Como criar visualizações impactantes

Transcrição

1 Jock D. Mackinlay e Kevin Winslow Como criar visualizações impactantes

2 2 Sumário Visualizando o passado....3 Dados visuais diferentes para necessidades diferentes : A transformação da visualização....5 O século XX traz avanços e abusos....6 Visualização computadorizada: uma história pessoal....7 Hoje: o poder da percepção humana....9 Dados diferentes pedem exibições diferentes Percepção humana: seu poder e suas limitações Potencializando a composição e a interatividade Contando histórias com dados Resumo: o que aprendemos Este whitepaper conta a história da representação visual, desde as pinturas em cavernas até a revolução da informática e o lançamento do Tableau. Ele fala sobre alguns dos pioneiros nas pesquisas de dados e mostra como seus trabalhos ajudaram a revolucionar as técnicas de comunicação visual. Examinaremos os diferentes estilos de dados visuais e conheceremos alguns dos desafios da criação de recursos visuais eficazes e os métodos utilizados para superar essas barreiras. Por fim, este whitepaper mostrará o potencial (e as limitações) da percepção humana e como usar dados para contar histórias bem parecidas com aquelas pinturas rupestres da pré-história.

3 3 Visualizando o passado As representações visuais são fundamentais no processo de aprendizado e compreensão humana. Para estudarmos o impacto e a evolução da visualização de dados, é preciso olhar primeiro para o passado e ver como as formas de modelar e representar dados mudaram ao longo do tempo. A humanidade usa visualizações para instruir, comunicar e contar histórias desde o início dos tempos. Os mapas, em especial, têm uma longa história. A figura abaixo é uma pintura de quase três metros de altura descoberta na Turquia e que data de a.c. Na parte de baixo está a cidade de Catal Hyük com o vulcão Hasan Dag em erupção acima [1, 2]. Ainda não se sabe a finalidade da pintura, se é uma obra de arte ou um mapa de dados. De qualquer forma, ela é um exemplo de como a humanidade usava imagens para transmitir conceitos e ideias.

4 4 Dados visuais diferentes para necessidades diferentes Existem dois tipos habituais de representação visual de dados. Ambos são muito importantes e têm requisitos diferentes no que se refere à criação de visualizações impactantes. O primeiro tipo é a apresentação, que usa dados visuais para transmitir uma mensagem. Esse tipo de representação visual tem dois elementos: um apresentador e o público. Seu principal objetivo é comunicar e persuadir. Esta peça de barro, por exemplo, parece ser um mapa da cidade babilônica de Nippur, na Mesopotâmia, que pode ter sido usado para demonstrar como reparar suas fortificações [3]. O segundo tipo é a visualização. Essa é uma nomenclatura relativamente nova para definir a ideia do uso de imagens para estimular o pensamento. Nesse caso, a experiência é ativa e envolve pessoas tentando responder perguntas. Voltando à analogia do mapa, pense no famoso mapa de Mercator criado em 1569, que foi usado para a navegação [4]. Esse tipo de mapa é uma ferramenta de trabalho. Basta traçar linhas de um ponto a outro para definir rotas de viagem que abrangem longas distâncias. O mapa pode ser usado para definir uma rota. Esse tipo de representação visual que permite responder a perguntas é um exemplo de visualização.

