数据。讲故事。同理心。新型冠状病毒肺炎与数据+科学的杰夫·谢弗合作

“当你开始数据可视化时，你需要问的第一个问题是:你的观众是谁?有什么消息吗?他们将如何消费这些信息?——jeff Shaffer, data + science & Tableau Zen Master的创始人

为什么故事对创新过程很重要?可以向分享故事的创新者灌输什么样的价值观?创新领袖如何激励创造者讲述和分享他们的成功和失败的故事?

Jeff Shaffer是一个知识的图书馆，当涉及到将数据带入生活的有效方法时。Jeff是dataplusscience.com，表禅师，IT和分析的首席运营官和副总裁Unifund他是辛辛那提大学的兼职教授，也是仪表盘的大书:使用真实的业务场景可视化您的数据。他谈到了可信和情境化数据的重要性，分享了一路上关于收集、可视化和讲故事的见解。用讲故事的方式展示数据会引发共鸣。一个实验纽约大学工程学院和纽约大学法学院的一个团队发现，数据可视化设计本身的改变对共情没有显著影响;然而，围绕可视化的文本(以及它提供的上下文)确实对共情有显著影响。Jeff分享了许多数据讲故事的例子，跨越Tableau的贡献约翰霍普金斯大学”冠状病毒资源中心和阿尔贝托·卢卡斯的“洛佩兹”强大的数据，即国家地理．阿尔贝托制作了一个切割尺子，向读者展示营养不良社区儿童的中上臂围。我们和Jeff一样喜欢史诗般的例子，我们知道你也会喜欢的。

收听播客

成绩单

本集由Untold Content和data +Science提供的数据讲故事培训提供支持乐动体育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用户还是Tableau用户，或者只是想更好地交流你的数据，这个研讨会将激励你看到隐藏在数据中的故事。学习更多在//www.isandstone.com/datastorytelling乐动体育266training/．

凯蒂[00:00:04]欢迎来到“创新的不为人知的故事”，在这里，我们将讲述不为人知的关于洞察力、影响力和创新的故事。由不为人知的内容提供动乐动体育足球力。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的首席运营官兼副总裁，也是dataplusscience.com的创始人。Jeff还是辛辛那提大学(University of Cincinnati)的兼职教授、Tableau禅师，也是一本关于数据可视化的巨著《仪表板大书:使用真实的业务场景可视化您的数据》的合著者。杰夫，非常感谢你来到今天的播客。

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做报告。实际上我们一起开发了一个关于数据讲故事的研讨会。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过程中发现的一些见解。

杰夫[00:01:01]是啊，太有趣了。我很高兴能谈论这个。

凯蒂[00:01:03]但请先告诉我们什么是数据讲故事，以及仪表盘在其中发挥了怎样的重要作用。

杰夫(00:01:13)是的。你知道，数据讲故事是一个很宽泛的术语，它将成为数据可视化社区的一个流行词，部分原因可能是因为一个作家Cole Kanflic, Cole Nussbaumer Knaflic，有一本伟大的书叫《用数据讲故事》，这可能是这个术语的起源。她的网站甚至是storytellingwithdata.com。所以我认为这可能是在过去的五年里，你知道，这是一种发展的事情，发生在很多人谈论故事如何在数据本身中发挥作用的时候。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，故事的技术定义，你知道，它有角色，它有情节，它有故事线，通常数据或仪表盘不做这些。但还有一些人在更广泛的意义上使用这个词。所以这有点，你知道，如果你愿意的话，可能是打开了一罐虫子。但我至少可以告诉你我的看法。从更广泛的角度来看，我想说的是，仪表板专门帮助我们找到故事可能在数据中的什么位置。不一定要讲故事本身。 You might be monitoring conditions of something. You might be looking at a process or something in your organization and you might use that dashboard on a daily basis. And that might give you an indication that something’s gone wrong. Where to go look. You know, you see smoke, but is it a fire? And so that’s where I kind of see, you know, data storytelling comes into play in a number of areas. But as it relates to dashboards, dashboards may be one of the tools to help you find the stories that you bring out in your data.

