એકમો
1. પ્રસ્તુતિ અને ડેટા વિઝ્યુલાઇઝેશનમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, માન્યતા અને નીતિશાસ્ત્ર 2. પ્રેઝન્ટેશન સ્ટ્રક્ચર એન્ડ નેરેટિવ ફિક્શન: ટેકીંગ ધ ઓડિયન્સ ઓન એ જર્ની 3. સ્લાઇડ ટેક્સ્ટ અને સામગ્રી ઉત્પાદન: શીર્ષક, લેખ, સ્પીકર નોંધ 4. સ્લાઇડ ડિઝાઇન અને વિઝ્યુઅલ પ્રોડક્શન: લેઆઉટ, કલર, આઇકન અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ વિઝ્યુઅલ 5. ડેટાને સમજવો અને યોગ્ય ચાર્ટ પ્રકાર પસંદ કરવો 6. આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે ગ્રાફિક્સ જનરેટ કરવું: કોડથી વિઝ્યુઅલ સુધી, ચકાસણી સાથે 7. ડેશબોર્ડ ડિઝાઇન: મોટી સંખ્યાઓને સ્ક્રીન પર સમજી શકાય તેવી બનાવવી 8. ડેટા સ્ટોરીટેલિંગ: નંબરોને નેરેટિવમાં ફેરવવું 9. ઇન્ફોગ્રાફિક પ્રોડક્શન: સિંગલ વિઝ્યુઅલમાં કોમ્પ્રીહેન્સિબલ માહિતી 10. ભ્રામક વિઝ્યુલાઇઝેશન ટાળવું: ગ્રાફિક એથિક્સ અને અખંડિતતા 11. એન્ડ-ટુ-એન્ડ ફ્લો: બ્રીફિંગથી લઈને રિહર્સલ, વેરિફિકેશન, ગોપનીયતા અને ડિલિવરી
એકમ 8 / 11

ડેટા સ્ટોરીટેલિંગ: નંબરોને નેરેટિવમાં ફેરવવું

નફો:

  • તારણોને સંદર્ભ-ટેન્શન-રિઝોલ્યુશન નેરેટિવમાં મૂકવાની અને આંતરદૃષ્ટિને પ્રકાશિત કરવાની ક્ષમતા ('આનો અર્થ શું છે')
  • પહેલા/પછી અને લક્ષ્ય/વાસ્તવિકતા જેવા વિરોધાભાસો સાથે સંદેશને શાર્પ કરવાની ક્ષમતા અને દરેક ગ્રાફિકને વર્ણનમાં વાક્ય સાથે જોડવાની ક્ષમતા
  • પસંદગીના ડેટા, અતિશયોક્તિ અને ખોટા કાર્યકારણની જાળમાં પડ્યા વિના પ્રામાણિક વાર્તા બનાવવાની ક્ષમતા

લોકો ચિત્રો ભૂલી જાય છે, તેઓ વાર્તાઓ યાદ કરે છે. ડેટા સ્ટોરીટેલિંગ એ સંખ્યાઓને ગ્રાફિક્સના શુષ્ક ઢગલામાંથી શરૂઆત, મધ્ય અને અંત સાથેના વર્ણનમાં પરિવર્તિત કરી રહી છે. હેતુ ડેટાને શણગારવાનો નથી; તે પ્રેક્ષકોના પ્રશ્નોના જવાબ "શું થયું, તે શા માટે મહત્વપૂર્ણ છે, મારે શું કરવું જોઈએ" યોગ્ય ક્રમમાં આપવાનું છે. આ એકમમાં, અમે તમારા ડેટામાંથી પ્રામાણિક અને યાદગાર વાર્તા બનાવવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કેવી રીતે કરવો તે શીખીશું.

