Data visualization: principles and visual perception

Un grafico può essere corretto e confondere comunque chi lo guarda. Una scala compressa, colori senza gerarchia, confronti nascosti o una legenda lontana dal dato bastano a distorcere il messaggio. La visualizzazione non decora le metriche: fa parte del ragionamento analitico. Questa lezione insegna a progettare ciò che deve essere visto per primo e a guidare l’attenzione di chi legge.

Real-world problem

Nel contesto di dashboard e visualizzazione il problema è trasformare dati complessi in interfacce decisionali leggibili e azionabili. Non è solo teoria o applicazione di modelli già pronti: è migliorare una scelta concreta con dati, assunzioni esplicite e qualche controllo minimo. Se alla fine dell’analisi non sai dire quale decisione cambia, quale dato osservi e quale errore vuoi evitare, la competenza non è ancora acquisita.

Conceptual model

Il processo si articola in quattro fasi:

Phase	What to clarify	Output
Question	Which real choice needs improvement?	Decision to make
Measure	Which observable signal represents the problem?	Metric or source data
Control	Which baseline makes the result interpretable?	Credible comparison
Action	What changes after the analysis?	Next operational step

Ogni approfondimento tecnico deve rafforzare almeno una di queste fasi, senza perdere di vista la decisione da supportare.

Rigorous formalization

Per analizzare la visualizzazione dati parti dall’unità di lavoro, che può essere un grafico, una metrica, una vista, uno stakeholder o una decisione ricorrente. Collega questa unità a una metrica osservabile come leggibilità, frequenza d’uso, tempo alla decisione o riduzione dell’ambiguità. Dichiara poi la decisione attesa: una dashboard, una vista operativa, un alert o una narrativa per il vertice.

Element	Requested specification
Unit of analysis	chart, metric, view, stakeholder, or recurring decision
Primary signal	leggibilità, frequenza di uso, tempo alla decisione, ambiguità ridotta
Baseline	Previous period, comparable group, benchmark, or counterfactual scenario
Decision	dashboard, operational view, alert, or executive narrative
Risk	Mistaking an available number for sufficient proof

Una formalizzazione solida permette a un altro analista di riprodurre la logica, criticare le assunzioni e ottenere la stessa decisione partendo dagli stessi dati.

Example or case study

Immagina un team che deve mostrare la retention per coorte a un pubblico non tecnico. Una linea media nasconde differenze importanti, mentre una heatmap le rende visibili ma richiede una legenda chiara. La scelta del grafico cambia la qualità della conversazione e quindi la decisione.

Observed evidence	Cautious interpretation	Recommended action
The number improves	Could be a real effect or normal variation	Cercare confronto e segmentazione
One segment changes more than others	The aggregated average hides a difference	Separate cohorts or use cases
Cost grows along with the result	Impact must be read on the margin	Estimate trade-offs and sustainability

Lab ed esercizio

Basic level

Scrivi una scheda sintetica per questa lezione indicando decisione da supportare, metrica primaria, baseline, rischio principale e azione se il segnale è confermato.

Intermediate level

Costruisci una tabella con tre segmenti, periodi o scenari. Per ciascuno indica cosa cambia, quale spiegazione alternativa è plausibile e quale controllo useresti prima di raccomandare un’azione.

Research-grade level

Prepara un decision memo con ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio dopo la decisione.

Recommended datasets and materials

Usa dataset di dashboard, metriche di business, brief degli stakeholder, mockup e log di utilizzo. Se non hai dati reali, crea un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione segmento e una metrica di outcome.

Typical mistake to avoid

L’errore più comune è trattare la visualizzazione dati come un’etichetta invece che come un processo. Succede quando si mostra un grafico senza decisione, una metrica senza baseline o una conclusione che non dice quale assunzione potrebbe invalidarla. La domanda di controllo è: se questo risultato fosse instabile, quale scelta sbaglierei? Se non c’è una risposta concreta, manca il ponte tra analisi e azione.

