大数据时代，数据驱动决策。处理不好庞大、复杂的数据，其价值将大打折扣。

那如何缩短数据与用户的距离？让用户一眼Get到重点？让老板为你的汇报方案鼓掌？

本文通过连环15关，层层深入，传你数据匹配图形神功，让数据可视化更高效。

无论数据总量和复杂程度如何，数据间的关系大多可分为三类：比较 / 构成 / 分布&联系

一、比较

基于分类 / 时间的数据对比，通常需用到比较型图表。用户通过图表轻松识别最大/最小值，查看当前和过去的数据变动情况。

常见场景：哪个地区的收件量最多？今年的收入和去年相比如何……

1、条目少 - 柱状图

比较条目较少时，如5个地区收件量的对比，可选用柱状图表示。

 

2、条目多 - 条形图

当条目较多，如大于 12 条，移动端上的柱状图会显得拥挤不堪，更适合用条形图。一般数据条目不超过 30 条，否则易带来视觉和记忆负担。

 

3、看趋势 - 折线图

当X轴为连续数值（如时间）且注重变化趋势时，则适用折线图。

 

 

 

4、扩大差异 - 南丁格尔玫瑰图

除柱状图外，有无更新颖的表现方式呢？那就属南丁格尔玫瑰图了。

 

由于扇形的半径和面积是平方的关系，南丁格尔玫瑰图会将数值之间的差异放大，适合对比大小相近的数值。它不适合对比差异较大的数值，因为数值过小的类目会难以观察。

此外，因为圆有周期性，玫瑰图也适于表示周期 / 时间概念，比如星期、月份。依然建议数据量不超过 30 条，超出可考虑条形图。

5、双向 - 双向条形图

前面的例子都是单维度比较，当比较正反两类甚至更多维度的数据时，可试尝试双向条形图，下图为各大区的重点地区的收派件量的对比。

 

用颜色区分大区，空心/实心区分收件量和派件量，既能整体比较大区，又能详细对比地区的情况。

打怪升级，再加点难度。在双向图上再增加一个维度，如下表，比较 5 各地区的利润及相应的收入和成本。请先思考一下，再下滑看推荐图表。

 

 

通过图形一眼就能看出深圳区的利润低于广州区，即使它的收入高于广州区，但成本相对来说高于广州区。

6、目标达成 - 子弹图

实际业务中，常要考察指标的达成情况，如收入达标情况及所处区间（优、良、差），如下表，你会怎么可视化呢？动手画一画吧！

 

 

 

子弹图，因为像子弹射后带出的轨道。相较于仪表盘，它能够在狭小的空间中表达丰富的数据信息，在信息传递上有更大的效能优势。

若还要比较4个季度的收入情况，只需用不同颜色区分。如下图，一眼便知第二季度表现较好，而第一季度则不佳。

 

7、性能 - 雷达图

对于一些多维的性能数据，如综合评价，常用雷达图表示。指标得分接近圆心，说明处于较差状态，应分析改进；指标得分接近外边线，说明处于理想状态。

 

二、 构成

部分相较于整体，一个整体被分成几个部分。这类情况会用到构成型图表，如五大区的收件量占比、公司利润的来源构成等。

1、单层 - 饼状图

第1关中，对比5个地区的收件量时用到了柱状图。若看占比情况，饼状图更合适。

 

如果变成 17 个地区，会怎样？

 

饼图分类一般不超过 9 个，超过建议用条形图展示。

除饼图外，环形图（甜甜圈图）亦可表示占比，其差异是将饼图的中间区域挖空，在空心区域显示文本信息，比如标题，优势是其空间利用率更高。

 

2、分层 - 环形图、旭日图

对于管理层而言，需先把握大局和重点。比如大区负责人需一眼看到重点地区及重点分部的情况（如下图），如何展示？

 

 

 

 

这个叫旭日图（感受到阳光了吗？），逐层下钻看数据，大区的重点地区及相应分部的构成情况一目了然。

3、累计趋势 - 堆叠面积图

接下来，看看数值构成随时间变化的案例：第一大区（包含四个重点地区）近四年收入构成的趋势要如何可视化？自己想一想，再下滑看推荐方案。

 

 

 

推荐方案是堆叠面积图，可以展现分量（地区）对于总量（大区）的贡献，并显示总量（大区）的变化过程。需要说明的是，地区收入的起点并非从 y=0 开始，而是在下面的地区基础上逐层叠加，最后组成一个整体。

4、累计比较 - 堆叠柱状图

如果将上图X轴的标签文字（即年份）和图例（即地区）互换（如下图A），用来看每个地区近四年的收入构成，用哪个图更合适？

 

 

 

是不是觉得都OK？那图中 X1 有何含义？堆叠面积图 A 方案和堆叠柱状图 B 方案都可以表现累加值。差别在于，堆叠面积图的 x 轴是连续数据（如时间），堆叠柱状图的 x 轴是分类数据。此案例中的 x 轴是非连续的分类数据，因此用 B 方案更适合。

5、累计增减 - 瀑布图

若想表达两个数据点间数量的演变过程，可使用瀑布图。开始的一个值，在经过不断的加减后，得到一个值。瀑布图将这个过程图示化，常用来展现财务分析中的收支情况。

 

三、 分布 & 联系

通过分布 & 联系型图表能看到数据的分布情况，进而找到某些联系，如相关性、异常值和数据集群。

常见使用场景：客户的年龄段分布？单票成本与收件量的关系？

1、两个变量 - 散点图

仍以业务为例，下图为全国网点的单票成本/收入分布情况。

 

单单这样看，可能看不出什么，如果加两条平均线就不一样了。

 

加了平均线，就知道哪些网点高于平均线，哪些低于平均线。但网点那么多，总不能逐个点击查看是哪个大区的，给散点加上颜色后，就很有意义了。

 

通过此图，可以看出哪些大区单票利润较低，急需提升，比如广泛聚集于右下角的第四大区，单票收入低于平均线，单票成本却高于平均线。

2、三个变量 - 气泡图

大家都知道，网点总利润除了和单票利润有关，还和体量（即收件量）有关，用散点的面积大小表示收件量，就变成了气泡图。

 

3、结合地图 - 热力图

气泡图与地图结合可演变为热力图。通过热力图，能看到哪些网点收派件量较多，需进行资源调配。

 

四、小结

当我们拿到数据后，先提炼关键信息，明确数据关系及主题，再选择合适的图表进行可视化。希望下图能给各位一些参考。数据可视化设计只要多练习、多总结，总有一天会得心应手的！

 

注：私聊回复关键字 “ 数据分析 ”，可获得数据分析工具！