A carregar...
Publicação
Uncertainty Visualization using Hypothetical Outcome Plots
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.43 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Data-driven decision-making is crucial for any business. With an increasing interest in Business Intelligence, Data Visualization is playing a major role in decision-making processes. For making a well-informed and accurate decision, it is important to understand uncertainty in the data visualizations. Uncertainty visualizations improve the way users understand the data, as well as the confidence in their conclusions. An important type of uncertainty visualizations is the Hypothetical Outcome Plots (HOPs), which allow the audience to gain an intuitive idea of uncertainty through animated sequences of random draws from a distribution, leading to a more accurate understanding and decision.
This document intends to detail a proof-of-concept by carrying out a comparison of static visualization vs. HOPs in terms of efficiency and accuracy of results interpretation for Wayne Enterprises (fictional name) forecasting projects, in particularly the ones related with product launches and product loss of exclusivity. Wayne Enterprises is a world-leading supplier of advanced analytics, technological services and clinical investigation solutions for the life sciences industry. For that objective, it was built two prototypes using Python to support the proof-of-concept execution. A between-group experiment was carried out with 40 members of the German consulting team of Wayne Enterprises, where half answered a survey based on static visualizations and the other half based on HOPs. From this experiment, it is possible to conclude that HOPs can achieve similar results that static visualizations, with people taking the decision in less than half of the time when visualizing a HOP. Thus, it is possible to improve Wayne Enterprises decision-making process by accelerating it with Hypothetical Outcome Plots.
A tomada de decisões baseada em dados é crucial para qualquer negócio. Com um interesse crescente em Business Intelligence, a Visualização de Dados está a desempenhar um papel importante nos processos de tomada de decisão. Para se tomar uma decisão bem informada e precisa, é importante compreender a incerteza nas visualizações de dados. As visualizações de incerteza melhoram a forma como os utilizadores compreendem os dados, bem como a confiança nas suas conclusões. Um tipo importante de visualizações de incerteza é o Hypothetical Outcome Plots (HOPs), que permite ao público obter uma ideia intuitiva da incerteza através de sequências animadas de desenhos aleatórios de uma distribuição, conduzindo a uma compreensão e decisão mais precisas. Este documento pretende detalhar uma prova de conceito através da realização de uma comparação entre visualizações estáticas e HOPs em termos de eficiência e exactidão de interpretação de resultados para projectos de forecast da Wayne Enterprises (nome fictício), em particular os relacionados com lançamentos de produtos e perda de exclusividade de produtos. A Wayne Enterprises é um líder mundial de análises avançadas, serviços tecnológicos e soluções de investigação clínica para a indústria das ciências da vida. Para esse objectivo, foram construídos dois protótipos utilizando Python para apoiar a execução da prova de conceito. Foi realizada uma experiência entre grupos com 40 membros da equipa de consultoria alemã da Wayne Enterprises, onde metade respondeu a um inquérito baseado em visualizações estáticas e a outra metade com base em HOPs. A partir desta experiência, é possível concluir que os HOPs podem alcançar resultados semelhantes aos das visualizações estáticas, com as pessoas a tomarem a decisão em menos de metade do tempo quando visualizam um HOP. Por conseguinte, é possível melhorar o processo de tomada de decisão da Wayne Enterprises, acelerando-o com Hypothetical Outcome Plots.
A tomada de decisões baseada em dados é crucial para qualquer negócio. Com um interesse crescente em Business Intelligence, a Visualização de Dados está a desempenhar um papel importante nos processos de tomada de decisão. Para se tomar uma decisão bem informada e precisa, é importante compreender a incerteza nas visualizações de dados. As visualizações de incerteza melhoram a forma como os utilizadores compreendem os dados, bem como a confiança nas suas conclusões. Um tipo importante de visualizações de incerteza é o Hypothetical Outcome Plots (HOPs), que permite ao público obter uma ideia intuitiva da incerteza através de sequências animadas de desenhos aleatórios de uma distribuição, conduzindo a uma compreensão e decisão mais precisas. Este documento pretende detalhar uma prova de conceito através da realização de uma comparação entre visualizações estáticas e HOPs em termos de eficiência e exactidão de interpretação de resultados para projectos de forecast da Wayne Enterprises (nome fictício), em particular os relacionados com lançamentos de produtos e perda de exclusividade de produtos. A Wayne Enterprises é um líder mundial de análises avançadas, serviços tecnológicos e soluções de investigação clínica para a indústria das ciências da vida. Para esse objectivo, foram construídos dois protótipos utilizando Python para apoiar a execução da prova de conceito. Foi realizada uma experiência entre grupos com 40 membros da equipa de consultoria alemã da Wayne Enterprises, onde metade respondeu a um inquérito baseado em visualizações estáticas e a outra metade com base em HOPs. A partir desta experiência, é possível concluir que os HOPs podem alcançar resultados semelhantes aos das visualizações estáticas, com as pessoas a tomarem a decisão em menos de metade do tempo quando visualizam um HOP. Por conseguinte, é possível melhorar o processo de tomada de decisão da Wayne Enterprises, acelerando-o com Hypothetical Outcome Plots.
Descrição
Project Work presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business Intelligence
Palavras-chave
Data Visualization Uncertainty Decision-Making Hypothetical Outcome Plots Python Visualização de dados Incerteza Tomada de decisões