导语：大数据：据说年薪50万以上的人，都不可救药地爱上了“数据可视化”。不久前，数据可视化还只是一项锦上添花的技能。大多数情况下，从中受益的是重视设计和数据并主动进行相关投入的管理者。但现在不同了：视觉化沟通已成为所有管理者的必修课，因为在越来越多情境下，视觉化将成为传达工作内容的惟一途径。

 

推动这一变化的首先是大数据。决策越来越依赖大数据，而新数据生成的速度和体量惊人，必须经过简化才能理解——此即视觉化的作用。以波音公司的“鱼鹰”项目为例。为提升“鱼鹰”直升机起飞和降落的效率，管理者要处理传感器记录的大量数据。每次起飞或降落的数据多达1TB，10次起降的数据与美国国会图书馆的数据存储量相当。不运用视觉化工具，要从数据的规律和异常中发现飞机的缺陷，将是不可能完成的任务。

 

但不仅是统计大数据，其他信息也需要视觉传达。例如业务流程、消费者在店铺内活动方式等复杂系统，如果无法清晰展现出来，就难以理解，更谈不上解决其中的问题。

 

互联网和不断出现的便捷工具，让普通人无须具备数据或设计专长，就可以简单、低成本地将数据可视化。这当然是积极的变化，但也助长了一种本能倾向，即无目的地进行视觉化。“卓越”很容易被“方便”代替，结果做出的图表差强人意，甚至无效。把电子表格单元机械地转换为图表，只能提供支离破碎的信息，无法传达出完整的理念。

 

如演讲和沟通专家南希·杜瓦特（Nancy Duarte）所说：“不要让听众感觉你在展示一张图表，而要回顾人的行为，描述曲线变化背后的事件。不是‘来看我们的三季度财报’，而是‘来看我们为什么没完成目标’。”

 

 

 

想做出更好的图表，管理者先要了解基本原则：何时需要柱状图图？颜色超过多少种会太花哨？图例往哪放？Y轴是否从0开始？视觉化的“语法”重要且有用，但掌握语法并不能保证做出好图表。视觉化的第一课，是学会在没有战略的情况下去实践——准备开启目的地未知的旅程。

 

视觉传达不是一个孤立的行为，而是几个连续的事件，分别需要不同的计划、资源和技能。我们需要一种思考方法，来从整体上认识日益重要的视觉传达科学。
 

两个基本问题：大数据的信息性质和传达目的
 

开始学习视觉化思维，首先要思考视觉传达的性质和目的：
 

√ 我要传达的信息是概念还是大数据？

√ 我在陈述某事还是探索某事？
 

如果你能回答这两个问题，就可以安排所需资源和工具，并分析哪类视觉化能最有效地达成目标。

 

第一个问题相对简单，答案一般很明显。你想呈现的要么是定性信息，要么是定量信息：理念或大数据，两者必居其一。但要注意，这里问的是信息本身，而不是你最终采取的视觉传达形式。例如，著名的技术成熟度曲线采用了线状图这一传统的数据表达形式，但并不包含实际数据——它传达的是概念。

如果第一个问题是关于你掌握哪类信息，第二个问题则确定你要怎么做：或是传达信息，即陈述；或是分析某事，即探索。管理者最常用陈述方法，一般是在正式场合向观众传达信息。如果你想利用手中的大量数据报告每季度销售情况，你的目的就是陈述。

 

但假设老板想知道为什么最近销售表现不佳。你猜测可能是因为季节性波动，但不能肯定。于是，数据可视化的目标变为探索：利用同样的数据，你要用图表来证实或否定你的假设。如果假设被证实，你可以再做陈述型图表，告诉老板，“销售出现问题的原因在这里”。

 

实际上，以探索为目标的视觉化有两种。其中一种是上面例子中的假设检验。但假如你对销售业绩下滑的原因毫无头绪，提不出任何假设呢？你就要仔细分析数据，寻找其中的规律、趋势和异常。例如，对比销售业绩和销售员负责区域面积，你有何发现？不同地区的季节性波动有何异同？天气对销售造成哪些影响？这种开放性探索能带来新发现。开放性视觉探索，将有助于解答宏观的战略问题，如收入为何下降、效率如何提升、客户与公司应如何互动等。

视觉化的四种类型

根据上述两个基本问题的答案，我们可以用一个四象限图来定义视觉传达的四种类型：概念描述、创意挖掘、视觉探索、日常数据视觉化。

 

1.概念描述

   视觉化的4种类型


这一象限可以说是“咨询顾问专区”。咨询顾问免不了和各类图表打交道，而图表可以利用容易理解的符号（树、桥）和形状（圆圈、分层），来传达复杂的概念。组织结构图和决策树就是典型的概念描述型图表，眼前这个概括性的四象限图也是。

 

