Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   12 ,  No.   3 ,  Decem ber   201 8 , p p.   1340 ~ 1348   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 2 .i 3 .pp 1340 - 1348          1340       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Metric s and  Ben chma rks for Emp irical  and Comp re h ension   Foc us ed Visu alization  Re search i n the Sal es Dom ain       Loo Yew  Jie,  Do ri s  H oo i - Te n W ong,  Z ari na   M at Z ain, Nil am Nur  Ami r Sjarif,   R osl ina I br ah im ,   Nu r az ean Maaro p   Univer siti   Te kno logi   Ma lay sia ,   5 4100  Kuala L um pur,   Mal a y s ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A ug   1,   2018   Re vised  Oct  1 6 , 2 018   Accepte d  Oct   30 , 201 8       Data   visualizati on  is  an  eff ort  which  ai m s  to  comm unic at e  data  eff ectiv e l y   and  cl e arly   to   the   audi en ce  through  gra phic a l  rep rese nt at ion .   Dat a   visual izat ion  eff orts  m ust  be  c oordina t ed  with   an  und ersta ndi ng  int o  t h e   Cognit ive   L ea r ning  The or y   ( CLT ).   In  the  sale s  dom ai n,   sale s  data   visual izat ion  are  m ade   poss ibl e  with  the   av ai l able  Business  Inte lligence  (BI )   tool s  such  as  Microsoft  Pow er  BI,   T abl e au,  Plo tly ,   and  o the rs.   The se  tool s   al low  se amless  i nte ra ct ion   for  th e  top  m an age m e nt  as  wel l  as  the  sale s  for ce  with  reg ard   to  the   data.   Sale s  dat a  visualiz at io n  comes  with  a n  arr a y   o f   adva nt age s  such   as  self - servic e  ana l y sis  b y   busi ness  users,  rap idly   ada pt  t o   cha nging   busine ss   condi ti ons,   a nd  ena b le  conti nuous  on - demand  rep ort ing   among  othe rs.  The   adva nt age s  of  sale s  dat a  visualization  al so  comes  with  th e   cha l l enge s  such   as  difficulty   in  i dent if y ing   visua l  noise,  high  r ate  of  imag e   cha nge ,   and  hig h  per form ance  r equi rement s.   In  an  eff or t  to  r edu ce   cogni t iv e   ac t ivi t y   th at   doe s  not  enha nce   learni ng,   sal es  visual i za t ion  dashboa rd  m ust  be  designe d  in  a  wa y   that  is  n e i the r   t oo  sim pli stic  nor   too  complex  to  ensure   th at  the   Intri nsi c  Cognit ive   Loa d  (I CL),   Ext r insic   Cognit ive   Loa d   (ECL ),   an d   Germ ane   Cogni ti ve  Loa d  (GCL )  are   in  s y n c  w it h  th e  audienc e .   W it h  th e  combinat ion  of  sale s  dat a  v isua li z at ion  and  C L T,   under st andi n g  complex  sale s  detai ls  qui ckly   is  m ade  poss ibl e  b y   no t  onl y  the   top  m ana ge m ent   of  th e   orga nizati on ,   bu t   al so  the sal es   fo rce   of   th e  org aniza t ion.   Ke yw or d s :   Be nch m ark   Cognit ive L oa d  T he or y   Data Vis ualiz at ion   Me tric s   Sale s   Copyright   ©   201 8  Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed .   Corres pond in g  Aut h or :   Doris  Hooi - Te n Won g ,     Un i ver sit i Te knol og i M al ay sia ,   54100 K uala L um pu r,   Ma la ysi a .   Em a il :  do risw ong@ utm . m y       1.   INTROD U CTION   The  pur pose  of  data  visu al iz at ion   is   to  pro je ct   the  data  cl early   an d  e ff ec tuall y  to  the   s pectat or s   by  us in g  grap hica l  illustrati on.  It  is  a  cru ci al   par t  of   the  pr oces s  to  un c overin g  the  key  point s  within  the  pr ocess.  W it h  m ulti ple  source   of  da ta   avail able,  vi su al iz at ion   is   i m po rta nt  an d  is  bein g  fu l ly   util iz ed  by  m any   orga nizat ion   w or l dw i de  in  m akin g  day  to  da y  decisi on   unti l  i t  is  reg arded  as  an  vital   process  in  B usi nes s   In te ll igence .  I nfl ux  of  data  oc cur s   com m on ly   in  toda y’s  da ta   dr ive n  ec os y stem   and   the   c halle ng e   is  to  pres ent   a  m et ric  and   ben c hm ark s  f or  em pirical   and   com pr e hen si on   fo c us e d  visu al iz at ion .  In  reali ty ,  three  oth e r   i m po rtant t op ic s as s uggeste d by Sin gh a nd  Wajgi  [1 ]  th at  the  deci sio n  m a ker s  w il l faces   su c h  as:   1)   The pr oce dure  of v is ualiz at ion  ca n be  flexib le  an d  ve rsati le .   2)   Suppor ti ng ev i den ce s ar e  tra nspare nt to  acq ui re; an d    3)   The  s pee d of c om pu ti ng  a nd t he  c os t  of   proc essing.   This  pap e r  pr e sents  a  resea rc h  on  ho w  wh at   are  t he  a pprop riat e  m e tric   an d  ben c hm ark s  in  pr oducin g  eff ect ive  v is ualiz at ion  in  the s al es dom ai n.   Trad it io nally , v isuali zat ion h as b ee n  the  do m ai n  of  stat ist ic s.  A st an dard  te xtb oo k  in  sta ti sti cs [ 2] h a s   a  chap te r  on  cr eat ing   ba r  cha r ts,  pie  char ts,  l ine  char ts ,  hist ogram s,  et c.  These  are  sim ple  rep r esentat io ns   of   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Met ric s and Be nchm ar ks f or   Em pirical a nd  Compre hensi on  F o c u s e d …   ( Loo Y ew  Jie )   1341   data  that  requi re  sta ndar d  input.  