Визуализация данных и BI-инструменты

2026/2027

Статус: Маго-лего

Кто читает: Департамент маркетинга и предпринимательства

Где читается: Факультет менеджмента (Нижний Новгород)

Охват аудитории: для своего кампуса

Преподаватели: Привалов Игорь Васильевич

Язык: русский

Кредиты: 3

Контактные часы: 40

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена анализу и созданию визуализаций данных с опорой на исследования в области восприятия визуальной информации, а также на модель “почему - что - как” для анализа задач и решений в визуализации. Практическая часть курса ориентирована на создание статических и интерактивных визуализаций в языке программирования Python с применением библиотек Matplotlib, Seaborn и Plotly. В практике делается акцент на аргументированный выбор визуального кодирования признаков и на приемы взаимодействия человека с визуализацией в зависимости от типа данных и целей анализа.

Цель освоения дисциплины

Сформировать способность представить задачу визуализации через модель “цель (почему) - данные (что) - кодировки/взаимодействия (как)” и использовать её для анализа и проектирования визуальных решений.
Развить навык выявления ошибок визуального дизайна (неэффективные каналы восприятия, перегрузка информации, неверные шкалы/цветовые карты, несоответствие задаче) и обоснования его корректировок на основе особенностей человеческого восприятия.
Освоить практику построения воспроизводимых визуализаций в Python (от подготовки данных до финальной графики) в Matplotlib/Seaborn и интерактивных решений в Plotly.

Планируемые результаты обучения

Представляет конкретную задачу в модели “почему - что - как” для одного набора данных.
Классифицирует признаки (минимум 10 признаков) набора данных по типам и выбирает допустимые для каждого признака способы преобразований.
Строит набор из 3 базовых визуализаций (например: столбчатая диаграмма, линейный график, диаграмма рассеяния) в Matplotlib или Seaborn для одного набора данных и поясняет назначение каждой визуализации.
Выявляет минимум 5 факторов, повышающих когнитивную нагрузку при восприятии визуализации, и предлагает 3 конкретных варианты улучшения дизайна визуализации с ожидаемым эффектом уменьшения когнитивной нагрузки.
Проектирует визуализацию, использующую минимум 2 различных способа кодирования признака (например, оттенок и положение), и обосновывает выбор кодирования с точки зрения величины ошибки восприятия.
Анализирует читаемость (шкалы, подписи, контраст, плотность) минимум 2 видов визуализаций и формулирует проверяемые критерии качества (не менее 4 пунктов).
Ранжирует по эффективности восприятия минимум 6 визуальных каналов для заданного типа признаков (категориальные, порядковые, количественные); Исправляет 2 примера неудачных визуализаций (шкалы/кодировки/оттенок/подписи) и предоставляет улучшенную версию в Matplotlib или Seaborn с перечнем внесённых изменений.
Подбирает цветовую карту под тип признака (последовательный, расходящийся, категориальный) и демонстрирует её применение на одной визуализации в Python, фиксируя критерии выбора (минимум 2 критерия).
Проектирует и реализует интерактивную визуализацию в Plotly для одного набора данных, включающую минимум 3 интерактивных элемента (например: всплывающие подсказки, фильтрацию, выделение, переключение слоёв).
Строит визуализацию из минимум 4 связанных видов и формулирует правила согласования шкал/легенд/оттенка (не менее 4 пунктов).
Выполняет сокращение данных для визуального анализа (агрегация/фильтрация/биннинг) и демонстрирует влияние такого сокращения на читаемость, предоставляя для сравнения два варианта визуализации (до/после).
Студенты смогут выбирать и применять подходящие типы визуализаций в BI-инструменте в зависимости от структуры данных и поставленной аналитической задачи.
Студенты научатся создавать интерактивные дашборды и корректно интерпретировать визуальные данные для поддержки управленческих решений.