数据讲故事。移情2019冠状病毒疾病与数据+科学的Jeff Shaffer合作

本集以来自Untold Content和data +Science的数据讲故事培训为动力。乐动体育266乐动体育足球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可视化故事。无论你是PowerBI还是Tableau的员工——或者只是想更好地交流你的数据——这个研讨会都会激发你去发现数据背后的故事。学习更多在www.isandstone.com/data-storything-tr乐动体育266aining．

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乐动体育足球。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]我很荣幸能与您共同出席。事实上，我们共同开发了一个关于数据讲故事的研讨会。因此，我很高兴与大家分享我们今天共同创建研讨会过程中发现的一些见解。

杰夫是的，那很有趣。我很高兴能谈论这件事。

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。

ld体育下载

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]我想是这样的。我想补充一点，你知道，我们在一起的方式，你和我，在我们的工作，在那个特定的车间，我认为，我们发现了一些正确的东西。在我的教学中，我经常说数据是原始形式的，比如数据库，续集服务器，Excel电子表格或者制表符分隔的文件等等。就其本身而言，它没有任何作用。它刚好坐对了位置。然后你想从这些数据中获取信息。所以你看它，你聚合它，你过滤它，你潜入它，找到关于它的那些东西。最终，这些信息将引导你从这些数据中获得知识。我在知识部分讲了数据到信息，信息到知识的连续统一体。你真的需要我所说的SMB，主题专家，来真正帮助你从数据中的信息中获得知识。 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(00:06:32)是的。因此，数据讲故事的一个关键因素我认为，这个术语与数据收集或数据报告有一点不同，它是你真正批判性地思考接收信息的观众以及他们如何从这些信息中获取知识。在我们的数据讲故事研讨会上我们一起做了很多杰夫，你做得很好涵盖了数据可视化的最佳实践，你可以做的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和受众以及如何将数据点和数据需求映射到你试图通过这些信息接触到的不同受众。我们讨论了为数据建立上下文的最佳实践。这意味着围绕你的数据可视化或数据的词语。它还意味着你展示的方式或者你选择分享的数据点。我们做这个练习或者重新制作这个巨大的白板练习图我们把不同的人物角色和不同的观众映射到组织试图用他们的数据到达不同的数据点。我们优先考虑这些数据点。我们会思考哪些视觉隐喻是有用的，尤其是那些最佳实践和数据可视化。 And then we think about the target medium and sometimes that’s a dashboard like you mentioned, and sometimes that’s an infographic or a handout. So it’s really this beautiful way of being sure that when we’re thinking about data, we’re not ignoring the fact that we are humans who need to act as a result of seeing data.

杰夫[00:08:26]我认为这很好，这是你的工作和我所做的工作的又一个有趣的交集，无论是作为教授、顾问还是研讨会。我总是告诉我的学生，你知道，当你开始一个一般的数据可视化，你需要问的第一个问题是谁是你的观众和信息是什么。你的观点就在这里。你知道，谁是观众?我最近在想，还有第三个与观众有关的因素。他们将如何消费呢?你知道，谁是你的观众?有什么消息吗?也许他们将如何消费这些信息?

凯蒂是的。介质是什么？

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]让我们分享一些我们最喜欢的数据故事或数据可视化。你先走一步，因为我觉得你是一个知识库，当涉及到真正有效和有趣的方法来将数据带到生活中时。

杰夫[00:10:41]哦,哇。我有很多最爱的。在数据可视化的世界里，要挑选出不同的类型是很困难的。我喜欢的一些设计师，你知道，从数据即信息图和数据即设计的角度来看，比如Georgia Lupi。她经营一家叫"准确"的公司很长时间了。她跳槽去了一家平面设计公司。但我喜欢她的工作和她的成就。还有一位来自平面设计界的平面设计师，尼古拉斯·费尔顿，他创作了10年的费尔顿报告。这些都是几年前的了。他不再那样做了。 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[00:12:39]你能跟我们分享一下你目前正在做的或者最近正在做的项目吗?

