摘要：人们往往贪图便利直接进行最直接的可视化，而没有仔细想清楚目标。本文通过两大问题，清晰划分出了四类可视化方法，告诉你在四种不同的情况、目标下，你应该如何利用可视化提升自己的管理技能。
◆ ◆ ◆
导读
不久以前，数据可视化还是一个可有可无的加分技能，多数情况下，是一些需要设计思维和数据思维的经理特意去学习的加分项。而现在情况不同了，数据可视化成为了所有管理者的必备技能，很多情况下，为了搞明白自己的业务，他们必须要选择可视化交流方式。
数据是这个变化发生的幕后推手。业务上的决定越来越依赖于爆炸式增长的数据。数据增长的速度已经远远超乎我们的想象，不通过几次抽象过程，我们完全无法理解数据在告诉我们什么。而视觉抽象则是最有效的方法。
举个例子：负责波音公司V-22倾转旋翼机“鱼鹰”项目的经理需要提高飞机起飞和降落的效率。但是每次的起飞和降落，飞机上的传感器都会产生1TB的数据。10次的起飞和降落产生的数据就比美国国会图书馆所储信息总和还要多。
没有数据可视化，想要找到隐藏在数据的规律和异常中飞机的效率问题简直不可能。甚至非结构化数据也要求可视化的呈现。比如复杂的工作流程或者一个消费者在商店里面的行动路线，如果你没有亲眼看到整个过程，没有可视化的话是非常难理解的。
随着互联网和各种低价甚至免费的工具的出现，即便是一个没有什么数据和设计背景的人都可以迅速将信息转化成可视化图型。
这总体来说是一件好事，但是有一个问题：人们往往贪图便利直接进行最直接的可视化，而没有仔细想清楚目标。贪图便利而放弃品质，这容易导致最后的图形无法清楚和有效的表达出数据的本质。自动将Excel表格上的几行数据转化成图标只是展示了表格的一小部分，并不能真正表达一个想法。
用演示专家Nancy Duarte的说法来说就是“不要向大家表现你只是在展示一个表格。你应该展示人的行为是如何影响数据的，人是怎样让这些线上下波动。你应该说‘我们是在这里没有达到我们的销售目标的’而不简单是‘这是我们的第三季度财政报表’”
想要提高自己制表水平的管理者一般从学习一些规范开始。什么时候应该用柱状图？应该用几种颜色？标签应该放到哪里？纵轴应该从0开始吗？这些规范很有用也很重要，但是仅仅知道这些法则并不能保证就能做出出色的图表。先学制表规范就像是不考虑策略直接执行，就像是还不知道去哪旅游就开始打包行李。
如果从一开始你就明白数据可视化并不是一个单独的问题，而是很多不同的计划、资源和能力的结合，你的可视化结果会更有效。
我之所以写这篇文章恰恰是因为我发现了自己犯了这个错误。这篇文章是从一本书简化而来。当我开始写这本书的时候的想法是做一个制表规范大全。但是当我了解了可视化的历史，当今可视化研究激动人心的进展以及领域里面领先的想法的时候，我对这本书的规划发生了改变。我们需要的不是另一本规范大全，我们需要一本能帮助我们思考用视觉沟通作为一个整体的学科的书作为起点。
本篇文章所描述的结构是非常简单的。只需要回答两个关键的问题，你可以为自己之后的成功打下坚实的基础。
◆ ◆ ◆
两个问题
想要开始用视觉的方法思考，你需要考虑当前问题的本质和目标：
我所面对的信息是概念性的还是数据驱动的？
我想展示还是探索一些事情？
如果你能回答这两个问题，你就可以计划需要用什么样的资源和工具，并且你可以决定什么类型的可视化可以帮助你更有效地达到目标。
第一个问题要比第二个问题简单，答案往往非常明显。你要么在展示一些定性的信息，要么你在绘制一些定量的信息：一个是想法一个是统计数据。这里要注意的是，这个问题是关于信息本身的，而不是你想最后展示信息的方式。举个例子，高德纳公司的技术成熟度曲线是用一个传统上数据驱动的方式展示的（一条曲线），但是展现的内容并不是真实的数据而是一个概念。
