Appunti per l'esame di Information design e data visualization

DATI, INFORMAZIONE, CONOSCENZA02.

Spesso in azienda si chiede a chi ha competenze statistiche o informatiche di produrre delle

visualizzazioni eleganti dei dati aziendali che richiedono invece competenze di design o viceversa

si chiede a un designer di estrarre, analizzare in maniera strutturata delle basi dati. Tuttavia, già da

due sono competenze e anime fondamentali data

qui comprendiamo che nel mercato dei

analytics: →

DATA ANALYST raccoglie e elabora i dati

→

INFORMATION DESIGNER Visualizzazione e rappresentazione dei dati = prende i dati e li rende

comprensibili al target cui sono rivolti

↓

Queste due competenze devono lavorare assieme

Non è compito dell’information designer raccogliere ed elaborare i dati. È importante tuttavia

che ne comprenda anche lui gli indicatori e il signi cato per poterli aggregare in una

visualizzazione immediatamente e facilmente comprensibile e corretta.

Importante notare che già il 50% delle grandi organizzazioni in Italia hanno già un

data analyst.

Se guardiamo bene alle terminologie utilizzate per identi care le competenze richieste dal

3 CONCETTI FONDAMENTALI:

mercato dei data analytics, emergono

Dato →

1. data design, data visualization

Informazione →

2. information design, infogra ca, information architecture

Design o visualizzazione →

3. information design, data design o data visualization =

rappresentazione / visualizzazione di questi dati

Importante notare che il risultato della visualizzazione dei dati non sempre è un design gra co, ma

rappresentazione di dati o informazioni:

va concepito più in generale come nel nostro caso è il

risultato del design, ma può essere anche una notizia, una narrazione, indipendente dal suo

formato (immagine, testo, audio, video)

DAL DATO ALLA CONOSCENZA

Quando parliamo di dati e informazioni, intendiamo la stessa cosa? E la conoscenza come si

rapporta ai dati e alle informazioni? gerarchia

GERARCHIA IKW —> Un primo suggerimento ci arriva dal modello della

dell’information, knowledge, wisdom

= modello di origine incerta che descrive i livelli attraverso i quali i dati possono essere trasformati

in informazioni, poi in conoscenza, e in ne addirittura in saggezza. L’esigenza di de nire dei nessi

causali tra questi livelli nasce soprattutto in ambito informatico per analizzare come i dati grezzi

possano essere elaborati e interpretati per diventare progressivamente più utili e signi cativi.

→ lo scopo della information-knowledge-wisdom hierarchy è de nire i diversi livelli di

apprendimento secondo un approccio causale e gerarchico che collega dati, informazioni,

→

conoscenza e saggezza questi 3 ambiti sono legati da una reciprocità causale = la saggezza

dipende dalla conoscenza, la conoscenza dipende dall’informazione

→ è una gerarchia che viene studiata in vari ambiti disciplinari (scienze dell’informazione, loso a

e scienze cognitive) x dare un signi cato a questi concetti e tradurre qual’è il processo cognitivo

attraverso cui arriviamo alla conoscenza da un fenomeno analizzato.

1934

Una prima rappresentazione del concetto ce l’abbiamo nel 1934 dal poeta T.S Eliot che scrive

Rock” “Where is the Life we have lost in living? Where is the wisdom we

l’opera “The in cui dice:

have lost in knowledge? Where is the knowledge we have lost in information” 1

fi fi fi fi fi fi fi fi fi fi fi

→ citazione che appare spesso in vari studi sulle gerarchie IKW (Negli anni '30 si stava

sviluppando il relativismo scienti co e culturale)

→ Per Eliot la sequenza è logica: la saggezza si è confusa con la conoscenza e la conoscenza

con le informazioni: per Eliot è una critica culturale e spirituale dell'epoca moderna in uenzata

dalla scienza o dalla tecnologia emergente del suo tempo.

Eliot studiava a Harvard con il losofo e fondatore della cibernetica (= intelligenza arti ciale degli

Norbert Wiener

anni ’60) -> scrive l’articolo “Relativismo” in cui c’è una delle sue prime intuizioni

↓

intellettuali)

se prima facevo delle scelte in base alla collettività, alle appartenenze culturali ecc, nel 21

secolo tutto diventa soggettivo, non ci sono più verità oggettive (solo soggettive)

↓

Eliot concorda sulla natura relativa e contestuale di ogni verità.

