infographic that you’re gonna hand out in a pamphlet? Or is this a PDF that needs to be emailed out to the staff? You know, every day or every week. And so those are very, very important questions.

凯蒂[00:10:25]让我们共享我们最喜欢的一些数据故事或数据可视化。你先去，因为我觉得你是一个知识库，谈到真正有效和有趣的方式，让数据带来生活。

杰夫[00:10:41]哦，哇。我有这么多的最爱。因此，甚至难以挑选，这么多不同的类型，我会说，在数据可视化世界中。我喜欢的一些设计师，你知道，从数据的信息图表和数据Viz设计角度来看，乔治亚州卢比。她跑了很长时间叫做准确的公司。她搬到了一个平面设计公司。但我爱她的工作，她做了什么。图形设计世界，尼古拉斯·费尔顿的另一个平面设计师，他创造了10年的“Feltron报告”。这些现在几年回来了。他停止了那些。 A number of years ago. But I just—I love their work and I still use that as inspiration in the work that I do. I follow a lot of people in the Tableau community, you know, being one of the Tableau Zen masters and tableau being my tool of choice. I follow a lot of people in the Tableau community. So there’s countless people in the Tableau community, many of them, you know, good friends of mine. So I look to that for examples as well. And you know, having written the big book of dashboards, I always gravitate to great examples that people have out there, real-world dashboards. A good friend of mine, Chris Love, has a website called Everyday Dashboards. And I find that one fascinating because it’s people who have taken dashboards that they use at work every day and either anonymized it or turned it into a way that they could share it. But you get to see, you know, not work necessarily. That’s polished by The New York Times for the front page of the newspaper. It’s everyday stuff that people use to get the job done. And so I often gravitate to those kind of things as well.

凯蒂[0点12分39秒]你能与我们分享一些你或你已经在最近的工作工作目前正在进行的项目吗？

杰夫我今年工作的最有趣的项目是一个叫S飞溅的组织在旧金山。这是一个非营利组织，帮助将水、清洁水带到世界各国，特别是现在正在加尔各答、印度和埃塞俄比亚进行大型项目。因此，通过TabLao基金会，我和另一个表禅大师Kristie Martini，他和我为他们两个星期前生活了一个阶段。我们制作了一个仪表盘，上面有一些地图，它是交互式的。他们希望卫星功能能够以卫星方式查看地图。然后他们有一些其他他们想要跟踪的关键输出，所以我们构建了一个输出仪表板。所以这很有趣。我听说他们在冠状病毒爆发之前就在旅行，但他们经常为各国的资助者、捐赠者和项目经理旅行。听到仪表板项目是如何发展的，我感到很兴奋。所以这很令人兴奋。这可能是我最近进行的一个项目。

凯蒂[00:14:05]完美。所以如果你可以公开分享它，我会分享一个链接。我会把它放在演示笔记中。

杰夫00:14:10绝对。

凯蒂[00:14:11]再举几个例子，杰夫，我得感谢你和我分享这些。但是阿尔贝托·卢卡斯的洛佩兹在《国家地理》工作，他们报道儿童营养不良。我还会把这个链接到讲义上，这样你们就能看到了。这很难做到。很难用播客的形式来谈论数据故事。但在《国家地理》的这篇文章中，你必须亲自剪下一个嵌入页面的尺子，然后你可以把尺子圈起来，形成一个圈，你可以看到营养不良社区的儿童的上臂中长。所以，这是一个非常有力的例子，它试图帮助引起共鸣，并真正能够从战术上感受到，在儿童面临营养不良的地区，他们的上臂会议是多么的小。这是一个非常有力的例子。你跟我说了，杰夫。

杰夫[00:15:19]是的，我认为，这是去年，只是让它成为个人的一个伟大榜样。这就是我所做的一些教学和研讨会中的另一件事是，如果你想在可视化上参加参与，你知道，让它成为个人。所以你想到我最喜欢的一个例子是我的同志，史蒂夫·魏克勒。他对美国人民的年龄进行了可视化。如果你刚刚展示了美国年龄的分发的可视化，你可能会看看并说，好吧，你知道，所以是什么？也许在数据中可能会看到这种有趣的事情。但他所做的事情，而是使用其他一些技术，这些技巧是新闻组织中的其他人擅长这样做。但是你让它成为个人，并说输入你的年龄。当你把你的年龄放在那里时，你知道，这种可视化重新计算，向您展示比你年长的人口。基于作为40或50的男性，或者如果你是女性，那么年轻人。 And so you kind of get a sense for where you are. And so I think that particular visit you’re talking about really makes it personal because it takes something that you don’t really see. You don’t really have a way of grasping it visually or mentally. How bad is it? And yet you tear this thing off and put it on your wrist and it’s you. And then all of a sudden, it’s wow, you know, it’s just kind of hits you. And so I think that’s sort of the ultimate in sort of making it personal, hitting the message home, right?