5 : A transformação da visualização Um momento importante da história da visualização é o trabalho de William Playfair, um engenheiro escocês conhecido como o pai da apresentação estatística. William Playfair publicou um livro em 1786 chamado Commercial and Political Atlas (Atlas comercial e político), que usava representações gráficas de dados para explicar a balança comercial da Inglaterra. Muitas das visualizações de dados inovadoras de William são usadas até hoje. Podemos ver uma de suas invenções, o gráfico de pizza, à esquerda [5]. Clique aqui para conhecer as práticas recomendadas para o gráfico de pizza. Não demorou muito para os gráficos estatísticos começarem a ser usados em apresentações. Um exemplo famoso é o do Dr. John Snow, um médico britânico que usou gráficos estatísticos para combater uma epidemia de cólera em Londres no ano de Ele marcou os casos da doença como pontos em um mapa da cidade de Londres. Esses pontos mostravam que a maioria dos casos poderia estar ligada a uma bomba de água na Broad Street. Outros casos investigados também pareciam estar relacionados com a bomba da Broad Street. Depois que John Snow interditou a bomba contaminada, a epidemia de cólera diminuiu. Esse exemplo mostra como visualizações são capazes de responder perguntas e, neste caso, ajudar uma comunidade. O mapa de John Snow também é um ótimo exemplo de apresentação, pois os dados foram sólidos o bastante para convencer autoridades da cidade a interditar a bomba infectada e reduzir a epidemia. O exemplo mais famoso de apresentação de dados é o de Charles Minard, um engenheiro civil francês que usou a visualização para contar a história da marcha de Napoleão para Moscou e sua subsequente retirada. Como podemos ver na figura abaixo, o gráfico de Charles Minard usa uma faixa sombreada para ilustrar o tamanho do exército que estava avançando [6]. A espessura da faixa diminui gradativamente à medida que o exército se aproxima de Moscou. Abaixo da faixa sombreada, há uma faixa preta que mostra o declínio da força do exército à medida que ele se retira de Moscou. A linha na parte de baixo do gráfico mostra a temperatura externa, que foi implacável com as tropas. No meio do gráfico, a faixa preta aumenta um pouco, quando um grupo desgarrado se junta outra vez ao contingente principal. No entanto, depois que essa faixa cruza um rio no mapa, ela fica ainda menor, indicando o efeito da água congelante. As faixas sombreada e preta finalmente se encontram no mesmo local do início da marcha, e podemos ver claramente que uma força antes colossal foi reduzida a um punhado de tropas. Como vemos, um gráfico simples é capaz de contar uma história muito pungente.

6 6 O século XX traz avanços e abusos Em meados do século XX, os gráficos estatísticos já eram bastante populares, mas também aumentaram os casos de uso abusivo dos mesmos. Esse tipo de abuso incentivou o escritor americano Darrell Huff a publicar o livro How to Lie with Statistics (Como mentir com estatísticas) em Um exemplo do tipo de manipulação sobre o qual Darrell Huff escreve pode ser visto na imagem abaixo. O gráfico à esquerda apresenta os dados corretamente, já o primeiro gráfico à direita foi cortado para dar mais ênfase ao aumento nos gastos. O segundo gráfico à direita também foi manipulado para dar a impressão de que os números são alarmantes. O livro de Darrell Huff é valioso (e recomendado), porque além de mostrar como análises visuais podem ser manipuladas para contar histórias muito diferentes, ele também ensina a criar estatísticas eficazes. Mais de uma década depois, o teórico francês Jacques Bertin publicou o livro Semiology of Graphics (Semiologia dos gráficos) [8]. Ele estava particularmente interessado em mapeamento estatístico e observou que as exibições de dados envolviam três tipos de marcas: pontos, linhas e áreas. Essas marcas tinham algumas propriedades, e a mais importante delas era a posição. Outras seis propriedades, além da posição, incluem cor, tamanho, forma, matiz, orientação e textura. Jacques Bertin transformou essas marcas e propriedades em orientações para representar dados graficamente. Ele também desenvolveu uma técnica muito importante de análise visual, que envolvia a classificação de tabelas. Essa técnica, chamada de matrizes de permutação, manipulava linhas e colunas de uma tabela para encontrar padrões em dados não classificados previamente e mostrava uma correlação entre os valores. Sempre inovador, Jacques Bertin publicou outro livro em 1977 chamado Graphics and Graphic Information Processing (Processamento de informações gráficas e gráficos), que relata os primórdios da visualização computadorizada. Embora os computadores de Bertin tenham se mostrado muito primitivos para o trabalho que ele pretendia fazer, uma explosão tecnológica em breve produziria grandes avanços nessa área.