凯蒂00:03:10肯定。大多数组织都在使用仪表板来分析和可视化大量的数据点，并试图真正能够看到这些数据，以帮助他们采取某种行动，或像你提到的，知道防止火灾或检查问题。我们合作的一个真正有趣的事情是，我认为，我们结合数据本身概念的方式，你知道，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，随着您对数据的理解、如何处理数据以及根据数据采取何种行动的加深，讲故事显然是数据可视化不可或缺的一部分。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]我想那是对的。我还想补充一点，你和我，在我们的工作中，在那个特别的研讨会上，我们发现了一些正确的东西。在我的教学中，我通常讲的是原始形式的数据，你知道，一个数据库，一个后续服务器，你的Excel电子表格或标签分隔文件或其他东西。它本身并没有任何作用。它刚好合适。然后你想从数据中获取信息。所以你会观察它，聚合它，过滤它，你会深入其中去寻找关于它的东西。最终，这些信息会引导你从这些数据中获得知识。所以，我在知识部分谈到了数据到信息的连续统，信息到知识的连续统。您真的需要我所说的SMB，即主题问题专家，来真正帮助您从数据中的信息中获取信息。 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的方式有一点不同，就是你要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。所以我们在数据讲故事研讨会上一起做的很多事情——杰夫，你做了一份出色的工作，涵盖了数据可视化的最佳实践，你可以制作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角色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达到的不同受众。我们还讨论了为数据构建上下文的最佳实践。这意味着围绕着你的数据可视化或数据的词汇。它还意味着你展示的方式或者你选择分享的数据点。我们试着去映射——我们做这个练习或者重新创建这个巨大的白板练习图表在这里我们把不同的人物角色和用户映射到不同的数据点上组织试图通过他们的数据达到这些用户。我们优先考虑这些数据点。我们会考虑哪些可视化隐喻会有帮助，特别是利用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，这是您的工作和我的工作的又一个迷人的交集，无论是作为教授还是作为顾问和研讨会。我总是告诉我的学生，你知道，当你开始一个数据可视化，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?我最近觉得，还有第三个元素和观众有关。他们将如何消费它?所以你知道，你的观众是谁?有什么消息吗?也许他们将如何消费这些信息?

凯蒂(00:08:59)是的。介质是什么?

杰夫[00:09:01]但我认为这正符合你的观点。这就是为什么我非常喜欢你的人物角色映射，因为当你谈论谁是受众时，我们用医疗保健的例子来说，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?所有这些东西都在玩。你知道，当你谈论这些的时候，其中一些真的很有趣。你想传达的信息是什么?你知道，有人来自——你知道，在我们目前的环境下，在新冠病毒爆发的情况下，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。您先来，因为我觉得您就像一个知识图书馆，用真正有效和有趣的方式将数据带入生活。

杰夫[00:10:41]哦,哇。我有很多喜欢的人。所以在数据可视化的世界里，有那么多不同的类型，甚至很难选择。我喜欢的一些设计师，你知道，从数据的信息图表和数据的设计角度来看，比如Georgia Lupi。她经营了一家叫Accurate的公司很长一段时间。她去了一家平面设计公司。但我喜欢她的作品和她的作品。还有一位来自平面设计界的平面设计师，尼古拉斯·费尔顿，他创造了长达10年的费尔顿报告。这些可以追溯到几年前。他不再做那些了。 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]你能和我们分享一下你目前正在做的项目或者最近在做的项目吗?