↓

dice che informazioni e dati non sono veri, ma sono solo “i più soddisfacenti che conosciamo”

↓

il dato, che noi diamo sempre x veritiero e assoluto, è di per se una misurazione —> il

fenomeno tradotto in unità di misura —> quindi non è mai vero, è il più soddisfacente che

conosciamo -> ci a diamo ai dati perché sono quelli più “veridici” (no veri)

—> Tutto nasce dal fatto che niente è certo / vero

1940-50

il dato arriverà più tardi dell’informazione nel 1982, tuttavia

↓

Nel 1948 c’è un genio di nome Claude Shannon che è il fondatore delle scienze dell’informazione

dato/simbolo,

(= informatica) che introduce il concetto di distinto da informazione —> no al

1982 i due concetti nello sviluppo della IKW Hierarchy continueranno ad essere comunemente

assimilati. (fu il primo a parlare di dati)

“The choice of an logarithmic base corresponds to the choice of a unit for measuring

—> dice

information. If the base 2 is used, the resulting units mai be called binary digits, or more brie y,

bits. A device with two stable position, such as a relax or a ip- op circuit, can store one bit of

information”

→ capisce che devo misurare / quanti care l’informazione -> lui prende un onda e la campiona a

intervalli regolari, man mano che va su registro tot valori numerici che sono la descrizione esatta

di quell’onda -> per fare questo devo inventare il dato però = quello che lui chiama l’unità di

informazione

In questi anni la teoria matematica dell’informazione di Claude Shannon e Warren Weaver

pongono le basi per la moderna comprensione dell’informazione.

1980

Il concetto inizia a prendere forma più chiaramente nei lavori di autori come Milan Zeleny e

Russell Acko , che discutono di come l'informazione possa essere trasformata in conoscenza e

saggezza.

1982 GERARCHIA DIKW

Solo nel 1982 la gerarchia IKW diventò

→ “The Futurist”

in sto anno Harlan Cleveland scrive un articolo nella rivista che riporta una

“L’uomo delle caverne ha un sacco

vignetta divisa in tre riquadri descritti sotto da una didascalia:

di informazioni (fatti e dati). Seleziona le informazioni utili e le trasforma in conoscenza, ma non

raggiunge la saggezza nchè non raggiunge un risultato che è maggiore della somma delle sue

parti”.

- informazione: uomo primitivo osserva coi sensi il mondo intorno a lui -> registra sensazioni.

Raccoglie i dati (che però chiama informazioni) che si predispongono ad avere un signi cato

che nasce dalla contestualizzazione di questi dati.

- knowledge: connette i dati per ottenere una serie di informazioni (sono informazioni anche se

lui le chiama conoscenze) 2

ff fi ffi fi fi fi fl fl fl

fi fi fi fl

- wisdom: fa un ragionamento logico, la contestualizzazione delle informazioni (questa è

conoscenza anche se lui la chiama saggezza)

—> capisce che l’era/società delle informazioni è arrivata + lui ancora non distingue dato da

informazione qua

—> Quindi manca la saggezza quindi = la predizione (le conseguenze che la mia soluzione può

avere)

→Prima vera e propria rappresentazione gerarchica dove l’unione logica delle informazioni genera

conoscenza e l’unione logica delle conoscenze genera la saggezza.

1986-87

Viene introdotto il concetto di dato guidebook to learning for the lifelong pursuit of

Solo nel 1986 un losofo, Mortimer Adler (“A

wisdom”), propone un concetto di scala dell’apprendimento in cui i gradini dell’apprendimento in

sequenza sono: dati, informazione, conoscenza, comprensione, saggezza.

or bee: the human price of technology")

L’anno successivo l’ingegnere Mike Cooley (“Architect

a erma che “i dati opportunamente organizzati e trattati possono diventare informazione, e

l'informazione che viene assorbita, compresa e applicata dalle persone può diventare

conoscenza. La conoscenza frequentemente applicata in un dominio può diventare saggezza, e la

saggezza la base per l'azione positiva”, ponendo di fatto le basi per il modello de nitivo della

piramide DIKW (Data - information - knowledge - wisdom)

PIRAMIDE DIKW

Nessuno dei testi citati nora aveva mai visualizzato in uno schema

piramidale il passaggio tra i vari livelli della scala dell’apprendimento. La

sua prima rappresentazione secondo lo schema di uno ziqqurat fu de nita

da un bibliotecario inglese nel 1987 e la denomina “Piramide della

saggezza” (ha aggiunto la saggezza)

Questa diventa un modello base per tutti gli studi nella scala di apprendimento a livello

knowledge management

informatico e la applica nei sistemi informativi fondando la branca del

= gestione della conoscenza —> branca dell’informatica

Il knowledge management la adotta come modello base di gestione della conoscenza

si occupa di elaborare, raccogliere,

→ prende forma negli anni 90 sempre in ambito informatico

sviluppare, conservare e rendere accessibile la conoscenza delle persone che fanno parte

di una organizzazione o di un’azienda

3 FATTORI CHIAVE che determinano lo sviluppo del knowledge management:

L'avanzamento delle tecnologie dell’informazione:

1. che rende possibile la raccolta e l'analisi

di grandi volumi di dati.

