最大的數據殺手——中國式複雜報表
作為數據人，在日常生活和工作之中，我們是否經常被要求製作如下圖所示的一些數據統計表格：
總的來看，這些表格看似包含的信息很全，但是其實人腦對數字本身並不敏感，看到數字之後需要在左腦進行進一步思考才能轉化為人最終獲取到的信息。
而幸運的是，人的右腦對圖像信息的處理速度非常快，能達到相同場景下數字處理速度的100倍以上。
基於人腦對數字和圖像處理的以上特徵對比，我們開始嘗試使用圖表的方式對數據進行更好的信息傳達。
儘管如此，卻經常發現自己雖然有數據，卻不知道用什麼圖表來進行數據最佳形式的價值表達，只會使用幾個簡單的柱狀圖、折線圖、餅圖。
在顏色和字體等細節樣式方面，不知道如何進行更加美觀的調配，做出來的圖表被人吐槽“巨醜”。
做好的報告不知道如何進行組合呈現，不知道如何進行合理的佈局，最終做出來的報告，甚至有時候自己都有點“不忍直視”。
要構建一個優秀的可視化儀表板 （即真正信息豐富、可以指導行動的儀表板），僅將所有“頓悟”放到畫布上是不夠的。要讓儀表板達到給用戶最佳的信息傳達效果，我們必須認真考慮各種規劃和設計各種元素。
之前，有系統講解如何製作一個可視化報告：《 》
接下來將從圖表類型、顏色搭配、儀表板佈局設計原則、作品完善四個部分詳細地給大家進行講解，希望能夠讓大家的商業數據可視化分析報告能力得到一定提升。
注：下文所使用的工具、圖表、配色方案、分析功能，都依賴於BI工具FineBI，可先自行下載嘗試！
學會使用最佳的圖表類型
時間趨勢分析
時間趨勢分析，是我們日常工作中應用最為廣泛的方法之一。對於這類場景，我們通常可以選擇折線圖、柱狀圖來更好地進行數據到時間趨勢的分析，比如上圖所示，我們用折線圖來分析每個地區的年度合同金額走勢。
但是如果我們同時還想知道總的銷售額在每年的走勢如何，僅僅通過折線圖或者柱狀圖顯然是無法表達的。如果想知道每年總的銷售額的走勢，這個時候我們就可以通過範圍面積圖、堆積折線圖或者堆積柱狀圖來實現。但是這三其實者也是有區別，範圍面積圖和堆積折線圖是以每個地區作為一個模式的（單獨觀察每個地區的合同金額走勢也同樣方便），而堆積柱狀圖是將每個月份作為一個模式的。
比較和排序分析
第二種要給大家介紹的是比較和排序分析，對於這類場景，我們通常可以選擇條形圖或者柱狀圖來進行對比比較和排序，這是因為他們都是基於相同的基線然後將數值顯示為長度或者高度，使得值與值之間的對比分析變得異常容易。
相關性分析
我們經常會有一些需要進行相關性探索分析的數據，例如研究某一種商品的單價和銷售額之間的關係，研究員工考勤時間和離職率之間的關係，研究溫室溫度和作物生長的關係等等，這個時候採用散點分佈圖也許是我們的首選。但是需要注意的是，相關性分析並不能保證絕對的存在關係，只是表示可能存在關係。一般來說，在用散點圖進行數據的相關性分析時，我們還可以引入趨勢擬合線進行輔助判斷。
對於不同單位的數據，在FineBI中我們可以採用分面分析的方法。分面展示其實是提供了一種將多項指標並列分析的數據觀察視角，比如我想同時觀察溫度和襯衫銷售的數據統計趨勢、觀察合同金額和購買數量的關係，這個時候就可以使用分面分析來進行數據統計觀察。通過分面，可以分析不同指標的相關性，從而發現數據的潛在關聯。
分佈分析
分佈分析也是我們做數據可視化分析時使用的比較多的一種方法，例如我們想知道不同產品類型的銷售金額分佈，這個時候我們可能會選擇使用餅圖進行展示。
通常來說餅圖和堆積柱狀圖主要用於做數據的分佈分析，但是需要注意不要試圖嘗試對不同系列的餅圖進行數據分佈對比分析，這將會不利於我們觀察到每部分數據的變化情況，此時對比柱狀圖會是我們更好地選擇。