杰夫[00:12:45]我今年参与的最有趣的项目是和旧金山的一个叫Splash的组织合作。这是一个非营利组织，帮助把水，清洁的水，带到世界上不同的国家，特别是现在在加尔各答，印度和埃塞俄比亚的大型项目。因此，通过Tableau基金会，我和另一位Tableau禅师Kristie Martini，我们为他们建立了第一阶段，并于几周前上线。我们制作了一个仪表盘，上面有一些地图，它是交互式的。他们想要一个卫星功能，能够以卫星的方式看到地图。然后他们有一些其他的关键输出，他们想要跟踪，所以我们建立了一个输出仪表板。所以那很有趣。我听说他们在旅行，在他们在冠状病毒爆发之前，但他们为了不同国家的资助者、捐助者和项目经理经常旅行。听到仪表板项目是如何发展的，我很兴奋。这很令人兴奋。 That’s probably my most recent project that I have had going on.

凯蒂[00:14:05]完美。如果你能公开分享，我会分享一个链接。我会写在演出笔记里的。

杰夫00:14:10绝对。

凯蒂[00:14:11]再举几个例子，杰夫，我得感谢你能和我分享这些。但是阿尔贝托·卢卡斯的洛佩兹在国家地理杂志工作，他们正在报道儿童营养不良的情况。我还会把这个链接到节目笔记中，这样你们就可以看到它的外观了。这很难做到。很难用播客的形式来谈论数据讲故事。但在国家地理杂志的这篇文章里，你必须剪出一把尺子，这是嵌入到页面里的，然后你可以把尺子圈起来画一个圈，你可以看到营养不良社区的孩子们实际的中上臂围。所以你-这是一个非常有力的例子，试图帮助引起共鸣，并真正能够战术上感受到他们的上臂会议是多么小，在那些儿童面临营养不良的地区。这是一个非常强大的力量。你和我分享过，杰夫。

杰夫[00:15:19]是的，那是，我想，那是去年的事了，这是一个很好的个人化的例子。这是另一件事在我的一些教学和讲习班中，你知道，如果你想让你的可视化参与，你知道，使它个人化。我最喜欢的一个例子是我的合著者史蒂夫·韦克斯勒。他有一个关于美国人年龄的可视化图。如果你只是展示了美国年龄分布的可视化，你可能会说，好吧，你知道，那又怎样?你可能会在数据中发现一个有趣的现象。但他采用了其他一些技巧新闻机构的其他人都很擅长。但是你把它个人化，说进入你的年龄。当你输入你的年龄，你知道，这个可视化重新计算，显示出人口中有多少人比你年长。根据你是40岁还是50岁的男性或者你是女性以及有多少人更年轻。 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,当然。你我都很感兴趣的一项研究，是由纽约大学工程与法律学院进行的。[2.5秒]他们一起试图了解，是否使数据视觉本身看起来和感觉起来更有关联性，或更个性化或个性化，这是否会对观看者的共情产生影响。所以，举例来说，不是只有一个点在数据视觉中代表一个人，他们可能有一个人的图标，像一个看起来更像一个人或更具体的视觉。他们可能会给那个人起个名字然后他们尝试了各种各样的实验来显示更一般或更个性化。以及这是否会影响观众在观看数据时的同理心水平。从这项研究中真正有趣的发现是，将数据可视化本身似乎对共情没有影响。但是围绕着数据视觉的故事或文本却做到了。因此，如果文本更详细地描述了旁边数据可视化中所代表的人的个人故事，就会引发更多的同理心。[25.2]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。 But what are your thoughts on that finding?

杰夫[00:18:24]这让我着迷。这也可以在你的鞋子笔记中链接到。

凯蒂[00:18:28]好的，我来链接一下。

杰夫[00:18:31]我一点也不惊讶。想想它有多有效，在信息图表中，你会看到很小很小的人通常代表柱状图，或者是某种形式的同型。我一直在想，你知道，点是不是也一样好。我认为这项研究可能是正确的。我认为这很吸引人。还有很多其他的研究。你知道，关于你在页面上放东西的位置，你知道，所以你的标题，不管你是在创建一个仪表盘，还是一个可视化的，或者只是一个PowerPoint幻灯片，你的商业的左上角是每个人一开始都会看的地方。正确的。所以你所谈论的文本，想想标题是什么，有一个描述性的副标题，有好的注释层，把它们放在正确的地方，在页面上有组织，这一切都是不同的。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波段，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，从引发同理心到建立道德立场，你知道，从道德角度思考如何将数据可视化。让我们往回走一点，谈谈一些基本的东西，因为我喜欢在这个研讨会和其他项目中与你一起工作的原因是你已经真正地改进和创建了你看到的不同类型的数据可视化的模式以及它们对观看者的影响。有一件事我想有些听众可能会很惊讶我也很惊讶我们应该尽量避免使用饼图。