凯蒂[00:16:56]是的，绝对。一项研究，你和我认为都很着迷，由纽约工程和法律进行。[2.5s]并在一起，他们试图了解是否使数据视觉本身看起来和感觉更可关联或更加个性化或个性化，是否会对观众的同情产生影响。因此，例如，而不是在数据视觉中只有一个点来表示一个人，他们可能会有一个人的图标，就像一个看起来更像一个人或甚至更具体的视觉。他们可能会向该人提供一个名字，他们尝试了所有这些不同类型的实验，以显示更通用或更个性化的。以及他们对观众的同情水平产生影响，因为他们看待该数据。这项研究的真正有趣的发现是，使数据视觉本身似乎没有对同理心产生影响。但故事或文本周围的数据视觉所做的。因此，如果文本对被列入数据的数据视觉中的人员的个人故事更详细地进行了更多细节，那就引起了更多的同理心。[25.2S]他们承认这是一个小型研究设计，并且它可能需要在更广泛的背景下完成。 But what are your thoughts on that finding?

杰夫这对我很有吸引力。这可能也是你鞋子笔记中的链接。

凯蒂[00:18:28]好的，我会链接到它的。

杰夫[00:18:31]对此我并不感到惊讶。想想这有多有效，在信息图表中，你会看到很小很小的人代表着一个柱状图或者，你知道，某种形式的同型。我一直想知道，一个点是否也一样好。我认为这个研究可能是正确的。所以我认为这很有趣。还有很多其他的研究。你知道，关于你在页面上放置东西的位置，你知道，所以你的标题，无论你创建的是仪表板或可视化或只是一个PowerPoint幻灯片，你的左上角，你的业务是每个人都会看的地方，你知道，首先。正确的。所以你所说的，文本，思考标题是什么，有描述性的副标题，有好的注释层，把它们放在正确的位置，组织在页面上，可以让世界上所有的事情都不同。在我们的仪表盘研讨会上，我们讨论，你知道，你的关键性能指标或乐队，我们经常这样称呼它们。 You know, these big numbers, you put them across the top of your visualization because that’s where people are going to look. And it’s sort of the headline, right? It’s the headline of the story. And then you kind of get down into the details underneath it. Now, one thing I will say is, you know, this study didn’t compare this, but I think there’s something to be said for when we’re aggregating data versus disaggregating that data. I think that if we ran that study and said, OK, here’s bar charts showing the average lifespan of somebody who has the Coronavirus, you know, or the death rate or something, that’s going to be a lot less personal than if I had dots, you know, for every one of those people. And so I think that’s maybe something to be said is maybe being careful about, you know, aggregating up, losing that personal touch of it, that, you know, there may be something to showing one hundred dots on a page from my hundred patients. And this is you and this is where everybody else is versus just saying, oh, here’s the average where the one hundred patients are and here’s where you are. So I think, you know, it kind of goes both ways. But I think there’s some interesting things about that study and hopefully they’ll be future studies in that area.

凯蒂[〇点20分53秒]我们开车真的深入到一些周围的数据呈现，一切从引发同情周围具有道德立场，你知道，道德想着你是如何可视化数据更为复杂的挑战。Let’s actually step backwards a little bit and talk about some of the basics, because what I love about working with you on this workshop and in other projects is that you have really refined and sort of created patterns that you see of the different types of data visualizations and the impact that they have on the viewer. One of the things that I think maybe some listeners will be surprised about that I was surprised to learn is that we should try to always avoid the pie chart.

杰夫[00:21:37]你知道，这种特殊的图表类型，饼图和甜甜圈图，在数据可视化社区中有很多负面的报道。人们经常把它和图表联系在一起。你知道，我在这个领域的很多同事，你知道，我们会说，不要使用它们。你知道这个建议可能是好的建议。我认为它总是比那更微妙，无论，你知道，不管数据，即图表是什么，它有点回到了数据的基本构件，即我们称之为预先注意属性。只是人类确实擅长一些事情而不擅长其他事情。因此，我认为，这个问题的真正含义是，人类擅长什么，我们能否利用人类擅长的东西，快速准确地获取信息。在大多数的数据研究中。基础研究确实衡量了这两件事。这就是所有研究的基础。 More recently, we’ve studied other things like memory of a viz or things like that. But, you know, really at the heart of it, are we getting the information quickly and accurately? And so as an example or the example you used. We are generally better. We are better as humans. And this has been studied with looking at things like position. We’re very, very good at the position of objects in space. We’re very, very good at looking at the length or width of something. But we really fail miserably when it comes to estimating the size of something or the angle of something or the arc of something or even color, you know, trying to figure out how much more blue is that. You know, is it twice as much blue or is it three times as much blue? That’s gonna be a very, very difficult task, you know, to do. And so it’s really a learning, I guess, the basics of data visualization more than just the chart types, but just sort of the fundamental, you know, way our brain interprets this information and does it quickly and then leveraging those things to get the right things on a page. You know, I think one of the things that you probably picked up on from a lot of those slides is simplicity, really. I mean, even if I take a, you know, the evil pie chart, I can make a pie chart, you know, useable by just reducing its complexity. So instead of having 18 slices, maybe I only have two or, you know, just show one number. Eighty five percent or something like that. And so really, no matter what chart type you pick, if I say bar charts or stack bar charts or line charts, if I add 50 colors to it and add a thousand labels, it’s gonna become incomprehensible and we’re gonna overload the reader and they’re not gonna get the message no matter what chart type I use. Right. So it’s kind of a combination of these things that you kind of learn and put together.

凯蒂[00:24:38]现在请告诉我们如何将数据可视化并将其移动到仪表板上，以便我们查看多个数据集或数据点。您能告诉我们一些最佳实践吗?当我们迁移并使用数据构建一个更大的故事时，我们应该牢记在心。

杰夫[0时24分56秒]是啊。男孩，这是一个伟大的，因为that's，我想这就是许多企业都在每一天的挑战。所以，你知道，我会在一开始，这就是你的数据开始。有多好你的数据？所以，你知道，你将不得不坐下来，找出答案。所以，你需要弄清楚它是什么，什么是你想要在你的组织中来测量关键的事情？是那些那些是什么关键绩效指标是什么？我们是否认识他们，我们要跟踪什么呢？然后，一旦你一旦你有，你有与数据开始，因为你甚至可能不会有数据跟踪您需要跟踪的东西。正确的。 And so it starts with the data having, you know, some semblance of data, governance, data gathering, knowing where it is, what’s the source of it, how good is it? Can we trust it? Right. There’s the sort of the veracity of the data, if you will. And then, you know, once you have that, then you can kind of put those things together. You know, I find many organizations—well, I’ll use the healthcare example again that you and I collaborated on. They had data coming in from, you know, a dozen different sources. And so, you know that that adds to the complexity of it. Where does it come from? How good is it? Can we trust it? How often is it updated? There’s—data is always messy, you know, especially if there’s free-form responses in the data and things like that. So that that’s really the starting point for me. We have to figure out what we’re trying to measure, what we’re trying to improve, what we’re trying to monitor. And then, you know, we go to the data and see if we can put that together. Then the next step is, you know, sort of the design of that thinking about, OK, well, we want to measure what? Do we want to measure our actuals versus a target? Do we want to see something over time? Do we want to see the location of people? And that’s going to drive what visualizations we choose, whether we’re using a bar chart or the target line or whether we’re plotting people on a map. That’s going to be the tool that we use to answer the questions that we asked in the first part. And then putting it all together on the dashboard, you know, as nuanced. And, you know, we wrote a book about it. You know, that part is almost the easy part after you—if you’ve done the first two parts correctly, getting it together in the final step is almost the easy part. Right. You know, putting it together in a way—in a simplistic sort of simple as can be with as much detail as necessary in a way that people can see it and use it.

