Week 9

Charts and Data Visualisation in

• We also showed ways of presenting data in 
tables to provide access to information
 Visualisation and more
• This week we will look at:

– Using visualisation techniques to get information 
from data
• Charts and Graphs

– Other useful Excel tools
• Pivot Tables
• Goal Seek
• Solver
• Forecasting and Trends
 Charts and Graphs
• Allow us to present data visually

• Makes it easier to identify interesting patterns 
and trends
– Also more interesting to look at – visually 
appealing

• There are many types of charts and graphs
– Which one we use will depend of the meaning of 
the data, and what we are looking for
 Pie Charts
• Once of the more common styles, the whole 
data set is displayed as a circle (the pie)
– Each ‘category’ is then highlighted a different 
colour

• There are limits on what sort of data this is 
useful for

• Excellent when we are trying to show off 
percentages or broad categories
 Sales Pie Chart
Sales

1st Qtr
2nd Qtr
3rd Qtr
4th Qtr

• This clearly shows that the 1st quarter of the year is the best in terms of sales

• Doesn’t show amounts, or any other useful trends
• What if there was a single massive sale in the 1st quarter?
• This could be misleading…
 First Year Students
Student Demographics

17‐34
35+
Male
Female

• VERY BAD – We are mixing age and gender groups
• This is very poor use of a pie chart
 Line Graphs
• Another common chart

• Useful for showing data measured over a 
period of time
– Very easy to see spikes and trends
 Example Line Graph
Line Graph
35000

30000

25000

20000

15000

10000

5000

0
Jan Feb Mar Apr May Jun

PJ Helgoth Roberta Cross Loraine Schultz

• ‘Categorical’ data (e.g. Car model) is better 
shown in a bar chart than ‘continuous’ data 
(e.g. height)

• Can group categories together, stack them or 
even do a percentage chart
 Example Bar/Column Charts
Clustered Column Chart
35000

30000

25000

20000 PJ Helgoth
Roberta Cross
15000
Loraine Schultz
10000

5000

0
Jan Feb Mar Apr May Jun 100% Column Chart
100% Bar Chart
100%
Jun
90%
May 80%
70%
Apr 60%
50%
Mar
40%
Feb 30%
20%
Jan 10%
0% PJ Helgoth Roberta Cross Loraine Schultz
0% 20% 40% 60% 80% 100% Jan Feb Mar Apr May Jun
PJ Helgoth Roberta Cross Loraine Schultz
 Creating Charts in Excel
• Let’s skip over to Excel and show how to 
create some of these charts
 Activity One
Vocab/definition matching
 Pivot Tables
• Allow us to quickly and easily look at 
aggregate data
– Finding patterns
– Min/max values etc