વાર્તાના ત્રણ ભાગો: સંદર્ભ, સંઘર્ષ, ઠરાવ

દરેક ડેટા સ્ટોરીમાં બેકબોન હોય છે:

  • સંદર્ભ: આપણે ક્યાં ઊભા છીએ? "ગયા વર્ષે અમે 3 નવા બજારોમાં પ્રવેશ કર્યો."
  • સંઘર્ષ/તણાવ: શું બદલાયું છે, કઈ સમસ્યા/તક અસ્તિત્વમાં છે? "પરંતુ તેમાંથી એકમાં, વેચાણ 6 મહિનાથી ઘટી રહ્યું છે."
  • ઉકેલ / ક્રિયા: આપણે શું કરવું જોઈએ? "અમારે આ બજારમાં કિંમતની સમીક્ષા કરવાની જરૂર છે."

આંતરદૃષ્ટિનો ખ્યાલ પણ છે: પ્રેક્ષકોએ પહેલાં જોયો ન હોય તેવા ડેટામાંથી અર્થપૂર્ણ શોધ. ગ્રાફ ડેટા બતાવે છે; આંતરદૃષ્ટિ તમને કહે છે કે તેનો અર્થ શું છે. વાર્તાકથન એ વર્ણનમાં યોગ્ય સમજ છે.

ટીપ: "ડેટા આ બતાવે છે" એમ ન કહો, "ડેટા આ બતાવે છે." ચાર્ટ સાબિતી છે; વાર્તા એ પુરાવાનો અર્થ છે.

આંતરદૃષ્ટિથી કથા સુધી: પગલું દ્વારા પગલું

  1. એક વાક્યમાં મુખ્ય સૂઝ લખો. "માર્કેટ X માં, ઘટાડો કિંમતને કારણે નથી, પરંતુ ડિલિવરી સમયને કારણે છે."
  2. સંદર્ભ સ્થાપિત કરો. દર્શકે ક્યાંથી શરૂઆત કરવી જોઈએ?
  3. તણાવ બતાવો. શું અપેક્ષિત છે અને ખરેખર શું થાય છે તે વચ્ચેનો તફાવત.
  4. પુરાવા દાખલ કરો (ગ્રાફ). દરેક ગ્રાફ એક વાક્ય સાબિત કરે છે.
  5. ઉકેલ/ક્રિયા જણાવો. બહાર નીકળતી વખતે દર્શકે શું કરવું જોઈએ?
  6. તેને એક જ સંદેશમાં ઘટાડો. વાર્તાનો સારાંશ એક વાક્યમાં લખવો જોઈએ.

તમારી ભૂમિકા: ડેટા સ્ટોરી એડિટર. મારા તારણો (કાચા): [આઇટમ નંબર/અવલોકનો દ્વારા આઇટમ]. મારી મુખ્ય સમજ: "[એક વાક્ય]". કાર્ય: આને 'સંદર્ભ → ટેન્શન → રિઝોલ્યુશન' સ્ટ્રક્ચર સાથે વર્ણનમાં ફેરવો. દરેક વિભાગ માટે: ટેક્સ્ટના 1-2 વાક્યો + તે વિભાગને સાબિત કરવા માટે ગ્રાફિક પ્રકાર માટેનું સૂચન. અતિશયોક્તિ ન કરો, સંખ્યાઓ બનાવો; ડેટામાં દાવાને '[પુષ્ટિ]' તરીકે ચિહ્નિત કરો. સ્વર: [ઉદ્દેશ / પ્રેરણાત્મક / ઉત્તેજક].

ચાર્ટને કથા સાથે જોડવા માટે:

આ ગ્રાફિકને વાર્તાનો ભાગ બનાવો: એક વાક્યમાં ગ્રાફિક બતાવે છે તે એક સંદેશ લખો, પછી એક 'સેટઅપ' વાક્ય સૂચવો જે પ્રેક્ષકોને ગ્રાફિક માટે તૈયાર કરે છે અને ગ્રાફિક પછી 'તો શું' વાક્ય. ગ્રાફિક: [રેસીપી]. આંતરદૃષ્ટિ: [... ].

"પહેલા/પછી" અને તુલનાત્મક વર્ણનો

સૌથી શક્તિશાળી ડેટા વાર્તાઓ વિરોધ સ્થાપિત કરે છે: પહેલાં/પછી, લક્ષ્ય/વાસ્તવિક, અમે/સ્પર્ધક, અપેક્ષિત/શું થયું. કોન્ટ્રાસ્ટ પ્રેક્ષકોના મનમાં તણાવ પેદા કરે છે અને સંદેશને તીક્ષ્ણ બનાવે છે.