H ow e ve r,   with  the  prolif erati on   of   ty pe s  and   var ie ty   of  data,  the re  is  a  need  for  m or e  ty pes   of   a naly ses  an d  prese ntati on s   that  a)  bri ng  out  the  relat io nships  betwee n  di ff ere nt  el em en ts  b)  su m m arize  com plex  data  with  sim ple  and   e asi ly   un de rstoo d  vis uals  c)  si m pl ify   the  vis ualiz at ion   with ou t  the  loss  of   the  m a ny  dim ension s   of   the  data  an d  d)   at   the  sam e  t i m e,  achie ve  al l  this  qu ic kly  with  easy   to  us e  analy ti cal   too ls.  Vis ualiz at ion  is  par ti cula rly   i m po rtant  for  hi erarch ic al   data,  w her e   the  in div id ual  data  poi nt s   are  co nnect ed  i n  a  tree - li ke  st ru ct ur e,  with  l arg e  cl us te rs  of  data  bro ken   i nto   s ub - cat e gories.  T he  hie ra rch ic al   analy ses  of   da ta   su ggest ed  he re  can  he lp  pe op le   to  see  r el at ion sh i ps   be tween  var ia ble s  and   gro up s ,  wh il e   m aking   it   easy   to  chec k  on d at a  ve racit y.  The   visu al iz at ion  hel ps   to  un derst and   t he  brea k - up  o f  sal es  dat a  int o  cat egories, s ub cat egories et c.   Be nch m ark in g  ena bles  c om pan ie s  to   see  t heir  posit ion s   relat ive  to   the ir  com petit or s   in  orde r  to   exp l or e  t he  op portu niti es  to  im pr ov e  their  m ark et   posit io n.   T his  is  ta ke n  by  it s  de finiti on s:  “B enc hma rk i ng   i s   the  process o f  con ti nu ously   m easur in g  an d  com par i ng  o ne ’s  busines s  pro cesses  against com par able  pr ocesses  in  le adin g  org anizat ion s   to  ob ta in   inf orm at ion   that  will   help  t he  org anizat ion   i dent ify   and   im ple m ent  i m pr ovem ents”  [3 ] .  Wh il e  m et rics  can  be   def i ned   as  “Sta nd a r ds   if  m easur em ent  by  w hich  e ff i ci ency,   perform ance,  pro gr e ss, or   qu a li ty  o f  a  plan, p ro ces s  or   pro duct  can  b e  asse ssed [4 ] .       2.   RESEA R CH MET HO D   Me lon c on  an d  W a rn e r  [5 ]   r eviewe d  the   m ajo r   cat eg or i es  f ound  in   da ta   visu al iz at ion  inclu des   com par ison o f t ypes of  visu al i zat ion s,  grap hs, ic ons,  o t her  a nd onli ne .     2.1.   Co m pa ri s on  of Ty pes  o f  V is ua li z at ion   1)   An im at ion s  an d  sta ti c  visu al iz at ion s  -   A nim at ion s  did   not  great ly   pr om ote  po sit ive  le arn in g  ou tc om es,   and eve n res ulted in  p e rfo rm a nce  degra datio ns .   2)   Text,  ta bles,  a nd  ba r  grap hs  -   Gr a phs  a re  great   ways   to  e xpress   ris k  c om m un ic at ion   pract ic e  due  t o  t heir  abili ty   to  capt ur e   at te ntio n  and  el ic it   inf orm ation   e xtrac ti on   with  m inim al   cogniti ve  ef fort,  a nd  w il l   i m pr ove c om pr ehensi on.   3)   Tables  a d nd   bar   gra ph   -   Wh e n  data  is  pr ese nted  in   these  fo rm ats,   aud ie nce  w it h  ex pe rience   an d  knowle dge  with  bar  gra ph s   prefe rr e d  bar  graphs,  w hile  th os e  with  e xper ie nce  a nd  ta bl es  f ound  gr a phs   equ al ly   easy   to   us e.  Wh e n  e xam ining   te sts  with  bo rd e rlin e  resu lt ,  bar   graphs  is  sti ll   the  pr e ferred  m edium  of v is ualiz at ion .   4)   Nu m ber s a nd  i cons  -   Gr a ph ic s an d  ic ons w e re th e only  d is crep a ncy b et w een im pacted co m pr ehe ns io n and  recall ; bu t  not i m pacted b y t he  actual  level  of icon ic it y o f gra ph ic .     2.2.   Graphs   Gen e rall y,  gra ph s   are   excell ent  w he n  it   co m es  to  data  visu al iz at ion ,   al thou gh  ther e  e xist  a  de ba te   betwee n  us in g  gr ap hs   an d  li nes.   H oweve r,  it  is  su bj ect e d  to  the  aud ie nces  li te racy  back gr ound.  It  is  al so   disco ver e d  that   gr ap h  co nvent ion s  (tit le s,  le ge nds,  ori entat ion   a nd   c olo r s)  and   li te racy  rates  are  i m po rtant  and  sh oul d be take n  int o  acc ount.     2.3.   Ico ns   Icons  a re  a n  e ff ect ive  m et hod  to   s how  i nfor m at ion   since   they   bo os te d  recall   of  in for m at ion   an d  eff ect ive  in  im pro ving  unders ta nd in g.     2.4.   Oth ers   Othe r  ty pes  of  visu al iz at ion   include s  pie  char t,  m aps  an d  phot ogra ph s .   In   bri ef,  pie  char ts  we re   pr e ferred   w he n  dis play ing   ge no m ic   risk  i nfor m at ion   due  t o  the   sim i la rity  to  c omm on   ob j ect   a nd  the  se e m ing   si m plici t y  of   ba sic   per ce ntag es  and   al lo we d  sim pler  visua li zat ion .  Stu di es  sh owe d  tha t  do m ai n  kn owle dge  can  in flue nce  i nfor m at ion   sel ect ion   a nd  un de rstan ding  of   c om p le x  grap hi cs,  an d  t hey  of fer   em pirical   su pp or t  for  the  d at a  vis ualiz at ion  c onc ept that t he display  sho uld  a void i nclu de  a ny   m or e in form at ion  that  is re qu i red.     2.5.   