7 7 Visualização computadorizada: uma história pessoal O advento dos computadores acelerou a história da visualização e da apresentação. Vou contar minha história pessoal. Em 1986, criei um programa chamado APT (A Presentation Tool) para minha dissertação de doutorado. Estendendo e automatizando a semiologia de Jacques Bertin, criei uma ferramenta de apresentação que gerava apresentações gráficas automaticamente, como a da figura abaixo. A imagem mostra quatro dimensões em um gráfico de dispersão (ou bolhas) tradicional. Isso foi um avanço, porque mostrou que sabíamos como criar exibições de dados eficazes e usar computadores para auxiliar nessa tarefa. Naquele mesmo ano, membros da NSF (National Science Foundation) escreveram um relatório sobre visualizações científicas usando gráficos gerados por computador para solucionar problemas científicos. A imagem computadorizada de uma tempestade foi tão eficaz que conseguiu apoio do Congresso para o financiamento de mais pesquisas sobre a visualização auxiliada por computador. Em 1987, Richard Becker e William Cleveland utilizaram dados multidimensionais, que são a chave para a maioria dos problemas. A técnica que eles usaram, chamada de realce interativo, permite selecionar um conjunto de pontos e mostrá-los em todas as outras exibições. Esse elemento interativo possibilitava um entendimento muito mais amplo do espaço multidimensional. Já na década de 1990, trabalhei com Stuart Card e George Robertson no Centro de Pesquisas da Xerox em Palo Alto. Com o auxílio de computadores, desenvolvemos exibições bidimensionais e tridimensionais, incluindo a parede em perspectiva e a árvore em forma de cone. Essa pesquisa resultou no livro Readings in Information Visualization (Leituras sobre visualização de informações), que escrevi em parceria com Stuart Card e Ben Shneiderman [9]. O livro mostrava que a pesquisa sobre visualização computadorizada tinha uma estrutura e um processo básicos para codificar dados em exibições geográficas, que incluíam dados e exibições. Era preciso começar com os dados não processados, transformar os dados, codificá-los em estruturas visuais e usar as transformações de exibição para contextualizar tudo isso. Esse processo estava todo a serviço da tarefa que a pessoa queria realizar, e essa mesma pessoa era quem controlava todas as transformações. Essa é, essencialmente, a descrição da visualização interativa. No entanto, ainda havia uma questão pendente: o acesso à fonte dos dados não processados.

8 8 É aí que entra o Tableau. Em 2003, Chris Stolte mostrou como acessar de forma eficaz dados não processados em sua dissertação de doutorado em Stanford. Ele e seu orientador, Pat Hanrahan, desenvolveram uma linguagem de especificação chamada VizQL, que descrevia gráficos de dados e como conectá-los a bancos de dados. Esse trabalho se baseava na semiologia de Jacques Bertin e em minha própria pesquisa de doutorado. O VizQL também era compatível com um sistema arrastar e soltar intuitivo, que acabaria por se transformar na interface do Tableau. Essencialmente, o VizQL permitia que seus usuários fizessem consultas e as transformassem em exibições. Chris Stolte conseguiu conectar dados a visualizações na forma de um aplicativo prático. Clique aqui para saber mais sobre a tecnologia VizQL.

9 9 Hoje: o poder da percepção humana Todas essas histórias têm uma coisa em comum: elas mostram como a percepção humana é poderosa. Mesmo assim, nossas percepções podem ser auxiliadas e ampliadas por recursos visuais. Por exemplo, observe a imagem à esquerda na figura abaixo. Tente contar rapidamente quantas vezes o número nove aparece. Agora, olhe para a imagem à direita. Todos os números nove estão em vermelho, e esse recurso visual reduz o tempo de contá-los a apenas alguns segundos. Essa é uma técnica tradicional chamada realce e é apenas uma das diversas formas como a visualização de dados pode facilitar a compreensão de grandes conjuntos de dados e dar sentido às suas descobertas. Os realces são um tipo (muito rudimentar) de recurso visual e apenas roçam a superfície do potencial do sistema de visualização humano. O autor Colin Ware escreveu uma série de livros sobre esse assunto e identificou três estágios básicos do processo perceptivo. O primeiro é um estágio inicial que procura características visuais. Esse processo vai da visão até o córtex visual do cérebro. O segundo estágio identifica padrões e o terceiro estágio faz a contagem. Estudos conduzidos por William S. Cleveland e Robert McGill, dois cientistas estatísticos da AT&T Bell Laboratories, sustentam a análise de Ware. Através desses estudos, eles descobriram que a posição era a forma mais eficaz de avaliar um valor quantitativo. A posição era seguida por outros fatores que incluíam: comprimento, área, volume, ângulo e inclinação, e cor e densidade. William S. Cleveland e Robert McGill descobriram que, à medida que nos distanciamos da posição, nossa percepção quantitativa fica menos precisa. Consequentemente, transferir um conjunto de dados de uma planilha para uma exibição de gráfico de barras e traduzir esses dados em diversos comprimentos e cores resultaria em uma análise mais rápida e eficiente. É claro que tudo isso depende da tarefa a ser executada e o que você está tentando encontrar. Isso nos leva de volta ao Jacques Bertin, que observou a existência de três níveis diferentes de leitura. O nível elementar é usado quando você quer identificar apenas um valor. Se esse for o caso, uma planilha pode resolver. No entanto, se você quiser relacionar valores, é preciso passar ao nível intermediário. Um exemplo de visualização desse nível seria um gráfico de barras. Como as barras estão enfileiradas, sua mente é capaz de perceber facilmente as diferenças entre elas. Por fim, o terceiro nível, a visualização global (ou Gestalt) encontra relações