• Very useful when we:
– Need aggregate measurements (totals, etc)
– Have a very large data set
Large data is very common
OrderDate ProductID ProductName Quantity Unit Price Total Sales Unit Cost Total Cost Profit CustomerID Customer SalesRep
4/01/2011 22 Mozzarella cheese 41 24 984 18 738 246 315 The Station PJ Helgoth
4/01/2011 16 Romaine lettuce 90 15 1350 14 1260 90 315 The Station Roberta Cross
5/01/2011 30 Red onions 27 12 324 8 216 108 233 Bert's Bistro Loraine Schultz
6/01/2011 16 Romaine lettuce 67 15 1005 14 938 67 14 Smoke House Roberta Cross
7/01/2011 2 Black olives 79 12 948 6 474 474 572 Flagstaff House Loraine Schultz
7/01/2011 16 Romaine lettuce 46 15 690 14 644 46 23 Two Bitts Loraine Schultz
7/01/2011 16 Romaine lettuce 52 15 780 14 728 52 6 Pierce Arrow Roberta Cross
8/01/2011 30 Red onions 39 12 468 8 312 156 95 Mamm'a Pasta Palace Loraine Schultz
9/01/2011 16 Romaine lettuce 66 15 990 14 924 66 846 The Dandelion Loraine Schultz
10/01/2011 16 Romaine lettuce 58 15 870 14 812 58 557 Carmens Loraine Schultz
10/01/2011 39 Pineapple 40 33 1320 28 1120 200 315 The Station Loraine Schultz
11/01/2011 39 Pineapple 71 33 2343 28 1988 355 846 The Dandelion Loraine Schultz
14/01/2011 16 Romaine lettuce 18 15 270 14 252 18 557 Carmens Loraine Schultz
14/01/2011 16 Romaine lettuce 28 15 420 14 392 28 572 Flagstaff House PJ Helgoth
15/01/2011 85 Pepperoni 33 53 1749 35 1155 594 14 Smoke House Roberta Cross
15/01/2011 100 Parmesan cheese 14 8 112 4 56 56 14 Smoke House Loraine Schultz
16/01/2011 100 Parmesan cheese 72 8 576 4 288 288 95 Mamm'a Pasta Palace Roberta Cross
18/01/2011 100 Parmesan cheese 10 8 80 4 40 40 95 Mamm'a Pasta Palace Loraine Schultz
18/01/2011 16 Romaine lettuce 42 15 630 14 588 42 14 Smoke House Roberta Cross
20/01/2011 4 Tomatoes 48 9 432 7 336 96 23 Two Bitts Loraine Schultz
21/01/2011 31 Peppers 29 21 609 12 348 261 846 The Dandelion Roberta Cross
21/01/2011 22 Mozzarella cheese 10 24 240 18 180 60 95 Mamm'a Pasta Palace PJ Helgoth
23/01/2011 2 Black olives 98 12 1176 6 588 588 23 Two Bitts Roberta Cross
24/01/2011 22 Mozzarella cheese 45 24 1080 18 810 270 557 Carmens Loraine Schultz
26/01/2011 16 Romaine lettuce 58 15 870 14 812 58 23 Two Bitts Loraine Schultz
27/01/2011 100 Parmesan cheese 66 8 528 4 264 264 572 Flagstaff House Loraine Schultz
28/01/2011 31 Peppers 85 21 1785 12 1020 765 6 Pierce Arrow Loraine Schultz
28/01/2011 22 Mozzarella cheese 12 24 288 18 216 72 846 The Dandelion PJ Helgoth
29/01/2011 4 Tomatoes 40 9 360 7 280 80 6 Pierce Arrow Roberta Cross
29/01/2011 31 Peppers 5 21 105 12 60 45 6 Pierce Arrow Roberta Cross
29/01/2011 16 Romaine lettuce 49 15 735 14 686 49 572 Flagstaff House Loraine Schultz
29/01/2011 30 Red onions 13 12 156 8 104 52 14 Smoke House Loraine Schultz
31/01/2011 100 Parmesan cheese 38 8 304 4 152 152 95 Mamm'a Pasta Palace PJ Helgoth
31/01/2011 16 Romaine lettuce 51 15 765 14 714 51 23 Two Bitts Loraine Schultz
2/02/2011 30 Red onions 85 12 1020 8 680 340 572 Flagstaff House Loraine Schultz
2/02/2011 16 Romaine lettuce 82 15 1230 14 1148 82 14 Smoke House Loraine Schultz
4/02/2011 39 Pineapple 64 33 2112 28 1792 320 846 The Dandelion Loraine Schultz
5/02/2011 22 Mozzarella cheese 22 24 528 18 396 132 846 The Dandelion PJ Helgoth
5/02/2011 16 Romaine lettuce 74 15 1110 14 1036 74 6 Pierce Arrow Loraine Schultz
5/02/2011 4 Tomatoes 13 9 117 7 91 26 686 Laudisio Roberta Cross
5/02/2011 4 Tomatoes 64 9 576 7 448 128 6 Pierce Arrow Loraine Schultz
6/02/2011 31 Peppers 59 21 1239 12 708 531 23 Two Bitts Roberta Cross
7/02/2011 6 Sun dried tomatoes 12 55 660 25 300 360 6 Pierce Arrow Loraine Schultz
9/02/2011 16 Romaine lettuce 7 15 105 14 98 7 95 Mamm'a Pasta Palace PJ Helgoth
9/02/2011 100 Parmesan cheese 14 8 112 4 56 56 95 Mamm'a Pasta Palace Loraine Schultz
10/02/2011 30 Red onions 7 12 84 8 56 28 23 Two Bitts Loraine Schultz
 Data made useful
Customer Sum of Total Sales Product Sum of Total Sales
Bert's Bistro 14751 Black olives 18492
Carmens 35049 Chicken 42084
Flagstaff House 67589 Mozzarella cheese 40224
Laudisio 33359 Parmesan cheese 25568
Mamm'a Pasta Palace 52746 Pepperoni 22631
Pierce Arrow 74154 Peppers 62349
Smoke House 59225 Pineapple 43494
The Dandelion 38875 Red onions 39240
The Station 10668 Romaine lettuce 68160
Two Bitts 46353 Sausage 18432
Grand Total 432769 Sun dried tomatoes 11550
Tomatoes 40545
Grand Total 432769
 Pivot Tables
• Now let’s head over to Excel and look at how 
we can create a pivot table, and how to 
modify them.
 Goal Seek
• Useful tool which allows us to automatically 
change values in a formula to meet simple 
conditions