Onli ne   The  th ree  m os t  widely   discu ssed  ones  i nclud e s  pe rsonal  healt h  rec ord,   patie nt  inf or m at ion   we bs it e  and   el ect r onic   healt h  rec ord . W hile  they   are   su bject   to  t heir  res pecti ve  int erf ace desig ns ,   the  m ajo r  co nc ern o f   these  vis ualiz at ion s  is  t hat  the   gr a phic al   inf orm ation   wer e  t oo  com plex  a nd  incl ud e d  e xc essive  in f or m a ti on   t o  abs orb  a nd un de rstan d.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1340   –   1348   1342   2.6.   Visua l  Analy ti cs (VA )   Figure  1  Vis ua l  An al yt ic s  (VA)   c ould  be  a  t each  a pp ea rin g  crit ic al   gu ara nt ee  in  m aking   a  diff e re nce   cl ie nts  pick  up  kn ow le dg e  i nto   c om plex  inf or m at ion .  V A  de vices  use   hu m an  per c e ptu al   an d  s ubje ct ive   capaci ti es  by  ut il iz ing   intel li gen t   re pr ese ntati on s  as  i nterf a ces  am on gs t  cl ie nts  an d  their   inf or m at ion ,  in  thi s   way m aking  in form ation   relat ed unde rtakin gs   m or e com pelli ng  a nd ef fecti ve.           Figure  1. O verview  of  visu al   analy ti cs       Visu al   A naly ti c  exp ect s  to  de crease  com plex  intel le ct ual  work   t o  proce s s  huge  am ou nt   of   data  set s  towa rd s  an an s wer a ble in form at ion   [6 ] .   The  inf or m at i on   f r om   co m p any’s  operati on  with  cust ome rs’   interact io n  are  ve ry  rich.   The re  ar e   so m e  structur e d  data  w her e  can  be  sto re d,  retrieve  an d  analy ze  in  sp r eads heets  or   i n  relat ion al   da ta base.  Ther e   are  al s o  sem i - structu re d  data  li ke  em ai l  data  or  we bsi te   traff ic   date  w her e  nee d  e xtra  e ffor t  t o  proces s   and   a naly ze  then  su m m arize  it   in  sign ific an t  ways.  For  un structu re d  data   wh e re  it   is  known  as  a  ve ry  wealt h  of   data  wh ic h   are  relat ed  t o  c om pan y;   custo m ers,   re views ,   te stim on ia ls,  and   so ci al   m edia.  It  is  im po rtant  f or  the  com pan y  to  ha ndle   the  da ta ,  storing,  ret rievin g  a nd   m anag i ng   al l  different  ty pe  of   da ta   becau se  it   is  help   the co m pan y t o pr i or it iz e the  perform anc e m easur e s  based  on these  d at a.   To  pe rfo rm   th e  ben c hm ark   and   m easur em e nts  f or   in form at ion   re pr e sent at ion ,  orga nizat ion   util iz e s   excel s pr ea dsh eet  an d t ablea u t oo l i nco m e in form ation :   1)   Dev el op   a  pe r iod   a rr a ngem e nt  plo t  of   nu m ber   of   re que sts  pu t  for  c onsist ently   in  t he  in form at ion al  ind e x.   2)   Visu al iz e the  total  num ber  of  requests  put f or e ver y  day of t he  m on th.   3)   Show  a  gu i de  represe ntati on   with  e ver y  on e  of  the   sta te s  in  the   U S  a nd  qu al it ie s  f or  the  qu a ntit y  of   requests  put i n ea ch  sta te  a nd the   a ver a ge  i nc om e p er arra ng e in that  sta te .   4)   Gr a ph the  qua ntit y of  sit e  vis it s ev ery  day f or all  d at es i n  t he data set .   5)   Gr a ph the  qua ntit y of  sit e  hits f or   al l dates i n  the  d at aset .   6)   Desig n  a   das hboa r d  that  al l  t he  wh il e  s how s  the  guide  pe r cepti on  a nd  th e  diag ram   with  the  quantit y  of   s it e h it s for  all   dates in  the  dat aset .   7)   Desig n  Strate gy   m ap  and  bal anced  sc or eca r d.   A   strat egy   m ap  is  a  sup portive   re pr e sen ta ti on   a pp a ratu s  worked  ar ound  the  bala nced  scor eca rd   id e as  that  ou tl ine s  ci rcu m sta nces  and   e nd   res ul ts  con necti ons   betwee n  key  act ivi ti es  disp la ye d  cl os e  by   ben chm ark  and   m easur em ents  m ark er s.  Re gu la rly ,  a  te chn iq ue o utli ne fo ur p a rtic ul ar terr it ori es  f or m easur em en ts an d ben c hma rk assessm ent.   8)   Finan ci al   po i nt   of   view  –   dem on strat es  a ppr oach es  t o  accom plish  econom ic   dev el opm ent  to  fu lfi l l  inv est or s  ( sla c k  m ark ers ).   9)   Custom er  po in t  of   view  –   portrays  acc ompli sh m ent  wit h  cl ie nts  and   char act e rizes  cl ie nt  sect ion s  (a   blen d of sla ck a nd lead m ark e rs) .   10)   In te r nal  proces s point  of v ie w   –   e xhibit s  how  estee m  is con ve ye d  to cli e nts  (lead m ark ers ).   11)   Le arn i ng   a nd  dev el op m ent  point  of  vie w  –   center s  ar ound   i nd i viduals,   innov at io n,   a nd   hiera rch ic a l   atm os ph e re  (lead m ark ers ).   12)   Pr ope rtie s  of  m et rics.  To  outl ine  KP I s,  it   is  us e fu l  t o  re m e m ber   that  al l  tog et he r  f or  a  m et ric  to  be   fruit fu l,  it   ought  to  be  Si m ple   to  co m pr ehe nd   a nd   be nc hm ark   against;   Ma p  to  key  business  exe rcises,   act ivit ie s  to  c om es  abo ut;  Acti on a ble  –   center  co ns id e rati on   a nd   gu i de  rig ht  co nduct;  Re li able  and  su bst antia l;  and Tim el y (SMART) .   