大數據人工智能淘寶天貓雙十一幕後:實時可視化查詢大屏
這張圖片來源於天貓雙十一數據直播，來自大數據可視化的魅力
【what】什麼是數據可視化?
塔夫特所說，“圖形表現數據。實際上比傳統的統計分析法更加精確和有啓發性。”對於廣大的編輯、設計師、運營分析師、大數據研究者等等都需要從不同維度、不同層面、不同粒度的數據處理統計中，藉助圖表和信息圖的方式爲用戶(只獲得信息)、閱讀者(消費信息)及管理者(利用信息進行管理和決策)呈現不同於表格式的分析結果。數據可視化技術綜合運用計算機圖形學、圖像、人機交互等，將採集、清洗、轉換、處理過的符合標準和規範的數據映射爲可識別的圖形、圖像、動畫甚至視頻，並允許用戶與數據可視化進行交互和分析。而任何形式的數據可視化都會由豐富的內容、引人注意的視覺效果、精細的製作三個要素組成，概括起來就是新穎而有趣、充實而高效、美感且悅目三個特徵。
【why】爲什麼要進行數據可視化?
無論是哪種職業和應用場景，數據可視化都有一個共同的目的，那就是準確而高效、精簡而全面地傳遞信息和知識。可視化能將不可見的數據現象轉化爲可見的圖形符號，能將錯綜複雜、看起來沒法解釋和關聯的數據，建立起聯繫和關聯，發現規律和特徵，獲得更有商業價值的洞見和價值。並且利用合適的圖表直截了當且清晰而直觀地表達出來，實現數據自我解釋、讓數據說話的目的。而人類右腦記憶圖像的速度比左腦記憶抽象的文字快100萬倍。因此，數據可視化能夠加深和強化受衆對於數據的理解和記憶。
分享之前我還是要推薦下我自己創建的大數據學習交流Qun531629188無論是大牛還是想轉行想學習的大學生小編我都挺歡迎，今天的已經資訊上傳到羣文件，不定期分享乾貨，還有免費學習大數據的直播平臺包括我自己整理的一份最新的適合2018年學習的大數據教程，歡迎初學和進階中的小夥伴。
【how】如何實現可靠的數據可視化
數據可視化包括數據的採集、分析、治理、管理、挖掘在內的一系列複雜數據處理，然後由設計師設計一種表現形式，或許是二維圖表、三維立體視圖，不管是什麼樣的信息圖，最後由前端工程師創建對應的可視化算法及前端渲染和展現的實現。如果僅僅是能夠將數據轉化成漂亮的圖表，設計出固定維度、不同式樣的圖表來解釋你的觀點，並不說明這樣的結局就足夠好。這只是一個簡單的開始，只是一個美好願望的萌芽。如果要成功報告結果，將你所分析的度量和數據有效地轉化爲有商業價值的見解，使其能夠爲基於事實所做的決策提供支持，那麼還需要做更多的功課。
色彩提升信息可視化的視覺效果。在信息可視化通過造型元素明確傳達信息及敘述的基礎上，把握好視覺元素中色彩的運用，使圖形變得更加生動、有趣，信息表達得更加準確和直觀。色彩可以幫助人們對信息進行深入分類，強調和淡化、生動而有趣的可視化作品的表現形式，常常給受衆帶來視覺效果上的享受。當然，視覺效果要將企業品牌的色調融合進去，和企業的品牌文化保持高度的一致，這是一個最基本的常識。比如，如果企業的品牌色調比較熱衷紅色，你設計的可視化效果，就要有意識地朝着這個基調靠攏。但沒有必要吻合，因爲紅色的可視化效果，通常都包含警示的韻味，所以，紅色適合做預警、提醒和突出信息的功能。
排版佈局增強信息可視化的敘事性。我有酒，你有故事嗎?排版佈局四大基本原則：
(1)對比(Contrast)：如果兩個項不完全相同，就應當使之不同，而且應當是截然不同。
(2)重複(Repetition)：設計的某些方面在整個作品中重複。
(3)對齊(Alignment)：任何元素都不能在頁面上隨意安放。每一項都應當與頁面上的某個內容存在某種視覺聯繫。
(4)親密性(Proximity)：將相關的項組織在一起，使它們的物理位置相互靠近相關的項將被看作凝聚爲一體的一個組。
動態增加信息可視化的視覺體驗。在信息可視化的視覺表達中，動態地將相互分離的各種信息傳播形式有機地融合在一起，進行有關聯、有節奏的信息處理、傳輸和實現。最終的目的是，爲了實現數據之間的聯動，解釋數據表現之間驅動和聯繫的關係。通過圖表樣式和色彩的運動，滿足受衆的視覺感受，同時將信息內容更加深刻而精簡地傳達給閱讀者，使整個信息傳達的過程更加輕鬆便捷。對於數據可視化有諸多工具，如：ECharts、iCharts、D3js、Flot、Rapha?l等功能都十分強大，但對於非專業可視化而又經常與圖表打交道的職場人士來說，一款輕便易學而又實用的可視化軟件則顯得十分重要。比如cognos、tebleue等。如果需要展現的數據結構不是特別複雜，而又要把數據展現的絢麗多彩，而且具有交互性，那麼水晶易表是不二之選。
1.誰是你的閱讀者?