Quiz e checkpoint

1. Which concrete decision should this lesson improve?
2. Which unit of analysis makes the problem measurable?
3. Which baseline would you use to avoid a naive reading?
4. Which typical mistake could change the conclusion?
5. Which output would you deliver to a non-technical stakeholder?

Visual perception and accuracy

Cleveland e McGill (1984) hanno misurato l’accuratezza con cui gli esseri umani percepiscono le diverse codifiche visive:

Visual encoding	Accuracy	Recommended use
Position on common scale	Maximum	Bar chart, dot plot
Position on aligned scales	High	Line chart
Length	High	Bar chart
Angle/Slope	Average	Pie chart (da evitare)
Area	Low	Bubble chart (with caution)
Color (saturation)	Low	Heatmap, highlights

La regola pratica è usare la posizione, quindi barre e linee, per i valori precisi, e il colore per attirare l’attenzione.

Choosing the right chart

Question	Chart	Why
Comparison between categories	Horizontal bar chart	Horizontal bars ease label reading
Trend over time	Line chart	L’occhio segue la linea e percepisce la pendenza
Distribution of a variable	Histogram / Box plot	Shows shape, outliers, quartiles
Relationship between two variables	Scatter plot	Correlation, cluster, outliers
Part of a whole (few parts)	Stacked bar	Evita il pie chart: l’occhio non misura bene gli angoli
Geographic data	Choropleth map	If the data has spatial dimension

Most common dashboard mistakes

Un pie chart con più di tre fette mette in difficoltà l’occhio, che non distingue angoli simili, e quasi sempre un bar chart funziona meglio. Il doppio asse Y apre la porta a manipolazioni della scala che ingannano chi legge, quindi è da evitare. I colori arcobaleno applicati a dati quantitativi non comunicano un ordine, perché il colore non ha un ordine intrinseco, e vanno sostituiti con scale sequenziali. Il 3D senza una terza dimensione di dati distorce la percezione e resta solo decorazione.

Netflix e la disciplina delle metriche

Netflix costruisce le decisioni di prodotto su segnali comportamentali osservabili: completamento degli episodi, tempo di ricerca, abbandono precoce, ritorno successivo. Non si limita a misurare i click immediati, ma valuta i segnali di qualità per non ottimizzare vanity metric che sembrano positive nel breve periodo ma erodono il valore nel lungo.

Questo metodo mostra che la visualizzazione dati deve collegarsi a un outcome concreto. Se il risultato non aiuta a scegliere tra due azioni alternative, l’analisi è incompleta.

SQL example: building a control view

Per creare una base analitica che consenta il confronto tra periodi e gruppi senza riscrivere la logica ogni volta, si può usare una query generica. La query seleziona gli eventi degli ultimi 180 giorni, raggruppa per settimana, utente, fonte e tipo di dispositivo, e calcola metriche come eventi totali, giorni attivi, diversità di eventi e raggiungimento di un outcome chiave. Il risultato aggregato per settimana, fonte e dispositivo mostra utenti, media dei giorni attivi, diversità degli eventi e tasso di outcome chiave.

Python example: checking stability and anomalies

Una metrica utile deve essere stabile abbastanza da orientare le decisioni e sensibile abbastanza da segnalare i cambiamenti veri. In Python si calcolano la variazione settimana su settimana, la media e la deviazione standard mobile e lo z-score per isolare le anomalie. Questo controllo evita di reagire alle oscillazioni casuali e segnala le variazioni che meritano un’indagine, alimentando alert, review settimanali e retrospettive di prodotto.

Summary

La visualizzazione dati diventa uno strumento decisionale quando collega problema, dati, metrica, segmentazione e azione. Non basta dire “il numero è salito” o “è sceso”: bisogna indicare quale decisione prendere, con quale livello di confidenza e quale metrica useremo per verificare l’esito. Solo così la visualizzazione aiuta a decidere anche quando l’incertezza resta.