如果我们说第一个问题揭示了你有什么样的数据，那第二问题则想解释你想要做什么：要么你想要表明一些信息（表明），要么你想解决一个问题（探索）。
一般来说管理者需要用到展现式的可视化用来传达一个态度，一般来说是在一个比较正式的情况下。如果你有一堆销售数据，然后你想用这些数据来展示每季度的销售量，你的目标就是展示性的。
但假说你的老板想知道为什么最近的销售业绩不尽如人意。你怀疑可能是因为季节性原因导致了销售的下滑，但是你并不是很确定。你现在的目标就是比较探索性的，你需要用数据来展示出你的假设是正确的还是错误的。你的听众往往是你自己或者是几个人。
如果你的假设是成功的，那么你就可以直接向你的老板展示一个表明性质的可视化图表。”这个图展示了为什么销售业绩发生震动。”
探索性的可视化一般有两种。在我们上面的例子中，你在证明一个假设是否正确。但如果你并不知道为什么业绩下滑，也就说你不知道你在数据中找什么。这时候你需要挖掘工作簿中的规律、趋势和不规则现象。
比如你可以看当你通过一个销售人员负责的区域大小来看他的销售业绩会怎样？天气会影响销售业绩吗？这样的头脑风暴会给数据分析带来全新的视角。比较大的战略问题，比如为什么公司收入下降？哪些地方可以让我们更加高效？客户是怎样和我们互动的？这些都可以从探索性的可视化中得到好处。
◆ ◆ ◆
视觉沟通的四种类型
上面的两个问题自然的将可视化沟通分成了一个2x2的四个象限：展现想法，产生想法，视觉探索和日常数据可视化。
一、展现想法
我们也可以叫这个象限“咨询角”。咨询师们会情不自禁的处理表格。展现想法最的就是利用我们理解比喻（树、桥）和简单的设计规范（圆，图）。组织结构图和决策树是经典的展示想法的例子。我们这篇文章所用的2x2的四格图也是一个经典的例子。
展现想法
数据类型：流程，框架
典型应用场景：展示，教学
主要技能：设计，编辑
目标：学习，简化，解释
展现想法的时候需要非常清楚和简单的设计，但是大量比喻的引入，会带爱不必要的附加品。因为展现想法的时候并没有数据集所来来的规范和限制，这些规范需要人为产生。因此这个方向的关注点应该在于沟通，想法的框架和逻辑也要明了。这一部分最重要的技能与用文档编辑器编辑文档差不多，都在于将复杂的事情解构成它们的本质。设计能力也很重要，有的时候需要寻求帮助。
假设一个公司请咨询公司帮自己的研发部门在其他行业找一些项目灵感。这些咨询师一般会用一种叫做金字塔搜索的方法：这是一种从与你熟知的领域专家那里获取他们领域中的顶尖人物，然后反复寻找下一个领域的专家的方法。
这个方法解释起来有点困难，咨询师用下面的图来展现这个方法：
看到这些坐标轴我们可以一下子理解：横轴表示离我们近或者远的行业，纵轴表示专家程度的低到高。而金字塔图型本身展示出来顶尖专家和入门级专家相比的稀缺性。而标题中的“爬金字塔”让我们很快就可以理解这个概念。而最后设计师没有无谓的对这个图标进行装饰，金字塔只是一个三角形并不是一个真正的金色的四面体。
往往展示想法没有我们看到的这么出色，比如这个：
这张图里面的渐变色，箭头的阴影和三位的金字塔都分散了我们的注意力。而这些箭头并展示不了金字塔搜索的本质。而且入门级专家和顶尖专家被放在了同一个平面上，而不是像之前的图一样放在了不同的高度表明两者的地位不同。
二、产生想法
主管们不一定把可视化当做辅助他们产生新想法的工具，但常常会用于头脑风暴：在白板上，草稿纸上，或餐巾纸上。和展现想法一样，产生想法依赖着概念的象征，但它更多地发生在没有那么正式的场合，比如办公室外，战略会议或早期的创新项目。它被用于发现如何看待商业运作以及解决复杂管理问题的新方法：公司团体重组，开发新商务流程，为决策系统编制规则。
产生想法
数据类型：复杂，未定义
典型应用场景：工作会议，头脑风暴
主要技能：团队组织，辅助
