6  Comunicação personalizada

Não existe um gráfico universal. O que funciona para um público pode ser ineficiente ou até confuso para outro.

A primeira questão a considerar é quem vai consumir os dados.

Dados: https://www.kaggle.com/datasets/joebeachcapital/fast-food?select=FastFoodNutritionMenuV2.csv

Contexto: O conjunto de dados contém informações dos valores nutricionais de lanches dos maiores e mais populares restaurantes de fast food:

library(tidyverse)
dados <- read.csv("FastFoodNutritionMenuV2.csv") %>%
  filter(Company != "Wendy’s" & Company != "Taco Bell")
  
glimpse(dados)
Rows: 811
Columns: 14
$ Company              <chr> "McDonald’s", "McDonald’s", "McDonald’s", "McDona…
$ Item                 <chr> "Hamburger", "Cheeseburger", "Double Cheeseburger…
$ Calories             <chr> "250", "300", "440", "390", "510", "740", "540", …
$ Calories.from.Fat    <chr> "80", "110", "210", "170", "230", "380", "260", "…
$ Total.Fat..g.        <chr> "9", "12", "23", "19", "26", "42", "29", "24", "2…
$ Saturated.Fat..g.    <chr> "3.5", "6", "11", "8", "12", "19", "10", "8", "11…
$ Trans.Fat..g.        <chr> "0.5", "0.5", "1.5", "1", "1.5", "2.5", "1.5", "1…
$ Cholesterol..mg.     <chr> "25", "40", "80", "65", "90", "155", "75", "70", …
$ Sodium...mg.         <chr> "520", "750", "1150", "920", "1190", "1380", "104…
$ Carbs..g.            <chr> "31", "33", "34", "33", "40", "40", "45", "37", "…
$ Fiber..g.            <chr> "2", "2", "2", "2", "3", "3", "3", "3", "3", "4",…
$ Sugars..g.           <chr> "6", "6", "7", "7", "9", "9", "9", "8", "8", "13"…
$ Protein..g.          <chr> "12", "15", "25", "22", "29", "48", "25", "24", "…
$ Weight.Watchers.Pnts <chr> "247.5", "297", "433", "383", "502", "720", "534"…
# Converter colunas de texto para fator e colunas nutricionais para numérico
dados <- dados %>%
  mutate(across(c(Company, Item), ~as.factor(.))) %>%
  mutate(across(c(Calories,
                  Calories.from.Fat,
                  Total.Fat..g.,
                  Saturated.Fat..g.,
                  Trans.Fat..g.,
                  Cholesterol..mg.,
                  Sodium...mg.,
                  Carbs..g.,
                  Fiber..g.,
                  Sugars..g.,
                  Protein..g.,
                  Weight.Watchers.Pnts), 
                ~as.numeric(.))) 

