نمودار عنکبوتی چیست؟
31 آگوست 2021 توسط مایک سیسنروس
این مقاله، بخشی از مجموعه «بازگشت به اصول» به نام «... چیست؟» است، که در آن برخی از موضوعات و سوالات رایجی که برای ما مطرح می شود را بررسی می کنیم. ما بسیاری از مطالب را در پست‌های قبلی پوشش داده‌ایم، بنابراین این مجموعه به ما اجازه می‌دهد تا بسیاری از منابع متفاوت را گرد هم بیاوریم و یک منبع واحد برای یادگیری شما ایجاد کنیم. ما معتقدیم مهم است که گاه به گاه روی دانش پایه ای، صرف نظر از اینکه در کجای سفر یادگیری خود هستید، توقف داشته باشید. موفقیت بسیاری از بصری سازی ها به درک دقیق مفاهیم اساسی بستگی دارد. بنابراین، چه برای اولین بار است که این مطلب را یاد می‌گیرید، چه برای تقویتِ اصول اصلی مطالعه می‌کنید، یا به دنبال منابعی برای به اشتراک گذاشتن با دیگران (مانند راهنمای نمودار جامع ما) هستید، به ما بپیوندید تا اصول اولیه را بازبینی کنیم.
«نمودار عنکبوتی» که گاهی اوقات نمودار رادار نیز نامیده می شود، اغلب زمانی استفاده می شود که می خواهید داده ها را در چندین بعد منحصر به فرد نمایش دهید. اگرچه استثنائاتی وجود دارد، اما این ابعاد معمولاً کمی هستند و معمولاً از صفر تا یک مقدار حداکثر متغیر هستند. محدوده هر بعد با یکدیگر نرمال می شود، به طوری که وقتی نمودار عنکبوت خود را ترسیم می کنیم، طول یک خط از صفر تا حداکثرِ مقدارِ یک بعد، برای همه ابعاد یکسان خواهد بود.
نمودارهای عنکبوتی را می توان در بسیاری از صنایع یافت، اما به ندرت در تعداد زیاد. در تجربه ما، آنها به احتمال زیاد در علوم غذایی (مقایسه محصولات در چندین جنبه مختلف طعم، بافت و غیره) و در تجزیه و تحلیل ورزشی (مقایسه ورزشکاران در چندین بعد عملکرد) ظاهر می شوند. در یکی از چالش‌های قبلی ما، چندین شرکت‌کننده موارد استفاده دیگری را برای نمودارهای عنکبوتی پیدا کردند، مانند مقایسه سریال‌ها در یک چرخه زمانی، مقایسه حجم جستجو برای عبارات مختلف، یا حتی تجسم موتیف‌ها در یک قطعه موسیقی.
چگونه نمودار عنکبوتی را می خوانیم؟
درست مانند نمودارهای خطی، نمودارهای نقطه ای و بسیاری از نمودارهای مورد استفاده در تعاملات کاری، نمودارهای عنکبوتی داده ها را بر روی دو محور مختلف نشان می دهند. با این حال، سیستم مختصاتی که برای رسم داده‌ها روی نمودار عنکبوتی استفاده می‌کنیم کمی کمتر رایج است: بیشتر نمودارهای تجاری با استفاده از مختصات دکارتی ترسیم می‌شوند، اما نمودارهای عنکبوتی از مختصات قطبی استفاده می‌کنند.
مختصات کارتزین
اغلب نمودارهای دو بعدی رایج، مانند نمودارهای نقطه ای، از مختصات دکارتی استفاده می کنند - ما از مقادیر X و Y برای تعیین مکان نقاط در دو محور عمود بر هم استفاده می کنیم: به ترتیب افقی و عمودی.
هر نقطه یک جفت مقدار می گیرد (X و Y) و ما می توانیم مکان X/Y بسیاری از نقاط را به طور همزمان نگاه کنیم. به این ترتیب، می‌توانیم حس خوبی از رابطه بین متغیر X و متغیر Y در هر آیتم در مجموعه داده‌هایمان به دست آوریم.
به بیان ساده تر: این نوع نمودار و سیستم مختصات برای کمک به بیننده در مقایسه دو اندازه گیری مرتبط در چندین آیتم مختلف در نظر گرفته شده است.
مختصات قطبی
در یک سیستم مختصات قطبی، در حالی که ما از دو مقدار برای تعیین مکان نقاط استفاده می کنیم، این مقادیر عبارتند از "فاصله از مرکز دایره" (یا "فاصله از قطب") و "زاویه نسبت به یک خط مرجع".