13)   Dashb oards  -   Orgaiza it ion   r egu la rly   util ize  el ect ro nic  da shbo a rds  to  see  KP Is .  A  da shbo a rd   viabl y  portrays  m ark ers  util iz ing   des ign s  wh ic h  m a kes  it   consi de r ably   le ss  dem a nd i ng   t o  rec ou nt  a  story  a nd  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Met ric s and Be nchm ar ks f or   Em pirical a nd  Compre hensi on  F o c u s e d …   ( Loo Y ew  Jie )   1343   convey  it   al l  throu gh   t he  orga nizat ion . I t  can   li kew ise   be  furn is hed  w it h  noti ce  sign s or  a la rm s  con veye d  wh e n  a   m et ric  is o utside  of pr eset  p aram et ers.   Sale s  forecast ing   is  am on g  t he  f undam ental   inp uts  f or  pl ann i ng   decisi ons  th rou ghout  the  supp ly   chain.   Esti m at i ng   fu t ur e  dem and   m or e  accu ratel y  is  critica l  fo r  m eet ing   i t,  wh il e  m ini m iz ing   inve nt ory   and  oth e r  relat e d   c os ts.  These  d e m and  esti m at e s ar e  oft en  m od el le d base d o n hist or ic al   pat te rn s i n  the  dat a [ 7].       3.   FIN DINGS    Accor ding  to  Hav em o  [ 8],  f ro m   a  rep ort in g  pe rs pecti ve,  visu al   m eans  su c h  as  gra phs  a nd   oth e r   visu al isa ti on  is  essenti al   in  increasin g  bu s iness  m od el s  pr ese ntati on.  Accor ding  to  the  2015   Glea ns ig ht  Be nch m ark   Re port  [ 9]  on   data  visu al iz at ion,  there  ar e  a  num ber   of   reas on s  w hy  data  vis ualiz at ion   will   be   i m ple m ented.     3.1.   Empowe r n on - IT  P r of es sion als   If   a vaila ble  to ols  are   to o  c om plex,   it ’s  ve r y  com m on   for  or ga nizat ion s  t o  dep e nd  heavi ly   on   I T  f or   run ning  querie s,  custom iz ing  repor ts,  a nd   c onduct ing   a nal ysi s.  All  these  things  create   bott le neck s  for  us ers .  More  an d  m or e  com pan ie s  are  lookin g  to   increase  ad opti on   of   sel f - s erv ic e  BI  to  s upport  their  goal   in  em pow e rin g n on - I T  prof es sion al s .     3.2.   Rapidl y  Adap t  t o Ch angin g B usiness  Con ditions   Data  vis ualiz at ion   is  i deal  f or  arti culat in g  qual it at ive  ch ang e s  in   busi ness  data  set s   su c h  a s  a n  acqu isi ti on,  m erg e r,   ne w  bus iness  unit ,  or   change  in  the  data  hiera rch y.   Data  visu al iz at ion   m ay  pr ovide  a   gr eat   way to  und e rstan d va riances i n   the  nu m ber s w it h gr e at er ease.     3.3.   Encour age  Data Expl oratio n   Giving  us e rs  visu al ly   stim ulati ng ,  a nd  sim ple  inter faces  m ini m iz es  the  sk il ls  re quire d  to   co nduc t   analy sis.  To p  Perfo rm ers  reco gniz e   that  the   best  thin g  the y  can  do   f or   th e  bu si ness  is  gi ve  us e rs  with  c on te xt  about  how  t o  i nter pr et   data tr en ds ea sy ac ce ss to  t he data  [9].   Ali et .al .   [ 10]  e m ph asi zed som e o f  t he big  da ta  v isuali zat io n pro blem , w hich  incl ud e:   1)   Visu al   noise :  High  relat ivit y   between   eac h  obj ect s  in  the  dataset ,  resu lt ing   hi gh   di ff ic ulty   to  separ at e  them .   2)   Inform at ion   lo ss:  So m e  inf orm at ion   are  sac rificed  i n  t he  e ffor t  t o  im pr ov e  dataset   visibi li ty   and   inc rea se   respo ns e ti m e.   3)   Pers on al   pe rce ption an d  i nter pr et at io n of  t he  v is ual isa ti on .   4)   Highly   dynam ic   data  requires   co ns ta nt  vis ua li sat ion   up dating  inc reases  di ff ic ulty   f or  us e r  to   react  t o  th e  fig ur es  sho wn.   5)   High  perform a nce  requirem ents:  Dy nam ic   visu al iz at ion  dem and s  for  m or e   re qu i rem e nts  c om par ed  to   sta ti c v isuali zat ion .   Ma ny  too ls  ha ve  bee n  in ve nted  to  help  us  out  from   the  abo ve  pro blem .  The  m os t  cru ci al   featur e  tha t   a  vis ualiz at ion   m us t  ha ve  is  interact ivit y.  I n  t he  business  w or l d,   m any  orga nizat ion   ha ve  opte d  f or   visu al iz at ion   t oo ls  to  m ake  interest ing   das hboa rd   a nd   at tract ive  pr e sen ta ti on s.  Am ong  the  m os t  popu la r   visu al iz at ion   t oo ls  a re  s ummari zed  in   Tabl e  1.   Ali  et .  al .  [10]  com par ed   these  to ols  on   the  basis  of  va rio us   at tribu te s. Som e of the  consid erati on s  whe n choosi ng the  righ t  vis ualiz at ion  to ols a re list ed belo w:   1)   To ol is  ope n  s ource  or  no t.   2)   Visu al isa ti on c reated all ows  use r  to  interact   with them .   3)   Su it able cl ie nt  ty pe  or  pack a ge s to  c reate t he  v is ualisa ti on .   4)   Re adiness  to  i nt egr at e  with  da ta  sour ces  su c h as H ad oop Hi ve,   G oogle  Anal yt ic s,  et c.   5)   Av ai la bili ty  o f   tutor ia ls t hr oug h  Ma ssiv e  Op e n On li ne  Co urs es ( MO OCs ).   