目标：解决问题，探索问题，创新
虽然“产生想法”可以单独完成，但交叉使用设计思维、尽量多地收集不同的观点和图像处理方式收集会对此助益良多。
Jon Kolko是奥斯丁设计中心（the Austin Center forDesign）的创办人、负责人，也是Well-Designed: How toUse Empathy to Create Products People Love的作者。他把他办公室墙上的白板画满了概念性、探索性的可视化图。“这是我们思考复杂事物的方法”，他说，“画出来能帮助处理意味含糊的问题，得出明确结果。”
擅长带领团队，组织头脑风暴，鼓励并捕捉创造性思维的人在这一块能做得很好。设计和编辑技巧在这里并没有那么重要，而且时常起反作用。但你在寻找突破口时，编辑并不是你要做的事，你应该给出一份大致内容的草稿。细节设计会使你的节奏慢下来。
假设一个市场团队正在出差。团队成员需要想出一个展示给总经理他们对高端市场战略的方式。在白板前集合一个小时能产生许多报告的方式，而最终，一个方案赢得全队同意，因为它捕捉到了关键：争取少量高消费客户。白板的内容如下图：
当然，伴随产生想法出现的图像经常需要更正式的设计，在报告中展现想法。
三、视觉探索
这是最复杂的部分，因为它实际上包括两部分。一开始我们把以探索为目的的可视化分为两种：证实假设，和挖掘规律、趋势和不规则现象。前者更加目的明确，而后者比较灵活。数据越大越复杂，而你的相关知识越少，做法便越偏向开放性。
视觉探索
数据类型：大数据，复杂，动态
典型应用场景：工作会议，测试，分析
主要技能：商务智能，编程，配对分析
目标：趋势发掘，结合情理理解，深度分析
视觉证实
面对这种任务，你要回答两个问题：我所猜测的真的正确吗？有其他描述这个想法的方式吗？
数据范围一般是可控的，而且你使用的图表类型大多相似，虽然希望用新方法描述时你可能会尝试些比较罕见的类型。视觉证实一般不会用于正式场合；你这么做是为了准备适合用于报告的图表，这意味着你的注意力需要从设计转到快速生成可视化。电子表格操作和编程技能在这里比较有用。
假设一个市场部经理认为一天中某些时间会有更多顾客用移动设备购物，而不是座机，但他的营销设备并不能充分利用这点，他输入一些数据到一个线上工具去验证他的想法是否正确。
他仍然不能确认或否认他的假设，但他的原型技术和工具使用帮助他更简单地通过不同方式观察数据。他的工作完成得很快，设计也不成问题。他尝试用线形图代替柱状图（2）。现在他发现了一些东西，但同时处理三个变量不然能让他得到想要的“移动vs座机”画面，所以他再次用两个变量尝试（3）。每次重复时，他会评估是否能证实自己最初的假设：一天中某些时间相对座机，会有更多顾客用移动设备购物。第四次尝试时，他放大图片，证实了假设（4）。新的软件工具意味着这类可视化相对以往更加简单：它们会使我们全都成为数据分析师。
视觉探索
开放性的、用数据驱动的可视化一般是数据科学家和商务智能分析师的领域，虽然新工具正逐渐把商务经理们吸引到视觉探索中来。视觉探索值得尝试，因为它通常能提供其它方式无法收集到的信息。
因为我们并不知道我们正在寻找的东西是什么，这些可视化会更直观地呈现数据。在一些极端的情况下，这类项目会结合多个数据集，或结合自动更新的动态、实时数据到系统里。统计模型会从中受益匪浅。
视觉探索会引发交互：经理们可以调节参数，加入新数据，重新可视化。复杂的数据有时候也适合特殊的可视化，比如force-directeddiagrams展示网络如何分类，以及地理相关的图表。函数在这儿很有优势：分析，编程，数据管理和商务分析技能相比创造出报告图表更为关键。意料之中的是，这是经理们最频繁寻求专业帮助达到分析目的的部分。