週期性數據分析
對於週期性循環數據特徵分析，比如企業經營狀況——收益性、生產性、流動性、安全性和成長性的評價（適用於快速對比定位短板指標），我們建議使用雷達圖進行展示。
地理數據分析
對於那些和地理位置信息相關的數據分析，地圖是我們的首選類型，包括點地圖、區域地圖、熱力地圖、流向地圖等等。因為地圖除了能對比分析數據本身的差異性之外，還可以結合地理位置進行分析，發掘和地理位置信息等相關的業務價值。
例如某一家電商企業，想要分析不同區域服裝種類的銷售情況，如果通過地圖進行地理位置信息相關的輔助分析，就能快速探索出服裝種類和地區位置區域的相關性（例如南方襯衫、西裝等服裝熱銷，北方羽絨服、羊毛衫等服裝熱銷）。
漏斗轉化分析
漏斗圖適用於分析具有明確流程節點轉化率的數據分析場景，例如互聯網企業常用的平臺用戶訪問階段漏斗轉化分析、用戶生命週期漏斗轉化分析等等。
如上圖所示 ，我們通過FineBI進行某個平臺的用戶訪問階段轉化率數據分析。我們逐級來看各節點轉化情況，首先是用戶從瀏覽商品行為到添加購物車行為這一流程的轉化情況，我們通過漏斗圖可以快速看出其轉化率為50.77%，反映出該平臺的商品介紹、圖片描述等對用戶有較強的吸引力。接下來繼續看添加購物車到下單的轉化率，可以看出其轉化率高達99.66%，非常不錯。之後卻看到單至付款的轉化率僅50%，這是一個值得反思的轉化節點，通過數據分析猜測該平臺商鋪支付渠道不完善，需要增加例如支付寶、微信等快捷支付渠道，降低平臺因為沒有提供用戶習慣性的支付渠道而導致用戶放棄購買行為的幾率。
日曆圖分析
日曆圖常用於分析和時間規律相關的分佈數據，一般來說需要使用同一生長色系或者熱力色進行渲染展示。
如上圖所示，我們使用日曆圖分析每個月每天的發電量數據，可以很容易地發現8月、12月份的與中下旬處於全年的用電高峰期。
核心KPI指標分析
對於企業核心的KPI指標數據我們通常可以使用，KPI指標卡以及文本組件進行直觀的彙總展示。
碩大醒目的關鍵績效指標是用戶查看儀表板時的錨點，它們似乎在大聲引導用戶說：“從這裡開始！”這些數字可用作對話開場白，還能為旁邊的圖表提供上下文。
表格展示
最後是適合直接使用表格進行展示的數據類型，通常來說比如需要查看精準的數據（比如需要反覆查對的統計數據）以及需要明細展示的數據。通常來說我們可以和顏色進行結合（FineBI可自動渲染為顏色表格），更進一步的直觀顯示出數據的數值大小分佈。
顏色搭配一致性原則
顏色是最有效的美學特徵之一，因為它可以吸引注意力。我們最先注意到的特徵就是顏色， 它能夠以直接的方式突出顯示特定見解、標識異常值。在論證觀點時，顏色的使用應該以數據為基礎，而不是個人的喜好或品牌的顏色。
一般來說，我們在使用顏色的時候可以遵循以下的配色一致性原則：
1.數值指標一致性
當根據某一個指標的數值大小進行顏色映射時，建議使用生長色系的漸變顏色。
例如上圖所示，統計的是不同年份的一個地區銷售額情況，左邊的圖顏色並沒有色系和生長規律，用戶難以理解具體指標數值的映含義，而此時如果使用右邊的生長色系的表達方式，它會傳達給用戶一種顏色可測量感。那麼用戶根據這樣的漸變生長色系，就可以很輕鬆地理解當年每個地區的一個銷售額分佈情況。
2.指標顏色一致性
在同一儀表板中，對於相同的度量儘量使用同一色系的顏色方案，避免使用過多的顏色對用戶造成干擾。