6)   Accessibil it y and avail abili ty  o f  App li cat i on  Pr og ram m ing  Interface  (AP I).       Table  1.  C om par iso n of so ftw are att rib utes  use d  i n data vis ualiz at ion  sales  dom ai n       Tableau   Po wer  BI   Plo tly   Gep h i   Excel 2 0 1 6   Op en  Sou rce   N   N   Y   Y   N   Interactive    Y   Y   N   N   Y   Desk to p  Clien t   Y   Y   N   Y   Y   On lin e Clien t   Y   Y   Y   N   Y   Mob ile App .   Y   Y   N   N   Y   Integ ration   Y   Y   N   N   Y   MOOCs   Y   Y   Y   Y   Y   API   Y   Y   Y   Y   Y   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1340   –   1348   1344   Althou gh   t he  a forem entioned  too ls  offe rs  powe rful  feat ures  and   oft en  use d  by  bu si nes ses,  ho wev e r  they  also c om e  w it h  li m it s /dem erit s as h ig hl igh te d by t he  a uthors.   1)   Tableau:  Ta ble au  P ub li c  only   com es  with  a  1G B  st or a ge  a nd   for  la r ger   w ork  re quirem e nts,  li cense  of   the  serv e r  a nd Ta bl eau D e sk t op  will  b e  require d.   2)   Mi cro s of t  P ow er  BI:  It  c om es   with   a  fr ee   ve rsion  bu t   us e rs   m us t  hav e   a  Wor k  acc ount  and  it   is  li m it e d  t o  250  MB   of sto r age  for wo r kbook.  It is also  slow e r  if  co m pared to  Ta bleau.   3)   Plotl y:   Pr o  us e rs  ha ve  lim it ed  to  on ly   50 0  K B  fo r  uploa d  s iz e.  Even   i f  pr of essi onal   ver s ion ,  y ou   will   get  un li m i te d  chart s  bu t  uploa d  s iz e  of   file s  will   be  lim it ed  to  on ly   5  MB .  P rogr am m ing   sk il ls  are  requir e d  and no  offici al   offli ne  cl ie nt  f or Plotly  is ava il able.   4)   Gephi:  Only  s pe ci al iz es in gra ph v is ualiz at ion , ca nnot  be  a ppli ed fo r othe r t ypes of  visu al i zat ion s.   5)   Excel  2016:  Mi cro s of t  Office   is  a  pai d  a pp li cat io n  an d  the  on ly   the  Office   36 5  s ubscri ber s   will   gai n  acce ss to  t he A PI .   Re fer ri ng  to  Ma gee  et .al.  [ 11 ]   pro per   dat a  visu al iz at io n  increase s  the  abili ty   of   the  s al esper s on  to   interp ret  the  da ta   visu al iz at ion  p rese nted.  The  pa per   al s o  sta te s  that  t he  hu m an  bra in  is  ha r d - wir ed  to   narrati ve  an d  vi su al   patte rn s  a nd   no t  m at he m at ic al   on es.  Prop e r  ide ntific at ion   of  sal espe r so n  inte rest  or   fo c us   is  al so   im po rta nt  in   prese ntin g  t he  sal es   data   to  t he  sal es person.  Be si des   t ha t,  data v is ualiz at ion   i n  this   c on te xt  is  al so   a n  orga nizat ion al   c ha nge  a ge nt.  Sale s per s on  wer e   a ble  to   ide ntify  their  key  f oc us  in  orde r  to   ide ntify  the r i gh t l ea ds   to brin g  i n  the   sal es as  discusse d  i n  the  sam e  p a per.       4.   PROP OSE D SOLUTI ON   It  is  un de nia ble  that  or ga niz at ion s  norm al l y  hav e  a  colle ct ion   of  datab ase,  w her e  ea ch  data bas e   storing  diff e re nt  piece  of  in form ation .  Howev e r,   visu al i zi ng   the se  hu ge  ch uc k  of  i nfor m at ion   is  us ua ll y  chall eng i ng  an d  m igh t  le ad  to  co nfusi on   i f  no t  pr ese nte d  appr opriat el y.  Gen e rall y,  nu m ber s  and   fig ur es  by  them sel ves  do   no t  car ry  m uc h  m eaning   unle ss  represe nted   us in g  the  rig ht   visu al .  The  quest io n  he re  is,  whe n  it   co m es  to  vi su al iz at ion ,  es pecial ly   in  the  sal es  do m ai n,   wh at   are  the  m et ric  and   be nch m ark   one  sh oul d   fo ll ow  t o  m ak e  rep ort in g  w ork  eff ect i ve  and   easi ly   under st ood  w he n  pr ese nted  to  the  m anag em e nt  or   sta keholde rs ?   This  sect ion   discusse s  so m e  of   the  propose d  m e tric   a nd   ben c hm ark  fo r  em pirical   and  com pr ehe ns io n f ocu se d vis ualiz at ion  in  the s al es dom ai n.   This  pa per   a dopts  the  fou ndat ion   for  the   desig n  of  ins tructi on  an d  a ssessm ent  as  pro po se d  by  Lep pink  [12]  ,  wh ic h  ai m s  t o  kee p  co gn it ive  act ivit y  to  it s  m ini m al  si nce  it   will   j eop ar dize  le arn in g. T hi s   fr am ewo r k  re volves  ar ound  the  Co gn it ive  Loa d  The or y  as  the  dev el opm e nt  and   aut om at ion   of   co gnit ive  schem as  reg a r ding  c onte nt  t o  be   delive re d  a nd  le ar nt  by  th e  au dience .  T he   three   ty pes   of  c ogniti ve  l oa d  a re:  In tri ns ic  Co gnit ive Lo a d (I CL ),  E xtra ne ou s   Cognit ive L oa d (ECL)  and  G erm ane Co gnit ive L oad ( GCL ).   Wh e n  pr e par i ng  a  p resen ta ti on   dec k  to  re port  num ber   and   fig ur es ,  it   i s  i m po rtant  to   ensure  it   is  desig ne d  in  suc h  a  way  that  on ly   a  m ini m um  of   work i ng   m e m or y  po we r  is  required   for  co gn it ive  pro cesses   that  do   not  co ntribute   to  le arn in g  as  m uch .  Ba la nce  is  the  key  in  this  sit uation  w her e  th e  pr ese ntati on   dec k  sh oul d  co ns ist   of   el em ents  that  are  cl ear  an d  easi ly   under s tood.  