Header Transformation Tuesday #15

Transformation Tuesday #15 – Resultaten

<b>Leestijd:</b> 6 minuten

Voor de Transformation Tuesday van deze maand zijn we aan de slag gegaan met Datawrapper.

Datawrapper is een online tool om data te visualiseren. Deze visualisaties zijn veelal interactief en eenvoudig in te voegen op een webpagina of te exporteren om ze af te drukken in hoge kwaliteit. Een aantal voorbeelden van visualisaties die zijn ontwikkeld in Datawrapper vind je hieronder:

Bron: Datawrapper
Bron: Datawrapper
Bron: Datawrapper

Ook vind je op hun blog (Chartable) diverse andere voorbeelden waarin de mogelijkheden zichtbaar worden. Daar vind je onder andere ook mogelijkheden om data te visualiseren in tabellen of op een kaart.

De opdracht van deze maand was om zelf een leuke dataset te zoeken en deze te visualiseren in Datawrapper. Hieronder vind je een overzicht van de uitwerkingen die we hebben ontvangen,


Ype-Jan

Transformation Tuesday van deze maand (#15) heeft als uitdaging dat je met Datawrapper een visualisatie maakt op basis van data die jezelf kiest. Ik heb gekozen voor 2 visualisaties: de Range Plot en de Dot Plot. De eerste op basis van data van Strava; de tweede op basis van de data die eerder is beschreven in een blog over de rangechart.

Datawrapper is een online-tool, die eenvoudige data op een mooie manier kan visualiseren in grafieken, kaarten of tabellen.

Eenvoudig is ook direct het nadeel van Datawrapper. De data die je aanbiedt kan maar uit één tabel komen; Datawrapper kan niet verschillende tabellen aan elkaar linken op basis van een overeenkomstig veld. Ook de data van één tabel is moeilijk te groeperen. Het voordeel is uiteraard dat je met een paar muisklikken al direct resultaat hebt en dat je het resultaat ook kan gebruiken op je website.

Range plot

Omdat de data “eenvoudig” moet worden aangeboden aan Datawrapper heb ik de data van Strava eerst als excel-tabel geëxporteerd vanuit Strava en daarna zelf gegroepeerd op basis van jaar (2015 tm 2019) en type (hardlopen of fietsen):

Transformation Tuesday #15 - Inzending Ype-Jan dataset

Deze data heb ik vervolgens geladen in Datawrapper en ik heb gekozen voor de Range Plot:

Transformation Tuesday #15 - Inzending Ype-Jan Range plot

Het resultaat zie je hieronder:

Transformation Tuesday #15 - Inzending Ype-Jan Range resultaat

Het mooie van deze visualisatie is dat je in één oogopslag kan zien dat ik in ieder geval flink gesport heb en dat er veel data is verzameld. Je ziet ook dat in 2015 mijn voorkeur bij het fietsen lag en dat dit in 2019 juist andersom is. In 2018 was dit (in ieder geval qua kilometers) aardig in balans.

Transformation Tuesday #15 - Inzending Ype-Jan Range quote

Dot plot

Transformation Tuesday #15 - Inzending Ype-Jan Range dot plot

In Datawrapper zag ik ook de Dot Plot. Ik moest toen direct aan de blog van Dennis denken die over de Rangechart ging. Eigenlijk gaat het in die blog dus over de Dot Plot; een naam die eigenlijk nog beter past bij de visualisatie.

Transformation Tuesday #15 - Inzending Ype-Jan Range dataset 2

Dit resulteert in onderstaand resultaat.

Transformation Tuesday #15 - Inzending Ype-Jan Range resultaat 2

Een voordeel van Datawrapper is ook dat er een aantal mooie visualisaties in zitten, die je niet vindt in Power BI.


Wilbert

Voor deze editie van transformation tuesday heb ik een eenvoudige dataset van de website CBS statline gehaald. De cijfers laten de goederenstromen zien in de binnenvaart per productsoort. Voor deze visualisatie heb me alleen geconcentreerd op de product groep “liquid bulk”.