凯蒂[00:27:26]在数据讲故事的未来时，我们应该预期什么？我正在考虑专门了解人工智能，大数据和，你知道，越来越多的技术能力，将数据解释和分析到某种程度上？

杰夫我觉得很棒。我觉得这太可怕了。你知道，两者合一。你知道，最重要的是工具越来越好了。他们已经挡道了，我会和我最熟悉的人谈谈。你知道，他们正在以如此快的速度进行季度发布和添加功能。令人惊讶的是，他们只是，你知道，一季度又一季度，他们只是在那里添加了这些功能。他们去年关注的其中一个问题是他们称之为ask data的问题，在这里你有一个人工智能引擎，当你说上个月的销售额是多少时，它能在幕后计算出你在问什么问题。然后你说。俄亥俄州呢？你知道，它不会重新开始你的查询，它会说，哦，你想知道你知道在美国有多少销售额。然后，当你在俄亥俄州询问时，它是下到俄亥俄州的子查询。我认为那太棒了。你知道，这是个很棒的工具。我认为可怕的是我们必须非常非常小心。再一次，它回到了我们的数据。你了解你带来的数据吗？你知道的。在数据引入之前，您是否已经对其进行了聚合，或者可能未对其进行聚合？所以当你开始提问的时候，你最好小心你带来的数据，因为，你知道，你要问一个问题，它会给你一个答案，如果你把它当作福音，你可能会给自己带来很多麻烦。所以我可以想象，你知道，你会带来十年后的数据，比如医疗数据，儿童死亡率数据等等。你问了一个问题，好吧，这对你来说是合理的还是平均的？那么它的平均值是多少？在什么时期？这些都是至少在今天和不久的将来，我们需要控制的事情。正确的。我们需要了解它是如何做到这一点的，而不仅仅是让A.I.为我们接管答案并相信它。

凯蒂(00:29:43)是的。这是一个令人难以置信的责任我们投入技术和程度,我们可以确保从伦理的角度来看,这些算法是准确的,我们仍将在确保其准确性和确保人类的解释是正确的。我不知道人类是否会在这一过程中发挥作用。至少我希望我们不会讲到这一点。

杰夫(00:30:18)是的。部分原因可能是，我认为，我们在曲线上的位置。正确的。每个人都在谈论人工智能，特别是机器学习。人们意识到，要做到这一点，我们必须，我们必须这样做才能保持领先。这些都很好。我想我们现在还不能放弃对数据进行批判性思考。所以我想就像你说的，在讲数据的时候，我不想依靠，你知道的，一台电脑在不久的将来给我讲这个故事。我想应用人类认知的元素，你知道，能够解释这些结果，然后最终得出那个故事。也许20年后会改变。 But I think where we are today, you know, that’s one of the fears I have.

凯蒂[00:31:09]你知道，回到同理心的概念。我认为这就是恐惧如此真实的部分原因。我从事的一项技术写作领域的研究，是一名专业写作研究人员，进入军队，观察他们在空袭决策时分析数据的做法。有时数据更个性化，有时数据不那么个性化。这意味着他们使用特定的暗语或方式，修辞，修辞选择，从数据中去除这些群体的个性。研究发现，当这种个性从数据和他们在空袭决策中使用的语言中进一步去除时，空袭就会更加频繁。就像你说的，他们没有批判性思维。我也会链接到那个研究，因为我认为它是一个有力的例子，让我们记住为什么我们应该时刻记住我们从数据中告诉自己的故事。如果语言的选择,我们正在分析数据正在距离自己从这一信息的影响,我认为我们需要特别注意的,也许我们应该使某些操作或加速某些操作或删除同理心的时刻。

杰夫[00:32:50]我们现在生活的这个时刻绝对是真实的，因为冠状病毒在世界各地传播，数据来自各个地方。约翰霍普金斯大学有一个中央数据库Tableau的一群人利用了这个数据库并向所有人提供了数据，我记得是昨天。或者我想是昨天。Reddit的子线程上有一个叫做“信息是美丽的”的线程。这是第一天，大部分的可视化在那个帖子上。我们是以冠状病毒为基础的，52%的可视化图像都与此有关。这是我认为的，你知道，你说对了我们必须要非常小心。你知道，我可以展示一些数字比如，你知道，冠状病毒，然后说，哦，好吧，死亡率只是。然后输入你的百分比，2%，1%，小于1%，等等。但它更详细。 Right. If you dive in and kind of filter that down and see, oh, if you’re over a certain age, you know, the death rate is 15 percent. And so it’s easy to, you know, throw this off and throw out data and just say, OK, well, it’s not so bad. It’s just like the flu or it’s not spreading as quick. And you’re inferring data or you’re aggregating data in a way where you lose that empathy that you’re talking about. You think about, OK, well, if I’m 75 or 80 years old, I may not feel that way. And so, you know, for somebody my age to say, oh, I’m not really worried about it because it’s, you know, 0.5 percent chance of dying, that kind of disconnects us from sort of the rest of humanity there, doesn’t it? And so visualizing that in ways I’ve seen a lot of discussion in the last week where people have just, myself included, just have taken the route of, you know what? We’re just not going to visualize that data because we just don’t know enough about it at this point to be confident in what we’re producing. And I think that goes to the opposite of empathy. Right. We could actually do harm in some situations.