કોન્ટ્રાસ્ટ પ્રકાર

નમૂના વર્ણન

યોગ્ય ગ્રાફિક

પહેલાં/પછી

"પ્રક્રિયામાં ફેરફારના 9 દિવસ પહેલા, 4 દિવસ પછી"

ડ્યુઅલ બાર/સ્લોપ ચાર્ટ

લક્ષ્ય/વાસ્તવિક

"લક્ષ્ય 10% વૃદ્ધિનો હતો, અમે 4% પર રહ્યા"

લક્ષ્ય રેખા પટ્ટી

અપેક્ષિત/થયું

"અમે ઉનાળામાં ઘટાડાની અપેક્ષા રાખી હતી, પરંતુ વધારો આવ્યો"

રેખા + છાંયો અપેક્ષા બેન્ડ

ભાગ/સંપૂર્ણ

"70% નુકસાન એક પગલાથી થાય છે"

હોવર સાથે સ્ટેક્ડ બાર

ડેટા સ્ટોરી 'પહેલા/પછી' સેટ કરો. પહેલાં: [કેસ+નંબર].પછી: [કેસ+નંબર]. ફેરફારનું કારણ: [...].કાર્ય: 3-વાક્યનું લઘુ-વર્ણન (સંદર્ભ, ફેરફાર, પરિણામ) અને ચાર્ટનો પ્રકાર સૂચવો જે આ કોન્ટ્રાસ્ટને સૌથી પ્રામાણિકપણે બતાવશે. બદલાવને તેના કરતા મોટો બનાવવાનો પ્રયાસ કરશો નહીં.

અખંડિતતા: વાર્તાને ડેટાને વિકૃત ન થવા દો

વાર્તા કહેવાની પડછાયાની બાજુ વાર્તાને મજબૂત કરવા માટે પસંદગીયુક્ત રીતે ડેટા રજૂ કરે છે. બે જાળથી સાવધ રહો:

  • પસંદગીયુક્ત ડેટા (ચેરી-પિકિંગ): કથા સાથે બંધબેસતો પીરિયડ/સેગમેન્ટ બતાવવું અને જે ન હોય તેને છુપાવવું.
  • સ્યુડો-કારણ: "A વધ્યો, B વધ્યો, તેથી A થી B થયો" - સહસંબંધ એ કારણ નથી.
સાવધાન: સારી વાર્તા મનાવી લે છે; પરંતુ સમજાવટ ડેટાને વિકૃત કરવાની પરવાનગીમાં ફેરવવી જોઈએ નહીં. "કયો ડેટા આ કથાને બંધબેસતો નથી?" તમારી જાતને પૂછો અને જો જરૂરી હોય તો બતાવો.

ત્રણ નાના કેસો

કેસ 1 - પેઇન્ટિંગથી વાર્તા સુધી. એક ટીમે મેનેજમેન્ટને 12 લાઇનનું ટેબલ રજૂ કર્યું, પરંતુ કોઈને કંઈ સમજાયું નહીં. AI સાથે, તેઓને સમજ મળી: "80% નફો 3 ઉત્પાદનોમાંથી આવે છે." તેઓએ આ એક વાક્યની આસપાસ પ્રસ્તુતિ બનાવી. પ્રથમ વખત, મેનેજમેન્ટે સ્પષ્ટ નિર્ણય લીધો (આ 3 ઉત્પાદનો પર ધ્યાન કેન્દ્રિત કરો).

કેસ 2 — પહેલાં/પછી. એક હોસ્પિટલે એક ફેરફાર કર્યો હતો જેણે રાહ જોવાનો સમય ઘટાડ્યો હતો, પરંતુ રજૂઆતમાં શુષ્ક સંખ્યાઓ હતી. તેઓએ "પ્રથમ 47 મિનિટ, પછી 19 મિનિટ" કોન્ટ્રાસ્ટ સાથે સ્લોપ ચાર્ટ સેટ કર્યો. ફેરફારની અસર તરત જ સમજાઈ ગઈ અને બજેટનું વિસ્તરણ કરવામાં આવ્યું.

