互聯網與不斷出現的便捷工具，讓所有人都可以無須具備數據或相關專長，就可以簡單、低成本地將數據做成直觀的可視化圖、表。
這當然是積極的變化，但也助長了一種本能傾向，即讓數據可視化成為了一種彙報時的必備“流程”，開始無目的地進行可視化，結果做出的圖表差強人意，比如機械地把電子表格單元轉換為圖表，只能提供支離破碎的信息，或者無效卻擾亂視聽影響決策的信息，進而無法傳達出完整的理念。
正如演講和溝通專家南希·杜瓦特（Nancy Duarte）所說：“不要讓聽眾感覺你在展示一張圖表，而要回顧人的行為，描述曲線變化背後的事件。不是“來看我們的三季度財報”，而是“來看我們為什麼沒完成目標”。”今天我們就來說說如何在呈現可視化數據的時候匹配正確的圖表。
一、數據分析目的有兩種：陳述與探索
人類大腦對視覺信息的處理優於對文本的處理，因此，用眼睛看的數據是更清晰有效地傳達與溝通信息的一種方式，核心是有效地傳遞信息。那麼使用圖表、圖形和設計元素把數據進行可視化，可以幫你更容易的解釋數據模式、趨勢、統計規律和數據相關性，而這些“信息背後的信息”在其他呈現方式下可能難以被發現。
依據需要傳達的性質和目的，我們將數據可視化劃分為陳述型和探索型。前者一般是在正式場合向他人傳達信息，比如你想利用手中的大量數據，報告每季度銷售情況；後者是當我們想知道為什麼最近銷售表現不佳，於是，探索是因為季節性波動或者是促銷力度不夠？（本圖表使用Data Analytics數據可視化軟件製作，原數據已做脫敏處理，下同）
實際上，以探索為目標的可視化又可分為兩種，第一種是上文例子中提到的利用數據，用圖表來證實或否定你的假設；第二種是如果對銷售業績下滑的原因毫無頭緒，提不出任何假設呢？就要仔細分析數據，尋找其中的規律、趨勢和異常。
例如，對比銷售業績和銷售員負責區域面積，有何不同？不同地區的季節性波動有何異同？天氣對銷售造成哪些影響？這種開放性探索能帶來新發現。開放性數據可視化探索，將有助於解答宏觀的戰略問題，如收入為何下降、效率如何提升、客戶與公司應如何互動等。
二、探索型數據可視化
探索型數據可視化分為兩類：一是假設檢驗，一是從數據中尋找規律、趨勢和異常。前者的目標很明確，後者則相對發散。數據體量越大、複雜度越高、未知因素越多，探索工作的開放性就越高。
1.假設檢驗
在這類數據可視化探索中，你要回答下面兩個問題中的一個：我設想的情況是否屬實？如何用不同方式傳達這一信息？
在進行求證時，數據範圍相對可控，所使用圖表類型較為常規；當然，若想以新穎方式呈現信息，也可嘗試較少見的圖表。求證型圖表一般不用於正式場合；你要先自己找到正式展示所需的圖表。因此，你的時間不應花在設計上，而應快速嘗試不同模板，找到最好的數據視覺化方案。
2.開放性探索
更多時候，針對數據的開放性探索是數據科學家和商業智能分析師的領地，不過新出現的工具例如 DataHunter 旗下的 Data Analytics 軟件讓所有人都可以參與進來。由於缺少明確目標，開放探索型圖表包含的數據範圍較廣，個別情況下可能會容納多組數據，或建立自動更新數據的動態系統，也可用於統計建模。開放性探索很值得嘗試，因為它經常帶來獨一無二的洞見。
三、陳述型數據可視化