例如我們在做銷售看板分析時，通常分析指標會有銷售額和回款額，那麼即使我們在對同一個指標做不同維度的數據可視化分析時，對於銷售額和回款額建議分別使用相同的色系進行配色，比如銷售金額儘量用黃綠色系，回款金額儘量用藍色系。我們在遵循這樣的指標顏色一致性配色原則之後，用戶就能夠快速地根據顏色區分來理解當前的數據可視化圖表所要表達的指標含義。
3.色系顏色一致性
在同一儀表板中，儘量選擇相同色系的顏色方案，避免撞色。
對於顏色如何去定義選擇，這個可能是很多用戶非常頭疼的事情，不知道該選擇什麼樣的顏色去搭配。但是其實在色系搭配方面，FineBI裡面內置了非常多的漂亮的配色方案可供大家進行同一色系顏色的選擇，這一點對於用戶是非常友好的，畢竟有時候“顏值也很重要”。
如果我們是自定義配色，需要避免一些撞色。例如你把黃+白、藍+黑、紅+藍、黃+紫等等色系進行搭配，這樣不但從感官上不美觀，而且還容易對用戶的眼睛造成刺激。
4.語義顏色一致性
符合語義的顏色可以幫助人們更快地處理信息，儘量根據指標含義選擇符合人類最直觀感受的顏色。
因此可以使用紅色來表示熱量分佈，褐色表示乾旱指數，藍色表示降水量等等。
可視化報告的佈局設計原則
儀表板的用途是引導讀者查看多個可視化，講述每個見解的故事，揭示見解之 間的聯繫。 更多地採用更好的儀表板設計，使用戶可以發現正在發生的事情，瞭解最重要的信息及其重要性。考慮如何在儀表板上引導用戶的視線。那麼我們在設計儀表板佈局的時候，需要遵循哪些原則？
1.故事性可視化儀表板佈局
在設計儀表板之前，我們首先需要知道用戶的習慣和閱讀需求。通常來說，用戶看一個儀表板或者讀一個可視化作品的時候就像看一本書一樣，遵循著從上到下從左到右的原則。
也就是說，最重要的核心指標分析（一般可以選擇使用較大的數字進行KPI指標彙總顯示），我們可以放在左上方或者頂部。如果需要添加過濾控件進行頁面級的輔助數據篩選，控件的位置一般放在頂部位置。
其他一些次重要的指標分析可以放到左下方，最後是一些相對不那麼重要數據或者是引導式分析最末尾的數據、明細數據、需要查看精準的數據（比如需要反覆查對的統計數據）等等可以放到儀表板的右下方位置。
2.管理駕駛艙/大屏看板佈局
另外在做一些管理駕駛艙或者是大屏看板的時候，我們可能會需要將一些比較重要的數據（一般來說可能是地圖或者是核心的數據可視化分析等等）放到中部進行展示。管理駕駛艙往往展現的是一個企業全局的業務，一般分為主要指標和次要指標兩個層次，主要指標反映核心業務，次要指標用於進一步闡述分析。所以在製作時給予不一樣的側重，這裡推薦幾種常見的版式。
上面幾個版式不是金科定律，只是通常推薦的主次分佈版式，能讓信息一目瞭然。實際項目中，不一定使用主次分佈，也可以使用平均分佈，或者可以二者結合進行適當調整。比如下圖所示，指標很多很多，存在多個層級的，就根據上面所說的基本原則進行一些微調，效果會很好。
美化報告
1.標題和文本註釋
當我們完成圖表的數據可視化統計和組合佈局之後，並不意味著已經完成了我們的數據分析報告，如果只是幾個圖表的組合拼接成的一個儀表板，可能會讓用戶難以閱讀和理解。由於數據可視化分析報告的可讀性至關重要，所以我們需要使用簡短有力的標題和文本，以最少的字數傳達最有價值的觀點、信息或故事。
通過標題和文本註釋結合可視化來對數據進行講述，突出顯示具體見解，提供其他背景信息，將所有這些元素整合到一個順暢的演示中。通過這些故事點讓人們能夠以更加有序的方式，深入探索每個可視化中的指標和見解。優秀的可視化作品不但可以幫助您更好地理解自己的數據，還可以更快地提供更有意義的見解，甚至啟發其他人提出和回答新問題。
2.不要重複相同業務意義的表達