Il passaggio da un'economia industriale a una basata sulla conoscenza:

2. dove il valore

deriva sempre più da risorse intellettuali piuttosto che siche, da un’economia dei beni a

un’economia del sapere

L’aumento della complessità organizzativa e dei mercati a seguito della globalizzazione:

3. più sono i dati più si chiede aiuto all’automatizzazione, si richiede un approccio più so sticato

alla gestione delle informazioni e della conoscenza.

DATI

I dati sono la raccolta e misurazione di un fenomeno reale: sono, per così dire la registrazione

grezza di quei fenomeni, quello che i nostri sensi registrano prima ancora di attribuire a questi un

Sono dei signi canti.

signi cato. quindi I dati sono quindi registrazione di un fenomeno non

codi cato, né strutturato, seppur reale e sico. = simboli che registrano dei fenomani

- Verrebbe, pertanto, da dire che i dati sono oggettivi e incontrovertibili, costituiscono cioè l’unica

verità oggettiva. In realtà, non è così (ricorda cosa abbiamo detto prima relativamente alle

ri essioni sul relativismo di Wiener ed Eliot), la registrazione di un dato è già una codi cazione 3

ff

fl fi fi fi fi fi fi fi fi fi fi fi

di quel dato sia essa un concetto o un valore numerico in base a una certa classi cazione o

unità di misurazione: se cambiamo il modo di codi care il dato, cambia anche il dato. Di questo

ragioneremo più avanti parlando dell’entropia di Shannon.

- “The Futurist”

Per comprendere meglio il concetto di dato guardiamo la vignetta di di prima e

scopriamo che è sbagliata: quello che viene de nito “informazione” nel primo riquadro è invece

il dato, ossia l’elemento signi cante (“conigli ”, “suolo”, “lupi”).

INFORMAZIONI

Un’informazione è il signi cato che possiamo dare al collegamento dei dati raccolti in base

a un contesto interpretativo, per facilitarne la comprensione, l'interpretazione o l’analisi. (tempo,

spazio)

- le lettere dell’alfabeto sono dati, le parole danno un signi cato alla loro

Per esempio

unione, così come la struttura sintattica dà signi cato all’unione delle parole.

- Anche qui la vignetta di “The Futurist” è sbagliata: il secondo riquadro non rappresenta la

conoscenza, ma l’informazione e vediamo come essa si ritraduce nella concatenazione di dati:

“i conigli mangiano l’erba”, “l’erba cresce nel suolo”

- domande strutturate “chi?” o “cosa?”,“dove?”,“quando?”.

L’informazione risponde a come

- Per esempio, nel caso di tracciamento dei dati in rete, i dati potrebbero essere: IP=192.168.0.1,

h=12:30, url=https://www.google.com/search?client= refox-b-d&q=case+in+a tto.

L’informazione che ne deriva collegando questi dati è: il computer che corrisponde all’indirizzo

in rete 192.168.0.1, alle ore 12:30 si è collegato a Google per cercare il termine “case in a tto”.

l’informazione o re una cornice interpretativa ai dati in base alla cronologia degli eventi

in questo caso.

CONOSCENZA

Conoscenza è il risultato generato dal collegamento tra le varie informazioni in base a un

criterio logico (deduzione, induzione, abduzione)

- “i

Nella vignetta di The Futurist conoscenza è il risultato che deriva da questa sequenza logica:

conigli mangiano l’erba” —> “l’erba cresce nel terreno” —> “la pioggia cade dal cielo” —>“i lupi

deduzione):

mangiano i conigli”, quindi ( “se uccido tutti i lupi, i conigli mangeranno l’erba e il

terreno verrà irrigato”

- domande non strutturate “come?” “perchè?”