我們日常工作中接觸最多的是陳述型數據可視化，主要涉及常用圖表，一般可在展示中直接使用。這些簡單圖表包括線狀圖、柱狀圖、餅狀圖和散點圖等。這裡的可視化需要做到“簡潔”。一幅圖表應該用有限幾個變量，清晰傳達一個信息。比如目標很明確，為聽眾確認並介紹背景信息。
此類圖表常用於正式展示，對清晰度和邏輯性要求也很高。正式展示通常時間有限，如果圖表設計不理想，介紹人就必須停下來解釋，而圖表中的信息本應一目瞭然。這並不是說陳述性圖表不應引發討論，但討論應針對圖表傳達的理念，而非圖表本身。接下來數獵哥按照構成分析、對比分析、分佈分析、關係分析，4個方面，為大家介紹幾種常見的數據可視化圖表。
四、常見可視化圖表之一：構成分析
1.餅圖/環形圖
餅圖經常表示一組數據的佔比，需要數值維度。如圖，各扇形面積代表各類型裝修材料銷售額的大小，整體為裝修材料總銷售額。右側環形圖為餅圖的變種，中心區域可展示數據或者文本信息。
餅圖也是有缺陷的，例如30%和35%在餅圖上憑肉眼是難以分辨出區別的。當類別過多，也不適宜在餅圖上表達。因此在使用餅圖時我們需要順時針降序排列，同時維度取值在10個以內。
2.玫瑰圖
玫瑰圖是餅圖的變種，用來對比不同類別的數值大小，在數值相差不大的時候使用。如圖，廣東省、江蘇省、山東省的GDP數額差別不是太大，如果只是使用常規餅圖，難以對比三者的大小，使用玫瑰圖則很顯然廣東省數值＞江蘇省＞山東省
3.旭日圖
旭日圖也是餅圖的變種，表現整體在各個維度上的構成，以及維度與維度之間的從屬關係。如圖，可以清楚看到整體的銷售額在三大類產品的分佈，而每類產品的各品牌銷售額區別也可以直接對比，同時也可以看到每類產品的品牌分佈。
4.儀表盤
模仿汽車儀表盤，採用絕對值與相對值結合的方式，展現某個指標的完成情況，在項目進度，計劃完成度較常見。只適合展現數據的累計情況，不適用於數據的分佈特徵等，同時一般超過100%後不太好表現。
5.矩形樹圖
當我們想表達過多類型的數據時，可以使用矩形樹圖，它展現同一層級的不同分類的佔比情況，還可以同一個分類下子級的佔比情況，每個矩形代表一個聚合類，顏色的深淺和麵積的大小代表這個聚合類的大小。如圖，比如電子商務、產品銷售等涉及大量商品品類的分析等。
侷限是不適合展現不同層級的數據，比如組織架構圖，每個分類不適合放在一起看佔比情況。且當以面積表示大小，當數值相近時人眼難以辨別，當然可通過填充數值彌補。
6.瀑布圖
採用絕對值與相對值結合的方式，展示各成分構成情況，更多的用於核心指標的分解，適合展示數據累積變化過程，侷限是各類數據差別太大則難以比較。
如圖核心指標為淨利潤，可以看到核心指標由收入和成本計算得出，而收入方面營業收入佔據主要，支出方面營業成本佔據主要。我們可以提升營業收入或降低營業成本來提升公司淨利潤。
五、常見可視化圖表之二：對比分析
1.柱狀圖/多指標柱狀圖
柱狀圖是一種應用得很廣泛的圖形，它表徵分類型變量與數值型變量的關係，常用於多個維度的比較和變化。柱形圖至少需要一個數值型維度，通常文本維度／時間維度通常作為X軸，數值型維度作為Y軸。
一般需要排序，如果分類型變量是有序的，按照它本身的順序排列即可，如果分類型變量無序，那麼則根據數值型變量的大小進行排序，使柱狀圖的高度單調變化。如左圖，各類型裝修材料的銷售數量對比，右圖為各類型裝修材料的銷售額及銷售成本對比。
2.條形圖/多指標條形圖