AnmolGarg, 特斯拉的数据科学家，曾经使用视觉探索来挖掘公司车辆生产的大量感应数据。Garg创造了一张展示随着时间变化，车胎气压变化的交互式图表。和经典的探索方式一样，他和他的团队首先做出许多可视化图，然后找出使用方法：观察应对低压警报，车胎有否正确地充气；寻找漏气率；制作模型预测车胎什么时候可能泄气。四个车胎的气压通过以下的散点图被可视化，让观众一目了然。
Garg为了找出只能通过可视化体现的问题而探索数据。“我们一直在面对TB量级的数据，” 他说，“你不可能通过电子表或数据库观察数据。它必须在视觉上更直观。” 为了报告，Garg把这些探索过程转化成了一些我们即将讨论的更加简单的图表。“管理层喜欢可视化。” 他说。
四、日常数据可视化
虽然数据科学家们大部分的工作是视觉探索，但主管们大部分的工作是日常数据可视化。这部分由你平常复制黏贴的基本图表组成。一般来说他们是简单的——线形图，柱状图，饼图和散点图。
日常数据可视化
数据类型：简单，少量
典型应用创景：正式场合，报告
主要技能：设计，故事陈述
目标：证实内容，设置情境
“简单” 是关键。
理想情况下，这样的可视化仅提供一个信息，展现少数几个变量。目的也是直白明确的：证实内容，设置情境。简单是设计上的主要挑战，所以设计技能非常重要。
在报告中，清晰和逻辑通顺会使表格起到更大作用，因为时间有限。一个设计差劲的表格会使人产生疑问，报告者便要浪费时间去解释一些本应该一目了然的东西。如果一张日常数据可视化图不能把内容表达出来，它便失败了，像一个需要好好解释的冷笑话一样。
这并不是说展示性图表不能引起讨论。但讨论的内容应该基于图表所含的内容，而不是图表本身。假设一个人事主管将向董事会报告公司的医疗成本。她想传递的信息是这些成本的增长已经放缓，正是公司对医疗加大投资的机会。
这位主管读了网上一份带有官方数据的报告，她下载数据后用Excel打开，几秒后就出现了她的数据图。但因为要用于报告，她咨询了一位设计师同僚，加上更多细节。
图片注释: 医疗投入和生产总值的变化
红线：国家医疗投入 蓝线：生产总值
这是一张精心设计过且精确的图，但它可能不符合需求。董事会不需要二十年历史去讨论公司对员工福利的投资。人事主管想要阐述的观点是成本在过去几年已经放缓增长。一般来说，如果一张图需要观众花些时间去消化，这张图和这些信息量最好不是给听报告的人的。
举例来说，制定医疗政策的人在讨论长期趋势前看到这张表格会非常受益。主管需要一些更简洁的东西。
应该简化成这样：
图片注释：年增长正在下降
简练如此，是需要一些训练和勇气来达到的。你的动力是去概括你认识的全部。复杂的图表会灌输复杂的思想。
“看，这些就是我所有的数据和我完成的工作，” 它们仿佛会这样说，但这并不是主管想要的。她想要吸引更多投资。用以上这张图，她无需说一个字就能让董事会理解这个趋势，清晰地为她的阐述奠下基础。
在某些情况下，“数据可视化” 是一个糟糕的词。看起来，它把制作好的图表编程了一个机械化的步骤。它创造了比图表的创造所需更多的工具和方法。它就像是把《白鲸(Moby-Dick)》称为“一串串字节”，把《星空（The Starry Night）》叫作“一块块颜料”。
这也反映了在数据可视化的世界里大家对过程的痴迷更甚于结果。可视化仅仅是一个过程。在制作一份好图表时，我们实际在做的是在展示事实并帮助人们去感受——去领会可视化前不能领会到的东西，去改变他们的想法，去引导他们的行为。
一些通用的基本语法可以提高我们视觉沟通的能力，但优秀的可视化需要更广的理解和战略对策，希望本文提到的结构方法能对您在这方面的学习有所帮助。
原文发布时间为：2016-07-05
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
