数据可视化之旅

数据可视化学习小组第一期成员创作。

0x00 前言

在开始数据可视化之旅前,我们先用下图回顾数据链路过程

以上这张图片比较普遍现象的数据链路&＃xff0c;如果你是厨师&＃xff0c;最重要的肯定是做菜环节&＃xff0c;也就分析环节。数据可视化只是最后的摆盘环节。

也就说当你的菜做得好吃了&＃xff0c;摆盘会是锦上添花&＃xff0c;如果你的菜做得难吃&＃xff0c;摆盘再好看&＃xff0c;那也是下不了口的。

如同你的分析报告&＃xff0c;你的内容有意义有结论&＃xff0c;你把图表做得好看一点&＃xff0c;颜色搭配的舒服一点&＃xff0c;会给人眼前一亮的感觉。

但就算是做得不好看&＃xff0c;你的分析结论很棒&＃xff0c;支持了公司的决策&＃xff0c;谁又会管你可视化做得如何呢&＃xff1f;

数据分析的目的&＃xff0c;不是把图表做得好看&＃xff0c;也不是把分析过程做得很复杂&＃xff0c;也不是搞很多数据从而来做大数据&＃xff0c;而是为了解决实际问题。

数据可视化很重要,但其核心是为了更清晰的传递信息,把复杂多维的数据用图表展现&＃xff0c;一眼明目知道结果&＃xff0c;是把复杂问题简单化。而不是让图表更好看更炫目.

技术与业务是相辅相成的,缺一不可,脱离了业务的精美图表没有意义,而低劣的图表也会拉低业务的等级.

关于数据可视化的重要性问题&＃xff0c;这个要对人对事。

对于专业的数据分析师/商业分析师而言&＃xff0c;他们的目标是要解决业务问题。为了解决一个问题&＃xff0c;他们要和业务反复沟通需求&＃xff0c;可能花大把的时间在清洗数据和构建分析模型上。最后结果出来了&＃xff0c;可视化只是水到渠成的事。所以就数据分析过程链而言&＃xff0c;数据可视化并不是核心。

对于不懂数据不懂业务的人而言&＃xff0c;他们要知道的可能是“我这个月的销售量是多少&＃xff1f;”“和竞争公司比怎么样”你不可能拉来几十张表格给他。需要给他一张图&＃xff0c;展现全年的销售情况。最好深入挖掘&＃xff0c;是否需要地域区分&＃xff0c;展示目标和回款这类数据的对比。可视化对于他们而言就成了获取信息的有效方式&＃xff0c;甚至是一个可随时使用的产品&＃xff0c;且最直接最真实。

有些可视化是面子工程

很多公司都会在前台处设展示大屏&＃xff0c;老板都会带着他的客人经过这里&＃xff0c;如果做一个漂亮的数据可视化&＃xff0c;给人很科技感的感觉。或许还能为谈生意助力&＃xff08;开个玩笑&＃xff09;。一般来说大屏数据可视化会让老板觉得很有面子。

一项大屏展示的数据可视化虽然工程很简单&＃xff0c;不就展示数据嘛&＃xff1f;但其实这里面有很多坑&＃xff0c;需要思考以下5点

1、可以公开哪些数据&＃xff08;很多信息很敏感&＃xff0c;特别对于创业公司来说&＃xff09;

2、如何实时刷新大批量数据&＃xff1f;

3、维度会是大家都想看的吗

4、应该使用哪种可视化方式

5、你看的这些数据&＃xff0c;有意义吗

可视化分析决策系统是趋势

这种系统广泛用于智慧公安、智慧城市、智慧园区、智慧航空、智慧交通、网络态势等&＃xff0c;近两年开始流行&＃xff0c;并且我认为是这是数据可视化非常好的趋势&＃xff0c;可视化对这些特定行业来说起到极其重要的作用。

数据可视化已在各大企业普遍应用

数据可视化涵盖的内容很多&＃xff0c;比较普遍的就是自动化的监控看板&＃xff0c;敏捷式开发也是近一两年的热词&＃xff0c;意思是不需要每天都做日报、月报、周报。一次开发&＃xff0c;自动形成推送。这样数据分析师从中解放出来&＃xff0c;更多去思考数据驱动业务发展&＃xff0c;而不是困在取数的阶段。