類似柱狀圖，只不過兩根軸對調了一下。因為有大量空白位置標示每個類別的名稱，所以適用於類別名稱過長的情況，但分類過多則無法展示數據特點。
3.象形圖
以形象化的圖片數量代表維度數值的大下，多用於具體實物的對比。如圖，其中將辦公用品、技術產品和家居產品用形象化圖形來代表其維度，讓觀眾者很容易瞭解到這組數據的維度表示。
4.堆積柱圖/堆積條圖
用來比較同類別各變量和不同類別變量總和差異。需要注意的是堆積柱內各項間具有相同性質的維度劃分，最好不要是不同的度量。如圖，柱與柱之間表示各區域訂單數量對比，華南訂單數量可以看到是由三個產品訂單數量組成。可同時對比三個類別產品在各區域訂單數量。
5.折線圖
折線圖是用來觀察數據的趨勢，主要展示數據隨時間或有序類別的波動情況的趨勢變化。對比時使用，常見時間維度對比。如果是無序類別則無法展示數據特點。
6.面積圖
用面積展示數值大小，展示數量隨時間變化的趨勢。多用於時間維度的對比，其中堆積面積圖中堆積部分需要是具有相同性質的維度劃分。
7.雷達圖
雷達圖將多個分類的數據量映射到座標軸上，對比某項目不同屬性的特點，適用於瞭解同類別的不同屬性的綜合情況，以及比較不同類別的相同屬性差異。它在商務、財務領域應用較大，常見於經營狀況，財務健康程度。比如對企業財務進行分析，劃分出六大類：銷售、市場、研發、客服、技術、管理。通過雷達圖繪製出預算和實際開銷的維度對比，會很清晰。另外在遊戲中也應用廣泛，如圖遊戲人物的各項數值對比。
這裡需要注意雷達圖的數據必須進行標準化處理，同時指標是正向且可以比較的，也就是指標代表越好，且當指標差異較大時，需要進行標準化，消除單位影響。另外雷達圖是靜態數據，不可能有時間維度，同時能表達的靜態數據信息有限，線條不宜超過5條，指標不宜超過8個。
8.對比條圖
兩個項目在各個維度的對比時使用。如圖展示了廣東省、江蘇省、山東省和浙江省在2015年與2016年的GDP對比，可以看到四省對比，廣東省GDP較高，而2015年與2016年GDP對比，則2016年增長明顯。
9.子彈圖
對比條形圖的變種，多用於對比實際與目標之間的差距。如圖表現的是各樂行裝修材料的銷售額完成度，且均存在深度灰色以內，表現不理想。
10.雙軸圖
以左右兩個Y軸的形式，展示同一維度下不同指標的情況。兩個座標軸的圖表類型選擇需要區分開。
11.帕累託圖
雙軸圖變種，用來分析原因，確定產生問題的主要原因。如圖可以看到，特殊節日和行業旺季是此次數據異常的最重要原因，兩項佔比達到了56%，可加強此階段的促銷，幫助銷量增長。
12.漏斗圖
漏斗圖是流程轉化分析，適用於關鍵業務環節數據比較，將各環節串聯起來構成漏斗，量化流程內環節，追蹤各環節轉化率。轉化是漏斗圖主要表達的信息。例如在網站的用戶行為分析中，如圖，反映了報告瀏覽人數中，有5%的用戶下載了此報告。在實際工作中，各種業務流程均可構建漏斗。
13.詞雲
詞雲主要展現文本信息，對出現頻率較高的“關鍵詞”予以視覺上的突出，常用於對比文本出現頻次。如用戶畫像標籤，搜索關鍵詞頻次、新聞關鍵詞頻次。如圖為各類型裝修材料的搜索次數，可以看到國產強化的搜索次數較高，可加大此類關鍵詞的搜索營銷。
六、常見可視化圖表之三：分佈
1.散點圖/氣泡圖/四象限圖