glimpse(dados)
Rows: 811
Columns: 14
$ Company              <fct> McDonald’s, McDonald’s, McDonald’s, McDonald’s, M…
$ Item                 <fct> "Hamburger", "Cheeseburger", "Double Cheeseburger…
$ Calories             <dbl> 250, 300, 440, 390, 510, 740, 540, 460, 510, 790,…
$ Calories.from.Fat    <dbl> 80, 110, 210, 170, 230, 380, 260, 220, 250, 350, …
$ Total.Fat..g.        <dbl> 9, 12, 23, 19, 26, 42, 29, 24, 28, 39, 39, 40, 18…
$ Saturated.Fat..g.    <dbl> 3.5, 6.0, 11.0, 8.0, 12.0, 19.0, 10.0, 8.0, 11.0,…
$ Trans.Fat..g.        <dbl> 0.5, 0.5, 1.5, 1.0, 1.5, 2.5, 1.5, 1.5, 1.5, 2.0,…
$ Cholesterol..mg.     <dbl> 25, 40, 80, 65, 90, 155, 75, 70, 85, 145, 135, 13…
$ Sodium...mg.         <dbl> 520, 750, 1150, 920, 1190, 1380, 1040, 720, 960, …
$ Carbs..g.            <dbl> 31, 33, 34, 33, 40, 40, 45, 37, 38, 63, 61, 59, 3…
$ Fiber..g.            <dbl> 2, 2, 2, 2, 3, 3, 3, 3, 3, 4, 4, 4, 2, 2, 3, 4, 3…
$ Sugars..g.           <dbl> 6, 6, 7, 7, 9, 9, 9, 8, 8, 13, 10, 8, 5, 5, 11, 8…
$ Protein..g.          <dbl> 12, 15, 25, 22, 29, 48, 25, 24, 27, 45, 40, 44, 1…
$ Weight.Watchers.Pnts <dbl> 247.5, 297.0, 433.0, 383.0, 502.0, 720.0, 534.0, …
summary(dados)
        Company              Item        Calories      Calories.from.Fat
 Burger King:190   20 fl oz    : 11   Min.   :   0.0   Min.   :  0.0    
 KFC        :218   29 fl oz    : 11   1st Qu.: 130.0   1st Qu.:  0.0    
 McDonald’s :329   16 fl oz    :  9   Median : 240.0   Median : 70.0    
 Pizza Hut  : 74   38 fl oz    :  9   Mean   : 279.5   Mean   :110.2    
                   Cheeseburger:  3   3rd Qu.: 380.0   3rd Qu.:170.0    
                   Hamburger   :  3   Max.   :1220.0   Max.   :750.0    
                   (Other)     :765   NA's   :12       NA's   :307      
 Total.Fat..g.   Saturated.Fat..g. Trans.Fat..g.    Cholesterol..mg.
 Min.   : 0.00   Min.   : 0.000    Min.   :0.0000   Min.   :  0.00  
 1st Qu.: 0.00   1st Qu.: 0.000    1st Qu.:0.0000   1st Qu.:  0.00  
 Median : 7.00   Median : 2.500    Median :0.0000   Median : 15.00  
 Mean   :10.88   Mean   : 3.885    Mean   :0.1452   Mean   : 35.59  
 3rd Qu.:16.00   3rd Qu.: 6.000    3rd Qu.:0.0000   3rd Qu.: 40.00  
 Max.   :98.00   Max.   :33.000    Max.   :4.5000   Max.   :575.00  
 NA's   :12      NA's   :13        NA's   :12       NA's   :19      
  Sodium...mg.      Carbs..g.       Fiber..g.        Sugars..g.    
 Min.   :   0.0   Min.   :  0.0   Min.   : 0.000   Min.   :  0.00  
 1st Qu.:  85.0   1st Qu.: 15.0   1st Qu.: 0.000   1st Qu.:  2.00  
 Median : 180.0   Median : 32.0   Median : 0.000   Median : 10.00  
 Mean   : 409.3   Mean   : 37.8   Mean   : 1.043   Mean   : 24.54  
 3rd Qu.: 580.0   3rd Qu.: 50.0   3rd Qu.: 2.000   3rd Qu.: 40.00  
 Max.   :2890.0   Max.   :270.0   Max.   :31.000   Max.   :264.00  
 NA's   :12       NA's   :12      NA's   :23       NA's   :19      
  Protein..g.     Weight.Watchers.Pnts
 Min.   : 0.000   Min.   :   0.0      
 1st Qu.: 0.000   1st Qu.: 132.4      
 Median : 6.000   Median : 265.8      
 Mean   : 8.865   Mean   : 303.3      
 3rd Qu.:13.000   3rd Qu.: 411.2      
 Max.   :71.000   Max.   :1317.0      
 NA's   :12       NA's   :89

7 Público técnico

Para analistas e engenheiros, é importante entender a dispersão dos dados e identificar relações complexas entre variáveis. Pode-se usar gráficos de dispersão, boxplots e histogramas para explorar a variabilidade dos dados.