無論你是否在做一份傳統的報表還是新式的信息圖，首先問問自己有哪些閱讀者看到這份報告?他們對將要討論的事項瞭解多少?他們需要什麼?、還有，他們會如何利用你要展示的信息和數據呢?而我在《一份靠譜的數據分析報告都有什麼套路?》裏講過，明確清晰的分析目標和方法會有多重要，因爲只有明確分析目標，纔能有一個良好的驅動過程。無論是目標驅動還是分析過程驅動，後續的數據分析工作和分析報告裏所要呈現的全部內容事項都是緊緊圍繞着這個目標主題而服務的。
2.規劃數據可視化方案
數據可視化方案，是一定是能夠解決用戶特定問題的。既然是能夠解決用戶特定的問題，那麼這樣的高度，是在基於你在深入地理解了這些數據的現象和本質的基礎之上。簡單來說，就是你的可視化方案，不僅懂得並且能夠很好地解釋數據分析的結論、信息和知識。並且管理者能夠沿着你規劃的可視化路徑能夠迅速地找到和發現決策之道。
舉例來說，當企業的業績不達標時(企業的業績是否達標，關係到企業最關鍵的利益和存亡。)可視化方案的設計路徑應該是這樣的：
Step1，從整體運營出發，明確有哪些關鍵因素會影響成交和業績。
比如：有效名單、demo品質、客服服務、產品屬性等，相應地去看這些關鍵因素對應的KPI的表現，對整體的業績來講，這些因素都會是驅動因素，這些因素對應的KPI都會是對STV有直接驅動和影響作用的。這些驅動數據的可視化是基礎，也是尋找解決方案最終的出發點和落腳點。因爲，這些數據的表現，是關乎運營成功與否的最直接視圖。
Step2，對關鍵因素深入分析確定是什麼因素導致了業績沒達成，發現和挖掘導致業績未達標的根本原因和問題。
比如：
對比分析，逐一觀測201601月-201612月全部關鍵因素對應的KPI的表現，對比成交業績最高的月份和成交業績最差月份的關鍵因素對應的KPI差異在哪裏，能夠快速定位出哪些方面、哪些因素導致業績未達標。然後能夠有針對性地驅動和幫助業務部門去改善。
追蹤對成交和業績有驅動和改善的行動方案的落地和實施進度，存在什麼樣的問題，是否存在行動方案的執行不力影響了業績達標。
Step3，針對這些問題因素，有的放矢地去做改善和探索提升業績之道。
否則，設計再商業絢麗的可視化圖表，如果不能快速地得到信息和商業決策建議和方案就毫無意義。可視化僅僅成了虛假和欺騙，華麗而不務實的結果。基於準備好的全部的這些問題所得出的答案，就要開始定製你的數據可視化方案以滿足每個決策者的特定要求。數據可視化始終都應該是爲其受衆專門定製的，這樣的報告裏只應包括受衆需要知道的信息，且應將這些信息置於和他們有關並對他們有意義的背景下。
3.給數據可視化一個清晰的標題。
當你的報告像一份報紙、雜誌的新聞一樣。從這個標題，就能給閱讀者強烈的衝擊。一個清晰的標題是能夠很好地闡釋報告和故事的主題，是對整個報告和故事概括的信息。當然，並不是鼓勵運營分析人員去做“標題黨”。好的標題，既不要模棱兩可，也不要畫蛇添足，只要解釋清楚圖表即可。這有助於幫受衆直接進入主題。這樣能讓讀者大致瀏覽文件，並能快速抓住核心所在。儘量讓你的標題突出。
4.將數據可視化和你的策略、方案聯繫起來
如果數據可視化的目的在於介紹能解決具體的、可衡量的、可執行的、有相關性和時效性問題的數據，那就在開場白里加上這些問題。稍後再和你的策略連接起來以理清這些數據的定位，因此，讀者便能立刻明白可視化數據的相關性和價值。最終，他們便能更好地參與進來，並能夠更明智地利用這些信息。數據可視化，最終時爲了企業良好的運營而服務的，這是它的商業價值。如果你不關注企業的戰略和行動方案，很難建立起具有聯動價值的信息圖。比如，企業執行的行動方案，通常是爲了達成和實現企業的戰略目標，通過這樣的手段實現精益管理和精益運營。所以，可視化的解決方案要能夠做到，行動方案對戰略目標的驅動效果、個體、團隊對部門整體指標、KPI的驅動和影響效果。只有建立起來具有聯繫的信息視圖，纔會獲得有價值的數據可視化。
5.明智地選擇你的展示圖表。
不管使用哪一類圖表，bar圖、折線圖、雷達圖等等，每一種圖表都有它自身的優點和侷限性。你無法找到完美的可視化圖表。但你可以通過嘗試混合展現方式讓可視化表現再人性化一點點。所以的可視化效果，都應該儘可能簡單精準地傳達訊息。這就意味着：不論有多新潮、多好看或者多絢麗，這都不是設計數據可視化的初衷。誠然，我們在持續地並且永不滿足地追求數據之美。但最佳的平衡點在於，用合適的數據可視化開闡釋恰到好處的信息和知識的價值之美。
只用有關聯能傳達重要信息的且爲你的受衆所需要的圖形。
無需填滿頁面的所有空白——太多雜亂的內容只會干擾對重要信息的接收，會讓人太難記住，又太容易忽略。
恰當運用色彩，增加信息深度。同時要注意有些色彩具備潛在含義。舉例來說，紅色被認爲是代表警告或危險的顏色。適合預警額。
不要使用太多不同類的圖表、表格和圖形。如果需要對比各種圖表，要確保你闡述數據時使用的是同類的圖表，這樣才能便於互相比較。
6.在恰當處備註文字說明
文字說明有助於用語言解釋數據，並能在情境化圖表的同時增加內容的深度。數字和表格或許僅能提供快照，而文字說明則讓人對關鍵處瞭解更多，加以評論並強調其內涵。引導觀看者去思考圖形的主題，而不是方法論、圖形設計、圖形生成或其他東西。
避免歪曲數據原本的意圖。
讓龐大的數據集連貫一致。
吸引讀者將不同的數據片段進行比對和比較，突出重點和優劣。
主旨要相當明確：描述、挖掘、作表、可視化自我解讀。