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。我会分享一个链接，如果你能公开分享的话。我会写在节目笔记里的。

杰夫[00:14:10]当然。

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，那是，我想，那是去年，也是一个很好的个人化的例子。这是我在一些教学和研讨会上做的另一件事，你知道，如果你想参与你的可视化，你知道，让它个性化。所以你想想我最喜欢的一个例子是我的合著者Steve Wexler。他对美国人的年龄有一个直观的认识。如果你只是展示了美国年龄分布的一种可视化，你可能会看着它说，好吧，你知道，那又怎样？也许你会在数据中看到一些有趣的东西。但他所做的是使用其他一些新闻机构中其他人擅长的技巧。但你把它个人化，说进入你的年龄。当你把你的年龄放进去的时候，你知道，这个可视化会重新计算，告诉你有多少人口比你大。根据40岁或50岁的男性，或者如果你是女性，有多少人更年轻。所以你对自己所处的位置有一种感觉。所以我认为你所说的那次特别的拜访确实让人觉得很私人，因为它需要一些你没有真正看到的东西。你真的没有办法在视觉上或精神上把握它。有多糟？但你把它撕下来戴在手腕上，那就是你。然后突然之间，哇，你知道，它只是打了你一下。所以我认为这是一种个人化的终极方式，把信息传递到家里，对吗？

凯蒂是的，绝对是。还有一项你我都很感兴趣的研究，是由纽约大学工程与法律学院进行的。[2.5s]他们一起试图了解，让数据本身看起来和感觉更相关，还是更个性化或个性化，这是否会影响观众的同理心。因此，举例来说，他们可能会有一个人类的图标，而不是在视觉数据中只有一个点来代表一个人，就像一个看起来更像人或者更具体的视觉。他们可能会给那个人起一个名字，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。以及这是否会影响观看者在观看数据时的同理心水平。这项研究中真正有趣的发现是，使数据可视化本身似乎对移情没有影响。但围绕视觉数据的故事或文本确实如此。因此，如果文本更详细地描述了在其旁边的视觉数据中所代表的人的个人故事，就会引起更多的同理心。[25.2s]他们承认这是一个小的研究设计，可能需要在更广泛的背景下进行。但是你对这个发现有什么想法？

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[00:20:53]我们确实深入研究了一些围绕数据讲故事的更复杂的挑战，包括从引发共鸣到在如何从道德上思考如何可视化数据等方方面面。让我们倒退一点和谈论的一些基础知识,因为我喜欢和你一起工作在这个车间和其他项目是你真的精制的创建模式,你会看到不同的类型的数据可视化以及他们对观众的影响。我想有一件事可能会让一些听众感到惊讶，那就是我们应该尽量避免使用饼状图。

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(00:24:56)是的。男孩，这是一个伟大的问题，因为——我认为这是许多组织每天面临的挑战。所以，我要从最开始，也就是你的数据开始。你的数据有多好?所以，你知道，你得坐下来好好想想。所以你需要弄清楚在你的组织中你想要衡量的关键是什么?关键绩效指标是什么?我们知道他们吗?我们想追踪什么?一旦你有了这些，你就必须从数据开始，因为你甚至可能没有数据来跟踪你需要跟踪的东西。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]谈到数据故事讲述的未来，我们应该期待什么？我特别想到了人工智能、大数据以及，你知道，在某种程度上提高技术解释和分析数据的能力？

杰夫[00:27:44]我觉得很棒。我认为这很可怕。你知道，两者合二为一。你知道，最重要的是工具变得越来越好。他们找到了方法，我将和我最熟悉的Tableau对话。你知道，他们每季度发布一次，他们添加的功能非常快。令人惊讶的是，一个季度又一个季度，他们都在添加这些功能。他们去年关注的其中一个是他们所谓的询问数据，你有一个人工智能引擎，它会在幕后计算出你问的问题，当你说上个月的销售额是多少。然后你说。俄亥俄州怎么样? You know, it doesn’t start your query over, it says, oh, you want to know how many sales you know in the US. And then when you asked in Ohio, it’s sub queries that goes down to Ohio. I think that’s brilliant. You know, it’s a great tool. Where I think it’s horrifying is we have to be really, really careful. Again, it goes back to our data. Do you understand the data that you brought in? You know. Did you already aggregate the data before it was brought in or maybe it was not aggregated? So when you start asking questions, you better be really careful about what that data was that you brought in, because, you know, you’re going to ask a question, it’s gonna give you an answer and you’re going to—if you treat that as gospel, you could get yourself into a lot of trouble. So I can just think of, you know, instances where, you know, you’ll bring in data of, you know, ten years over time of, say, health care data, you know, child mortality data or something. And you ask a question, well, did it some that up for you or did it average it for you? And did it average it how? And over what period of time? And those are all things that at least today and in the near future, we need to be in control of. Right. We need to understand how it’s doing that and not just letting the A.I. take over the answer for us and trusting it.