10 10 entre os elementos de um conjunto. Para esse último nível, o gráfico de dispersão é um bom exemplo. Esse tipo de gráfico engloba diversos pontos e indica suas posições em relação aos eixos vertical e horizontal. Essa exibição fornece uma visualização extremamente eficaz e global dos dados utilizados. Dados diferentes pedem exibições diferentes Descobrimos que a eficácia da codificação dos dados depende do tipo dos dados. Existem três tipos de dados: nominais, ordinais e quantitativos. Dados nominais são aqueles relacionados às convenções de nomenclatura, como a forma de classificar os diferentes tipos de pássaros. Os dados ordinais respeitam uma sequência, como os dias de uma semana, e os dados quantitativos são números e elementos que podem ser medidos, por exemplo: comprimento, tempo, temperatura e velocidade. Observando as opções gráficas para analisar esses tipos de dados, podemos ver que o gráfico de área seria adequado para alguns tipos de dados, mas não para outros. Utilizar um gráfico de área para analisar dados nominais transmitiria a ideia de ordenação, o que simplesmente não se aplica. Com os dados ordinais, o gráfico de área se sairia um pouco melhor, pois como esses valores são distintos, você poderia ter apenas algumas áreas que distinguiriam os tamanhos diferentes. O gráfico de área funciona melhor com dados quantitativos, porque demonstra com precisão o que o valor quantitativo é em relação a uma determinada ordem. Alterar a representação gráfica para cores altera essas descobertas. As cores não são muito eficientes para dados quantitativos, porque seria muito difícil fornecer um esquema de cores para representar com precisão um conjunto de dados inteiro. As cores são ideias para dados nominais, pois é possível atribuir uma cor diferente para cada ponto. A figura abaixo mostra como o Tableau usa esses fatores para gerar visualizações eficazes. Mais uma vez, a posição é sempre a primeira da lista, pois é a forma mais eficiente de representar todos os três tipos de dados. No entanto, se você observar a figura, verá que isso muda dependendo dos tipos de dados. Alguns fatores ocupam posições diferentes em cada uma das listas. É interessante observar que apesar de a forma não ser aplicável para dados quantitativos ou ordinais, ela é a segunda na lista dos dados nominais.

11 11 Percepção humana: seu poder e suas limitações Embora a percepção humana seja poderosa e capaz de lidar com conjuntos de dados grandes e complexos, ela tem algumas limitações. Para esse tópico, usaremos a sinóptica de Jacques Bertin, que resume os diferentes tipos de visualizações de dados. O primeiro fator importante é o número de dimensões envolvidas (uma, duas, três ou n dimensões). O segundo fator é se os dados são fixos ou se podem ser reordenados. O terceiro e último fator é se os dados são ou não topológicos. Jacques Bertin utilizou esses fatores para mostrar todos os diferentes tipos de visualizações disponíveis. O Tableau oferece suporte a essas três visualizações e, recentemente, adicionou mapas. No momento, não podemos criar visualizações de link de nó, mas é possível que esse recurso seja disponibilizado em breve. A figura abaixo mostra todas essas visualizações. Observe que as visualizações abaixo da linha podem ser visualizadas como um todo ou Gestalt. As visualizações acima da linha não podem ser visualizadas globalmente, como uma percepção instantânea. Isso representa uma limitação básica da percepção humana e da análise de dados. Há um limite para o número de dimensões que você pode codificar nos dados e ver de uma só vez. É importante ressaltar que gráficos 3D não quebram a barreira de Jacques Bertin. Como a terceira dimensão adiciona outra camada de codificação de dados, ela também adiciona oclusões. Essas oclusões dificultam a visualização de todos os dados e exigem o uso de alguns truques gráficos. Outro problema com a inclusão da terceira dimensão é que ela pode causar problemas de orientação. O fato de você poder se mover no espaço aumenta as suas chances de você se perder.