Mo re ov e r,   in  re portin g  nu m ber s  a nd   figures ,   it   is   no t  a  go od  pr act ic e  to  m erely   le arn   the  ste ps   of  a  proce dure.  Ra ther ,  they   hav e   to  be  under ta ken   in  a   par t ic ula r  se quence   to  e nsu re  a  c orrect  s olu ti on  for  a  giv e n  sit uatio n.   The   seq ue nce  m at te rs  and  that   interact ivit y  add s  to  ICL.  Ta ke   the  case  of   a  bu sin ess  anal yst ,  in  su ch  a  sit uation,   hav i ng   to  a ddress  a  root - cause  analy sis   on   a  drop   in   sal es,  wh ere  there  a re  m any  po ssible  dia gnos es  m ay  tak e  the  ICL  for  le ss  exp e rience d  a naly st  to  the  lim it s  of   their   work i ng   m em or y.  This  will   le ads  to  cre at ing   a  vis ualiz at ion  das hboard  t hat   is  ove r  sim pli sti c  and  fail   t o  delive r  up  to   the  be nch m ark .   O n  t he  c on t ra ry,  a  m or e  a dv anced  analy st  will   ev entuall y  ex per i ence  a  l ow e r  I CL  in  s uch  a  s it uation  beca use   they   can   act ivate   m or e  de ve lop e d  and  pe r hap s   al read y  m or e  a ut om a te d  co gnit ive  sc hem as  t han  their   le ss  exp e rience d  c ollea gu e s.  Thi s  will   le ads  to  creati ng   a  vis ualiz at ion   das hboa r d  that  is  ov er  co m plex  and   hard  to  be  unde rs tood  if  the  audi ence   do e s  no t  ha ve  t he  sam e level  o f  I CL.  H e nce,  careful  ref le ct ion o n  t his I CL   factor i s  of   pa r a m ou nt im po rt ance.   Herna ndo  et .   al .  [ 13 ]   c oncl ud e d  t hat  it   i s  not  a ppr opr ia te   to  s how  al l  the  d e pe ndencies   an d  interrelat io ns hi ps   that  exist  in   big   data  dom a ins,  beca us e  th ere  w ou l d  be  a n  excess  of   i nfor m at ion   that  woul d  m ake  it   i m po ssible  to  detect   the  releva nt  r esults.   I n  gen e ral,  an  orga niz at ion   ca n  co nsi der   the  f ollo wing   pip el ine  pro po sed by Si n gh a nd  W a jgi [ 1] a s d e picte d  i n  Fi gure  2.       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Met ric s and Be nchm ar ks f or   Em pirical a nd  Compre hensi on  F o c u s e d …   ( Loo Y ew  Jie )   1345       Figure  2. Sale s  d at a  visu al iz at ion   pip el in e        4.1.     D ata  P arser     Dep e ndin g  on  sit uations ,  us er   m ay  find   data   set   with  m ultip le   entries  to  be  releva nt  or  irreleva nt .   Ther e f or e,  pa rs ing   will   be  perform ed  in  j ava   us in g  j a va.uti l.Iterat or  cl ass  to  exam ine  the  featur e s  that  exist  i n  the d at a  set .     4.2.     D ata Cle aner     It  is  necessary  to  be  rem ov ed  and   cl eane d  f r om   the  dataset   to  keep   them   relevan t  to  the  sit uation  an d  reduce  unneces sary com pu ta ti on r es ources .     4.3.     D ata  Tr an s fe r HSS F   Wor kbooks  w e re  c hosen   f or  s toring  t he  Fil eIn putSt ream   prov i ded  by  the   us er   f or  c hang e  the  featu re   nam e  exist   in  t he  data  set .  Th e  nam es   of   the  featur e  m ay  need   furthe r  effor t  to  recti fy  so   there  are  in  pro per  form at   m a y  not  be  i n  proper  form a t.  Fo r  i nst ance,  Purcha s e  I d  will   be  e xpress ed   as  P uI D  wh ic h  m ay   cause  conf us io n.     4.4.     D atabase    On ce t he data  are  pro pe rly  p r ocesse d,  it  w il l be im po rted  i nt o  the  database  w hic h  c on ta in  ap pr opriat e   data rele van t t o  the  user i n  th e pro per f or m at .     4.5.     C ache    Ca c he  is  of te n  us ed  to  f requ ently   us ed  dat a  that  is  extracte d  from   the  database  to  reduce  tim e  and  effor t t o  re peat edly  p e rfor m ing  the  sam e extr act ion .     4.6.     Visu aliz at ion    Ti m e  du rati on  pro vid e d  by  t he  e nd  use r  is   usual ly   sp eci f ie d  w he n  it   co m es  to  data  vi su al iz at ion.   High  val ue  cu s tom ers,   reg io na l  sal es  and   t op  pr oducts  can   be  vis ualiz ed.   By   us ing   t his  pract ic e,  en d  us er  will   then  car ried  out  their  res pe ct ive  decisi on  m aking   proc ess  Howe ver,   wh e n  desi gning   the  vis ual iz at ion   das hboard,  it   is  i m po rtant  to  rem e m ber   no t  to  inc orp or at e  un neces sary  ECL  and  aud ie nce s’  le vel  of   knowle dge s ho uld   be  ta ken in to acco unt.       5.   APPLI CA TI ON    In   this  sect io n  how  us er  c an  ap ply  this  theor y  in  sal es  data  visu al iz at ion   is  discuss e d.   T he   appr opriat e  gra ph s/c har ts  m ust   be  a pp li ed   in  the   su it a ble  co ntext  to   incr ea se  ICL  a nd  ev entuall y  boost   GCL.   Ab el a  [14]  sum m arized  a  char t  sugg e sti on s   that  is  com pact  fo r  vis ualiz at ion   use .  I n  ge ner al ,  t her e  a r e  fou r   cat egories o f  c har t,  which  inc lud es:  c om par ison,  relat ion s hi p,   distrib utio n an c om po sit i on.   