L’informazione risponde a come o

- Diversi possono essere i criteri logici che de niscono una sequenza e un risultato. Qui ci

limiteremo ai 3 approcci cognitivi di base:

- Conoscenza oggettiva, dichiarativa (know-that): abbiamo la certezza oggettiva della

sequenza logica e del risultato. Per esempio: “Tutti gli uomini sono mortali” —> “Socrate è

un uomo” —> “Socrate è mortale”

- Conoscenza procedurale (know-how): abbiamo le competenze, le abilità pratiche o la

capacità di ottenere un risultato. Conosciamo cioè la procedura, sequenza, per risolvere un

problema pratico come suonare uno strumento musicale, riparare un automobile, cucinare

una ricetta etc.

- Conoscenza causale (know-why): abbiamo competenze, abilità, esperienze per analizzare,

valutare e collegare informazioni in contesti nuovi e risolvere problemi in modo creativo.

SAGGEZZA

Saggezza è il risultato generato dal collegamento tra le conoscenze pregresse in vista di

ottenere una previsione futura.

- Nonostante il knowledge management prenda in considerazione anche la wisdom, ossia la

saggezza, in realtà possiamo concordare tutti che tale concetto sia molto elusivo. Non è un caso

Jennifer Rowley analizzi sedici manuali di knowledge

che (The wisdom hierarchy, 2007)

management solo 3 riportino il

e di information science che illustrano la piramide DIKW, ma

livello wisdom. Sarebbe forse più corretto considerarla solo un altro approccio alla conoscenza,

quello della conoscenza predittiva, su cui si basano anche molti sviluppi di intelligenza arti ciale

legati al machine learning.

IL KNOWLEDGE MANAGEMENT E LA PIRAMIDE DIKW: TECNOLOGIE APPLICATE 4

ff fi fi fi fi fi fi fi fi ffi fi ffi fi

tecnologie

il knowledge management ha sviluppato per ogni livello della gerarchia delle di rete

infrastrutturali predisposte alla gestione dei dati, delle informazioni e delle conoscenze (ogni livello

CATEGORIE DI TECNOLOGIE:

della piramide è gestito da una

- gestione dei dati sistemi di data mining

→ da -> la raccolta dei dati avviene tramite sistemi

gestionali in grado di raccogliere automaticamente i dati e registrarli su un database . Per

questo tipo di processo vengono utilizzate tecnologie di Data Mining che collegano tra loro i

dati relativi ai diversi processi di un’azienda relazionando in maniera strutturata i dati immessi

dalle varie aree dell’organizzazione: nance, risorse umane, engineering, marketing, operations.

( raccolgono puliscono e ottimizzano i dati ( venivano usati 3 server: il primo raccoglie dati, il secondo li ricompone, il

terzo visualizza i dati che venivano raccolti in tempo reale)

- gestione delle informazioni sistemi di business intelligence

→ da -> per l’elaborazione dei

dati in informazioni vengono utilizzate tecnologie di Business Intelligence, chiamate anche data

integrator. I data integrator si occupano di: recuperare i dati dai vari sistemi esterni, ottimizzarli

(p.e. eliminando i duplicati), de nirne le relazioni logiche. (traduce i dati in report, dashboard,

visualizzazioni per mostrare i fenomeni)

- gestione delle conoscenze data analysis

→ da sistemi di -> per l’elaborazione delle

informazioni in conoscenza, dati e informazioni vengono solitamente aggregati in forma visuale

all’interno di dashboard o webapp interattive online (p.e. Google Analytics, Brand24,

Talkwalker) de niti sistemi di Data Analysis in grado di o rire strumenti per modi care criteri e

variabili e ottenere in tempo reale i risultati desiderati. (individuano, scavano dati, relazioni e costruiscono

modelli interpretativi che non erano visibili esplicitamente prima—> rielaborano le informazioni)

- gestione della saggezza predictive analysis

→ da sistemi di -> l’analisi predittiva è ancora

nella grande maggior parte dei casi un’analisi tipicamente umana, anche se con i recenti

sviluppi sul machine learning si cominciano a utilizzare sistemi di Predictive Analysis, come p.e.