凯蒂是的。这是一个令人难以置信的责任，我们正在将其投入到我们的技术中，并在一定程度上确保从道德的角度来看，这些算法是准确的，并且我们仍在引入人类以确保其准确性并确保解释是正确的。我不知道人类是否会在这一过程中发挥作用。至少我希望我们没有达到这一点。

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，回到同理心的概念上来。我认为这就是恐惧如此真实的部分原因。我所从事的技术写作领域的一项研究是一名专业写作研究人员，他进入军队，观察他们在做出空袭决策时围绕分析数据的做法。有时数据更个性化，有时数据更不个性化。这意味着有一些特定的暗语或方式，他们使用修辞，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围绕空袭决定所说的语言中被进一步去除时，这些攻击就会更加频繁。正如你所说，他们是用较少的批判性思维完成的。我还将与这项研究联系起来，因为我认为这是一个很好的例子，可以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。如果我们在分析数据时所做的语言选择正在使我们与信息的影响保持距离，我认为我们应该特别注意，这可能会使某些行动得以实施，或加速某些行动，或消除这些时刻的同理心。

杰夫[00:32:50]我们现在正生活在这样一个时刻，冠状病毒在全世界传播的方式和来自不同地方的数据都是如此。约翰·霍普金斯（John Hopkins）有一个集中的数据库，Tableau的一群人利用了这个数据库，并向每个人提供了数量，我想是昨天。或者我想是昨天。Reddit子线程上有一个线程，名为informationisbeautiful。这是第一天，大部分的视觉效果都出现在这条线上。我们是以冠状病毒为基础的。52%或更多的视觉效果都与此有关。这就是我认为的，你知道的，你正好发现了，我们必须非常小心。你知道，我可以展示一些人，比如说，你知道，电晕病毒，然后说，哦，好吧，死亡率只是。然后，你知道，把你的百分比，2%，1%，不到1%，随便什么。但要详细得多。正当如果你潜入水中，把它过滤掉，然后看到，哦，如果你超过了一定的年龄，你知道，死亡率是15%。所以很容易，你知道，扔掉这个，扔掉数据，然后说，好吧，好吧，没那么糟糕。这就像流感一样，或者说它没有传播得那么快。你在推断数据，或者你在以某种方式聚集数据，你失去了你所说的同理心。你想想，好吧，如果我75或80岁，我可能不会有这种感觉。所以，你知道，对于我这个年龄的人来说，哦，我真的不担心，因为，你知道，有0.5%的死亡几率，这会让我们和其他人失去联系，不是吗？所以想象一下，在过去的一周里，我看到了很多讨论，人们，包括我自己，只是走了一条路，你知道吗？我们只是不打算将这些数据可视化，因为目前我们对这些数据的了解还不够，无法对我们正在生产的产品充满信心。我认为这与同理心相反。正当在某些情况下，我们实际上可能会造成伤害。

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。正当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。正当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。正当

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[00:38:52]杰夫，如果人们想在社交媒体上找到你，去哪里找你?

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。

凯蒂太好了。非常感谢，杰夫。很快再谈。

杰夫(00:39:23)谢谢。

凯蒂[00:39:25]感谢收听本周的节目。请务必在社交媒体上关注我们，并在对话中加入您的声音。你可以找到我们在数不清的内容。乐动体育足球

你可以多听几集ld体育下载 ．

*采访不是对个人或企业的认可。