Com par ison   graphs  can  be  f ur t her   s ubdiv i ded   i nto   tw o  s m al le r  gr oup,  ei ther  they   are   com par ing  a m on g  it em s  or  o ve r  ti m e.  For  c om par ison  a m on g  it em s,  us er  ca n  c onsider   va riable width  colum n  c har t,  table  with  em bed de d  char ts ,  bar   c har t  or  colum n  char t.  Fo r  co m par ison s  ove r  tim e,  us er  can  co ns ide r  ci rcu la r  area   char t,  li ne  c hart ,  colum n  chart   or   li ne  char t .   Re la ti on sh ip  betwee n  tw o  va riables  can  be   expresse d  in  s cat te r   plo t.  Me a nwhi le ,  relat ionshi p  with  t hr ee   va r ia bles  can   be   e xpresse d  i n  bubb le   c ha rt.  Dist ribu ti on  with  sing le   var ia ble  can  be   expresse d  in  colum n  histo gra m   fo r  few   dat a  po i nts  an d  li ne  hist ogram   fo r  m any  data  points.   Distrib ution  wi th  tw o  var ia bles  can   be   ex pre ssed  i n  scat te r   plo t.  Finall y,  di stribu ti on  with  th ree  va riabl es  can   be  e xpresse d  i n   3D  A rea  C ha rt.  Com po sit ion  w hich   are   c hangin g  over   tim e  can  be   ex pr ess ed   us i ng  sta cke d  100%  c olu m n  char t,   sta cke d  c olu m n  chart ,  sta cke d  10 0%   area  c har t  or   sta cke d  are a  char t .  Wh il e   sta ti c  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1340   –   1348   1346   com po sit ion   c an  be  e xpress ed  us i ng   pie  char t,  wate rfal l  char t  or   s t acked   100%   colum n  chart   with  su bc om ponen t s.   The  a ppr opriat e  cha rt  m us t  be  a pp li e d  to   the  ri gh t  c onte xt  to  im pr ov e  GCL  a nd  a vo i d  c reati ng   unnecessa ry E CL. Fig ure  3  s umm arizes t he c har t s ugge sti on a nd their  crit eria.   In   a nother   co ntext,  visu al iz ing   sal es  rel at ed  ge ogra phic   or   dem og ra phic   data  in  m aps  does  no t   necessa ry  le ad s  to  bette r  ICL   since  not  e very on e  has   the   s a m e  le vel  of  ge ogra ph ic al   know le dg e .  In  Fi gure  4,  the av e ra ge bir th r at e  for  c ount ries in the  r e gi on of  Asia a nd  The Am ericans ar e c om par ed   us in g   m aps.           Figure  3. Cha rt Sug gestio n           Figure  4. Vis ua li zi ng  b i rth ra te  b y re gion  usi ng  m aps       Althou gh  aest hetic   an d  a pp eal ing ,   ho wever,  t his  will   c reate  ECL  if   the  au die nce  geog raphical   knowle dge  is  l i m i te d.   It   is  bette r  to  re pr ese nt   the  c om par iso n  of  ave ra ge  birth   rate  betwee n  tw o  re gions  us i ng   a  sim ple  bar   grap h  si nce  it   is   cl ear  a nd  easi ly   underst ood.   I n  Fi gure  5,  one  ca n  ea sil y  con cl ud e   that   Asian  countries  ha ve   a  bette r  aver age  bi rth  r at e  than  The   Am ericans  c ountries.  Audi ence  with ou t   m uch   geog r ap hical   knowle dge  can  easi ly   visu al iz e  the  nu m ber   and   fig ur es ,  he nce  le adin g  to  bette r  ICL  an d  GCL  and av oid i ng E CL.       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Met ric s and Be nchm ar ks f or   Em pirical a nd  Compre hensi on  F o c u s e d …   ( Loo Y ew  Jie )   1347       Figure  5. Vis ua li zi ng  b i rth ra te  b y re gion  usi ng   ba r  c har ts        6.   CONCL US I O NS   A ND FUT U RE  WO RKS   As  the  ne ed  for  quic k  decisi on - m aking   keep s  rising   i n  m ar keting,  pa rtic ul arly   with  the  adv e nt  of  th e   In te r net,  ra pid   unde rstan ding  thr ough  visu al   rep re sentat io n  of   the  ef fect  of   m ark et ing   va riables  on  str at egy  will   help  in  im pro ving  pro fita bili ty .  Sp rea dsheet s  an d  ot her  non - vis ual  dat a  are  ve ry  i m po rta nt  an d  can no t  be   done  a way  with.  It  is   best  t o  prov i de  a  m ark et in g  a naly st  bo t h  visu al   and  no n - visu al   data  s o  that  s ound   m ark et ing   decisi on s  ca n  be  m ade.  S om e   m a nag e rs  are  best   at   un der sta nding   nu m ber s  an d  oth e rs  are  m os tl y  visu al ;  he nce  bo t h  m us t  be  pro vid e d  to  m anag e rs  f or   m akin g  sound  de ci sion s.  Heer   and   S hnei de rm an  [15]   sta te   that  m ulti ple,  li nk e d  vis ualiz at ion s  are  im portant  f or   pro vid in g  m eaningf ul  insig hts   into  m ul ti di m ension al   da ta   rat her than  is olate d  vi su al iz at ion  of  t he  sam e  data  si nce  t he  q ua ntit y  of  data   that  c an  be  pr ese nted  i n  a  sing le   im age   is  lim it ed  and   inter - relat io ns hi ps   be twee n  va riables  an d  data  set s  ca nnot  be   entirel y  pr ese nt ed  with  a  si m ple  i m age.  Effec ti ve  data  visu al isa ti on   an d  unde rstan ding  the  aud ie nce  of  th e   data  vis ualisa ti on   is   cr ucial   in  the   sal es  e nv i ronm ent  as  it   al lows   f or  sal es  per s onne l  to  underst and  th e   internali ze  t he  visu al isa ti on  th at   su it s  the   sal es  pe rs onnel  st yl e  and  it   al so  al lows   t he  ope rati on al   pe rson nel  to   unde rstan d  the   internali ze the   visu al isa ti on th at  s uits to t heir  sty le .   