قدرت مقیاس لگاریتمی

مقیاس لگاریتمی چیست؟این یک سؤال معمولاً توسط طراحان داستانی است. بیایید با دیدن اینکه مقیاس لگاریتمی بر اساس مثالهایی از تجسم دیتاكلیت ، از قدرت واقعی آن پرده برداریم.

دلیل استفاده از مقیاس لگاریتمی ، حل مسئله با تجسم است که به سمت مقادیر بزرگ در یک مجموعه داده می چرخد. به عنوان مثال ، اگر چند نقطه از داده بسیار بزرگتر از بسیاری از داده ها باشد ، استفاده از مقیاس لگاریتمی تجسم داده های بهتری را فراهم می کند و باعث می شود تا الگوهای و شناسایی روابط را آسان تر کند.

استفاده از مقیاس های لگاریتمی نیز در مجموعه داده ها برای اسیدیته (مقیاس pH) ، Spiciness (مقیاس گرمای Scoville) و شدت زلزله (مقیاس ریشتر) بسیار متداول است. برای بیشتر مجموعه داده های دیگر مانند داده های فروش یا داده های بررسی مشتری ، استفاده از مقیاس لگاریتمی تا زمانی که داده ها را تجسم نکنید ، چندان آشکار نیست.

بیایید بگوییم که ما یک مجموعه داده فروش داریم و تجزیه و تحلیل ناخالص حاشیه ای را توسط کشور انجام می دهیم. با استفاده از نمودار نوار لایه ای ، ما اقدامات هزینه های فروش و فروش ناخالص را ترسیم می کنیم. توجه کنید که چگونه داده های فروش ناخالص ایالات متحده هنگام ترسیم با استفاده از مقیاس خطی استاندارد ، نمودار را تحت الشعاع قرار می دهد. مشخص کردن هرگونه واریانس در فروش ناخالص برای کشورهایی مانند بلژیک ، سوئد و هند دشوار است. از آنجا که این یک تجارت حاشیه ای بالا است ، ترسیم هزینه های فروش در همین نمودار نیز دشوار است که ببینید آیا واریانس بین کشورها وجود دارد یا خیر.

حال ، بیایید گزینه مقیاس لگاریتمی را برای نمودار انتخاب کنیم و نحوه تغییر تجسم را مشاهده کنیم. به عنوان مثال می بینید که امارات متحده عربی (امارات متحده عربی) و اسپانیا هر دو تقریباً یک فروش ناخالص دارند اما هزینه های فروش اسپانیا به طور قابل توجهی بالاتر از هزینه های امارات متحده عربی است.

با توجه به این مثال ، بگذارید سعی کنم توضیح دهم که مقیاس لگاریتمی چیست. مقیاس لگاریتمی یک مقیاس غیرخطی است که در هنگام وجود دامنه ارزش زیادی در مجموعه داده شما استفاده می شود. به جای یک مقیاس خطی استاندارد ، مقادیر بر اساس ترتیب بزرگی است. هر علامت در یک محور مقداری را نشان می دهد که چند علامت قبلی در محور است. به عنوان مثال ، هنگام استفاده از مقیاس ورود به سیستم پایه 10 ، اولین علامت 10 را نشان می دهد که 101 است ، علامت دوم 100 است که 102 است ، علامت سوم 1000 است که 103 است و غیره. همه مقیاسهای لگاریتمی از پایه 10 استفاده نمی کنند. بسته به مجموعه داده ، با استفاده از تجسم دیتاكلیت ، می توانیم بهترین مقیاس لگاریتمی را برای استفاده برای ترسیم داده ها تعیین كنیم.

بیایید به دو مثال دیگر نگاه کنیم تا ببینیم که چگونه مقیاس لگاریتمی می تواند توانایی مشاهده الگوهای و شناسایی روابط در داده های شما را بهبود بخشد.

با استفاده از نمودار حباب ، هزینه های فروش در مقابل فروش ناخالص را برای هر خط تولید ترسیم کرده ایم. اندازه هر حباب تعداد مشتری است و هر بخش با یک رنگ تقسیم می شود. ما یک دور از حد شدید داریم که باعث می شود بخش عمده ای از داده ها در بخش چپ پایین نمودار جمع شوند.

با استفاده از مقیاس لگاریتمی ، تصمیم گرفتیم از مقیاس ورود به سیستم غیر پایه 10 استفاده کنیم. اکنون می توانید ببینید که تعداد کمی از خطوط تولید وجود دارد که فروش ناخالص بالایی و هزینه های فروش بسیار کمی دارند.

مثال دیگر تجزیه و تحلیل داده های هزینه های فروش و فروش ناخالص در سه ماهه با استفاده از نمودار منطقه است. ما می توانیم ببینیم که منطقه فروش ناخالص (رنگی در نارنجی) با استفاده از یک مقیاس خطی استاندارد برای محور y آسان است ، اما به دلیل واریانس در داده ها ، منطقه هزینه های فروش (رنگ به رنگ زرد) دشوار است.

با استفاده از گزینه لگاریتمی ، می توانید متوجه شوید که محور y به مقیاس ورود به سیستم پایه 10 تغییر یافته است. منطقه هزینه های فروش به وضوح قابل مشاهده است ، و می توانید بگویید که چگونه هزینه های فروش با گذشت زمان نوسان می کند.

این مثالها اهمیت استفاده از مقیاس لگاریتمی را برای کشف بینش مهم در داده ها نشان می دهد. با استفاده از تابلوهای داستانی DataClarity ، می توانید فقط با یک کلیک آن را در نمودارهای خود اعمال کنید.

تابلوهای داستانی DataClarity قابلیت های بی شماری را برای امکان کاوش در داده های خود برای پاسخ های فوری به مهمترین سؤالات شما ارائه می دهند. شما می توانید تجزیه و تحلیل خیره کننده را از یک کتابخانه گسترده از تجسم و ابزارک ها ایجاد کرده و بینش های خود را در چند ثانیه به اشتراک بگذارید. علاوه بر این ، شما می توانید از هرگونه ترکیبی از تجسم ، محتوای وب ، گرافیک و تجزیه و تحلیل از چندین فروشنده برای ایجاد یک تجربه کاربر یکپارچه استفاده کنید. برای کسب اطلاعات بیشتر در مورد چگونگی توانمندسازی کاربران خود با دیدگاههای تجاری یکپارچه از داده های خود ، لطفاً به MicroSite MicroSite DataClarity و Platform Data Science مراجعه کنید.