以描述概念为目标的视觉设计必须简洁清晰；但由于必须使用符号，常会出现过度美化的问题。因为概念本身并不包含数据的性质和范围，它们必须单独表示出来。这类视觉传达的重点是结构和逻辑的清晰度，最重要的技巧与编辑文章所需的要领类似，即抽象概括事物本质。设计技巧也会有用，你可以自己动手或请人来做。

 

假设一家企业请咨询顾问来帮助研发团队从其他行业寻找灵感。咨询顾问使用“金字塔搜索”方法，即从邻近领域开始，通过接力层层向外拓展，找到不同领域的顶尖专家。

 

由于解释起来比较繁琐，咨询顾问可以运用视觉化方法。金字塔搜索的原理是什么？如下图所示：

横纵轴的设置使图表非常容易理解：行业从左到右跨度增大，专业程度从下到上逐渐提高；金字塔形状显示出顶尖专家相对普通从业者的稀缺性；标题中的“攀登”“金字塔”帮助读者迅速理解图表含义；最后，设计者没有做过多修饰——没有真的用三维立体、沙石色的图形。

 

很多时候，概念描述的视觉化效果没这么好，你会得到下面这样的图表：

这张图中的颜色分层、阴影和3D效果反而妨碍我们理解概念；箭头并没有展现金字塔搜索方法；顶尖专家和普通从业者处在同一水平线，未能传达出重要性的差别。
 

2.创意挖掘

   视觉化的4种类型

管理者可能不会想到，视觉化也可以用于创意挖掘；但在头脑风暴中，视觉化方法其实无处不在——白板、牛皮纸，以及传说中的餐巾纸背面。和概念描述一样，创意挖掘也使用符号，但更多是在非正式场合，如外出团建、战略讨论和创新项目早期阶段等。它的目标是从不同视角观察企业运作，解答复杂的管理难题，如架构调整、设计新业务流程、构建决策体系等。

 

创意挖掘可以一个人进行，但协作的效果更好。可以借鉴设计思维：先尽可能多地征集不同思路和视觉化方法，再择其一进行精细打磨。

 

乔恩·科尔科（Jon Kolko）是奥斯丁设计学院（Austin Center for Design）创始人兼院长，著有《同理心设计原理》（Well-Designed: How to Use Empathy to Create Products People Love）。他在办公室的白板墙上涂满观念化、探索性的图形。“思考复杂问题时，我们总会回到这个方法，”他说，“通过涂涂画画，我们能够穿越混乱，到达明晰。”擅长领导团队、发起头脑风暴、鼓励创新思考并捕捉创意的管理者，在这个象限中会干得不错。设计技巧和提炼能力在这里不那么重要，甚至可能适得其反：在寻求突破时，最不需要的就是归纳总结，而应尽可能快速发散；精细的设计同样会拖慢速度。

 

假设一个营销团队正在讨论如何向管理层展示进入高端市场的战略。一小时后，白板上有了几个想法。团队最终认可了其中一个，认为最能传达他们的理念——顾客数量减少，但人均消费大增。白板是这样的：

 

当然，创意挖掘过程中产生的图表，通常经过更严谨的设计，用于在正式场合传达理念。

3.视觉探索

   视觉化的4种类型

这个象限可能最为复杂，因为它包含两类视觉化。上文将探索分为两类，一是假设检验，一是从数据中寻找规律、趋势和异常。前者的目标很明确，后者则相对发散。数据体量越大、复杂度越高、未知因素越多，探索工作的开放性就越高。

 

视觉探索1：求证。在这类探索活动中，你要回答下面两个问题中的一个：我设想的情况是否属实？如何用不同方式传达这一信息？

 

在进行求证时，数据范围相对可控，所使用图表类型较为常规；当然，若想以新颖方式呈现信息，也可尝试较少见的图表。求证型图表一般不用于正式场合；你要先自己找到正式展示所需的图表。因此，你的时间不应花在设计上，而应快速尝试不同模板，找到最好的数据视觉化方案；电子表格技巧、编程或网站搭建等快速开发原形的知识可能有帮助。

 

假设一位营销经理认为，在一天中的某些时段，消费者在线购买移动设备多于台式设备，但现有营销策略未能利用这一点。为验证自己的观点，他将一些数据输入到在线软件Datawrapper中。

他还无法证实或推翻假设，也没有发现其他规律，但他利用工具寻找不同视觉表达。他无需考虑设计问题，速度很快。如下图所示，他将柱状图变为线状图。

现在他发现了一些规律，但使用三个变量还难以把握两类产品销量的关系，于是他将变量减为两个（如下图）。每次尝试，他都会评估初始假设的有效性——在一天中的某些时段，消费者购买移动设备多于台式设备。

第四次尝试中，他缩短了时间周期，证实了假设（如下图）。

新的软件工具使这类视觉化比以前容易很多，让我们都变成数据分析师。

 

视觉探索2：开放性探索。更多时候，针对大数据的开放性探索是数据科学家和商业智能分析师的领地，不过新出现的工具让一般管理者也可以参与进来。开放性探索很值得尝试，因为它经常带来独一无二的洞见。