કેસ 3 - પસંદગીના ડેટાને સુધારવું. એક માર્કેટરે ઝુંબેશની સફળતા દર્શાવવા માટે માત્ર ટોચના 2 અઠવાડિયાનો ચાર્ટ કર્યો હતો. AI ને પૂછો "શું કોઈ એવો ડેટા છે જે આ વર્ણનને બંધબેસતો નથી?" તેણે પૂછ્યું; મોડેલે ઝુંબેશ પછીના ઘટાડાને યાદ કર્યો. ટીમે સમગ્ર સમયગાળો દર્શાવ્યો અને પ્રમાણિક સંદેશ આપ્યો કે "સ્થાયી અસર માટે ફોલો-અપ જરૂરી છે."

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:

આ ડેટામાંથી એક રસપ્રદ વાર્તા બહાર આવે છે.

"પ્રભાવશાળી" ની ઇચ્છા મોડેલને અતિશયોક્તિ અને પસંદગીયુક્ત પ્રસ્તુતિ તરફ ધકેલે છે; પ્રામાણિકતા ખોવાઈ ગઈ છે.

મજબૂત:

તમારી ભૂમિકા: ડેટા સ્ટોરી એડિટર. મુખ્ય આંતરદૃષ્ટિ: "70% નુકસાન વિતરણના પગલામાં છે". પરિણામો: [નંબરો]. કાર્ય: સંદર્ભ → સસ્પેન્સ → સોલ્યુશનની રચનામાં પ્રામાણિક કથા બનાવો, દરેક વિભાગ સાથે આલેખ મેળવો અને સૂચવો કે શું એવો ડેટા છે જે આ આંતરદૃષ્ટિને અનુરૂપ નથી. અતિશયોક્તિ કરશો નહીં, કારણ તરીકે સહસંબંધ રજૂ કરશો નહીં, જે ડેટામાં નથી તેના માટે [પુષ્ટિ] લખો.

બાદમાં બંને માળખું આપે છે અને પ્રમાણિકતાની જરૂર છે (ફિટ ન હોય તેવા ડેટા બતાવો, કાર્યકારણનો દાવો કરશો નહીં).

એક ગ્રાફિક, એક સંદેશ: સમગ્ર સ્લાઇડ્સમાં વર્ણનનું વિતરણ

પ્રેઝન્ટેશનમાં ડેટા સ્ટોરી મૂકતી વખતે સૌથી મજબૂત નિયમ છે: એક સ્લાઇડ પર એક ચાર્ટ, એક ચાર્ટ પર એક સંદેશ. દર્શક એક જ સમયે ત્રણ ગ્રાફ જોઈ શકતા નથી અને કોઈ નિષ્કર્ષ દોરી શકતા નથી. એક જ સમયે એક જટિલ ચાર્ટ બતાવવાને બદલે, તેને ક્રમશઃ પ્રગટ કરવું ખૂબ જ અસરકારક છે: પ્રથમ ખાલી અક્ષ, પછી એક લીટી, પછી સરખામણી રેખા, અંતે ભાર. દરેક પગલા પર તમે જે કહી રહ્યા છો તે તમે સમજાવો છો; દર્શક તમારી સાથે ચાર્ટ "વાંચે છે".

તમારી ભૂમિકા: ડેટા પ્રસ્તુતિ સંપાદક. મારી પાસે એક ગાઢ ગ્રાફ છે: [રેસીપી]. આને એક સ્લાઇડ પર બતાવવાને બદલે, 3-4 સ્ટેજની 'કાસ્કેડ રિવીલ' યોજના બનાવો જે દર્શકોને એક-એક પગલું લઈ જશે. દરેક તબક્કે ચાર્ટ પર શું દેખાવું જોઈએ અને મારે શું કહેવું જોઈએ? અંતે પ્રકાશિત કરવા માટેનો એકમાત્ર સંદેશ છે: "[વાક્ય]".