12 12 Potencializando a composição e a interatividade Está claro que a composição é importante para desenvolver boas visualizações de dados. Para falarmos do caso multidimensional, voltaremos ao mapa da marcha de Napoleão para Moscou, criado por Minard. O mapa é composto de duas imagens: duas linhas na parte de cima, que ilustram a marcha do exército para Moscou e sua retirada, e outra linha abaixo que mostra a temperatura ambiente. O gráfico é muito eficiente, mas não é uma visualização Gestalt, uma vez que os olhos precisam navegar pela imagem para capturar todos os dados. Um exemplo de visualização Gestalt são múltiplas visualizações pequenas, sobre as quais escreve Edward Tufte. Pense em um gráfico de dispersão com dados sobre o mercado imobiliário. O gráfico poderia mostrar vários bairros como uma visualização Gestalt. Visto que os dados estão todos alinhados e compartilham os mesmos eixos, nossos olhos conseguem rapidamente ver quais são os pontos de dados mais eloquentes no gráfico. A composição também é útil em visualizações do tipo painel. Com uma combinação de gráficos e o uso cuidadoso de cores, nossos olhos podem vasculhar tudo com rapidez, comparar valores e absorver uma enorme quantidade de dados. Voltando a Jacques Bertin, ele observou que a interatividade era uma forma muito eficiente de lidar com problemas multidimensionais. Além da classificação, há diversas outras técnicas que podemos empregar para entender melhor os dados multidimensionais. Imagine um gráfico de dispersão comum, como o da figura abaixo. Ele mostra um detalhamento das vendas e dos lucros e está subdividido em tipo de embalagem e ano. Como podemos ver, com tantos dados sobrepostos, fica impossível entender o que foi descoberto e ter uma visualização Gestalt.

13 13 Uma forma de resolver isso seria usar a agregação. Uma medida simples como separar os dados por ano reduziria muito a quantidade de dados e, consequentemente, sua sobreposição. Por isso, a agregação pode ser uma ótima ferramenta quando estamos lidando com dados multidimensionais. Outra técnica é usar a filtragem interativa. Voltando à figura acima, imagine que podemos criar widgets de filtro que nos permitem exibir apenas os dados que queremos analisar. Com esses widgets, podemos adicionar e excluir os dados imediatamente e ter uma visão mais clara das descobertas gerais. A filtragem é uma ótima forma de trabalhar com dados multidimensionais, apesar de ter seus pontos fracos. Por exemplo, isolar alguns conjuntos de dados pode dificultar, ou até mesmo impossibilitar, a identificação das relações entre eles. Para superar as limitações da filtragem, podemos empregar um processo conhecido como realce. Com essa técnica, colorimos um ou mais conjuntos de dados para identificarmos melhor os contrastes e as relações entre eles. Outra maneira de usar interatividade são os links. O Google Maps, por exemplo. Uma simples consulta retorna um mapa com áreas realçadas, nas quais podemos clicar para obter ainda mais dados. Com os menus suspensos ou os wigdets da página, você pode filtrar ainda mais os dados para refinar as visualizações. Logo, os links interativos são uma excelente forma de lidar com conjuntos de dados multidimensionais. Contando histórias com dados Para ilustrar como podemos contar histórias com dados, vou usar como exemplo a minha mudança do escritório da Xerox em Palo Alto para o da Tableau em Seattle, no ano de Uma das minhas primeiras prioridades era encontrar o melhor distrito escolar de Seattle. Rapidamente, encontrei um guia on-line muito organizado no site do Seattle Times. Ele fornecia as notas do Washington Assessment of Student Learning (WASL) de todos os distritos escolares e o percentual dos estudantes que satisfaziam a esses padrões em cada uma das matérias. Eu tinha as notas, mas não sabia a localização geográfica dos distritos. Como estava há pouco tempo em Seattle e não conhecia a região, eu precisava de um mapa estatístico. Ele não existia, por isso criei o mapa abaixo. O meu mapa mostra a distância entre o escritório da Tableau e os principais distritos escolares. Os círculos coloridos representam o desempenho de cada distrito no WASL em relação às notas de matemática. Então, podemos ver que, apesar de o distrito escolar de Seattle ser o mais próximo do escritório da Tableau, ele não estava se saindo muito bem no WASL. Depois de analisar esse mapa, decidi mudar para o distrito escolar de Bellevue, que também fica perto do escritório da Tableau e tinha um desempenho melhor no WASL.