杰夫[00:21:37]你知道，饼图和甜甜圈图这种特殊的图表类型，在数据可视化社区中得到了很多负面的报道。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一点——无论你知道，无论数据是什么图表，它都有点回到数据的基本构建模块，我们称之为前注意属性。人类在一些事情上很擅长而在另一些事情上很不擅长。所以，我认为，这个问题引出的是人类真正擅长的是什么我们能否利用人类擅长的东西来快速准确地获取信息。在大部分的数据中，也就是在那里的研究中。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]现在告诉我们如何将数据可视化，并将其转移到仪表板上，以便我们查看多个数据集或数据点。您能告诉我们在迁移和使用数据构建更大的故事时应该考虑的一些最佳实践吗?

杰夫(00:24:56)是的。天啊，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。我要从最开始讲起，也就是你们的数据。你的数据有多好?所以，你知道，你必须坐下来，把它弄清楚。因此，您需要弄清楚在您的组织中，您试图衡量的关键因素是什么?这些关键的绩效指标是什么?我们了解他们吗?我们想要追踪什么?一旦你一旦你有了这些，你就得从数据开始，因为你甚至可能没有数据来追踪你需要追踪的东西。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]谈到数据讲故事的未来，我们应该期待什么?我特别想的是人工智能、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]我觉得很好。我认为这很可怕。你知道，两者合一。你知道，最棒的部分是工具变得越来越好。他们正在走正路——我要说的是我最了解的Tableau。你知道，他们每季度发布一次，并且以如此快的速度增加新功能。令人惊讶的是，他们只是，你知道，一个季度又一个季度，他们只是增加了这些功能。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，在你说上个月的销售额时，它能在幕后找出你在问什么问题。然后你说。那俄亥俄州呢? 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(00:29:43)是的。这是我们对技术的一种难以置信的责任，在某种程度上，我们可以确保从道德的角度来看，这些算法是准确的，我们仍然让人类来确保它们的准确性，确保解释是正确的。我不知道我们是否会达到人类在这个过程中不发挥作用的地步。至少我希望我们不会走到那一步。

杰夫(00:30:18)是的。我认为，部分原因可能是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，你知道，要做到这一点，我们必须，你知道，我们必须这样做，保持领先。这一切都很棒。我想对我们的数据进行批判性思考并不是我们现在可以放弃的。所以我想，就像你说的，在数据讲故事的时候，我不想依赖，你知道，在不久的将来，一个电脑给我讲故事。我想运用人类认知的因素，你知道，能够解释这些结果，然后最终想出那个故事。也许20年后这种情况会改变。 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。我想这就是恐惧如此真实的部分原因。我所在的技术写作领域的一项研究，是一名专业的写作研究员，他进入了军队，观察他们在空袭决策时分析数据的做法。有时这些数据更个性化，有时则不那么个性化。也就是说，有一些暗号或者他们使用修辞的方式，修辞的选择，来从数据中去除那些群体的个性。结果是，当这种个性进一步从数据和他们在空袭决策中使用的语言中去除时，这些攻击就会更加频繁。就像你说的，他们的批判性思维较少。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注意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远离这些信息的影响，我认为我们应该——我们需要特别注意这可能是如何使某些行为成为可能或加速某些行为或消除那些时刻的同理心。