ચાર્ટના શીર્ષકને પણ વર્ણનનો ભાગ બનાવો: “પશ્ચિમ પ્રદેશ એકલા વિકાસને આગળ ધપાવે છે, “પ્રાદેશિક વેચાણ” નહીં. શીર્ષક ચાર્ટનું પરિણામ કહે છે; દર્શક એ જાણીને જુએ છે કે તે શું જોશે.

ટીપ: જો સ્લાઇડ પર બે કરતાં વધુ ચાર્ટ હોય, તો તમે કદાચ એક સ્લાઇડ પર બે કે ત્રણ અલગ-અલગ સંદેશાઓને ક્રેમ કરી રહ્યાં છો. સ્પ્લિટ: દરેક સંદેશને તેની પોતાની સ્લાઇડ આપો.

સામાન્ય ભૂલો

  • ગ્રાફિક્સનો સ્ટેક પ્રસ્તુત કરવો: વર્ણન વિના એક પંક્તિમાં ગ્રાફિક્સને સ્ટ્રિંગ કરવું.
  • આંતરદૃષ્ટિ વિનાની વાર્તા: "શું થયું" એમ કહેવું પરંતુ "તેનો અર્થ શું છે" તે છોડી દેવું.
  • પસંદગીયુક્ત ડેટા: વાર્તાને બંધબેસતો ન હોય એવો ડેટા છુપાવવો.
  • ખોટા કાર્યકારણ: "કારણ" તરીકે સહસંબંધ રજૂ કરવો.
  • અતિશયોક્તિ માટે શૈલીઓ પસંદ કરી રહ્યા છીએ: પ્રભાવને વિસ્તૃત કરવા માટે ગેરમાર્ગે દોરનારા ગ્રાફિક્સનો ઉપયોગ કરવો.
  • બહુવિધ સંદેશાઓ: એક પ્રસ્તુતિમાં એક કરતાં વધુ "મુખ્ય વાર્તા" ફિટ કરવી.

સારાંશમાં

ડેટા સ્ટોરીટેલિંગ નંબરોને સંદર્ભ-ટેન્શન-રિઝોલ્યુશન નેરેટિવમાં મૂકે છે અને આંતરદૃષ્ટિને પ્રકાશિત કરે છે ("આનો અર્થ શું છે"). વિરોધાભાસ (પહેલા/પછી, લક્ષ્ય/વાસ્તવિક) સંદેશને શાર્પ કરે છે. AI તમારા તારણોને કથામાં ફેરવવામાં શક્તિશાળી છે; પરંતુ પસંદગીના ડેટા, અતિશયોક્તિ અને ખોટા કાર્યકારણની જાળમાં ન આવો. સારી વાર્તા સમજાવે છે અને ડેટાને વિકૃત કરતી નથી.

એપ્લિકેશન કાર્ય

તમારા ડેટા સેટમાંથી આંતરદૃષ્ટિ દોરો. (1) તેને એક વાક્યમાં લખો. (2) આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા સંદર્ભ-ટેન્શન-રિઝોલ્યુશન સ્ટ્રક્ચરમાં એક વર્ણન તૈયાર કરો અને દરેક વિભાગ સાથે ગ્રાફિક સાથે મેળ કરો. (3) "કયો ડેટા આ કથાને બંધબેસતો નથી?" અને વર્ણનમાં પ્રામાણિકપણે જવાબનો સમાવેશ કરો. (4) વાર્તાને એક વાક્ય સુધી ઘટાડો.

ચેકલિસ્ટ

  • [ ] મારી પાસે એક મુખ્ય સમજ છે અને હું તેને એક વાક્યમાં લખી શકું છું.
  • [ ] વર્ણનની રચના સંદર્ભ-તણાવ-રિઝોલ્યુશન માળખામાં કરવામાં આવી હતી.
  • દરેક આલેખ વર્ણનમાં એક વાક્ય સાબિત કરે છે.
  • [ ] મેં એવી માહિતી છુપાવી નથી કે જે વર્ણનને અનુરૂપ ન હોય.
  • મેં કાર્યકારણ તરીકે સહસંબંધ રજૂ કર્યો નથી.
  • વાર્તાને એક વાક્ય સુધી ઘટાડી શકાય છે.