برای نمودارهای عنکبوتی، محور دوم ما (محور نارنجی در نقاشی بالا) پیوسته نیست. در عوض، از تعداد مجزای محورهای ثابت استفاده می‌کنیم که هر کدام یک بعد واحد را نشان می‌دهند که به طور مساوی در اطراف دایره قرار گرفته‌اند.
برای نمودارهای عنکبوتی، محور دوم ما پیوسته نیست. در عوض، از تعداد مجزای محورهای ثابت استفاده می‌کنیم که هر کدام یک بعد واحد را نشان می‌دهند که به طور مساوی در اطراف دایره قرار گرفته‌اند.
ببینید چگونه آنها شبیه پره هایی هستند که از مرکز چرخ بیرون می آیند؟ در نمودار عنکبوتی، هر بُعد، پره مخصوص به خود را دارد و پره ها به طور مساوی در اطراف چرخ توزیع می شوند. هرچه به انتهای سنبله دورتر باشد، مقدار آن بزرگتر است. نزدیکترین به مرکز به معنای نزدیکتر به صفر است.
با امکان استفاده از تعداد زیادی محورهای خطی، می‌توانیم ابعاد مختلف زیادی را برای یک آیتم به طور همزمان نشان دهیم... اما اگر بخواهیم چندین مورد را همزمان با هم مقایسه کنیم، از چندین نمودار عنکبوتی منفرد (شاید در یک قالب چندتایی کوچک). اگر خیلی به هم ریخته به نظر نرسد ، می‌توانیم یک همپوشانی را با انداختن چندین آیتم روی هم انجام دهیم.
بنابراین، این نوع نمودار برای مقایسه چند بعد مختلف در یک فضای فشرده مناسب است، اما فقط برای یک یا چند مورد کم.
تفاوت بین نمودار رادار و نمودار عنکبوتی چیست؟
اصطلاحات "نمودار رادار" و "نمودار عنکبوتی" کم و بیش به جای یکدیگر استفاده می شوند. منطقی است که فکر کنیم شاید ما فقط آن را نمودار عنکبوت بنامیم اگر بخواهیم نقاطی را که ترسیم می کنیم به هم وصل کنیم تا نمودار خود را یادآور تار عنکبوت بسازیم... اما اینطور نیست. خواه رادار نامیده شوند یانمودارهای عنکبوتی، نقاط تقریبا همیشه به هم متصل هستند.
اگر چندین سری در یک طرح نشان داده شوند، نمودار بیشتر و بیشتر شبیه یک تار عنکبوت به نظر می رسد - به خصوص اگر طراح انتخاب کند که از رنگ برای پر کردن هر قسمت از نمودار استفاده نکند. بیشتر اوقات، ناحیه بین مبدأ نمودار و خطوطی که نقاط را به هم وصل می‌کنند با رنگی نیمه شفاف پر می‌شود.
گاهی اوقات نوارهای متناوب به صورت دایره های متحدالمرکز به عنوان پرکننده استفاده می شود. آنها به منظور جایگزینی یا بهترسازی خطوط شبکه کشیده می شوند و به تأکید بر اندازه و شکلِ ناحیه پر شده کمک می کنند.
همچنین، بسته به ابزار انتخابی شما، خطوط شبکه شما ممکن است به صورت دایره های صاف ترسیم شوند، یا ممکن است به صورت پاره خطی رسم شوند که هر بعد متوالی را به هم متصل می کنند. نتیجه اش این است که به جای اینکه خطوط شبکه شما یک سری از دایره های متحدالمرکز باشد، تعدادی چند ضلعی متحدالمرکز هستند ... همانطور که به زودی در مثال زیر خواهید دید.
چه زمانی (و چگونه) از نمودارهای عنکبوتی به طور موثر استفاده کنم؟
نمودارهای عنکبوتی زمانی که برای مقایسه سریع چند بعد در یک فضای جمع و جور استفاده می شوند، بهترین حالت خود را دارند. آنها به دلیل ساختار دایره ای و تازگی نسبی آنها در مقایسه با سایر نمودارهای تجاری می توانند توجه را جلب کنند، بنابراین می توانند در زمانی که نیاز به جذب بصری مخاطبان خود دارید، مؤثر باشند. ممکن است برای یک مخاطب عمومی خواندن آنها بدون راهنمایی اضافی (که می توانید ارائه دهید - در بخش بعدی بیشتر در مورد آن صحبت خواهیم کرد) گیج کننده یا ترسناک باشد ، اما مخاطبان فنی به احتمال بیشتری آنها را جذاب می بینند.