杰夫[00:32:50]随着冠状病毒在世界各地的传播和来自不同地方的数据，我们现在生活的这个时刻绝对是这样的。约翰霍普金斯大学有一个中央数据库Tableau的一群人利用这个数据库向所有人提供了数据，我想是昨天。我想应该是昨天。Reddit的一个子线程上有一个名为“信息是美丽的”的线程。这是第一天大多数的可视化在那个线程上。我们以冠状病毒为基础，发布的52%的可视化图像都与此有关。这是我认为的，你知道，你击中了那里我们必须非常小心。你知道，我可以展示一些数字，比如说，你知道，冠状病毒，然后说，哦，好吧，死亡率只有。你知道，把你的百分之，百分之二，百分之一，少于百分之一，随便。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。这是不可思议的，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可访问。我们必须开始质疑这些可视化的合法性，并确保我们在分析。这个消息来源可信吗?因为就像你提到的，那些公开可用的数据可视化，现在有50%是关于冠状病毒的。所以有没有方法，有没有策略你会推荐给公众去理解或者能够评估一个可视化是否可信?

杰夫(00:35:39)嗯,是的。所以，我的意思是，两件事。第一，如果我是形象化的人，我会问自己这是我亲身经历过的，我需要形象化它吗?我跟你说，我下载了数据。我已经连接到数据，连接到Tableau小组工作之前的数据。我甚至连上了他们的数据。我做了一些图示。但我决定不发表这些。我只是想了解自己，自己看数据，看看那里的vizes是怎么回事。当我读它们的时候，我不得不带着一点健康的怀疑去看待它。 Right. They’re visualizing this information. I’m not saying that they’re all bad by any means. It’s just you have to understand the context in which the data was gathered, for example, to compare it to the flu. Well the flu’s been around for a very, very long time. And we have a long, long history of data on that. This this this Coronavirus is brand new. So to make an A-B comparison there makes it really, really difficult because we don’t know yet. Right. To make any kind of comparison to what’s going on in China. You know, that’s different conditions, different health conditions, different amount of people and a different amount of space in different environments under different government control. We can’t take the data that we have there and superimpose it on the United States and say it’s going to travel as faster or slower or even the same. So just things that we just have to kind of be careful of is I guess this applies to any data, really, but especially in this data is using it in a way that we’re making assumptions of the data. Right.

凯蒂00:37:14绝对。这是正确的。是的。甚至在美国国家公共电台和我开车到录音棚的路上，他们都在谈论医学界正在努力达到的微妙平衡。你知道，公众，我们真的需要打击，这是在知道病毒在任何给定时刻的位置和它的传播速度之间的平衡，因为去做检测会让更多的公众处于危险之中。所以我认为在这一点上，建议是如果你有症状，试着隔离自己。如果你-如果这些症状加速或恶化，那就去看医生。所以也许不要马上去做检查，因为那样会把其他人置于危险之中。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同理心部分。我认为这恰到好处。

凯蒂[00:38:24]杰夫，非常感谢你来到我们的播客。我喜欢和你一起工作。我很高兴你有这么好的网站。如果你，我建议大家去看看dataplusscience.com。这是一个不可思议的资源，杰夫在其中分解了不同的可视化策略。我们一起思考更多的是讲故事。我们希望在未来有更多关于这个主题的内容。杰夫，非常感谢你的到来。

杰夫(00:38:49)谢谢。谢谢你们邀请我。

凯蒂[00:38:52]杰夫，如果人们想在社交媒体上找到你，他们在哪里能找到你?

杰夫[00:38:56]我在推特上很活跃。我的推特账户是高v-i-z能力，我也在。容易找到。在LinkedIn或Facebook上联系。我有一个数据+科学页面，连接到数据+科学。com。社交媒体上到处都是。

凯蒂[00:39:20]精彩。非常感谢，杰夫。回头再聊。

杰夫(00:39:23)谢谢。

凯蒂[00:39:25]感谢收听这周的节目。一定要在社交媒体上关注我们，加入我们的对话。你可以在Untold Content找乐动体育足球到我们。

你可以收听更多的ld体育下载 ．

*采访不是对个人或企业的认可。