– E.g. given the running costs and profit margins of 
an ice‐cream shop, how many ice‐creams do I 
need to sell a day to cover costs
• This is ‘break‐even’ analysis
 Setting up Goal Seek
• Create a worksheet storing the relevant data
– Daily costs
• Staff, power etc
– Cost per ice‐cream
• How much does the ice‐cream, the cone etc cost us 
– ‘us’ is the ice‐cream shop
– Income per ice‐cream
• How much do we sell it for?
– Number of ice‐creams sold
• Set up some related functions
– Individual profit, total profit
 Using Goal Seek
• Where in Excel do we find this?

• The values we need are
– Target – this is the value we want to set
• Break‐even analysis means finding the point when 
income equals expenses
– So our target is: profit equals 0
– Values to change
• The number we want to find is the number of ice‐
creams to sell to break even, so this is the value to 
change 
Activity Two
 Goal Seek with extras
• Sometimes Goal Seek is not powerful enough
– What if there are limits on how much of 
something we can sell?

• These restrictions are called ‘constraints’
– Another tool in Excel is called Solver

• Solver allows us to add constraints to the 
values we are changing
– Allows us to solve more complex problems
 Using Solver
• Initial setup is the same as for Goal Seek

• Set up the spreadsheet

• Get your formulas right

• Choose the Solver tool

• Pick the ‘target’ and the ‘values to change’
 Constraints
• We can add many constraints to our solution

• Each constraint involves
– A value (a cell)
– A relational operation (equal, less than etc)
– A limit (a literal value)
– E.g. B5 <= 50
 Forecasting and Trends
• Excel also has some built‐in functions which 
allow us to do ‘trend analysis’
– Taking known ‘past’ data an extrapolating it to 
predict future ‘data’

• One easy way is to take an existing chart and 
add a ‘Trendline’ to it
– These are calculated in several ways, some 
approaches will fit the known data better
 Functions for Trend Analysis
FORECAST(new_x, known_y’s,known_x’s)
• A function that uses a linear relationship 
between an independent variable (x) and a 
dependent variable (y) to find new values of y 
based on a new (but known) value of x
• Similar to TREND, but TREND is an array 
function (processes a range of data to produce 
a range of data)
 TREND
• Derives a formula modelling a linear 
relationship between two values, x 
(independent) and y (dependent)

• General formula is:
y = βx + c
– Where β is the gradient of the line
– c is a constant factor in the function, if it is 
unknown (which it often is) it is left blank
 More trend analysis 
• We can use SLOPE and INTERCEPT to find β
and c separately, or use LINEST to do both at 
once

• LINEST also allows for multiple independent 
variables all affecting one dependent variable

• All of these (except LINEST) ONLY work for 
linear trends
 Other Models
• Exponential
– LOGEST
• actually uses LINEST to do the work, after it has found the Log (LN) of the 
y values
– GROWTH
• Logarithmic
– LINEST can be used if we LN the x values first
• Power
– LINEST can be used if we LN both the x and y values first
• Polynomial
– LINEST can be used if we raise the known x values to a array of values 
1 to n, where n is the power of the polynomial we want

• As you can see – non‐linear trends are tricky 
 How good is the trend?
• We need to use predictions on known data to 
measure the accuracy of our model

• Look for:
– Bias
• The model errs more in one direction than another
– Accuracy
• Measures the distance between the prediction and 
reality, ignoring the direction
 Limitations
• Regardless how how well any model fits past 
data it is still ONLY a model

• While the past may be a good indicator of the 
future it is not a guarantee

• Event driven changes (e.g. large amounts of 
building work in the aftermath of a natural 
disaster) are NOT predictable
Activity Three