散點圖在報表中不常用到，但是數據分析中比較常見。散點圖通過座標軸來揭示數據間的關係，發掘變量與變量之間的關聯，當存在大量數據點，結果更精準，比如迴歸分析。當數據量小的時候會比較混亂。氣泡圖是散點圖的變種，它使用氣泡代替散點圖的數值點，面積大小代表數值大小。
如圖使用銷售額和利潤來定位不同類別產品，位於右上角的產品為銷售額高、利潤也高的明星產品；左下角的銷售額、利潤都不高的產品，為滯銷品。
2.地圖
一切和空間屬性有關的分析都可以用到地理圖。比如各地區銷量，或者某商業區域店鋪密集度等。一般用顏色深淺或氣泡大小來展示區域範圍的數值大小。比如人口密度、各地區銷量，或者某商業區域店鋪密集度等。
3.箱線圖
箱線圖（Boxplot）也稱箱須圖（Box-whisker Plot），它是用一組數據中的最小值、第一四分位數、中位數、第三四分位數和最大值來反映數據分佈的中心位置和散佈範圍，可以粗略地看出數據是否具有對稱性。通過將多組數據的箱線圖畫在同一座標上，則可以清晰地顯示各組數據的分佈差異，為發現問題、改進流程提供線索。假如你是一位互聯網電商分析師，你想知道某商品每天的賣出情況：該商品被用戶最多購買了幾個，大部分用戶購買了幾個，用戶最少購買了幾個。箱線圖就能很清晰的表示出上面的幾個指標以及變化。
另外企業產品質量管理、人事測評、探索性數據分析等統計分析活動也經常會被應用到，如圖，可以發現，華北地區出現超出範圍的異常值，可通過結合業務場景分析異常原因。
4.熱力圖
熱力圖可以用於對比兩個維度的數值大小，用顏色深淺代表數值的大小。熱力圖在網頁分析、業務數據分析等其他領域也有較為廣泛的應用。如圖展示了不同區域在不同時間的訂單數量。
七、常見可視化圖表之四：關係分析
1.桑基圖
桑基圖是一種特定類型的流程圖，圖中延伸的分支寬度對應數據流量的大小，它常表示信息的變化和流動狀態。常用於能源、材料成分、金融等數據的可視化分析，還有網站用戶行為路徑的分析。如圖，可以看到用戶在登錄後的行為，以及下一步行為。
2.關係樹圖
表現各個維度之間的關係，多用於組織架構分析，如圖可以表現不同類型產品的組合方式。
3.關係圖
表現各個維度之間的關係，及各關係間的關係強弱。比如社交關係鏈、品牌傳播、或者某種信息的流動。如圖展示不同類型產品的銷售額貢獻情況，如辦公產品的銷售額由哪些產品貢獻。
八、小結
數據可視化是藉助圖形化手段，更清晰有效地傳達與溝通信息的一種方式，在傳達信息這個目的之下，我們就要正確地進行選擇，首先需要依據數據類型和目的選擇正確的圖表類型。
當我們做數據可視化時，可以先對現有的數據進行分析，得出自己的初步結論，明確要表達的信息和主題（即，你通過圖表要說明什麼問題）。然後根據這個目的在現有的或你知道的圖表信息庫中選擇能夠滿足你目標的圖表類型。最後開始動手製作圖表，並對圖表進行美化、檢查，直至最後圖表完成。
這裡需要注意，數據可視化只是表層的東西，數據分析才是核心。那如何才能更好的讓數據分析幫助我們做決策？DataHunter就能幫到你了。Data Analytics是一個輕量級業務數據可視化平臺，可一鍵快速接入企業本地和雲端內外部Execl/CSV等數據文件，無需編程僅需簡單的拖拽即可製作酷炫的數據可視化看板，用直觀的數據幫你做好的決策。
本文中所有圖表都是使用Data Analytics數據可視化軟件製作，原數據已做脫敏處理
－數據分析展示就用DataHunter－