凯蒂(00:35:00)是的。这是令人难以置信的，特别是随着越来越多的数据公开，越来越多的工具，如Power Behind Tableau。我们必须开始质疑这些可视化的合法性并确保我们正在分析。这消息来源可靠吗?因为就像你提到的，那些公开可用的可视化数据，现在有50%是关于冠状病毒的。那么，在理解或评估可视化是否可信方面你有什么方法，有什么策略可以推荐给公众吗?

杰夫嗯，是的。所以，我的意思是，有两件事。第一，如果我是可视化者，我必须问自己，这是我个人所做的，我需要可视化吗？我告诉你，我已经下载了数据。我已经连接到数据，连接到Tableau小组工作之前的数据。我甚至连接到他们的数据。我已经做了一些可视化。但我决定不发表任何这些。我只是想了解自己，看看自己的数据，看看外面的VIZE是怎么回事。当我读到它们时，我只需要带着一种健康的怀疑态度来看待它。正确的。他们正在将这些信息可视化。我并不是说他们都是坏人。只是你必须了解收集数据的背景，例如，将其与流感进行比较。流感已经存在很长很长时间了。我们在这方面有很长很长的数据历史。这种冠状病毒是全新的。所以要做一个A-B的比较非常非常困难，因为我们还不知道。正确的。与中国发生的事情进行任何形式的比较。你知道，这是不同的条件，不同的健康条件，不同数量的人，不同的空间，在不同的政府控制下的不同环境。我们不能把我们那里的数据叠加到美国，然后说它将以更快或更慢的速度传播，甚至是相同的速度传播。所以我们需要注意的是，我想这适用于任何数据，真的，但特别是在这个数据中，我们使用它的方式是对数据进行假设。正确的。

凯蒂00:37:14绝对。这是正确的。是的。甚至在国家公共广播电台和我去录音室的路上，他们都在谈论医学界正在努力寻求的平衡。你知道，公众，我们真的需要打击，这是在了解病毒在任何特定时刻的位置和它传播的速度之间，并平衡这一事实，即接受检测会让更多的公众处于危险之中。所以我想在这一点上，建议是如果你有症状，试着孤立自己。如果你-如果这些症状加速或恶化，那就去看医生。所以不要马上去做检测因为这会让其他人处于危险之中。正确的。的接触。 So it’s such a strange time that we’re living in right now. And I’m really grateful that we’ve been able to think together about how data storytelling and data visualization is part of that conversation.

杰夫(00:38:17)是的。尤其是你经常提到的移情作用。我觉得这正好。

凯蒂[00:38:24]杰夫，非常感谢你上播客。我喜欢和你一起工作。我很高兴你有这个不可思议的网站。如果你——我建议大家去dataplusscience.com看看。这是一个不可思议的资源，杰夫分解了不同的可视化策略。我们一起想的更多的是讲故事。我们希望在未来有更多关于这个话题的内容。但是非常感谢你，杰夫，能来这里。

杰夫(00:38:49)谢谢。谢谢你邀请我。

凯蒂[○点38分52秒]杰夫，如果人们想找到你在社交媒体上，在那里他们可以找到你？

杰夫[00:38:56]我在推特上很活跃我的推特账号有很高的viz v-i-z能力，而且我在附近。容易找到。在LinkedIn或Facebook上联系。我有一个数据+科学的页面，连接到data + science.com。社交媒体上到处都是。

凯蒂[00:39:20]精彩。非常感谢，杰夫。下次再聊。

杰夫(00:39:23)谢谢。

凯蒂[00:39:25]感谢在听本周的剧集。请务必在社交媒体上关注我们，并将您的声音添加到谈话中。您可以在未销售内容中找到我们。雷竞技电竞竞猜

你可以听的更发作不为人知的创新故事播客．

*面试不是对个人或企业的认可。