Visu al iz at ion  un ea rths  to pic s  that  are   hid de n  due  to   the  c om plexity   of   the   is su e,   dri ving   si m plific at ion   of  the   to pic,  creati ng  ur gency   an d  a n  e ffec ti ve  sen se  of  the  opportu ni ty   cost  to  no t   ta ke  correct ive act ion  [1 1].Lastl y, the i m ple m entat ion  p r ocess o f  a d at a - dri ve n  pro j ect  in  a sal es env ir onm ent  m us t   ens ur e  t hat  ef fecti ve  data  vi su al isa ti on   is   in  place  t o  e nsure   the  a udie nce  a re  f ully   eng a ge d.   The   three   com m on   issues  that  m us t  alw ay s  be  ta ke n  into  co ns ide rat ion   are:  (i )  Th e  TIME  ta k en  or   data  gathe ri ng,  (ii)   The  in div id ual ’s  ABIL IT Y  in   any  ind ivid ual   to  synthesiz e,  analy ze  under s ta nd   the  data  vi su al isa ti on   an d  (iii )   The  a bili ty  to  COMM UNIC ATE  t he  ac qu i red insig hts t o othe rs wit hin  t heir  te am  d ow n  the  li ne.       ACKN OWLE DGME NT   The  aut hor s  w ou l d  li ke  to  thank   Un i ver sit i  Teknolo gi  Ma la ysi a  fo r  the  Po te ntial   Acad em ic  Staf f   Gr a nt (Q. K 130000. 2738. 03K 13).       REFERE NCE S   [1]     Singh  K,  W aj gi   R.   Da ta  Anal ysis  and  Visual izati on   of  Sal es  Data .   W orld  Co nfe ren c e  on   Fut uristi c   Tre nds  i n  Resea rch   and   In nov at ion   for  Soc ia l   W el far e, 201 6.   [2]     Bere nson  M,  Levine  D,  Szabat.   Data   Visualiza t i on  in  Marke ti ng .   Journal  of  Marke ti ng  Mana g ement.   2015;  3  (2):   36 - 49.   [3]     Et tor chi - T ard y   A,  Le v if  M,  Mi che l  P.   Benc hm ark ing:   A  Me th od  for  Conti nuo us  Quali t y   Im pr ovement  in  He alth.   He al th c  Poli c y .   2012;  7  (4) :  101 - 109.   [4]     Business  Dict i onar y ,   "w w w.busine ss dic ti o nar y . com,"   [Onli ne] .   Available:   htt p://ww w.busine ss dic ti on ar y . c om /de fini ti on /metrics.ht m l. [Ac c essed  6  Ma y   201 8] .   [5]     Melonc on  L ,   W a rne r  E.   D at a  Vis ual i za t ions:  A  Literature   Rev ie w a nd   Opportunitie s  for  Te chnica l  a nd  Profess iona l  Com m unic at ion. Professional   Co m m unic at ion  Co nfe ren c e  (ProCo m m ) ,   2017.   [6]     Kaluz a  A,  Gell r ic h  S,  Cerda s  F ,   Thi ed e  S,  Herrm ann  C.   Li fe  C y c le   Engi n ee r i ng  Based  on  V isual   Anal y tics.   Proce dia CIRP .   2018;  69:   37 - 42.   [7]     Saga ert   YR,  A ghez z af  EH,   K oure ntzes  N,  Desm et   B.   Tactica l  sal es  fore c a sting  using  a  ver y   la rg e  set  o f  m ac roe conomic   indi c at ors.   Euro pea n  Journa l  of   Opera ti on al   R es ea rch .   2018 ;  264   (2):  558 - 56 9.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1340   –   1348   1348   [8]     Emeli eHa v emo.  A  visual   per spec ti ve  on  va lue   c r ea t ion:   Expl o rin g  pa tt ern s  in  bus ine ss   m odel   diagram s.  Europe a n   Mana gement  Jo urna l .   2017.   [9]     Glea nster .   Gl ea n sight  Ben chmark  Report  -   Da ta Visual izat ion. 201 5.   [10]     Ali  SM ,   Gupta   N,  Na y ak   GK ,   L enka   RK.   Big   d at a   visualization :  Tool s   and  chal le nges.   Conte m p ora r y   Com puti n g   and  Inf orm at i cs  (IC3I).   2016 :  65 6 - 660.   [11]     Mage e  B ,   Sam m on  D,  Nagle   T,   O’Ragh al l ai g h  P.  Introdu ci n g  data  driv en  p rac t ic es  int o  sa l es  envi ronm ent s :   exa m ini ng  th e  i m pac t  of  da ta   v isual isation  on  user  enga g ement  and  sa le s  resu lt s.  Journal   of  Dec ision  S y s tem s .  2016;  25  (1) :  31 3 - 328.   [12]     Le ppink  J.  Cogn it ive   lo ad  the or y:  Prac tical   impli ca t ions  and  an  i m porta nt  cha l le n ge.   Journal  of  T ai bah  Univer si t y  Medic a l  Sci ence s .   2017.   12  (5) : 385 - 391.   [13]     Herna ndo  A,  Bobadi lla  J,  O rte ga   F,  Guti ér rez   A.   Method   to  in te ra ctively   v isual i ze   and   navi ga te   relat ed   informati on, "   Ex per t  S y stems   wit h  Applicati ons,   2018.   [14]     Abela .   Th e   Ext reme   Presenta ti on (tm)  Method.   Septe m ber   2006.   [Online ] .   Avail able:   htt p://ext r emepr ese ntation.t y pep ad. com/fi le s/ cho osing - a - good - ch art - 09. pdf .   [A ccess ed  6  Ma y   201 8] .   [15]     Hee r  J,  Shneid er m an  B.   Inte racti ve  D y namics  for   Visual  Anal y sis :  A  ta xonom y   of   tool s  tha t  support  the   flue n t  and  fle xible  use   of   vi suali z at ions.   ACM   Queue .   2016;   10  (2):  1 - 26 .   [16]     Jovanovic   J,  Ba gher i  E,   Gasevi c  G.  Com pre hension  and  Le arn ing  of  Socia l  Goals  through  Visuali z at ion .   IEEE   Tra nsac ti ons on   Hum an - Mac hine S y stems .   2015 : 478 - 489.   Evaluation Warning : The document was created with Spire.PDF for Python.