Distribuição de calorias por empresa

(g <- ggplot(dados, aes(x = Company, y = Calories, fill = Company)) +
  geom_boxplot() +
  geom_jitter(width = 0.2, alpha = 0.3, color = "black") +
  labs(title = "Distribuição de calorias por empresa",
       x = "Empresa", y = "Calorias") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5), 
        legend.position = "none"))

Variabilidade de Calorias x Gordura Total por empresa

(g <- ggplot(dados, aes(x = Calories, y = Total.Fat..g., color = Company)) +
  geom_point(size = 3) +
  scale_color_brewer(palette = "Spectral") +
  scale_fill_brewer(palette = "Spectral") +
  labs(x = "Calorias", y = "Gordura Total", color = "Empresa") +
  theme_minimal() +
  theme(legend.position = "bottom"))

library(ggside)
g +
  geom_xsidehistogram(aes(fill = Company), orientation = "x", alpha = 0.7, show.legend = FALSE) +
  geom_ysidedensity(aes(fill = Company), orientation = "y", alpha = 0.7, color = NA, show.legend = FALSE)

library(ggExtra)
ggMarginal(
  g,
  type = "boxplot",       # "density" ou "histogram" 
  groupColour = TRUE,       
  groupFill = TRUE,         
  alpha = 0.6
)

8 Público leigo

Para um público leigo, o foco deve ser na clareza e simplicidade. Gráficos devem destacar as principais conclusões sem sobrecarregar com detalhes técnicos.

10 itens mais calóricos de cada empresa

Objetivo: Avaliar por empresa os itens mais calóricos para comparar e tomar decisões.

# Selecionar 10 itens mais calóricos de cada empresa
top10_itens <- dados %>%
  group_by(Company) %>%
  arrange(desc(Calories)) %>%
  slice(1:10) %>%
  ungroup()

# Ranking das empresas pela média de calorias
rank_empresas <- dados %>%
  group_by(Company) %>%
  summarise(media_calorias = mean(Calories, na.rm = TRUE),
            n_produtos = n()) %>%
  arrange(desc(media_calorias))

# Reordenar empresas pelo ranking médio calórico 
ordem_empresas <- rank_empresas$Company

# Visualizar os top 10 itens mais calóricos por empresa
top10_itens <- top10_itens %>%
  mutate(Company = factor(Company, levels = ordem_empresas),
         Item = fct_reorder(Item, Calories))

ggplot(top10_itens, aes(x = Item, y = Calories, fill = Company)) +
  geom_col() +
  facet_wrap(~ Company, scales = "free") +
  coord_flip() +
  labs(title = "Top 10 Itens Mais Calóricos de Cada Empresa",
       x = "Item",
       y = "Calorias") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5),
        legend.position = "none")

Proporção dos itens por faixas de calorias

Objetivo: Dividir os itens de fast food em faixas de calorias e mostrar a proporção de cada faixa.

faixas <- c("Até 300 kcal", "300 a 600 kcal", "600 a 900 kcal", "Acima de 900 kcal")
empresas <- unique(na.omit(dados$Company))

dados_pizza <- dados %>%
  mutate(faixa_calorias = case_when(
    Calories < 300 ~ "Até 300 kcal",
    Calories >= 300 & Calories < 600 ~ "300 a 600 kcal",
    Calories >= 600 & Calories < 900 ~ "600 a 900 kcal",
    Calories >= 900 ~ "Acima de 900 kcal"
  )) %>%
  filter(!is.na(faixa_calorias), !is.na(Company)) %>%
  group_by(Company, faixa_calorias) %>%
  summarise(qtd_itens = n(), .groups = "drop") %>%
  group_by(Company) %>%
  mutate(prop = 100 * qtd_itens / sum(qtd_itens)) %>%
  ungroup()

dados_pizza$faixa_calorias <- factor(
  dados_pizza$faixa_calorias,
  levels = c("Até 300 kcal", "300 a 600 kcal", "600 a 900 kcal", "Acima de 900 kcal"))

ggplot(dados_pizza, aes(x = "", y = prop, fill = faixa_calorias)) +
  geom_col(width = 1) +
  facet_wrap(~ Company) +
  coord_polar(theta = "y") +
  labs(
    title = "Distribuição proporcional dos itens por faixa de calorias",
    fill = "Faixa de calorias"
  ) +
  theme_void() +
  theme(plot.title = element_text(hjust = 0.5))

Conclusão

A comunicação de dados deve ser adaptada ao público-alvo. Para profissionais técnicos, gráficos detalhados e complexos são apropriados, enquanto para o público leigo, a simplicidade e clareza são essenciais. A escolha do tipo de gráfico e a forma como os dados são apresentados podem fazer toda a diferença na compreensão e na tomada de decisões informadas.