[논문]사용자 의도 기반 정량적 빅데이터 시각화 가이드라인 툴

변정윤; 박용범

doi:10.3745/ktsde.2016.5.6.261

사용자 의도 기반 정량적 빅데이터 시각화 가이드라인 툴
A Guiding System of Visualization for Quantitative Bigdata Based on User Intention 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.5 no.6, 2016년, pp.261 - 266

초록
AI-Helper

기존의 다양한 데이터 시각화 툴에서 제공하는 차트 추천 방식은 사용자의 의도를 고려하지 않은 상태로 차트를 추천한다. 일부 시각화 툴에서는 세분화된 정량적 데이터 분류 체계를 따르지 않기 때문에 명확한 데이터 시각화가 이루어지지 않고 있다. 본 논문에서는 입력된 정량적 데이터를 정확하게 분류하고, 사용자 의도를 반영하여 효율적으로 차트를 추천하는 가이드라인을 제안한다. 가이드라인은 데이터를 분석하는 분석 가이드라인과, 입력된 데이터 타입과 사용자의 의도를 반영하여 차트를 추천하는 추천 가이드라인으로 구성되어 있다. 이러한 가이드라인을 통해 차트 선택 과정에서 사용자의 의도에 부합하지 않는 차트를 배제하였고, 사용자가 차트를 선택하는데 소요되는 시간이 감소하였음을 확인하였다.

Abstract ▼ AI-Helper

Chart suggestion method provided by various existing data visualization tools makes chart recommendations without considering the user intention. Data visualization is not properly carried out and thus, unclear in some tools because they do not follow the segmented quantitative data classification policy. This paper provides a guideline that clearly classifies the quantitative input data and that effectively suggests charts based on user intention. The guideline is two-fold; the analysis guideline examines the quantitative data and the suggestion guideline recommends charts based on the input data type and the user intention. Following this guideline, we excluded charts in disagreement with the user intention and confirmed that the time user spends in the chart selection process has decreased.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

의도에 맞게 적절한 차트를 선택하는 작업은 사용자의 지식에 의존하므로, 이를 지원할 필요가 있다[2]. 따라서 본 논문에서는 사용자의 의도를 고려하여 차트를 효율적으로 선택할 수 있도록 돕는 차트 추천 가이드라인을 설계하였다.
본 논문에서는 정량적 데이터를 세분화하여 사용자가 더욱 명확한 데이터 시각화를 할 수 있도록 분석 가이드라인을 설계하였다. 또한, 입력 데이터와 사용자의 의도를 고려하여 적절한 차트를 추천하는 시각화 가이드라인 툴을 설계하고 구현하였다.

가설 설정

Table 5에서는 입력된 의도에 따른 차트 추천 룰을 제시한다. 입력된 의도뿐 아니라 세분화된 정량 데이터 타입에 따라 추천될 수 있는 차트의 종류는 다르다. Table 5에 제시된 룰은 Table 2에서 제한한 차트 범위와 Table 4에서 제시된 입력 데이터에 따른 차트 가이드라인 룰을 조합하여 생성하였다.

제안 방법

첫째, 입력된 정량적 데이터를 분석하여 알맞은 타입으로 분류하는 분석 가이드라인을 설계하였다. 둘째, 비전문가들이 쉽게 이해할 수 있는 범위 내의 차트를 선정하여, 사용자 의도에 맞는 차트를 선택할 수 있도록 차트 추천 가이드라인을 설계하였다. 셋째, D3.
본 논문에서는 정량적 데이터를 세분화하여 사용자가 더욱 명확한 데이터 시각화를 할 수 있도록 분석 가이드라인을 설계하였다. 또한, 입력 데이터와 사용자의 의도를 고려하여 적절한 차트를 추천하는 시각화 가이드라인 툴을 설계하고 구현하였다.
본 논문에서 제안하는 시각화 가이드라인 시스템은 D3.js로 개발된 오픈 소스 시각화 툴 RAW에 분석 가이드라인과 추천 가이드라인을 추가하여 구현하였다. D3는 SVG를 통해 시각적 요소를 생성하고 조작하며, SVG로 표현할 수 있는 시각적 요소는 rect, circle, ellipse, line, path, point 등이 있다[17].
본 논문에서는 Raw 기본 구성에 추가적으로 (1) 주 의도선택 섹션과 (2) 자세한 의도 선택 섹션을 추가하여 총 7개의 섹션으로 시각화 가이드라인 시스템을 구성하였다. Fig.
Raw에서 지원하는 데이터 타입은 date, string, number다. 본 논문에서는 정량적 데이터 타입을 세분화하여 사용자가 더욱 명확한 데이터를 표현할 수 있도록, 3.3절에서 생성한 분석 가이드 라인을 통해 기존 Raw의 분석 알고리즘을 개선하였다. Table 6은 Raw에서 지원하는 데이터 타입과 본 논문에서 제안하는 데이터 타입을 나타낸다.
본 논문에서는 정량적 데이터를 정량-등간 데이터 타입과 정량-비율 데이터 타입으로 세분화하였다. 입력된 데이터에 따라 매핑되는 시각적 요소는 다르며, 선택될 수 있는 차트 종류 또한 다르게 나타난다.
본 시스템에서는 정량적 데이터 타입을 이론적 정의로 분류하였다. 하지만 현실 세계의 많은 데이터들을 모두 이론적 정의로만 분류할 수는 없다.
보다 더 효율적인 차트 추천을 위해 본 논문에서는 다음과 같은 내용을 포함한다. 첫째, 입력된 정량적 데이터를 분석하여 알맞은 타입으로 분류하는 분석 가이드라인을 설계하였다. 둘째, 비전문가들이 쉽게 이해할 수 있는 범위 내의 차트를 선정하여, 사용자 의도에 맞는 차트를 선택할 수 있도록 차트 추천 가이드라인을 설계하였다.

이론/모형

정량적 데이터 시각화를 위하여 Stephen Few가 정의한 네 가지 시각적 요소로 차트 범위를 한정시켰다[3]. 네 가지 시각적 요소 Bar, Box, Line, Point는 각각 SVG 요소와 대응된다.

성능/효과

Raw에 가이드라인이 추가되어 시스템 구성이 4단계에서 6단계로 늘어났지만, 차트 선택 과정에서 사용자 의도에 부합하지 않는 차트를 배제함으로써 사용자가 차트를 선택하는 시간이 감소하였음을 확인하였다.
결론적으로, 제안된 추천 시스템을 통해 선택된 차트들이 별도의 가이드라인 없이 선택된 차트들보다 더욱 효과적으로 사용자의 의도에 맞게 데이터를 표현하였음을 확인하였다. 본 시스템의 유용성을 시간적 효율성 측면에서만 확인하였지만, 이에 그치지 않고 추천된 차트에 대한 설문조사, 사용자 인지도 조사까지 확장하여 보다 명확한 유용성 검증이 이루어져야 한다.
본 논문에서 제안하는 ‘사용자 의도 기반 정량적 빅데이터 시각화 가이드라인 툴’은 Raw에 개선된 분석 가이드라인과 추천 가이드라인을 추가하여 구현되었다.
둘째, 비전문가들이 쉽게 이해할 수 있는 범위 내의 차트를 선정하여, 사용자 의도에 맞는 차트를 선택할 수 있도록 차트 추천 가이드라인을 설계하였다. 셋째, D3.js로 개발된 오픈소스 시각화 툴 RAW에 개선된 분석 가이드라인과 추천 가이드라인을 추가하여 정량적 시각화를 위한 사용자 의도 기반 시각화 가이드라인 시스템으로 발전시켰다[7, 8]. 마지막으로, 가이드라인을 통해 선택된 차트들을 평가하여 차트 추천 시스템의 유용성을 확인하였다.

후속연구

정량적 데이터를 정량-등간 데이터와 정량-비율 데이터로 분류할 수 있는 더욱 효과적인 알고리즘 개발에 대한 연구가 필요하다. 나아가 정형 데이터 뿐 아니라 비정형 데이터까지도 분석이 가능한 시각화 가이드라인을 설계한다면 빅데이터를 더욱 효율적으로 분석할 수 있다.
결론적으로, 제안된 추천 시스템을 통해 선택된 차트들이 별도의 가이드라인 없이 선택된 차트들보다 더욱 효과적으로 사용자의 의도에 맞게 데이터를 표현하였음을 확인하였다. 본 시스템의 유용성을 시간적 효율성 측면에서만 확인하였지만, 이에 그치지 않고 추천된 차트에 대한 설문조사, 사용자 인지도 조사까지 확장하여 보다 명확한 유용성 검증이 이루어져야 한다.
하지만 현실 세계의 많은 데이터들을 모두 이론적 정의로만 분류할 수는 없다. 정량적 데이터를 정량-등간 데이터와 정량-비율 데이터로 분류할 수 있는 더욱 효과적인 알고리즘 개발에 대한 연구가 필요하다. 나아가 정형 데이터 뿐 아니라 비정형 데이터까지도 분석이 가능한 시각화 가이드라인을 설계한다면 빅데이터를 더욱 효율적으로 분석할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Raw는 어떤 소프트웨어를 말하는가?	Raw는 DenstiyDesign 연구소에서 개발한 웹 기반 오픈소스 시각화 소프트웨어다. Raw는 D3 자바스크립트 라이브러리를 활용하여 사용자 정의 벡터 기반 시각화를 지원한다.
	데이터 시각화의 역할은 무엇인가?	데이터 시각화는 데이터 속성을 적절한 시각화 요소로 매핑시켜 정보를 전달하는 것이다. 정확한 정보 전달을 위해서는 체계적인 시각화 설계 과정을 따라야 한다[2].
	시각화 분야에서의 정량적 데이터는 어떻게 분류하는가?	1. 정량-등간 데이터(Quantitative-Interval Data) 2. 정량-비율 데이터(Quantitative-Ratio Data)

참고문헌 (18)

Jock D. Mackinlay, Pat Hanrahan, and Chris Stolte, "Show me: Automatic presentation for visual analysis," Visualization and Computer Graphics, IEEE Transactions on, Vol.13, No.6, pp.1137-1144, 2007.

상세보기
Andy Kirk, "Data Visualization: a successful design process," Packt Publishing Ltd., 2012.
Stephen Few, "Now you see it: simple visualization techniques for quantitative analysis," Analytics Press, 2009.
Stephen Few, "Show me the numbers," Analytics Press, 2004.
Edward R. Tufte and P. R. Graves-Morris, "The visual display of quantitative information," CT: Graphics press, 1983.
Stanley Smith Stevens, "On the theory of scales of measurement," Science, New Series, Vol.103, No.2684, pp. 677-680, 1946.
Mike Bostock, D3: Data-Driven Documents [Internet], https://d3js.org/.
DensityDesign Lab, RAW [Internet], http://raw.densitydesign.org/.
Hyungnyun Kim, "Case Study of Bigdata Visualization -Centre around the Visual Representation Form-," Journal of Integrated Design Research, Vol.13, No.4, pp.125-136, 2014.
모리후지 다이치, 안티베이지안, 엔지니어를 위한 데이터 시각화 : D3.js로 배우는 데이터 시각화 이론과 12가지 사례, 김성재 옮김, 한빛 미디어, 2015.
Ben Fry, "Visualizing data: Exploring and explaining data with the processing environment," O'Reilly Media, Inc., 2007.
Munzner, Tamara. "Interactive visualization of large graphs and networks," Ph.D. dissertation, Stanford University, 2000.
Senay, Hikmet and Eve Ignatius, "Rules and principles of scientific data visualization," Institute for Information Science and Technology, Department of Electrical Engineering and Computer Science, School of Engineering and Applied Science, George Washington University, 1990.
Colin Ware, "Information visualization: perception for design," Elsevier, 2012.
Jacques Bertin, "The Semiology of Graphics," University of Wisconsin Press, 1983. (First edition 1967).
Michael Friendly, "A brief history of data visualization," Handbook of data visualization. Springer Berlin Heidelberg, pp.15-56, 2008.
Scott Murray, "Interactive data visualization for the Web," O'Reilly Media, Inc., 2013.
Severino Ribecca, The Data Visualisation Catalogue [Internet], http://www.datavizcatalogue.com/.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증