数据分析的最终意义是推动决策&＃xff0c;那么如何才能帮助管理层节省这个时间我觉得是非常重要。数据可视化就是管理者在和时间赛跑的帮手。

最后&＃xff0c;不管你用什么可视化&＃xff0c;别忘了你的目的是理解数据

0x01开始数据可视化之旅吧

前面我们介绍了数据可视化在整个数据链路中的上下游关系,也从不同角度探讨了可视化工作,而对于一个完整的数据可视化工作,主要包括以下四个步骤:

一.确定数据可视化的主题

即确定需要可视化的数据是围绕什么主题或者目的来组织的。

业务运营中的具体场景和遇到的实际问题&＃xff0c;公司层面的某个战略意图&＃xff0c;都是确定数据可视化主题的来源和依据。简而言之&＃xff0c;一个具体问题或某项业务、战略目标的提出&＃xff0c;其实就可以对应一个数据可视化的主题。

二.提炼可视化主题的数据

确定数据围绕什么主题进行组织之后&＃xff0c;我们接下来要了解我们拥有哪些数据&＃xff0c;如何来组织数据&＃xff0c;这里面又衍生出另外三个问题。

1. 确定数据指标

分析和评估一项业务的经营现状通常有不同的角度&＃xff0c;这也就意味着会存在不同的衡量指标。同样一个业务问题或数据&＃xff0c;因为思考视角和组织方式的不同&＃xff0c;会得出截然不同的数据分析结果。

例如&＃xff0c;要评估寄件这项业务&＃xff0c;有人想了解寄件量&＃xff0c;有人想知道不同快递公司的运输时效&＃xff0c;有人想知道寄件用户的下单渠道&＃xff0c;还有人想了解寄件收入。

拿起数据&＃xff0c;就开始画图&＃xff0c;会让整个数据可视化作品没有重点、杂乱无章&＃xff0c;是一种用战术上的勤劳掩盖战略上的懒惰&＃xff0c;最终的呈现效果一般不理想。

2. 明确数据间的相互关系

基于不同的分析目的&＃xff0c;所关注的数据之间的相互关系也截然不同&＃xff0c;这一步实质上是在进行数据指标的维度选择。

例如&＃xff0c;都要统计寄件量&＃xff0c;有人希望知道各个快递公司的寄件量是多少&＃xff0c;有人想了解一天内的寄件量高峰位于哪个时段&＃xff0c;还有人想知道寄件量TOP10的城市排名。这里的快递公司、时段、城市&＃xff0c;都是观察寄件量这个指标的不同维度。

通常&＃xff0c;数据之间的相互关系包含如下几类&＃xff1a;

• 趋势型&＃xff1a;通常研究的是某一变量随另一变量的变化趋势&＃xff0c;常见的有时间序列数据的可视化。

• 对比型&＃xff1a;对比两组或者两组以上的数据&＃xff0c;通常用于分类数据的对比。

• 比例型&＃xff1a;数据总体和各个构成部分之间的比例关系。

• 分布型&＃xff1a;展现一组数据的分布情况&＃xff0c;如描述性统计中的集中趋势、离散程度、偏态与峰度等。

• 区间型&＃xff1a;显示同一维度上值的不同分区差异&＃xff0c;常用来表示进度情况。

• 关联型&＃xff1a;用于直观表示不同数据之间的相互关系&＃xff0c;如包含关系、层级关系、分流关系、联结关系等。

• 地理型&＃xff1a;通过数据在地图上的地理位置&＃xff0c;来展示数据在不同地理区域上的分布情况&＃xff0c;根据空间维度不同&＃xff0c;通常分为二维地图和三维地图。

3. 确定用户关注的重点指标

确定了要展示的数据指标和维度之后&＃xff0c;就要对这些指标的重要性进行一个重要性排序。

因为对于一个可视化展示的终端设备而言&＃xff0c;其屏幕大小有限&＃xff0c;且用户的时间有限、注意力也极其容易分散。如何让用户在短时间内&＃xff0c;更有效率的获取到重要的信息&＃xff0c;这是评估一个可视化产品好坏的重要因素。

在可视化设计之前&＃xff0c;不妨问用户两个问题&＃xff1a;

