Video: Uppstigningen triggar igång dina gamla mönster 2024
Den mänskliga hjärnan söker naturligtvis ut mönster. Spotting mönster är avgörande för att skapa övertygande innehåll för infographics eftersom mönster pekar på ett lag av mening bakom data och föreslår närvaron av ett underliggande förhållande eller struktur för att undersöka och unearth. Kort sagt är mönster ett annat viktigt sätt att en datalogistik finner historien i fakta.
Här är ett exempel från professionell amerikansk fotboll. Säg att du arbetar på en enkel grafik som jämför de tio bästa kvartalsbackarna. Du vet, antingen från din kärlek till fotboll eller från din forskning, att Peyton Manning dominerade NFL som en Indianapolis Colt innan du saknar en hel säsong på grund av en nackskada. Hur utförde Colts med och utan honom?
Indianapolis Colts vinnande procentandel
-
1998-2010 (med Manning): 68%
-
2011 (utan manning): 13%
Colts gjorde klart bättre med Manning på fältet. Manning flyttade dock till ett nytt jobb med Denver Broncos. Under samma tidsperiod, ta en titt på hur Denver utförde före och efter Manning spelade med laget.
Denver Broncos vinnande procentandel
-
1999-2011 (med minst fem quarterbacks, men inte Manning): 53%
-
2012 (med Manning): 81%
Mönstret du ser framstår är att lag ledde av Peyton Manning tenderar att vara framgångsrik. Förvisso har många andra faktorer påverkat varje lags vinnande procentandel, men helt enkelt isolering av det här mönstret avslöjar hur instrumental Peyton Manning är i framgången för laget han spelar för.
Du kan ta denna boll och springa med den. Nu kanske din enkla grafik på de tio bästa tiobackarna blir en titt på hur en spelare kan ändra ett lags förmögenheter. Kanske Manning blir fokus för grafiken, och de tio bästa dataen blir stödjande bakgrundsinformation. Din hela visuella historia kan förändras baserat på de mönster du hittar genom din forskning.
