Waarom de waarheid niet zwart-wit is

Ze zeggen wel eens dat een afbeelding meer dan 1000 woorden zegt. Maar wat zegt die afbeelding eigenlijk? Begrijp je het wel of zie je vooral wat je wilt zien?

In de podcast Present Beyond Measure is de auteur van ‘How Charts Lie’ te gast. Een hele interessante aflevering omdat ik het spanningsveld tussen overtuigende en zo objectief mogelijke datapresentaties zo boeiend vind.

Tijd en concentratie zijn schaars. Dus in een presentatie wil je zo simpel mogelijk duidelijk maken wat je conclusie is en op basis van welke data. Een overzichtelijke presentatie vraagt vaak om het weglaten van elementen die de boodschap onduidelijker maken, het highlighten van de opvallende stukken in de data en het toevoegen van een duidelijke conclusie en vervolgstappen.

Wanneer je echter zo objectief mogelijk data presenteert, plaats je gewoon de onbewerkte data in een slide en laat je het publiek zelf tot de conclusie komen. De kans dat er actie genomen wordt op de data wordt dan alleen bijzonder klein.

De context die je rondom data geeft is altijd biased. De waarheid is geen binair begrip. Je probeert altijd zo dicht mogelijk bij de waarheid te komen, maar het gaat om een positie binnen een spectrum. De tip van de auteur is om duidelijk aan te geven dat je jouw meest oprechte interpretatie van de feiten geeft en dat er wellicht meerdere interpretaties zijn. Daarnaast kan je een mate van zekerheid vermelden bij je stellingen.

Maar wat kan je doen als je zelf een datavisualisatie te zien krijgt? Probeer dan de volgende vragen te beantwoorden:

• Wat zie ik? Welke data zijn hier te zien?
• Wat zie ik niet? Ga na welke data zijn weggelaten en wat de context is die je mist. Wellicht dat er een andere mogelijke verklaring is die niet in de dataset opgenomen is. Denk hierbij aan het klassieke voorbeeld waarmee causaliteit en correlatie wordt uitgelegd. Als men veel ijs eet, neemt de kans op verdrinkingsgevaar toe. Er is sprake van correlatie, maar niet van causaliteit. Met warm weer gaan meer mensen zwemmen en hierdoor neemt de kans op verdrinking toe. Op het moment dat ijsconsumptie en verdrinkingen in één grafiek zijn getoond, dan mis je dus de factor temperatuur.
• Wat zie ik wat eigenlijk helemaal niet in de datapresentatie staat? Sluit de conclusie teveel aan op wat je wilt zien, dan is dit een ‘red flag’ voor een teveel gekleurde interpretatie. Dan bestaat de kans dat je je eigen overtuigingen op de grafiek projecteert en dat er sprake is van ‘confirmation bias’.

De podcast kan je hier beluisteren.