1. 如果整个版面只能展示一个最重要的信息&＃xff0c;你希望是什么&＃xff1f;

2. 你希望展现这些信息的理由是什么&＃xff1f;通过用户对这些问题的回答&＃xff0c;你能了解到&＃xff0c;在已确定的指标和维度中&＃xff0c;用户最关注的是哪个或哪些。

通过确定用户关注的重点指标&＃xff0c;才能为数据的可视化设计提供依据&＃xff0c;从而通过合理的布局和设计&＃xff0c;将用户的注意力集中到可视化结果中最重要的区域&＃xff0c;提高用户获取重要信息的效率。

三.根据数据关系确定图表

数据之间的相互关系&＃xff0c;决定了可采用的图表类型。常见的数据关系和图表类型的对应关系如下图所示&＃xff1a;

四.进行可视化布局及设计

在做好了以上的需求收集和整理之后&＃xff0c;接下来就要开始进入可视化的设计和呈现的阶段。这一步主要包括两个方面&＃xff1a;一是进行可视化布局的设计&＃xff0c;二是数据图形化的呈现。

1. 页面布局

可视化设计的页面布局&＃xff0c;要遵循以下三个原则&＃xff1a;

&＃xff08;1&＃xff09;聚焦

设计者应该通过适当的排版布局&＃xff0c;将用户的注意力集中到可视化结果中最重要的区域&＃xff0c;从而将重要的数据信息凸显出来&＃xff0c;抓住用户的注意力&＃xff0c;提升用户信息解读的效率。

&＃xff08;2&＃xff09;平衡

要合理的利用可视化的设计空间&＃xff0c;在确保重要信息位于可视化空间视觉中心的情况下&＃xff0c;保证整个页面的不同元素在空间位置上处于平衡&＃xff0c;提升设计美感。

&＃xff08;3&＃xff09;简洁

在可视化整体布局中&＃xff0c;要突出重点&＃xff0c;避免过于复杂或影响数据呈现效果的冗余元素。

2. 图表制作

影响图表呈现效果的&＃xff0c;主要有两个影响因素&＃xff0c;一个是数据层面的&＃xff0c;一个是非数据层面的。

&＃xff08;1&＃xff09;数据层面

若数据中存在极端值或过多分类项等&＃xff0c;会极大影响可视化的效果呈现&＃xff0c;如柱形图中柱形条的高度、气泡图中气泡的大小、饼图中的分类项太多等。

对于数据本身造成的可视化效果不佳的情况&＃xff0c;我们是不是就束手无策了呢&＃xff1f;当然不是&＃xff0c;在以往的可视化过程中&＃xff0c;本人虽然也踩了很多坑&＃xff0c;但是对于如何解决这类问题也积累了一些经验&＃xff0c;下次专题分享。

&＃xff08;2&＃xff09;非数据层面

非数据层面&＃xff0c;但是影响图表呈现效果的因素&＃xff0c;通常在设计过程中就可以解决。

比如图表的背景颜色、网格线的深浅有无、外边框等等&＃xff0c;这类元素是辅助用户理解图表的次要元素&＃xff0c;但如果不加处理全部放出&＃xff0c;视觉上就不够聚焦&＃xff0c;干扰到你真正想展示的数据信息。

因此&＃xff0c;对于此类非数据层面&＃xff0c;但是影响图表视觉呈现的元素&＃xff0c;应该尽量隐藏和弱化。

最后,我们回顾下数据可视化迭代过程

0xFF 总结

本文为《数据科学家学习小组系列》之数据可视化学习小组&＃xff08;第一期&＃xff09;的成员学习笔记。

该童鞋匿名发布本篇笔记。

文中多有参考知乎以及各种数据可视化文章的内容。

热门文章

直戳泪点&＃xff01;数据从业者权威嘲讽指南&＃xff01;

AI研发工程师成长指南

数据分析师做成了提数工程师&＃xff0c;该如何破局&＃xff1f;

算法工程师应该具备哪些工程能力

数据团队思考&＃xff1a;如何优雅地启动一个数据项目&＃xff01;

数据团队思考&＃xff1a;数据驱动业务&＃xff0c;比技术更重要的是思维的转变