Ik heb de dataset aanzienlijk moeten reduceren en moeten focussen op 1 specifieke productgroep om de visualisatie in Datawrapper goed te krijgen. In tegenstelling tot Excel of andere BI tools als QlikSense of PowerBI moet de dataset voor Datawrapper goed geprepareerd zijn aangezien je in deze tool minder vrijheid hiervoor hebt. Dus de gebruiker wordt automatisch gedwongen om goed na te denken wat je willen visualiseren en eventueel al te schetsen welk resultaat je wilt. Dit is overigens een uitstekende oefening om effectiever data te visualiseren.

Eenmaal na het uploaden van de juiste gegevens blinkt Datawrapper uit in de eenvoud om tot een visualisatie te komen.


Joost

Hierbij mijn inzending voor de Transformation Tuesday van deze maand. Ik heb me laten inspireren door deze grafiek die ik tegen kwam op AGF.nl. De grafiek toont het aantal 4kg dozen avocado dat is geïmporteerd in de EU in 2019, per land van herkomst. De laatste weken van 2019 zijn daarbij een schatting.

Hoewel het artikel iets noemt over de aantallen Greenskin avocado uit Israël, is de bron van het artikel een Excel bestand met alle geïmporteerde aantallen. Nu ben ik zelf geen importeur van avocado, maar wel van data. Dus ik heb deze data geïmporteerd in Datawrapper en ben aan de slag gegaan met visualiseren. Mijn uitwerking ziet er als volgt uit:

Ik heb gekozen voor een area chart per week, per land van herkomst. Dit toont alle avocado’s, dus de Hass en Greenskin variëteiten bij elkaar opgeteld. Wat mij opvalt is dat een groot deel van het jaar de meeste avocado’s afkomstig zijn uit Peru. De rest van het jaar is het een mix van landen dat de EU van avocado voorziet.

Datawrapper is een tool waarmee je snel en eenvoudig je data kunt visualiseren. Daarnaast biedt het goede mogelijkheden voor het toevoegen van tekst en uitleg. Zo heb ik bijvoorbeeld een deel van mijn grafiek kunnen arceren, inclusief een annotatie dat het een schatting betreft. Daarnaast kun je titels, subtitels, notities en bronvermelding toevoegen. Volgens mij wordt Datawrapper veel gebruikt door journalisten om data te visualiseren. En ik denk dat het voor dergelijke doeleinden een uitstekende tool is.


Dennis

Ik heb een eenvoudige dataset opgezocht bij het CBS, in dit geval over het aantal openstaande vacatures. Deze ben ik gaan visualiseren in Datawrapper, voornamelijk om er achter te komen wat er allemaal in Datawrapper mogelijk is. Ik kwam er hierbij al snel achter dat de dataset die je upload direct op maat moet zijn. Zaken als filteren, aggregeren, berekeningen toevoegen, etc. zijn geen onderdeel van Datawrapper. Dit zie je vaker bij dergelijke software en daarmee waardeer je tooling als Power BI weer extra.

Het resultaat dat ik heb ontwikkeld ziet er als volgt uit:

Transformation Tuesday #15 - Inzending door Dennis

Wat ik heel krachtig vind aan Datawrapper is dat er diverse standaard componenten zijn die je eenvoudig kunt gebruiken. De titel en onderschrift zijn hier voor de hand liggende voorbeelden van, maar het benoemen van de auteur en de bron (inclusief link) heb ik niet eerder gezien. Uiteraard zijn veel opties in lijn met wat je mag verwachten. De meeste van deze opties zijn gebaseerd op best-practices op het gebied van datavisualisatie. Een optie om het geheel in 3D weer te geven ga je niet vinden, terwijl grijze gridlinen de standaard zijn waar je ook niet vanaf kunt wijken.

Een leuke opdracht om wat meer gevoel te krijgen bij de mogelijkheden van Datawrapper, in mijn ogen een aanrader als je snel een visualisatie wilt ontwikkelen die er gelikt uit moet zien.


Lijkt het je ook leuk om deel te nemen aan toekomstige Transformation Tuesday opdrachten? Meld je dan aan via onze website!

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *