Trực quan hóa dữ liệu (Data Visualization) định nghĩa việc biểu diễn trực quan của dữ liệu với sự hỗ trợ của biểu đồ toàn diện, hình ảnh, danh sách, biểu đồ, và nhiều đối tượng trực quan. Nó cho phép người dùng dễ dàng học dữ liệu trong một phần nhỏ thời gian và trích xuất dữ liệu, mẫu, và xu hướng hữu ích. Hơn nữa, nó làm cho dữ liệu dễ hiểu hơn.
Theo thuật ngữ khác, có thể nói rằng biểu diễn dữ liệu dưới dạng đồ họa để người dùng dễ dàng hiểu quá trình xu hướng trong dữ liệu được gọi là trực quan hóa dữ liệu.
Có một số công cụ chứa trong trực quan hóa dữ liệu, bao gồm bản đồ biểu đồ, đồ thị, v.v. Các công cụ dùng cho trực quan hóa dữ liệu hỗ trợ người dùng trong việc dễ dàng hiểu và thu thập thông tin được hỗ trợ bởi biểu diễn trực quan thay vì duyệt qua toàn bộ quét các trang dữ liệu.
Trực quan hóa dữ liệu định nghĩa dữ liệu ở dạng trực quan. Nó thiết yếu vì nó cho phép dữ liệu được nhìn thấy dễ dàng hơn. Kỹ thuật học máy đóng vai trò thiết yếu trong việc thực hiện phân tích dự đoán hỗ trợ trực quan hóa dữ liệu.
Trực quan hóa dữ liệu không chỉ hữu ích cho nhà phân tích kinh doanh, nhà phân tích dữ liệu, và nhà khoa học dữ liệu, mà nó đóng vai trò thiết yếu trong việc hiểu trực quan hóa dữ liệu trong bất kỳ nghề nghiệp nào. Cho dù làm việc trong thiết kế, vận hành, công nghệ, marketing, bán hàng, hoặc nhiều lĩnh vực, đều cần trực quan hóa dữ liệu.
Trực quan hóa cung cấp làm sạch dữ liệu bằng cách khám phá giá trị không chính xác (ví dụ: bệnh nhân tuổi 999 hoặc -1), giá trị thiếu, hàng trùng lặp, cột với tất cả giá trị giống nhau, và tương tự.
Kỹ thuật trực quan hóa cũng hữu ích cho suy xuất và chọn biến – chúng có thể hỗ trợ xác định biến nào nên bao gồm trong phân tích và biến nào có thể dư thừa. Chúng cũng có thể hỗ trợ quyết định kích thước bin phù hợp, phải binning biến số được yêu cầu. Chúng cũng có thể đóng vai trò trong việc kết hợp yếu tố như một phần của giai đoạn giảm dữ liệu.
Cuối cùng, nếu dữ liệu chưa được thu thập và thu thập tốn kém, phương pháp trực quan hóa có thể giúp xác định, sử dụng mẫu, biến số và chỉ số nào hữu ích.
Khám phá dữ liệu (Data exploration) là bước đầu tiên bắt buộc cho dù có phân tích chính thức hơn theo sau hay không. Khám phá đồ họa có thể cung cấp khám phá tự do cho mục đích học cấu trúc dữ liệu, làm sạch thông tin, nhận diện giá trị ngoại lai, khám phá mẫu gốc, và đặt câu hỏi thú vị.
Khám phá đồ họa cũng có thể được nhắm mục tiêu hơn, hướng tới câu hỏi cụ thể của lợi ích. Trong bối cảnh khai thác dữ liệu, sự kết hợp là cần thiết – khám phá tự do được thực hiện để cung cấp mục tiêu cụ thể.
Khám phá đồ họa có thể từ việc tạo biểu đồ cơ bản đến sử dụng hoạt động bao gồm lọc và zoom tương tác để phân tích nhóm trực quan hóa liên kết bao gồm tính năng nâng cao bao gồm màu và nhiều panel.