بیایید تصور کنیم که ما یک کلاس درس از دانش آموزانی داریم که همگی در امتحان نهایی خود شرکت کردند. برای هر دانش آموز، ما چند قطعه اطلاعات مختلف می دانیم:
• نمره امتحان نهایی
• نمره امتحان میان ترم
• تکالیف تکمیل شده در طول دوره
• ساعت های صرف مطالعه برای امتحان
• روزهای غیبت (یا برای مثبت کردن: تعداد کلاس های شرکت شده)
پس تصور کنید که این مقادیر را برای یک دانش آموز، آرتور ترسیم کنیم.
در اینجا می‌توانید ببینید که چگونه ابزار انتخابی من، اکسل، این خطوط شبکه را به‌جای دایره به صورت چندضلعی ترسیم می‌کند. مجموعه داده ها برای آرتور به صورت یک خط منفرد ترسیم می شود که مجموعه ای از نقاط را به هم متصل می کند. گاهی اوقات، نمودارهای عنکبوتی را می بینید که در آن ناحیه ای که در این خط بسته قرار دارد با رنگی نیمه شفاف پر شده است.
به دلیل محدودیت‌های ابزار ما، از همان محدوده (0-100) برای هر یک از این پنج بعد استفاده می‌کنیم. با این حال، دامنه برای برخی از این اندازه‌گیری‌ها متفاوت است. به عنوان مثال، تنها 25 روز کلاس و 12 تکلیف در کل وجود داشت، بنابراین منطقی نیست که آن محورها تا 100 پیش بروند.
یکی از راه های دور زدن این محدودیت، نرمال سازی داده ها است. برای هر بعد، ما می دانیم که حداقل مقدار ممکن (صفر) و حداکثر مقدار ممکن چه مقدار است ... یا اگر محدودیتی برای حداکثر مقدار ممکن وجود نداشته باشد (مثلاً چند ساعت برای این امتحان مطالعه کردید؟) سپس می توانیم از حداکثر مقدار مشاهده شده در کلاس به عنوان مرز دامنه خود استفاده کنیم.
وقتی داده‌های آرتور را نرمال می‌کنیم - هنوز هم از مقادیر واقعی برای برچسب‌های داده‌هایمان استفاده می‌کنیم - نمودار عنکبوتی اکنون به شکل زیر است:
ممکن است این نمایی باشد که ما می خواهیم از آن استفاده کنیم. همچنین ممکن است بخواهیم یک قدم فراتر برویم و به عملکرد آرتور در مقایسه با همکلاسی هایش فکر کنیم. یعنی در طول هر یک از این ابعاد، او در چند صدک از نتایج واقعی قرار گرفت؟ با محاسبه صدک ها، می توانیم نمودار عنکبوتی را رسم کنیم که در آن محدوده مقادیر هر محور از 0 تا 1 یا از کمترین صدک به بالاترین می رود. این کار به ما دید مقایسه ای بهتری از داده ها می دهد.
وقتی این تبدیل را روی داده های خود اعمال کردیم، نمودار آرتور بسیار کوچکتر شد. قبلاً مشخص نبود، زیرا ما زمینه ای از بقیه همکلاسی‌هایش نداشتیم، اما به نظر می‌رسد آرتور نسبت به بقیه عملکرد بدتری دارد. بیایید برای مقایسه، عملکرد دو تن از دوستان او، بارب و کوری، را در لایه های دیگری نمایش دهیم.
با این زمینه سازی، می توانیم ارزیابی های بصری بیشتری انجام دهیم. آرتوربه اندازه همکلاسی هایش به کلاس نمی رفت، کمترین تکالیف را انجام می داد، به سختی درس می خواند، و در میان ترم و پایان ترم تقریباً در انتهای کلاس بود. بارب یک سوپراستار بود: او همه تکالیف را انجام داد، سخت مطالعه کرد و در هر دو آزمون شرکت کرد. تنها نکته منفی که به او به عنوان یک دانش آموز وارد می شود این است که او در تعداد زیادی از کلاسها غیبت داشته، اگرچه به نظر نمی رسد که به عملکرد او آسیب رسانده باشد. کوری، مانند بارب، در آزمون‌ها موفق شد، اما بیشتر از حضور در کلاس آموخته تا از انجام تکالیف.
مواردی که باید هنگام استفاده از نمودار عنکبوتی در نظر داشته باشید
چالش مقایسه چیزها بر اساس مساحت را کاهش دهید
بالاتر از همه چیز، وقتی داده‌های خود را در نمودار عنکبوتی نشان می‌دهیم، از مخاطبان می‌خواهیم که با مقایسه مساحتها، آن داده‌ها را قضاوت و ارزیابی کنند. انسانها در مقایسه داده ها در یک بعد در یک زمان خوب هستند - نمودارهای میله ای بسیار آسان خوانده می شوند - اما در مقایسه چندین بعد به طور همزمان به شکل فاجعه باری بد هستند ... حتی اگر اشکال ساده ای مانند مربع یا دایره باشد. با نمودارهای عنکبوتی، ما از مخاطبان می‌خواهیم که مساحت نسبی، زوایا و قله‌های چندضلعی‌های نامنظم را با هم مقایسه کنند (احتمالاً در حالی که روی هم قرار گرفته‌اند).