對同樣維度和指標的數據可視化呈現形式有多種多樣，但是注意不要在同一儀表板中重複相同業務意義的表達。例如我們統計每個地區銷售額的佔比分佈情況，可以使用折線圖、也可以用柱狀圖、餅圖來進行展現，但是此時我們只需要選擇最佳的表達方式（餅圖）進行呈現即可。
3.鑽取分析多層級數據
對於一些有樹層級關係的數據，在FineBI中可以通過數據層層鑽取或者多層餅圖的形式進行呈現。通過數據鑽取的形式，讓用戶在做數據穿透分析時更加方便靈活，同時節約常規儀表板多個維度分析所要佔用的額外區域。
4.聯動分析，替代控件過濾
通常在做一些需要數據過濾篩選的時候，我們可能會使用控件進行過濾。但是用戶實際在閱讀整體的數據可視化報告時，通過設置FineBI圖表和圖表之間的聯動關係來代替控件過濾，往往能夠更進一步增強儀表板的引導式分析，讓用戶進行更加快捷和靈活的數據聯動分析。
5.消除雜亂
6.多維分析，防止一葉障目
如上圖所示，這是一家牛奶生產企業的某個固定銷售報表的看板，我是這家公司的戰略決策者，那麼我從這樣的固定維度的報表中只能夠得出兩個結論：
1.2016年相比2015年的公司牛奶銷售額相對有所增長，環比增長率位122.82%；
2.每年中各個月份的銷售額相差不大，唯一是在2月份中，可能是由於春節的影響，拉動了大眾的集中消費，所以在每年2月份公司的牛奶銷售額會迎來一個小高峰階段。
如果是傳統的固定報表，那麼數據分析能給用戶傳遞的信息可能也就到此為止了。可是真的僅僅如此嗎？我們再來引入產品維度分析看看。
我們可以仔細觀察這個數據分析結果，無論是2015或是2016年，看起來好像每一年中的第一季度和第四季度的鮮奶銷售額比較高，酸奶的銷售額比較低；而第二季度和第三季度的酸奶銷售額比較高，鮮奶銷售額比較低。而像固定報表中的單一維度直接彙總，往往就將這樣真正有數據業務價值的結果掩蓋掉了。
這裡我們進一步來驗證一下。繼續用雷達圖進行每個季度不同產品類別的牛奶銷售額統計，觀察每年季度的銷售額數據統計結果，我們可以輕鬆驗證之前的數據觀察結果。
我們再來從業務的角度進一步思考目前的數據結果原因，第一季度和第四季度主要為春、冬季節，天氣比較冷，這種冷天大家都喜歡熱鮮奶喝，因為比較暖身體。第二季度和第三季度主要為夏、秋季節，天氣比較熱，而這種熱天大家都喜歡和酸奶，因為比較清爽。
如果我是這家公司的戰略決策者，那麼每年對於第一季度和第四季度，公司將主要生產鮮奶，降低酸奶的生產量；對於第二季度和第三季度公司將主要生成酸奶，降低鮮奶的生產量。
這樣一來，我們通過逐步的探索分析將數據和業務聯合起來，總體上既能提高企業的產品銷售額，又能降低每個季度公司的庫存壓力。
我們每天遵循的習慣可能會隱藏數據背後潛在的價值，所以我們需要多嘗試從看錶格數字思考轉換到看圖形感知分析，勇於改變現狀。在對數據進行探索分析思考時，要善於從不同角度去進行可視化分析，完善數據全貌，這樣才能發掘數據背後的巨大價值。落實到具體的數據工作中，作為數據人，我們除了分析日常業務提出來的問題之外，還需要學會積極去處理未預見的問題，時刻保持對數據的懷疑態度，練就自己在探索數據業務問題時的前瞻性。
後記
優秀的可視化作品不但可以幫助您更好地理解自己的數據，還可以更快地提供更有意義的見解，甚至啟發其他人提出和回答新問題。構建商用可視化是一門綜合技藝，需要運用科學、藝術、交流、敘事等方面的技能。 人人都可以製作可視化，但要獲得真正有效的商用可視化儀表板，我們需要投入時間、開展協作、進行迭代。 FineBI提供一個快速的可視化分析工具可以供我們進行使用，但是請記住：多從用戶角度出發，再優秀的儀表板仍然可以繼續完善和改進！
閱讀更多 數據分析不是個事兒 的文章