14 14 Com o tempo, comecei a perceber algumas irregularidades nas notas de matemática das escolas. Fiz uma pesquisa e encontrei um site com informações detalhadas, que continha gráficos das notas de matemática e interpretação de texto do WASL. As duas visualizações mostravam as tendências dos dados ao longo do tempo, e essas duas tendências estavam aumentando. Elas também mostravam que o distrito de Bellevue estava superando as notas de todo o estado nessas duas matérias. O que não estava claro era a relação entre as notas de matemática e as de interpretação de texto. Investiguei mais um pouco e descobri a fonte dos dados. Organizei os dados melhor e os conectei ao Tableau. Isso produziu algo muito mais interessante: as notas de matemática eram muito mais baixas do que as de interpretação de texto. Devido ao meu interesse em matemática e meus conhecimentos da matéria, continuei monitorando os dados e cheguei ao gráfico mostrado abaixo.

15 15 Então, descobri que, nos últimos cinco anos, o estado de Washington aplicou dois testes diferentes: o WASL e o ITBS (Iowa Testing Program). O gráfico acima compara os dois testes e mostra resultados surpreendentes. Embora os resultados do WASL estivessem melhorando ao longo do tempo, os resultados do ITBS permaneciam basicamente inalterados. Como as pontuações do ITBS representam uma amostragem dos estudantes do país, concluí que os números do WASL não podiam ser confiáveis. Moral da história: sempre duvide dos dados. Procure saber sua origem e use sistemas visuais para ter certeza de que você pode confiar neles e entender o que eles dizem.

16 16 Resumo: o que aprendemos Estas são algumas lições simples que podem nos ajudar a contar histórias com eficiência. Lição 1: A credibilidade é fundamental para a criação de histórias visuais. Se você não criar suas exibições corretamente, é muito provável que elas não sejam confiáveis para as pessoas experientes que as visualizarem. Lição 2: Crie visualizações expressivas e que transmitam com precisão as informações contidas nos dados. Lição 3: Aumente a eficácia de suas visualizações ao tirar proveito do sistema de percepção humano. As regras abaixo ajudarão você a criar visualizações eficazes: Use o vocabulário gráfico adequadamente. Deixe espaços em branco. Evite materiais desnecessários e excesso de informações. Lição 4: É importante que suas visualizações tenham contexto. Títulos, legendas, unidades, comentários todos esses elementos ajudam o público a entender melhor sua visualização de dados. Esteja sempre empenhado em contar histórias com seus dados e suas visualizações. Entenda que boas histórias são muito mais do que apenas dados e considere o seguinte: Preocupe-se com a estética e saiba que o que é efetivo geralmente é afetivo. Ou seja, uma exibição eficaz pode gerar uma resposta emocional e uma comunicação genuína com seu público. O estilo também é importante. Certifique-se de que suas exibições sejam consistentes e agradáveis aos olhos, pois elas representam quem você é e quais são suas prioridades. As visualizações podem ser divertidas. Visualizações interativas que podem ser alteradas pelo público são muito cativantes. Os elementos interativos permitem que seu público trabalhe com os dados, responda a perguntas e chegue a conclusões por conta própria. Isso aumenta a credibilidade dos seus dados. Crie exibições vívidas e memoráveis. Fique atento à estrutura e ao contexto.

17 17 Sobre a Tableau A Tableau Software ajuda as pessoas a ver e a entender seus dados. O Tableau possibilita que qualquer pessoa analise, visualize e compartilhe informações rapidamente. Mais de contas de usuário obtêm resultados rápidos com o Tableau, no escritório e em dispositivos móveis. Além disso, dezenas de milhares de pessoas usam o Tableau Public para compartilhar dados em seus blogs e sites da Web. Veja como a Tableau pode ajudá-lo. Baixe a versão de avaliação gratuita em Recursos adicionais Baixe a versão de avaliação gratuita Explore outros recursos Demonstração do produto Treinamentos e tutoriais Comunidade e suporte Histórias de clientes Soluções Referências [1] [2] [3] [4] [5] [6] [7] Darrell Huff. How to Lie With Statistics. Norton, New York [8] Jacques Bertin. Semiology of Graphics. University of Wisonson Press (Semiologie Graphique Gauthier-Villars, Paris 1967). [9] Stuart K. Card, Jock D. Mackinlay, & Ben Shneiderman. Readings in Information Visualization: Using Vision to Think. Morgan Kaufman, San Francisco Tableau e Tableau Software são marcas comerciais da Tableau Software, Inc. Todos os outros nomes de produtos e empresas podem ser marcas comerciais das respectivas empresas às quais estão associados.