این کار به خودی خود، چالش برانگیز به نظر می رسد، اما لایه دیگری از پیچیدگی ذاتی وجود دارد: معیارهای ما برای هر بعد انتخابی به صورت خطی در امتداد شعاع افزایش می یابد. اگر در نواحی بین شعاع و مرکز طرح خود سایه بزنیم، مساحت آن سایه به صورت هندسی افزایش می یابد نه خطی. این بدان معنی است که ما به صورت بصری مقادیر بزرگتر را در مقابل مقادیر کوچکتر بیش از حد نشان خواهیم داد.
در یک ارائه زنده، مخاطبان خود را به تدریج با این نمودار آشنا کنید
اگر بتوانید ساخته شدن نمودار عنکبوت خود را روایت کنید و تکمیل تکه تکه آن را متحرک سازید، در یک محیط زنده مفید خواهد بود. به این ترتیب، این نوع نمودارِ متراکم و بالقوه ترسناک می تواند به آرامی و آگاهانه ارائه شود. با صرف زمان برای همراهی مخاطبان خود در فهم ساختار و معنای نمودار، می توانید آنها را به درک پیچیده و ظریفی از تحلیل خود برسانید. اگر در یک محیط زنده نیست، احتمالاً مجبور خواهید بود نمودارهای خود را آزادانه حاشیه نویسی کنید (یا برای اطمینان از گم نشدن نتیجه گیری اصلی، به تکرارِ استفاده از یک نوع نمودار ساده تر، متوسل شوید).
محورها را مدبرانه و پیوسته مرتب کنید
از آنجایی که از نظر تئوری می‌توانید اقلام را به هر ترتیبی قرار دهید، ناحیه‌ای که در سایه قرار می‌گیرد بسته به انتخاب شما می‌تواند اشکال و اندازه‌های بسیار متفاوتی داشته باشد. یکی از راه‌های کاهش این امر این است که معیارهای معنی‌دار را تا حد امکان به هم نزدیک کنید، و هر بار که از نمودار عنکبوتی برای همه مجموعه‌های داده با ساختار مشابه استفاده می‌کنید، به طور مداوم از همان ترتیب استفاده کنید. اگر داده‌های شما به گروه‌بندی یا ابردسته‌ها تن می دهد، می‌توانید از رنگ برای کمک به مخاطبان خود برای تشخیص بصری بین آنها استفاده کنید.
جایگزین های مشابه را در نظر بگیرید
نمودار مختصات موازی تا حدودی شبیه یک نمودار عنکبوت بدون مرکز است. به جای اینکه هر محور از یک نقطه مبدا شروع شود و از یکدیگر دور شوند، آن محورها را به صورت موازی با هم و به صورت عمودی قرار می دهیم. سپس به مقایسه مقدار معیارها در محور Y می پردازیم، زیرا هر یک از معیارهای ما یک شاخه در امتداد محور X است.
از نظر بصری به زیبایی نمودار عنکبوتی نیست، اما می‌تواند مقایسه‌ها را آسان‌تر کند، زیرا شبیه نمودارِ خطی ست که بسیار رایج‌تر است و به همین دلیل برای مخاطبان وسیع‌تری آشناست. با این حال، یک نقطه ضعفش این است که در واقع یک نمودار خطی مرسوم نیست (هر محور عمودی مقیاس متفاوتی دارد)، و شباهت آنها ممکن است منجر به سوء تعبیرِ کاملِ تصویر توسط یک بیننده معمولی شود.
افکار نهایی
نمودارهای عنکبوتی می توانند بسیار کارآمد باشند، زیرا می توانند به صورت بصری اطلاعات مختلف زیادی را در یک منطقه کوچک بصری سازی کنند. با این حال، به خاطر داشته باشید که یک مخاطب ناآشنا ممکن است نیاز به تلاش زیادی داشته باشد تا آنها را بخواند یا یک نکته کلیدی را درک کند. هنگامی که نمودار عنکبوتی برای برقراری ارتباط با چیزی خاص ضروری است، مطمئن شوید که ادرک مخاطبان خود از طریق روایت یا انیمیشن، گام به گام به صسوی نتیجه مدنظر هل دهید. اگر این کار ممکن نیست، پس از یک نمودار متفاوت و ساده تر استفاده کنید تا بینش موردنظر خود را برای مخاطب روشن سازید.