 

由于缺少明确目标，开放探索型图表包含的数据范围较广，个别情况下可能会容纳多组大数据，或建立自动更新大数据的动态系统，也可用于统计建模。

 

管理者可通过调整参数、引入新数据源、迭代更新图表，进行交互性探索。复杂大数据有时也可用于专业性、不常见的图表，如力导向图（用于表示网络结构）和地形图等。

 

此处，图表的功能重于形式：数据清洗、分析、编程、数据管理和商业智能比图表的观赏性更重要。在这一象限，管理者自然最需要请外部专家搭建数据处理系统，并根据分析目标制作图表。

 

安默尔·加格（Anmol Garg）是特斯拉的一名数据科学家，他利用视觉探索分析特斯拉电动车的海量传感器数据。他设计了一种交互式图表，用于显示在特定时间内的轮胎压力变化情况。加格和团队严格按照探索形式设计出图表，发现其用处很多：了解车辆出厂时轮胎充气情况、用户充气频率、用户对气压不足警报的反应时间；分析轮胎漏气率；建立模型预测轮胎漏气时点。散点图显示出四个轮胎的压力情况，一般人或许不明所以，专家则一目了然。

 

 

在探索大数据的过程中，加格发现一些信息只能用图表传达。“我们时刻都在和海量数据打交道，”他说，“对照电子表格搜索数据库肯定一无所获，必须使用图表。”向管理层演示时，加格将探索型图表转化为较简单的图表（下文将介绍）。“他们最喜欢看图。”他说。
 

4.日常数据视觉化

   视觉化的4种类型

 

大部分视觉探索工作由数据科学家承担，而管理者最常做的是日常数据可视化。这一象限主要涉及常用图表，一般可在展示中直接使用。这些简单图表包括线状图、柱状图、饼状图和散点图等。

 

这里的关键词是“简洁”。一幅图表应该用有限几个变量，清晰传达一个信息。目标很明确：为听众确认并介绍背景信息。要做到简洁，设计十分关键。此类图表常用于正式展示，对清晰度和逻辑性要求很高。正式展示通常时间有限，如果图表设计不理想，介绍人就必须停下来解释，而图表中的信息本应一目了然。如果日常数据图表还需要额外说明，那它就是失败的，如同笑点需要解释的笑话。

 

这并不是说陈述性图表不应引发讨论，但讨论应针对图表传达的理念，而非图表本身。

 

假设一位人力资源副总裁要向高管层介绍公司的医疗开支情况。她想表达的是，医疗开支增速明显放缓，因此公司有机会投资多种医疗服务。

 

她在网上读到一篇相关报告，其中引用了一些官方数据，于是，把数据下载下来，用Excel做成线状图，几秒钟就完成了。但由于要做展示，她请公司一位设计师加入一些数据细节，让图表更完整。

 

这幅图表设计得不错，数据翔实，但可能并不合适。高管团队讨论公司福利支出，并不需要20年之久的历史数据。HR副总裁想说的是，近年医疗开支增速放缓，但图表能清晰传达出这一点吗？

 

一般来说，如果图表中的大数据几秒钟内看不完，那么最好把这些信息打印出来或发到个人设备上，供需要获得信息但不想听报告的人员查阅。例如，医疗政策制定者参加听证会、讨论医疗支出长期趋势前，可以仔细研究这张图表。

 

HR副总裁需要一张更干净的图表。一条简单的折线其实就能清晰传达信息：

 

想达到这种简洁，需要原则和一些勇气。你会本能地想把所有已知信息都放进去。拥挤的图表似乎能告诉别人，你做了很多工作：“看看这些大数据，我费了多大劲！”但这不是那位HR副总裁的目标；她要做的是说服同事投资新项目。使用新图表，她不用说一个字，高管团队就能看明白趋势。这样，她就为后面提出具体建议做好了铺垫。

 

从某些方面看，“数据可视化”这个词很不到位，它把好图表的创造过程简化为某种机械程序，让人想到用于创造的工具和方法，而不是创造本身，就好像把《白鲸》叫作“词语序列”，把《星空》称为“颜色分布”。

 

“数据可视化”这个词还反映出，当下人们过度强调技术过程，却忽视了最终效果。视觉化只是一个过程，而图表的最终任务是传达某种真实，让人们去感知、看到以前看不到的东西——去改变想法，进而采取行动。

 

通过学习视觉化的基本语法规则，我们能更有效地传达信息。但为达到理想效果，我们对视觉化的理解须更全面，在操作时也要更有全局意识。

斯科特·贝瑞纳托（Scott Berinato）| 文

斯科特·贝瑞纳托是《哈佛商业评论》英文版高级编辑，著有《HBR数据视觉化指南》（Good Charts: The HBR Guide to Making Smarter, More Persuasive Data Visualizations，2016），本文改编自该书。

王晨| 译    刘铮筝| 校    钮键军| 编辑