SAP Analytics Cloud (SAC) (https:// www.sap.com/italy/products/analytics.html) che è in grado

di elaborare anche un Business Plan.

oggettività

e soggettività

INFORMATION DESIGN E IL MODELLO DELLA PIRAMIDE DIKW

CONFINE TRA INFORMATION DESIGN E DATA VISUALIZATION

- La Data Visualization rappresenta il processo

che arriva a dei risultati utili a

un’apprendimento contestualizzato e visuale di

tutte le informazioni

- l’Information design è più orientato allo

storytelling, cioè a far comprendere meglio la

narrazione a tutti

Il processo di Information Design può essere vista come l’applicazione del modello DIKW. Diamo

uno sguardo pratico all’esempio illustrato nelle slide = una parte dell’inforgra ca “ITALIA BIO”

DATI

Fonti:

- Super ci, operatori e colture. L’agricoltura biologica in cifre, 2018 (agri.istat.it),

SINAB, su

SINAB.IT si possono scaricare dei dataset interessanti. SINAB è un progetto del Ministero

Politiche Agricole Forestali Alimentari e Turismo

- Cambia la terra. Rapporto annuale 2018 (http://www.cambialaterra.it) 5

fi

fi fi fi ff fi fi

dataset preso in analisi registrava i dati regionali

Il presi singolarmente relativi ai seguenti

indicatori:

- PSR: sviluppo rurale nazionale

programma di del Ministero nanziamenti

➝

- M11: metodo di produzione biologico

Misura 11, adozione del

- Incidenza del M11 sul PSR: nanziamenti hanno supportato l’agricoltura

in che misura i

bio

- Super cie agricola utilizzata (SAU) in generale

- Valori annuali

INFORMAZIONI

I dati vengono incrociati in una tabella divisi in:

- percentuale di super cie agricola BIO

(SAU) utilizzata in modalità

- numero di aziende BIO tendenza nel periodo 1990-2017

La tabella viene convertita in un diagramma di

- discrepanza tra numero di aziende BIO e

il confronto rivela una (linea di tendenza verde)

super ci in ettari e ettivamente coltivate in maniera BIO (gra co a pile)

- per rapportare i valori dei dati a una unità di

è stato indispensabile portarli entrambi

misura uguale, in percentuale

CONOSCENZA

L’esempio riportato si concentra su quest’ultima discrepanza (numero di operatori BIO vs

super ci BIO coltivate)

- il numero di aziende BIO 2017 distribuito su una mappa classi cate per

viene di calore

cluster quantitativi su base regionale (da -2000 arancio a 6000 verde)

- si dispongono numero di aziende BIO per regione e

i dati percentuali del rapporto tra il

l’utilizzo delle super ci coltivate BIO nella regione per vedere chi investe di più

- emergere i dati delle regioni investono di più e di meno

si fanno che (azzurro) (magenta,

ossia utilizzano maggiormente i nanziamenti del PSR)

- Cosa ci racconta questa ra gurazione?

- 9,5% delle risorse pubbliche è stanziato per il biologico, 15,4% delle

Il che rappresenta il

super ci coltivate (didascalia nell’infogra ca totale)

- distribuzione delle aziende BIO non corrisponde agli investimenti:

la

- Lazio (23% investimenti BIO con 4-6mila imprese BIO)

- Campania (1,3% investimenti BIO con la stessa quantità di aziende)

- solo 3 regioni detengono il 56% della super cie biologica

che e investono nel BIO e

sono nel Sud PERCHÈ?

La domanda che bisogna porsi per capire l’andamento e chiudere la narrazione è… 6

fi fi

fi fi ff fi fi ffi fi fi fi fi fi fi fi

ENTROPIA DI SHANNON

Informazione è incertezza

QUANTO MISURA UN’INFORMAZIONE?

PARTIAMO DA UNA RIFLESSIONE: NOI MISURIAMO, QUANTIFICHIAMO QUALSIASI COSA…

MA SI PUÒ MISURARE UN’INFORMAZIONE?...

sì, oggi possiamo dire che un’informazione può pesare tot MB o GB, ma quant’è un GB? Sono

ca. 1 miliardo di Bytes e un Byte sono 8 Bit e qui arriviamo alla ne: non c’è una misura inferiore al

Bit. Ma cosa pesa un bit?

Se noi mettiamo sulla bilancia 1 Kg di prosciutto, questo pesa sempre 1 Kg, ma allora perchè nel

nostro computer immagini fatte di bit delle stesse dimensioni o addirittura immagini uguali,

possono “pesare” in maniera diversa?...

- La nostra risposta sarà: “Dipende…” …da cosa? Risoluzione?... sì, ma tuttavia due immagini

con le stesse dimensioni e la stessa risoluzione possono “pesare” in maniera diversa

- Non è importante da cosa… È importante “dipende”, ovvero da quante “probabilità”

de niscono la rappresentazione di quell’immagine o informazione: per esempio quanti punti-

luce di colore uguale o